Une approche par patchs, multi-atlas, itérative pour la segmentation du cortex cérébral en IRM néonatale - Département Image, Données, Signal Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Une approche par patchs, multi-atlas, itérative pour la segmentation du cortex cérébral en IRM néonatale

Résumé

L’analyse des structures cérébrales chez le nouveau-né constitue un enjeu de santé majeur, notamment en cas de prématurité, afin de disposer d’informations prédictives sur le développement de l’enfant. Le cortex est, en particulier, une structure d’intérêt, observable en IRM (imagerie par résonance magnétique). Les données IRM néonatales présentent toutefois des spécificités qui les rendent complexes à traiter. Dans ce contexte, les approches multi-atlas constituent une stratégie efficace, tirant parti de données traitées préalablement. La méthode proposée dans cet article repose sur une telle stratégie multi-atlas. Elle s’appuie notamment sur deux paradigmes : l’utilisation d’un modèle non local à base de patchs, et l’utilisation d’un schéma d’optimisation itératif. L’usage couplé de ces deux concepts permet notamment de considérer des patchs liés à l’image ainsi qu’à sa segmentation courante. Cette stratégie, comparée à de précédentes méthodes multi-atlas de la littérature, aboutit à des résultats de segmentation corticale robustes.
Fichier principal
Vignette du fichier
Tor-Diez_RFIA_2018.pdf (2.44 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01716923 , version 1 (26-02-2018)

Identifiants

  • HAL Id : hal-01716923 , version 1

Citer

Carlos Tor-Díez, Nicolas Passat, Isabelle Bloch, Sylvain Faisan, Nathalie Bednarek, et al.. Une approche par patchs, multi-atlas, itérative pour la segmentation du cortex cérébral en IRM néonatale. Congrès Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), 2018, Marne-la-Vallée, France. ⟨hal-01716923⟩
581 Consultations
193 Téléchargements

Partager

Gmail Facebook X LinkedIn More