Modèles probabilistes pour le traitement d'image : application à la chirurgie vasculaire

Ces travaux de thèse portent sur la segmentation d’images médicales dans le domaine de la chirurgie vasculaire, où comme dans beaucoup d’autres disciplines médicales, les images révolutionnent la compréhension des maladies et leur traitement. Beaucoup de problématiques (images dégradées et peu disponibles, données de taille importante, ...) demeurent des verrous au développement de traitements chirurgicaux plus sûrs et propres à chaque patient. Des nouveaux modèles de chaîne de Markov cachée et de champ de Markov caché couple sont proposés, dans le but de modéliser des bruits fortement corrélés. Un modèle d’arbre de Markov triplet est développé afin d’enrichir les dépendances spatiales existantes dans le modèle classique. L’inférence et l’estimation des paramètres dans les nouveaux modèles sont spécifiquement abordées. Une application des modèles développés aux données réelles de chirurgie vasculaire est effectuée sur des images extraites des bases de données du laboratoire Geprovas.The work presented in this thesis deals with medical image segmentation in the field of vascular surgery, where like in most of the fields of medical research, the images deeply transform the medical knowledge and the treatments. Many issues (corrupted and scarce images, huge data to process, ...) are still barriers to the development of safer and patientspecific surgical treatments. New models of hidden Markov chain and pairwise hidden Markov field are proposed, in order to model highly correlated noises. A triplet Markov tree model is developed to enhance the spatial correlations in the classical Markov tree model. Inference and parameter estimation within the new models are specifically treated in our studies. The models are applied to real images from vascular surgery available at the Geprovas laboratory