Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

29 janvier 2018

Segmentation d'images médicales multimodales à l'aide de méthodes Bayésiennes. Application à l'aide aux traitements contre le cancer


Catégorie : Doctorant


Thèse de doctorat en inférence bayésienne appliquée à la segmentation d'images médicales à l'équipe Quantif du LITIS (Université de Rouen).

Pour cette thèse de doctorat, nous recherchons un étudiant motivé, ayant de solides compétences en mathématiques appliquées, traitement du signal et programmation informatique. Une bonne culture mathématique permettra ainsi de développer facilement des méthodes innovantes.

Compétences requises: statistiques inférentielles, traitement du signal (Fourier, Ondelettes, etc...), Matlab, C/C++ est un plus.

Contacts :

  • MCF Jérôme Lapuyade-Lahorgue : jerome.lapuyade-lahorgue@univ-rouen.fr
  • Pr Su Ruan : su.ruan@univ-rouen.fr

Site internet : http://www.litislab.fr/equipe/quantif/

 

Etat de l'art

Cette thèse de doctorat propose d’étudier une nouvelle méthode de fusion basée sur l'inférence des champs aléatoires dont la dépendance entre les modalités imageries est modélisée par une copule. Parmi les méthodes de fusion d’information les plus utilisées, on peut citer les champs de Markov hiérarchiques [5], la régression logistique [6], les arbres de décision [7], les forêts aléatoires [8] ou la fusion de Dempster-Shafer [9]. Nous voulons développer une méthode de segmentation automatique en prenant en compte de la corrélation entre des différents types des images. La corrélation entre les différentes modalités est modélisée par la copule qui nous permet alors de fusionner les informations des différentes images pour leurs segmentations. L'utilisation de la copule pour la fusion s'avère être innovante. En effet, les copules furent surtout utilisées en finance [12] et leur utilisation en image est relativement récente qui ne concerne pas la fusion, ce qui diffère de notre problématique. Par exemple, dans [13,14], la copule est utilisée pour modéliser la dépendance entre les différentes échelles d'une même image monomodale. Dans [2], la copule est utilisée pour représenter la distribution de fréquence d'une onde électromagnétique dans le domaine temporel. Dans [1], la copule est utilisée pour modéliser la dépendance d'intensités entre les pixels voisins d'une image. La fusion des images multimodale par copules n’a pas été encore étudiée à notre connaissance.

Objectifs

Dans cette thèse de doctorat, nous envisageons d'étudier des modèles statistiques à données latentes et d'étendre ceux existants pour la segmentation de volumes tumoraux dans les images médicales multimodales afin d'améliorer la radiothérapie et le pronostic du cancer. Dans les modèles à données latentes étudiés, le processus caché représente la classe d'appartenance des voxels (tumeur, absence de tumeur) tandis que le processus observé pourra intégrer diverses informations telles que l'intensité des voxels, la texture, le gradient dans l'image, etc... Dans un premier temps, le doctorant devra étudier les modèles à données latentes classiques tels que les chaînes, les arbres ou les champs de Markov ainsi que les champs aléatoires conditionnels. Il devra également se familiariser avec la notion de copule qui permet de modéliser de manière fonctionnelle la dépendance entre les différentes modalités et de réaliser la fusion des informations contenues dans les différentes modalités. Dans un second temps, la copule sera intégrée aux champs aléatoires conditionnels tels que présentés dans [3]. Différents modèles de copules et d'observations seront étudiés et nos résultats seront comparés avec ceux des méthodes de l'état de l'art [4]. Des extensions des techniques pourront également être envisagées, notamment l’incorporation des fonctions de croyance à nos modèles et performer la fusion des données en utilisant entre autres la combinaison de Dempster-Shafer. La méthode par copule proposée peut être utilisée pour la fusion des données et nous pourrons comparer cette méthode avec les méthodes de fusion existantes [10,11].

Contexte

Cette thèse sera réalisée en collaboration étroite avec le centre de lutte contre le cancer Henri Becquerel de Rouen. La première étape d’une radiothérapie est la définition (manuelle) par un médecin radiothérapeute sur les images TDM en 3D (Tomodensitométrie = scanner ou CT en anglais) ou IRM 3D des contours de la tumeur à irradier. Ce contourage est indispensable mais long et fastidieux. En plus, les images sont souvent de mauvaise qualité : faible contraste et artefacts,… etc. En clinique, plusieurs modalités (TDM, IRM…) sont souvent utilisées pour faire le diagnostic et planifier le plan de traitement. D’où la fusion de multi-modalité est indispensable. L’objective de cette thèse est donc de fournir un outil permettant à segmenter automatiquement le volume tumoral à partir des images multi-modalité.

Bibliographie

[1] S. Derrode and W. Pieczynski, "Unsupervised data classification using pairwise Markov chains with automatic copulas selection", Computational Statistics and Data Analysis, 63: 81-68, 2013.

[2] N. Brunel, J. Lapuyade-Lahorgue and W. Pieczynski, "Modeling and unsupervised classification of multivariate hidden Markov chains with copulas", IEEE Trans. on Automatic Control, 55(2): 338-349, 2010.

[3] P. Krähenbühl and V. Koltun, "Efficient inference in fully connected CRFs with Gaussian edge potentials", Advances in Neural Information Processing Systems, 24, 2011.

[4] B. Menze, Andras Jakab, S. Bauer et al., "The multimodal brain tumor image segmentation benchmark (BRATS)", IEEE Trans. on Medical Imaging, 34(10), pp. 1993-2024, 2014.

[5] N. K. Subbanna, D. Precup, D. L. Collins and T. Arbel, "Hierarchical probabilistic Gabor and MRF segmentation of brain tumors in MRI volumes", Medical Image Computing and Computer-Assisted Intervention, 16(1): 751-758, 2013.

[6] H.-C. Shin, "Hybrid clustering and logistic regression for multi-modal brain tumor segmentation", MICCAI, 2012.

[7] D. Zikic, B. Glocker, E. Konukoglu, et al. "Context-sensitive classification forests for segmentation of brain tumors tissues" MICCAI, 2012.

[8] S. Bauer, T. Fejes, J. Slotboom et al. "Segmentation of brian tumor images based on integrated hierarchical classification and regularization", MICCAI, 2012.

[9] L. A. Zadeh, "A simple view of the Dempster-Shafer theory of evidence and its implication for the rule of combination", AI Magazine, 7: 85-90, 1986.

[10] L. A. Klein, "Sensor and Data Fusion. Concepts and Applications", Society of Photo-optical Instrumentation Engineers, 1999.

[11] B. Khalegi, A. Khamis, F. O. Karray and S. N. Razavi, "Multisensor data fusion: A review of the state-of-the-art", Information Fusion, 14: 28-44, 2013.

[12] C. Kharouchi-Rakotomalala and F. Maurer, "Copulas in Finance: Ten years later", The Journal of Applied Business Research, 29(5): 1555-1566, 2013.

[13] A. Voisin, V. Krylov, G. Moser, S. Serpico and J. Zerubia, "Multichannel hierarchical image classification using multivariate copulas", SPIE Electronic Imaging, 2012.

[14] F. Flitti, C. Collet and E. Slezak, "Wavelet domain astronomical multiband image fusion and restoration using Markov quadtree and copulas", European Signal Processing Conference, 2005.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.