Résumé:
Actuellement, l`analyse des images IRM cérébrales de sujets pathologiques se fait de façon manuelle, aussi bien pour la reconnaissance des structures cérébrales ou des lésions, que pour leur caractérisation. Les images médicales fournissent des informations qui sont extrêmement difficiles à exploiter de manière quantitative et objective. Bien que les images soient originellement numériques, leur examen est typiquement basé sur l’observation d’un support analogique (un film). Ce qui rend le résultat en général purement qualitatif et subjectif. Nous proposons comme solution dans cette thèse, une nouvelle approche précise et automatique pour la segmentation et la détection précoce des gliomes, en combinant l’algorithme de la marche aléatoire avec l’algorithme SLIC (Simple Linear Iterative Clustering). L’étude est faite en quatre étapes, la première étape consiste à décomposer l’image en superpixels, pour obtenir un contour initial de la tumeur. Les super pixels sont générés à l’aide de l’algorithme SLIC (Simple Linear Iterative Clustering), en regroupant des pixels de l’image, à l’aide d’informations, basées sur les contours et les régions de l’image. Dans la seconde étape, pour chaque superpixel, un ensemble de caractéristiques statistiques et multifractales sont calculées. Dans la troisième étape, les superpixels sont classés à l’aide d’un classificateur supervisé, en un tissu cérébral sain ou tumoral. Dans l’étape finale, le contour de la tumeur détectée est amélioré, en utilisant l’algorithme personnalisé de la marche aléatoire, qui permet de segmenter les pixels mal segmentés, situés autour de la tumeur. Après l'étape de segmentation des lésions, le système d'analyse d'IRMs va prédire le grade de la tumeur détectée à l`aide d`un apprentissage supervisé, à partir d'un ensemble de paramètres de texture et multifractals.
