French
English
Les dispositifs d'imagerie 3D (IRM, Scanner X, TEP) sont de plus en plus performants et précis, et offrent désormais la possibilité d'observer une grande partie ou l'intégralité du corps du patient. Une segmentation fiable et précise des images 3D anatomiques normales ou pathologiques est un objectif primordial en imagerie médicale et reste un problème ardu.
Le but de cette thèse est de proposer une approche de recalage de modèle anatomique humain sur des données tridimensionnelles, afin d'adapter le modèle à la morphologie du patient concerné. La contribution principale de cette thèse portera sur le recalage simultané de toutes les parties du modèle anatomique avec les données disponibles. Les principaux verrous sont la complexité algorithmique d'un tel recalage, la prise en compte des disparités en ce qui concerne la qualité et la nature (IRM, CT,...) des acquisitions (certains organes sont beaucoup plus faciles à distinguer que d'autres), les contraintes de relations de voisinage entre les organes (continuité du modèle) ainsi que la variabilité de la forme des organes.
Les premières pistes envisagées concernent l'utilisation de méthodes semi-automatiques, où un maximum d'information fiable sera extraite du volume de données, et pour lesquelles l'intervention humaine (du médecin) permettra une correction du recalage pour les régions très difficiles à caractériser automatiquement. L'introduction d' a-priori statistique (par exemple l'age, la taille ou le poids du patient) mais surtout la variabilité statistique des formes d'organes et des relations spatiales entre organes, permettra d'améliorer la qualité du recalage proposé. Il s'agit donc de coupler l'ensemble de ces informations dans un formalisme unique, mixant les informations de bas niveau telles que la photométrie à des informations de plus haut niveau telles les statistiques ou la topologie. Plusieurs modèles anatomiques de patient existent déjà, tel le modèle NURBS-based CArdiac-Torso (NCAT), dont l'enrichissement sera étudié, afin de l'adapter à notre problématique. Les méthodes de segmentation de type Graph-cut, les représentations statistiques basées sur les facteurs principaux, sont des outils algorithmiques que nous envisageons de faire coopérer dans ces travaux.
La modalité visée est l'imagerie CT du torse et la première application envisagée est la fourniture de modèles recalés pour la plateforme d'imagerie virtuelle du projet SIMED, afin de faciliter la création d'une base de données d'images de patients, avec la possibilité d'introduire automatiquement ou non des tumeurs cancéreuses.