Classification collaborative multi-stratégies de données multi-sources : Application à la segmentation sub-voxelique d’Images IRM

Abstract

En raison de la complexité de l'anatomie du cerveau humain , la qualité de la résolution joue un rôle essentiel dans l'imagerie cérébrale par résonance magnétique (IRM) pour lesquels l'effet de volume partiel (PVE) représente une contrainte majeure pour effectuer une analyse détaillée d'image. Malgré une meilleure résolution d'image fournie par des intensités de champ, les problèmes liés à l'effet de volume partiel insistent, comme les structures d'intérêt deviendront plus petites. Pour surmonter ce problème, des recherches récentes portent sur les problèmes de résolution de l'image et l'effet de volume partiel séparément alors qu'ils sont étroitement liés. Afin d’exploiter l’intérêt apportés par la collaboration entre différentes stratégies et divers sources d’informations, on a proposé un processus complet pour faire une segmentation sub-voxelique des images IRM. Dans cette thèse, un nouveau processus été proposé qui effectue une estimation précise du volume partiel de chaque tissu après une amélioration dans la résolution d'image en utilisant une super-résolution à base d’Atlas. Dans la première étape, dans le cas de l'inexistence d'une image à haute résolution sur le même sujet, nous générons itérativement une image à haute résolution (HR) à partir d'une image basse résolution (LR), en utilisant des informations supplémentaires a priori du modèle d’Atlas haute résolution. Contrairement aux techniques d'interpolation, afin d'être en mesure de récupérer des détails fins dans les images d'entrée, le processus de reconstruction est basé sur des informations préalables d’Atlas et l’autosimilarité (Atlas information prior and self similarity). Dans la deuxième étape, le volume partiel est évalué à l'aide d'un champ de Markov (MRF). L'efficacité de notre approche est démontrée sur les images simulées BrainWeb et des images cliniques de IBSR.