Segmentation automatique de tumeur cérébrale par contours actifs contraints par des relations spatiales

Abstract

Le sujet principal de ce mémoire est la segmentation 2D de tumeurs cérébrales ainsi que ses composantes (œdème et nécrose). Pour ce faire, nous proposons une méthode de segmentation coopérative, entre approches régions et approches contours, précédée d'une étape de prétraitement, permettant d'améliorer les informations fournis à la segmentation. L'approche région employée est une classification floue, basée sur la détection d'une classe d'identité qui correspond à la tumeur, ou bien sur l'analyse de symétrie, qui s'appuie sur l'hypothèse que le cerveau est symétrique, et que la tumeur peut changer cette symétrie. Afin d'affiner la segmentation région, nous avons choisi de tirer avantage des contours actifs guidés par les GVF, qui produisent une bonne délimitation des frontières de l'objet. Pour mieux guider l'évolution du snake, et rendre l'outil de segmentation plus généralisable sur plusieurs types et formes de tumeurs, nous avons ajouté de nouvelles forces au modèle, issues des relations spatiales, présentant les connaissances à priori de la détection initiale de la tumeur et ses tissus avoisinants. Ce travail a nécessité seulement des IRM pondérés en T1 ou en flair. Nous avons évalué cette méthode sur une base de données de plus de 20 images 2D, avec différents types et formes de tumeur.