Méthodes d'approximation de contours et de surfaces actifs pour la segmentation d'images médicales
L'extraction automatique d'informations et la détection d'objets à partir d'images médicales ont connu un essor considérable ces dernières années. Ces avancées offrent aux cliniciens de nouvelles possibilités d'exploration et d'aide au diagnostic. Cependant, le processu...
Enregistré dans:
| Hovedforfatter: | |
|---|---|
| Andre forfattere: | , , , , , |
| Format: | Thèse numérique |
| Sprog: | Français |
| Udgivet: |
2024.
|
| Fag: | |
| Online adgang: | Accès réservé au texte intégral |
| Kommentar: |
Thèse soutenue en co-tutelle Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Institut Denis Poisson (Orléans, Tours ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Abdelhafid Serghini (Président du jury) ; Karim Abed-Meraim (Membre(s) du jury) ; Abdelhafid Serghini, Ahmed Zidna, Abdellah Lamnii (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Methods of approximation of contours and active surfaces for the segmentation of medical images |
| LEADER | 05895nam a22004817a 4500 | ||
|---|---|---|---|
| 001 | 1266907 | ||
| 008 | 250115s2024 xxe ||| |||| 00| 0 fre d | ||
| 009 | PPN282606580 | ||
| 041 | 0 | |a fre |b fre |b eng | |
| 084 | |a 004 | ||
| 084 | |a 510 | ||
| 084 | |a 610 | ||
| 084 | |a 620 | ||
| 100 | 1 | |a Sefti, Rania, |d 1996- | |
| 240 | 1 | 0 | |a Methods of approximation of contours and active surfaces for the segmentation of medical images |
| 245 | 1 | 0 | |a Méthodes d'approximation de contours et de surfaces actifs pour la segmentation d'images médicales |c Rania Sefti ; sous la direction de Rachid Jennane et de Driss Sbibih. |
| 256 | |a Données textuelles | ||
| 260 | |c 2024. | ||
| 500 | |a Thèse soutenue en co-tutelle | ||
| 500 | |a Titre provenant de l'écran-titre | ||
| 500 | |a Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) | ||
| 500 | |a Partenaire(s) de recherche : Institut Denis Poisson (Orléans, Tours ; 2018-....) (Laboratoire) | ||
| 500 | |a Autre(s) contribution(s) : Abdelhafid Serghini (Président du jury) ; Karim Abed-Meraim (Membre(s) du jury) ; Abdelhafid Serghini, Ahmed Zidna, Abdellah Lamnii (Rapporteur(s)) | ||
| 502 | |a Thèse de doctorat. Mathématiques. Analyse numérique et traitement de données. Orléans. 2024 | ||
| 502 | |a Thèse de doctorat. Mathématiques. Analyse numérique et traitement de données. Université Mohammed I (Oujda, Maroc). Faculté des sciences. 2024 | ||
| 520 | |a L'extraction automatique d'informations et la détection d'objets à partir d'images médicales ont connu un essor considérable ces dernières années. Ces avancées offrent aux cliniciens de nouvelles possibilités d'exploration et d'aide au diagnostic. Cependant, le processus de segmentation demeure complexe et présente de nombreux défis.Ce travail de thèse vise à développer des méthodes de segmentation d'images médicales basées sur les B-Snakes. En exploitant les propriétés des fonctions splines, nous avons amélioré la précision et la performance des contours actifs paramétriques (ou surfaces actives) pour la segmentation d images médicales. Tout d'abord, nous avons introduit une nouvelle fonction d'approximation spline d'Hermite généralisée avec un support optimal et une erreur d'interpolation contrôlée. Ensuite, en utilisant un modèle d'apprentissage profond,nous avons développé un nouveau terme d'énergie qui met en avant l'importance de l'analyse des variations d'intensité et des textures. Puis nous avons introduit une étape d'équilibrage, fondée sur la géométrie de l'objet et de ses propriétés de courbe/surface. Ceci permet d aligner la surface équilibrée du Snake avec les parties complexes de l'objet. Enfin, nous avons introduit un nouvel algorithme de déformation du Snake appelé méthode de déformation itérative progressive (PID). Celui-ci adapte itérativement les points de contrôle pour construire une série de courbes d'ajustement jusqu'à ce que la limite de l'objet soit détectée, sans qu'il ne soit nécessaire de résoudre les problèmes de minimisation de l'énergie. Les techniques proposées ont été rigoureusement évaluées, démontrant ainsi leur efficacité et leur robustesse dans diverses conditions d'application incluant un large éventail de données et différentes modalités d'imagerie. | ||
| 520 | |a Automatic information extraction and object detection from medical images has advanced significantly in recent years. These advances offer clinicians new opportunities for exploration and diagnostic support. However, the segmentation process remains complex and presents many challenges. The aim of this thesis is to develop medical image segmentation methods based on B-Snakes. By exploiting the properties of spline functions, we have improved the accuracy and performance of parametric active contours (or active surfaces) for medical image segmentation. First, we introduced a new generalised Hermite spline approximation function with optimal support and controlled interpolation error. Then, using a deep learning model, we developed a new energy term that emphasises the importance of intensity variation and texture analysis. We then introduced a balancing step based on the geometry of the object and its curve/surface properties. This aligns the balanced Snake surface with the complex parts of theobject. Finally, we introduced a new snake deformation algorithm called Progressive Iterative Deformation (PID).This iteratively adjusts the control points to construct a series of fitting curves until the boundary of the object isdetected, without the need to solve energy minimisation problems. The proposed techniques have been rigorously evaluated, demonstrating their effectiveness and robustness under a variety of application conditions, including a wide range of data and different imaging modalities | ||
| 650 | |a Apprentissage profond | ||
| 650 | |a Traitement d'images |x Techniques numériques | ||
| 650 | |a Méthode des contours actifs | ||
| 650 | |a Imagerie médicale |x Qualité de l'image | ||
| 650 | |a Théorie des splines | ||
| 650 | |a Approximation, Théorie de l' | ||
| 650 | |a Thèses et écrits académiques | ||
| 700 | 1 | |a Jennane, Rachid, |d 19..- |4 ths | |
| 700 | 1 | |a Sbibih, Driss, |d 19..- |4 ths | |
| 700 | 1 | |a Serghini, Abdelhafid, |d 19..- | |
| 700 | 1 | |a Zidna, Ahmed. | |
| 700 | 1 | |a Lamnii, Abdellah, |d 1978- | |
| 700 | 1 | |a Abed-Meraim, Karim, |d 19..-...., |c auteur en sciences appliquées. |4 opn | |
| 710 | 2 | |a Université d'Orléans. |4 dgg | |
| 856 | 4 | |5 452349901:882638556 |q PDF |s 67134800 |u https://theses.univ-orleans.fr/prive/accesESR/2024ORLE1037_va.pdf |z Accès réservé au texte intégral | |
| 997 | |0 1266907 |1 Thèse numérique |a Ressource numérique |b INSA |b ENSA |c 0/Bibliothèque numérique/ |c 1/Bibliothèque numérique/Autre ressource numérique/ | ||