Segmentation d'image médicales volumiques à l'aide de maillages déformables contraints

The segmentation of abdomen organs in volumetric medical images is difficult due to noisy and low contrasted images. Classical segmentation technics based on edge detection or thresholding lead to poor results. In this report, we use deformable meshes to perform segmentation. By using a template of the desired organ in our segmentation scheme, we introduce a prior knowledge of the shape to recover. We use noisy edge information to locally deform our model. Due to sparse edge data, we need to constrain our model so that it deforms smoothly. Our simplex meshes rely on a shape memory mechanism to regularize deformations. We are also using global transformations to provide additionnal constraints. An hybrid model provides a trade off between computationnal cost of complex global transformations and the number of freedom degrees of the model. We also study the use of a training set to built a more robust model with statistical knowledge of allowable deformations. Statistical information may be use for additionnal constraints or a fine tuning of the deformations parameters.La segmentation d'organes abdominaux dans des images médicales volumiques est rendue difficile par le bruit et le faible contraste de ces images. Les techniques de segmentation classiques à base d'extraction de contours ou de seuillage donnent des résultats insuffisants. Dans ce rapport, nous utilisons des modèles déformables pour segmenter les images. En introduisant un modèle de l'organe voulu dans le processus de segmentation, nous bénéficions d'une connaissance a priori de la forme à retrouver. Nous utilisons des images de contour bruitées pour déformer localement le modèle. Les données de contours étant incomplètes, il est nécessaire de contraindre le modèle pour qu'il se déforme régulièrement. Nos maillages simplexes bénéficient d'un mécanisme de mémoire de forme agissant de façon régularisante sur les déformations. Nous utilisons des transformations globales pour disposer davantage de contraintes. Un modèle hybride fournit un compromis entre complexité de calcul des transformations globales et nombre de degrés de liberté du modèle. Nous étudions également l'utilisation d'un ensemble d'apprentissage pour construire un modèle plus robuste tirant parti de l'information statistique des déformations possibles. L'information statistique peut être utilisée pour contraindre d'avantage les déformations ou pour paramétrer de façon plus fine le processus de déformation