login
english version rss feed
Detailed view pastel-00575796, version 1
Modélisation de l'apparence de régions pour la segmentation d'images basée modèle
Cette thèse est consacrée à un nouveau modèle d'apparence pour la segmentation d'images basée modèle. Ce modèle, dénommé Multimodal Prior Appearance Model (MPAM), est construit à partir d'une classification EM de profils d'intensité combinée avec une méthode automatique pour déterminer le nombre de classes. Contrairement aux approches classiques basées ACP, les profils d'intensité sont classifiés pour chaque maillage et non pour chaque sommet. Tout d'abord, nous décrivons la construction du MPAM à partir d'un ensemble de maillages et d'images. La classification de profils d'intensité et la détermination du nombre de régions par un nouveau critère de sélection sont expliquées. Une régularisation spatiale pour lisser la classification est présentée et la projection de l'information d'apparence sur un maillage de référence est décrite. Ensuite, nous présentons une classification de type spectrale dont le but est d'optimiser la classification des profils pour la segmentation. La représentation de la similitude entre points de données dans l'espace spectral est expliquée. Des résultats comparatifs sur des profils d'intensité du foie à partir d'images tomodensitométriques montrent que notre approche surpasse les modèles basés ACP. Finalement, nous présentons des méthodes d'analyse pour les structures des membres inférieurs à partir d'images IRM. D'abord, notre technique pour créer des modèles spécifiques aux sujets pour des simulations cinématiques des membres inférieurs est décrite. Puis, la performance de modèles statistiques est comparée dans un contexte de segmentation des os lorsqu'un faible ensemble de données est disponible.

2011-01-17
Sciences et technologies de l'information et de la communication
Mines ParisTech
modélisation de l'apparence – classification non supervisée – segmentation d'images basée modèle – imagerie médicale – foie – membres inférieurs
http://www.inria.fr/sophia/asclepios/Publications/Francois.Chung/Phd-Thesis_Francois-Chung.pdf
Regional appearance modeling for deformable model-based image segmentation
This thesis presents a novel appearance prior for model-based image segmentation. This appearance prior, denoted as Multimodal Prior Appearance Model (MPAM), is built upon an EM clustering of intensity profiles with model order selection to automatically select the number of profile classes. Unlike classical PCA-based approaches, the clustering is considered as regional because intensity profiles are classified for each mesh and not for each vertex. First, we explain how to build a MPAM from a training set of meshes and images. The clustering of intensity profiles and the determination of the number of appearance regions by a novel model order selection criterion are explained. A spatial regularization approach to spatially smooth the clustering of profiles is presented and the projection of the appearance information from each dataset on a reference mesh is described. Second, we present a boosted clustering based on spectral clustering, which optimizes the clustering of profiles for segmentation purposes. The representation of the similarity between data points in the spectral space is explained. Comparative results on liver profiles from CT images show that our approach outperforms PCA-based appearance models. Finally, we present methods for the analysis of lower limb structures from MR images. In a first part, our technique to create subject-specific models for kinematic simulations of lower limbs is described. In a second part, the performance of statistical models is compared in the context of lower limb bones segmentation when only a small number of datasets is available for training.
appearance modeling – unsupervised clustering – model-based image segmentation – medical imaging – liver – lower limbs
Attached file list to this document: 
PDF
Phd-Thesis_Francois-Chung.pdf(25.6 MB)
ANNEX
Phd-Defense_Francois-Chung.ppt(30.5 MB)
all articles on CCSd database...