La segmentation des images médicales IRM par ensembles de niveau (Level sets)

Abstract

Dans le domaine de l'imagerie médicale, la segmentation des images résultant de divers examens usuels est une tâche cruciale, elle permet de fournir au médecin une aide à la décision pour effectuer son diagnostic. La segmentation des images IRM cérébrales anatomiques est une tâche importante et indispensable à de nombreuses applications. Elle permet la visualisation de la surface 3D du cerveau et servir de support pour des études fonctionnelles, elle est largement utilisée dans les études statistiques de la morphologie des structures cérébrales, dans la détection des pathologies, ou encore dans la planification et la simulation des opérations chirurgicales. La segmentation du cerveau est une tâche difficile en raison de la complexité des structures anatomiques du cerveau ainsi que de la non-uniformité des intensités, des effets de volume partiels et du bruit. Généralement, les structures cérébrales présentent des variations de forme importantes, et leurs contours peuvent être flous ou manquants. Les méthodes de segmentation basées sur des modèles flous ont été développées pour surmonter l'incertitude causée par ces effets. Malgré leurs avantages, l’utilisation du modèle flou seul a des limites. Dans ce mémoire, nous nous intéressons à la technique de modèles déformables et plus particulièrement à la méthode d'ensembles de niveau (level sets). A cet effet, nous utilisons une combinaison de deux méthodes pour la segmentation des images IRM cérébrales, l'une est le modèle déformable géométrique de Chunming Li et l’autre est la méthode FCM. La méthode proposée est testée sur plusieurs images IRM pour la segmentation des tissus cérébraux (matière blanche, matière grise et le liquide céphalo-rachidien). Les résultats obtenus sont satisfaisants et prometteurs.