IMAGeS team: IMages, leArning, Geometry and Statistics

Difference between revisions of "TIBM: Registration"

From IMAGeS team: IMages, leArning, Geometry and Statistics
Jump to navigation Jump to search
Line 23: Line 23:
 
* O. Musse, [http://cat.inist.fr/?aModele=afficheN&cpsidt=202932 Contribution à la mise en correspondance non rigide d’images médicales : une approche paramétrique hiérarchique sous contraintes topologiques. Application au recalage déformable du cerveau en imagerie IRM], décembre 2000
 
* O. Musse, [http://cat.inist.fr/?aModele=afficheN&cpsidt=202932 Contribution à la mise en correspondance non rigide d’images médicales : une approche paramétrique hiérarchique sous contraintes topologiques. Application au recalage déformable du cerveau en imagerie IRM], décembre 2000
 
* C. Nikou, [http://cat.inist.fr/?aModele=afficheN&cpsidt=195137 Contribution au recalage d’images médicales multimodales : approches par fonctions de similarité robustes et modèles déformables physiques sous contraintes statistiques], mai 1999.
 
* C. Nikou, [http://cat.inist.fr/?aModele=afficheN&cpsidt=195137 Contribution au recalage d’images médicales multimodales : approches par fonctions de similarité robustes et modèles déformables physiques sous contraintes statistiques], mai 1999.
 
+
[[Biomedical_image_processing|→ Retour page TIBM]]
+
[[Medical_image_processing|→ Back to Biomedical image processing page]]

Revision as of 15:39, 7 October 2016


Le recalage est une étape cruciale en traitement d’images médicales. Le recalage peut être mono- ou multimodal, rigide (intra-patient) ou déformable (inter-patient), mettre en jeu deux images ou davantage.

  • Ainsi, nous avons proposé une méthode de recalage déformable pour la mise en correspondance conjointe d’un ensemble d’images 2-NHHA12, prérequis nécessaire pour conduire des études de populations.
  • Un algorithme de recalage d’images rétiniennes a par ailleurs été développé 2-FLP11.
  • Des contributions ont été apportées pour le recalage non rigide 2-GNKF12 et la déformation 2-FPNC11 d'images binaires sous contraintes topologiques.
  • Le problème de la déformation de champs de tenseurs d’ordre 4 a aussi été abordé 4-GRNH11, le tenseur d’ordre 4 étant un modèle mathématique utilisé en IRM de diffusion pour représenter les croisements de fibres.
  • L’estimation d’un recalage non rigide entre deux examens d’un même sujet est un outil intéressant pour la quantification de l’atrophie cérébrale au cours du temps. Dans ce contexte, une méthode d’estimation de l’incertitude sur la mesure de l’atrophie, formalisée dans un cadre bayésien et s’appliquant à toute méthode de mesure dense, a été proposée 2-SRHR13.
thumb

Thèses

→ Back to Biomedical image processing page