Automated Sagmentation of Cerebral Structures Incorporating Explicit Knowledge
Segmentation Automatique des Structures Cérébrales s'appuyant sur des Connaissances Explicites
Résumé
We propose in this thesis an automated segmentation system for medical images (most especially in vivo brain MRI). We have focused on devising a segmentation methodology where maximum use is made of the available a priori medical expertise. We approach the issue of boundary finding as a process of fitting a group of deformable templates (simplex meshes) to the contours of the target structures. Those templates evolve in parallel under the supervision of a series of rules derived from the analysis of both the template's dynamics and medical experience. We subject the templates to a variety of constraints also designed based on prior medical knowledge about the textural, shape and underlying histological properties of the target structures. Textural information is extracted by a linear/non-linear classifier in the form of a 2-stage neural network whose hybrid architecture and dynamic learning phase help produce a better classification map. An original learning approach to the dense matching of n-D objects enables the introduction of prior knowledge in the computation of shape models for the target structures. We also introduce a novel shape descriptor, the observed transport descriptor, whose noise robustness and enhanced discriminating power make it a good candidate for our matching strategy. Finally, a more faithful model of the transformations induced by histological processes, the piecewise affine approach, allows the design of a biomedical registration algorithm better suited to the reconstruction of 3-D histological volumes, a first step towards hybrid combined MRI/histology atlases.
Nous proposons avec cette thèse un système de segmentation automatique pour les images cérébrales (en particulier les IRM in vivo). Nous avons mis l'accent sur la conception d'une méthodologie de segmentation qui s'appuie au maximum sur l'expertise médicale a priori. Nous appréhendons le problème de la recherche des contours des structures cibles sous l'angle du processus d'appariement d'un groupe de patrons déformables (maillages simplexes) aux frontières des structures. Ces patrons évoluent en parallèle, sous la supervision d'un ensemble de règles dérivées à la fois de l'analyse de la dynamique des patrons et de l'expertise médicale. Nous soumettons les patrons à une variété de contraintes,concues à partir d'informations a priori sur la texture, la forme et les propriétes histologiques des tissus sous-jacents aux structures. L'information texturale est extraite par un classificateur linéaire/non-linéaire qui prend la forme d'un réseau de neurones à 2 étages. Cette architecture hybride, liée à une phase d'apprentissage dynamique, permet de produire de meilleures cartes de classification et donc de meilleures contraintes. Une approche originale, par apprentissage, du problème de l'appariement dense d'objets n-D permet l'introduction de connaissances a priori dans l'élaboration des modèles de forme des structures cibles. Nous présentons également un nouveau descripteur de forme, le descripteur "observed transport", dont la robustesse au bruit et le pouvoir de discrémination accru en font un bon candidat pour notre stratégie d'appariement. Enfin, un modèle plus fidèle des transformations induites par les processus histologiques, l'approche affine par morceau, permet la conception d'un algorithme de recalage biomédical mieux adapté à la reconstruction de volumes histologiques 3-D.