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
Ligne 2 : Ligne 2 :
 
<tr>
 
<tr>
 
<td>
 
<td>
Cet axe rassemble toutes les contributions qui ont pour objectifs l'extraction automatique d'information contenu dans les images biomédicales.  
+
Cet axe rassemble toutes les contributions qui ont pour objectifs l'extraction automatique d'information contenu dans des images biomédicales.  
 
* 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].  
 
* 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].  
 
* 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].  

Version du 19 septembre 2016 à 17:07

Cet axe rassemble toutes les contributions qui ont pour objectifs l'extraction automatique d'information contenu dans des images biomédicales.

  • 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