Image Segmentation and Level Set Method: Application to Anatomical Head Model Creation
Segmentation d’Image par Ensembles de Niveaux: Application à la Création de Modèles Anatomiques de la Tête
Résumé
Magnetic Resonance Images (MRI) have been introduced at the end of the XXth century and have revolutionized the world of modern medicine, allowing to view with precision the inside of anatomical structures in a non-invasive way. This imaging technique has greatly contributed to the study and comprehension of the human brain, allowing to discern with precision the different anatomical structures composing the head, especially the cerebral cortex.
Discernment between these anatomical structures is called segmentation, and consists in “extracting” structures of interest from MRIs. Several models exists to perform image segmentation, and this thesis focus on those based on hypersurface evolutions: an hypersurface (surface in 3D) is incrementally adjusted to finally fit the border of the region of interest.
A head model corresponds to the partitioning of the head into several segmented anatomical structures. A classic head model generally includes 5 anatomical structures (skin, skull, cerebrospinal fluid, grey matter, white matter), nested inside each other in the manner of “Russian nested dolls”. Nevertheless because of the complexity of their shapes, manual segmentation of these structures is tedious and
extremely difficult.
This thesis is dedicated to the creation of new segmentation models robust to MRI alterations, and to the application of these models in the purpose of automatic creation of anatomical head models. After briefly reviewing some classical models in image segmentation, two contributions to segmentation based on hypersurface evolution are proposed. The first one corresponds to a new representation and a new numerical scheme for the level-sets method, based on quadrilateral finite elements. This representation aims at improving the accuracy and robustness of the model. The second contribution corresponds to a new segmentation model based on local statistics, and robust to standard MRI alterations. This model aims at unifying several ’state-of-the-art’ models in image segmentation. Finally, a framework for automatic creation of anatomical head models is proposed, mainly using the previous local-statistic based segmentation model.
L’apparition des techniques d’imagerie par résonance magnétique (IRM) à la fin du XXe siècle a révolutionné le monde de la médecine moderne, en
permettant de visualiser avec précision l’intérieur de structures anatomiques de manière non invasive. Cette technique d’imagerie a fortement contribué à l’étude du cerveau humain, en permettant de discerner avec précision les différentes structures anatomiques de la tête, notament le cortex cérébral.
Le discernement de structures anatomiques de la tête porte le nom segmentation, et consiste à “extraire” des régions dans les IRMs. Plusieurs méthodes de segmentation existent, et cette thèse portent sur les méthodes à base d’évolution d’hyper-surfaces: une hyper-surface (surface en 3D) est progressivement déformée pour finalement épouser les frontières de la region à segmenter.
Un modèle de tête correspond au partitionnement de la tête en plusieurs structures anatomiques préalablement segmentées. Un modèle de tête classique comprends en général 5 structures anatomiques (peau, crane , liquide céphalorachidien, matière grise, matière blanche), imbriquées les unes dans les autres à la manière de “poupée russes”. Néanmoins de par la complexité de leurs formes,
segmenter ces structures manuellement s’avère pénible et extrêmement difficile.
Cette thèse se consacre à la mise en place de nouveaux modèles de segmentation robustes aux altérations d’IRMs, et à l’application de ces modèles pour la création automatique de modèles anatomiques de la tête. Apres avoir brièvement survolé un état de l’art des differentes méthodes de segmentation d’image, deux contributions à la segmentation par évolution d’hypersurface sont proposées. La première constitue une nouvelle représentation et un nouveau schémas numérique pour la méthode des ensembles de niveaux, en utilisant des éléments finis quadrilateraux. Cette representation vise à améliorer la qualité et la robustesse du modèle. La seconde contribution constitue un nouveau modèle de segmentation basé sur des statistiques locales, robuste aux altérations présentes dans les IRMs. Ce nouveau modèle vise à unifier plusieurs modèles “état de l’art” en segmentation d’image. Enfin, un cadre pour la création automatique de modèle de tête est proposé, utilisant princpalement le precédent modèle de segmentation par statistiques locales.
Origine : Fichiers produits par l'(les) auteur(s)