Probabilistic models for image processing: applications in vascular surgery - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Probabilistic models for image processing: applications in vascular surgery

Modèles probabilistes pour le traitement d'image : application à la chirurgie vasculaire

Résumé

The work presented in this thesis deals with medical image segmentation in the field of vascular surgery, where like in most of the fields of medical research, the images deeply transform the medical knowledge and the treatments. The spread of endovascular surgical procedures and biomaterial implantations is permitted by the recent progress in image processing. However, many issues (corrupted and scarce images, huge data to process, ...) are still barriers to the development of safer and patient-specific surgical treatments. We address these issues via the study of new probabilistic models, notably via hidden Markov models. The new models are thus motivated by real issues. However, they offer significant methodological contributions for statistical image processing and have been developed in a rigorous theoretical context. In particular, new models of hidden Markov chain and pairwise hidden Markov field are proposed, in order to model highly correlated noises. A triplet Markov tree model is developed to enhance the spatial correlations in the classical Markov tree model, based on properties of Markov fields. Inference and parameter estimation within the new models are specifically treated in our studies. The models are first tested on synthetic data and compared to other alternative approaches from the literature. Eventually, the models are applied to real images from vascular surgery available at the Geprovas laboratory.
Ces travaux de thèse portent sur la segmentation d'images médicales dans le domaine de la chirurgie vasculaire, où comme dans beaucoup d'autres disciplines médicales, les images révolutionnent la compréhension des maladies et leur traitement. La multiplication des procédures chirurgicales endovasculaires et des implantations de biomatériaux est permise par les progrès récents en traitement de l'image. Cependant, beaucoup de problématiques (images dégradées et peu disponibles, données de taille importante, ...) demeurent des verrous au développement de traitements chirurgicaux plus sûrs et propres à chaque patient. Ces problématiques sont adressées dans notre travail par l'étude de nouveaux modèles probabilistes, notamment des modèles de Markov cachés. Les nouveaux modèles développés sont donc motivés par des problématiques concrètes. Ils offrent cependant des contributions méthodologiques signicatives pour le traitement statistique des images, et ont été développés dans un cadre théorique rigoureux. Ainsi, en particulier, des nouveaux modèles de chaîne de Markov cachée et de champ de Markov caché couple sont proposés, dans le but de modéliser des bruits fortement corrélés. Un modèle d'arbre de Markov triplet est mis au point afin d'enrichir les dépendances spatiales existantes dans le modèle classique, à la manière des champs de Markov. L'inférence et l'estimation des paramètres dans les nouveaux modèles sont des enjeux importants spécifiquement abordés dans nos études. Les modèles construits sont tout d'abord évalués sur des données synthétiques et comparés à des modèles de l'état de l'art. Finalement, l'application des modèles développés aux données réelles de chirurgie vasculaire est effectuée sur des images extraites des bases de données du laboratoire Geprovas.
Fichier principal
Vignette du fichier
Gangloff_Hugo_2020.pdf (16.79 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03147834 , version 1 (21-02-2021)

Identifiants

  • HAL Id : tel-03147834 , version 1

Citer

Hugo Gangloff. Probabilistic models for image processing: applications in vascular surgery. Medical Imaging. Université de Strasbourg, 2020. English. ⟨NNT : ⟩. ⟨tel-03147834⟩
96 Consultations
28 Téléchargements

Partager

Gmail Facebook X LinkedIn More