NOM: KÉCHICHIAN Date de soutenance: juillet,
Prénoms: Razmig
TITRE: A Priori de Structure pour la Segmentation Multi-objet d’Images Médicales D par Partition
d’Images et Coupure de Graphes
NATURE: Doctorat Numéro d’ordre: XXXXXX
École doctorale: EEA
Spécialité: Traitement d’images
RÉSUMÉ: Nous développons une méthode générique semi-automatique multi-objet de segmentation d’image par coupure de graphe visant les usages médicaux de routine, allant des tâches impliquant
quelques objets dans des images D, à quelques dizaines dans celles D quasi corps entier. La
formu-lation souple de la méthode permet son adaptation simple à une application donnée. En particulier, le modèle d’a priori de proximité que nous proposons, défini à partir des contraintes de paires du plus court chemin sur le graphe d’adjacence des objets, peut facilement être adapté pour tenir compte des re-lations spatiales entre les objets ciblés dans un problème donné. L’algorithme de segmentation peut être adapté aux besoins de l’application en termes de temps d’exécution et de capacité de stockage à l’aide d’une partition de l’image à segmenter par une tesselation de Voronoï efficace et contrôlable, établissant un bon équilibre entre la compacité des régions et le respect des frontières des objets. Des évaluations et comparaisons qualitatives et quantitatives avec le modèle de Potts standard confirment que notre mod-èle d’a priori apporte des améliorations significatives dans la segmentation d’objets distincts d’intensités similaires, dans le positionnement précis des frontières des objets ainsi que dans la robustesse de seg-mentation par rapport à la résolution de partition. L’évaluation comparative de la méthode de partition avec ses concurrentes confirme ses avantages en termes de temps d’exécution et de qualité des partitions produites. Par comparaison avec l’approche appliquée directement sur les voxels de l’image, l’étape de partition améliore à la fois le temps d’exécution global et l’empreinte mémoire du processus de segmen-tation jusqu’à un ordre de grandeur, sans compromettre la qualité de la segmensegmen-tation en pratique. MOTS-CLÉS: segmentation d’images, partition d’images, modèle de Markov, a priori spatial, coupure de graphe.
Laboratoire de recherche: CREATIS; INSA de Lyon, GIPSA-lab; Grenoble INP. Directeurs de thèse: Rémy PROST, Michel DESVIGNES.
Président de jury: Composition du jury:
Philippe BOLON Professeur, Polytech Annecy-Chambéry Examinateur
Fabrice HEITZ Professeur, Université de Strasbourg Rapporteur
Jean-Philippe THIRAN Professeur, EPFL de Lausanne Rapporteur
Sébastien VALETTE Chargé de recherche, CNRS Co-encadrant
Abstract: We develop a generic Graph Cut-based semiautomatic multiobject image segmen-tation method principally for use in routine medical applications ranging from tasks
involv-ing few objects inD images to fairly complex near whole-body D image segmentation. The
flexible formulation of the method allows its straightforward adaption to a given application. In particular, the graph-based vicinity prior model we propose, defined as shortest-path pairwise constraints on the object adjacency graph, can be easily reformulated to account for the spatial relationships between objects in a given problem instance. The segmentation algorithm can be tailored to the runtime requirements of the application and the online storage capacities of the computing platform by an efficient and controllable Voronoi tessellation clustering of the input image which achieves a good balance between cluster compactness and boundary adherence cri-teria. Qualitative and quantitative comprehensive evaluation and comparison with the standard Potts model confirm that the vicinity prior model brings significant improvements in the correct segmentation of distinct objects of identical intensity, the accurate placement of object boundaries and the robustness of segmentation with respect to clustering resolution. Comparative evalua-tion of the clustering method with competing ones confirms its benefits in terms of runtime and quality of produced partitions. Importantly, compared to voxel segmentation, the clustering step improves both overall runtime and memory footprint of the segmentation process up to an order of magnitude virtually without compromising the segmentation quality.
Keywords: image segmentation, image clustering, Markov model, spatial prior, Graph Cut
A Priori de Structure pour la Segmentation Multi-objet d’Images MédicalesD par Partition
d’Images et Coupure de Graphes
Résumé: Nous développons une méthode générique semi-automatique multi-objet de segmen-tation d’image par coupure de graphe visant les usages médicaux de routine, allant des tâches
impliquant quelques objets dans des imagesD, à quelques dizaines dans celles D quasi corps
entier. La formulation souple de la méthode permet son adaptation simple à une application donnée. En particulier, le modèle d’a priori de proximité que nous proposons, défini à partir des contraintes de paires du plus court chemin sur le graphe d’adjacence des objets, peut facilement être adapté pour tenir compte des relations spatiales entre les objets ciblés dans un problème donné. L’algorithme de segmentation peut être adapté aux besoins de l’application en termes de temps d’exécution et de capacité de stockage à l’aide d’une partition de l’image à segmenter par une tesselation de Voronoï efficace et contrôlable, établissant un bon équilibre entre la compacité des régions et le respect des frontières des objets. Des évaluations et comparaisons qualitatives et quantitatives avec le modèle de Potts standard confirment que notre modèle d’a priori apporte des améliorations significatives dans la segmentation d’objets distincts d’intensités similaires, dans le positionnement précis des frontières des objets ainsi que dans la robustesse de segmenta-tion par rapport à la résolusegmenta-tion de partisegmenta-tion. L’évaluasegmenta-tion comparative de la méthode de partisegmenta-tion avec ses concurrentes confirme ses avantages en termes de temps d’exécution et de qualité des partitions produites. Par comparaison avec l’approche appliquée directement sur les voxels de l’image, l’étape de partition améliore à la fois le temps d’exécution global et l’empreinte mémoire du processus de segmentation jusqu’à un ordre de grandeur, sans compromettre la qualité de la segmentation en pratique.
Mots-Clés: segmentation d’images, partition d’images, modèle de Markov, a priori spatial, cou-pure de graphe.