Abstract FR:

Cette thèse porte sur des méthodes de mesure et d'analyse des structures anatomiques et pathologiques dans des images en IRM du corps humain. Nous nous sommes principalement concentres sur des images IRM du cerveau, en particulier nous avons étudié celles du cerveau de patients souffrant d'adrenoleukodystrophie (ald), une maladie neurologique très grave touchant principalement les jeunes garçons. Ce type de mesures est d'une très grande importance pour le suivi des thérapies à l'essai. La méthode couramment utilisée pour faire ce genre de mesures repose sur un contourage manuel, qui est difficile et sujet à des erreurs importantes. La variabilité intra- et inter-observateurs est généralement grande, en particulier à cause de la géométrie complexe de la région pathologique. Le problème principal à résoudre avant d'obtenir les mesures désirées est le problème de segmentation des images IRM en régions représentatives des structures anatomiques. Ce problème de segmentation est complique du fait que l'information concernant la taille et la position des structures d'intérêt est généralement repartie entre plusieurs images. Pour obtenir une bonne segmentation de ces images on a donc besoin d'un algorithme qui permette la fusion des informations en même temps que la segmentation. Nous avons développé pour cela un algorithme de segmentation de type markovien qui s'est montre très efficace pour ce genre de problème. Une partie importante des algorithmes que nous avons développes pendant cette thèse concerne l'estimation des caractéristiques des classes dans les différentes images. L'intérêt de tels algorithmes est qu'ils permettent d'automatiser presque entièrement le processus de segmentation. Pour résoudre ce problème, nous avons choisi une approche d'analyse multi-échelles des histogrammes des images à segmenter afin d'en déterminer les modes. Cet algorithme est remarquablement robuste et fournit de bons résultats en pratique. L'algorithme propose initialement donne comme résultat ce que nous avons appelé une segmentation discrète, c'est-à-dire des résultats ou chaque pixel est considéré comme appartement a une seule classe. Dans certains cas cela est une limite de la méthode, surtout dans le cas de coupes épaisses ou beaucoup de pixels contiennent des mélanges de tissus. Nous avons donc développe une extension de l'algorithme initial en un algorithme de segmentation en étiquettes continues qui permet la segmentation de tels pixels et l'estimation des pourcentages des tissus qui le composent. Afin de permettre une utilisation facile de ces algorithmes dans un milieu médical nous avons aussi développe une interface graphique pour tous ces algorithmes. Cette interface est conçue en motif et permet une manipulation simple des paramètres nécessaires pour la segmentation, les images à segmenter et les résultats de segmentation. L'interface permet aussi de faire des mesures de la taille de certaines régions dans les images segmentées. Les résultats de segmentation peuvent aussi être manipules afin de corriger des erreurs possibles dans les résultats. Les expériences menées en milieu clinique sont très positives.