Équipe IMAGeS : Images, Modélisation, Apprentissage, Géométrie et Statistique

Différences entre les versions de « TIBM : Segmentation »

De Équipe IMAGeS : Images, Modélisation, Apprentissage, Géométrie et Statistique
Aller à la navigation Aller à la recherche
(Page créée avec « <table> <tr> <td> Cet axe de recherche concerne la reconstruction des images à partir de données brutes issues de modalités variées. Les différentes contributions dan... »)
 
Ligne 2 : Ligne 2 :
 
<tr>
 
<tr>
 
<td>
 
<td>
−
Cet axe de recherche concerne la reconstruction des images à partir de données brutes issues de modalités variées. Les différentes contributions dans ce domaine ont principalement été réalisées au travers du projet [[ERC FBrain]] pour la reconstruction d’IRM fœtales, de l’[http://rhodes.unistra.fr ANR Rhodes] pour la reconstruction tomographique tridimensionnelle de macromolécules en cryo-microscopie électronique (cryo-ME) et des travaux d’inversion de données issues d’imageurs polarimétriques.
 
  
−
* La problématique principale rencontrée pour la reconstruction tomographique en cryo-ME est liée au fait que les angles de projections sont inconnus et que les images présentent un très faible rapport signal à bruit. Pour aborder ce problème, une méthode de reconstruction conjointe du volume et des angles de projections a été proposée [https://icube-publis.unistra.fr/4-FDNF13 4-FDNF13], [https://icube-publis.unistra.fr/4-BBF15 4-BBF15], [https://icube-publis.unistra.fr/4-PBMT15 4-PBMT15], et des méthodes d’estimation des paramètres de projection basées sur des techniques de réduction de dimension [https://icube-publis.unistra.fr/4-RBNM16 4-RBNM16] ou sur les moments [https://icube-publis.unistra.fr/2-PBMT16 2-PBMT16] ont été développées.
 
  
−
* Concernant la reconstruction d’IRM fœtales, il s’agit, à partir d’un ensemble de coupes acquises avec des séquences 2D ultra-rapide, de reconstruire un volume IRM 3D haute résolution, tout en corrigeant les mouvements du fœtus ainsi que les artefacts en intensité, que ce soit en imagerie morphologique [https://icube-publis.unistra.fr/2-KHRS11 2-KHRS11] ou en IRM de diffusion [https://icube-publis.unistra.fr/2-OKSD12 2-OKSD12], [https://icube-publis.unistra.fr/2-FSKC14 2-FSKC14].  
+
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 [https://icube-publis.unistra.fr/2-RHS11 2-RHS11]. Dans le cadre de l’ [http://icube-vivabrain.unistra.fr/index.php/Main_Page 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 [https://icube-publis.unistra.fr/2-DTNT13 2-DTNT13]. Des algorithmes spécifiques et originaux ont par ailleurs été développés dans le cadre du projet [http://icube-miv.unistra.fr/fr/index.php/ERC_FBrain ERC FBrain] pour la segmentation des tissus cérébraux en IRM fœtale [https://icube-publis.unistra.fr/2-RHS11 2-RHS11], [https://icube-publis.unistra.fr/2-CPHS11 2-CPHS11], [https://icube-publis.unistra.fr/2-PNRK11 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 [https://icube-publis.unistra.fr/2-BCA14 2-BCA14] et temporelle [https://icube-publis.unistra.fr/4-LCA14 4-LCA14].  
  
−
* En imagerie polarimétrique, des méthodes originales d’inversion de données avec prise en compte de l’information spatiale ont été proposées [https://icube-publis.unistra.fr/2-SHZN11 2-SHZN11], [https://icube-publis.unistra.fr/2-FHRL12 2-FHRL12], [https://icube-publis.unistra.fr/2-FHSZ13 2-FHSZ13], [https://icube-publis.unistra.fr/1-FRHZ13 1-FRHZ13], [https://icube-publis.unistra.fr/1-FRHZ15 1-FRHZ15], [https://icube-publis.unistra.fr/2-KFHL15 2-KFHL15].
+
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 [https://icube-publis.unistra.fr/4-CRMC15 4-CRMC15] ou estimer le taux de nécrose de tumeurs hépatiques [https://icube-publis.unistra.fr/4-CNRH16 4-CNRH16], [https://icube-publis.unistra.fr/4-CRNH15 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 [https://icube-publis.unistra.fr/4-ANFF14 4-ANFF14].
 
</td>
 
</td>
 
<td>
 
<td>

Version du 16 septembre 2016 à 15:30


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.

thumb

Thèses


→ Retour page TIBM

Récupérée de « https://images.icube.unistra.fr/index.php?title=TIBM_:_Segmentation&oldid=2710 »