TIBM: Segmentation

This research topic gathers all contributions related to the automatic extraction of anatomical or functional structures from biomedical images. A multi-atlas segmentation framework based on patch fusion has been proposed for parcellating both the cortex and the deep brain structures 2-RHS11. In the context of the Vivabrain ANR, a method based on component-trees has been set upt to segment the cerebral vascular tree 2-DTNT13. Specific and original algorithms have also been developed in the project FBrain ERC for segmenting brain tissues from the fetal MRI [https : //icube-publis.unistra.fr/2-RHS11 RHS11-2], [2-https://icube-publis.unistra.fr/2-CPHS11 CPHS11], [https: //icube-publis.unistra .com / 2-PNRK11 2-PNRK11]. Finally, Markov approaches have been implemented for the automatic identification of multiple sclerosis lesions in multimodal 2 and temporal 4-LCA14 MRI sequences. Besides MRI, other contributions, based on a representation in super-voxels of the image, image segmentation involve CT scan, especially to delineate the vertebrae [https: //icube-publis.unistra .com / 4-CRMC15 4-CRMC15] or estimate the hepatic tumor necrosis rate 4-CNRH16, [https: //icube-publis.unistra .com / 4-CRNH15 4-CRNH15]. A segmentation method of high-resolution data based on histopathological texture descriptors and a supervised classification has also been proposed [4-https://icube-publis.unistra.fr/4-ANFF14 ANFF14]. Une approche de segmentation multi-atlas basée sur de la fusion par patch a été proposée pour parcelliser le cortex ainsi que les structures profondes du cerveau 2-RHS11. Dans le cadre de l’ ANR Vivabrain, une méthode basée sur l’utilisation d’arbres de composantes (component-trees) a été mise en œuvre pour la segmentation du réseau vasculaire cérébral 2-DTNT13. Des algorithmes spécifiques et originaux ont par ailleurs été développés dans le cadre du projet ERC FBrain pour la segmentation des tissus cérébraux en IRM fœtale 2-RHS11, 2-CPHS11, 2-PNRK11. Enfin, des approches markoviennes ont été mises en œuvre pour l’identification automatique de lésions de sclérose en plaques dans des séquences d’IRM multimodale 2-BCA14 et temporelle 4-LCA14. Outre l’IRM cérébrale, d’autres contributions, basées sur une représentation en super-voxels de l’image, concernent la segmentation d’image scanner X, notamment afin de délimiter les vertèbres 4-CRMC15 ou estimer le taux de nécrose de tumeurs hépatiques 4-CNRH16, 4-CRNH15. Une méthode de segmentation de données histopathologiques haute résolution reposant sur des descripteurs de texture et une classification supervisée a par ailleurs été proposée 4-ANFF14.

PhD thesis

• T. Kensicher, Protocole d'extraction de caractéristiques dans une base de données de scanners angiographiques pour la prédiction de complications post-opérative après des opérations de type EVAR, en cours
• A. Dufour, Segmentation et modélisation des structures vasculaires cérébrales en imagerie médicale 3D, octobre 2013
• B. Caldairou, Contribution à la segmentation des structures cérébrales en IRM foetale, juin 2012
• B. Bouraoui, Segmentation automatique de l'arbre coronarien à partir d'images angiographiques 3D+t de scanner, octobre 2009
• S. Bricq, Segmentation d'images IRM anatomiques multimodales et détection de lésions de sclérose en plaques, novembre 2008
• J. Lamy, Calcul du chemin central du côlon pour une analyse locale des pathologies, novembre 2005
• N. Passat, Contribution à la segmentation des réseaux vasculaires cérébraux obtenus en IRM. Intégration de connaissance anatomique pour le guidage d'outils de morphologie mathématique, septembre 2005
• B. Naegel, Segmentation des organes de l'abdomen par des critères topologiques et morphologiques, octobre 2004

→ Back to Biomedical image processing page