Reconstruction et Segmentation Tridimensionnelle à partir de coupes d’images 2D : Application aux Images Médicales

Abstract

الملخص (بالعربية) :

الصور الطبية تلعب دورا مهما في تشخيص ومعالجة الأورام الدماغية. عادة يقوم الأطباء بتجزئة هذه الصور إلى مناطق يدويا وهذا ما يعتمد بالدرجة الأولى على الخبرة والحالة المعنوية للطبيب. هذا الأمر يدفع الخبراء للتفكير على طريقة أوتوماتيكية وفعالة للقيام بهذه التجزئة. في هذه الأطروحة سنقوم بدراسة وبرمجة طرق لتجزئة الأورام الدماغية من الصور الطبية، وبعدها سنقوم بتشكيل ثلاثي الأبعاد لهذه الأجزاء لتوضيح وتسهيل تشخيص هذه الأورام. لذلك قمنا ببرمجة نظام كشف الأورام. وقمنا أيضا ببرمجة طريقتين أوتوماتيكيتين لتجزئة هذه الأورام، ، بناءً على مصفوفة التواجد المشترك ، والموجات ، و باستخدام EM (تعظيم التوقعات) و طريقة شبه مونت كارلو. وأيضا قمنا ببناء النتائج في صورة ثلاثية الأبعاد باستخدام خوارزمية المكعبات السيارة. و في الأخير ستتم مقارنة أداء هذه الطرق بأحدث ما توصل إليه التقدم في هذا المجال من حيث الدقة. الكلمات المفتاحية : أورام الدماغ, صورة الرنين المغناطيسي بالرنين المغناطيسي, تجزئة الصور الطبية, مصفوفة التواجد المشترك, المويجات, تجزئة هجينة, التجزئة التلقائية, QMC (شبه مونت كارلو), مجموعات EM (تعظيم التوقعات), إعادة بناء ثلاثي الأبعاد ثلاثي الأبعاد, مسيرة مكعبات, مكتبات مايافي وفتك, ----------------------------------------------Résumé (en Français) : L'imagerie médicale joue un rôle très important dans le diagnostic et le traitement planifié des tumeurs cérébrales. Généralement, la segmentation se fait manuellement dans les cliniques. Ce qui rend cette tâche délicate et dépendante de l'état physique et moral du médecin. Cette nécessité pousse les chercheurs à réfléchir à un moyen automatique et précis pour réaliser ce type de segmentation. Dans cette thèse, il sera question d'étudier et d'implémenter des méthodes de segmentation des tumeurs cérébrales ; ensuite de reconstruire le résultat en 3D, Afin d’améliorer les performances de visualisation des données et du diagnostic. Pour cela nous avons implémenté un système de détection d’anomalie cérébrale qui va de l’acquisition jusqu’à la décision de la nature de la tumeur, ensuite nous avons implémenté deux approches de segmentation automatique. Les algorithmes proposés sont appliqués sur des images IRM, basés sur la matrice de cooccurrence, les ondelettes, la méthode QMC (Quasi Monté Carlo) et le clustering EM (Expectation Maximisation) ; ensuite nous avons reconstitué en 3D nos résultats avec la méthode de marching cubes. Les performances de ces méthodes ont été comparées avec d’autres afin d'évaluer la précision. Les mots clés : tumeurs cérébrales, Image par Résonance Magnétique IRM, Segmentation d’images médicales, matrice de cooccurrence, ondelettes, segmentation hybride, segmentation automatique, QMC (Quasi Monté Carlo), clustering EM (Expectation Maximisation), reconstruction tridimensionnelle 3D, marching,cubes, librairies Mayavi et Vtk. ----------------------------------------------Abstract (en Anglais) : Medical imaging has a major impact on the diagnosis and planned treatment of brain tumors. Generally, the segmentation task is done manually in the hospitals. Which makes this task very delicate and addictive to psychological state of the doctor. This requirement drives the scientists to look for an automatic and accurate solution to perform this segmentation. In this work, we study and develop brain tumor segmentation, and reconstitute the result in 3D to improve the performance of diagnosis and visualization of data. For this we have implemented a cerebral abnormality detection system that goes from the acquisition to the decision of the nature of the tumor, then we have implemented two automatic segmentation approaches. The proposed algorithms are applied to MRI brain images, based on the co-occurrence matrix, wavelets, QMC (Quasi Monte Carlo) method and EM (Expectation Maximization) clustering; then we reconstructed our results in 3D using the marching cube method. The performance of these methods was compared with others to assess accuracy. Keywords : brain tumors, MRI Magnetic Resonance Image, Segmentation of medical images, co-occurrence matrix, wavelets, hybrid segmentation, automatic segmentation, QMC (Quasi Monte Carlo), EM (Expectation Maximization) clustering, 3D three-dimensional reconstruction, marching cubes, Mayavi and Vtk libraries