Sequential segmentation optimization using a structural model and focus of visual attention. Application to the recognition of internal brain structures in 3D magnetic resonance images (MRI). - Archive ouverte HAL Access content directly
Theses Year : 2010

Sequential segmentation optimization using a structural model and focus of visual attention. Application to the recognition of internal brain structures in 3D magnetic resonance images (MRI).

Optimisation de séquences de segmentation combinant modèle structurel et focalisation de l'attention visuelle. Application à la reconnaissance de structures cérébrales dans des images 3D.

(1)
1

Abstract

We aim at recognizing a 3D scene described by a 3D image and a structural model, i.e., a model that describes the spatial arrangement of the objects. The sequential segmentation framework is considered. This allows us to segment and recognize objects in a sequential way, using at each step the previously recognized object to guide the segmentation of the next ones. We propose to use the spatial information included in the model to optimize the segmentation sequence from a reference object to a selected target. This sequence is viewed as a path in a graph where a node represents an object and an edge carries the spatial relation information between two objects. We propose to use the spatial information included in the model to optimized the segmentation sequence from a reference object to a selected target. This sequence is view as a path in a graph where vertex represents objects and edges represents spatial relations. Two approaches are proposed. The first one proposes to evaluate the relevance of a path according to the generic available knowledge. This estimation is realized either on each spatial relation independently or directly on a fuzzy subset that represents the whole path at once. The best path according to a criterion is then selected and the objects may be segmented. The second approache proposes to integrate the segmentation sequence optimization directly into a sequential segmentation framework. The optimization uses a spatial model of the scene modeled as a graph and also a saliency map to guide the segmentation. The latter can be seen as an image exploration process. Both approaches are used for segmentation and recognition of internal brain structures in 3D magnetic resonance images. We also propose an adaptation of these methods to cope with pathological cases (e.g., brain tumors).
Nos travaux portent sur l'interprétation d'une scène dont nous possédons un modèle, représentant l'agencement spatial des objets contenus dans cette scène. Dans le cadre d'une segmentation séquentielle permettant de reconnaître les objets les uns après les autres en fonction des étapes antérieures, nous utilisons la connaissance spatiale du modèle pour optimiser la séquence de segmentation à effectuer à partir d'un objet de référence vers un objectif à segmenter. Nous proposons pour cela d'optimiser un chemin dans un graphe représentant les objets de la scène (noeuds) et leurs relations spatiales (arcs). Deux approches sont proposées. La première approche effectue une optimisation à partir de l'information spatiale du modèle uniquement, en évaluant un critère de pertinence de chaque chemin. L'évaluation est effectuée de manière indépendante sur chaque arc dans un premier temps, puis nous proposons une manière de représenter un chemin entier, permettant d'évaluer la pertinence du chemin à partir de cette représentation. La deuxième approche s'intègre dans un processus de segmentation séquentielle, vu comme l'exploration progressive d'une image à partir d'un objet de référence. Nous utilisons une modélisation d'une technique pré-attentionnelle, une carte de saillance, afin de guider le processus de segmentation séquentielle, en intégrant à l'approche structurelle des informations de saillance extraites de l'image à interpréter. Le domaine d'application de ces approches est la segmentation des structures sous-corticales du cerveau dans des images IRM 3D dont certaines présentent des pathologies.
Fichier principal
Vignette du fichier
TheseFouquier.pdf (5.3 Mo) Télécharger le fichier

Dates and versions

pastel-00006074 , version 1 (19-05-2010)

Identifiers

  • HAL Id : pastel-00006074 , version 1

Cite

Geoffroy Fouquier. Optimisation de séquences de segmentation combinant modèle structurel et focalisation de l'attention visuelle. Application à la reconnaissance de structures cérébrales dans des images 3D.. domain_other. Télécom ParisTech, 2010. Français. ⟨NNT : ⟩. ⟨pastel-00006074⟩
282 View
287 Download

Share

Gmail Facebook Twitter LinkedIn More