Segmentation de structures cérébrales par ensembles de niveau en compétition et commande floue Cybèle Ciofolo Paris, 9 juin 2005 Thèse encadrée par Christian.

Slides:



Advertisements
Présentations similaires
QUALIFICATION COMPORTEMENTALE DES BASES DE DONNEES CLIENTS
Advertisements

Négocier un accord sur la prévention des RPS
Traitement d’images : concepts avancés
La Gestion de la Configuration
Champs de Markov en Vision par Ordinateur
RECONNAISSANCE DE FORMES
Sciences et technologies de gestion
Stratégie de la FAO pour le Renforcement des Capacités (RC) A Core Function of FAO included in MTP under Functional Objective X Une vue densemble.
A Pyramid Approach to Subpixel Registration Based on Intensity
Simultaneous Registration and Activation Detection for fMRI
Modélisation et commande hybrides d’un onduleur multiniveaux monophasé
Modélisation des systèmes non linéaires par des SIFs
Master Informatique 2ème année
Projet 4info.
Analyse et traitement de données de grande taille en imagerie médicale Cybèle Ciofolo-Veit Philips Research Paris - Medisys Conférence Mathématiques.
Laboratoire LCOMS Equipe « Evaluation de Performance et Systèmes d’Aide à la Personne » (EPSAP) Guy Bourhis CENRob 4-5 avril.
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Eric Guilbert, Marc Daniel *, Eric Saux
Application des algorithmes génétiques
Mathieu De Craene Défense publique – 24 octobre 2005 Jury
L’ETUDE DE MARCHE Par M.NAFII CNAM.
Demand-side factors in optimal land conservation choice Amy W. Ando *, Payal Shah in Ressource and Energy Economis.
Méthode des k plus proches voisins
Champs de Markov cachés pour la classification de gènes..
Diagnostic des Systèmes à Evénements Discrets
Segmentation deux classes interactive
Méthode des Ensembles de Niveaux par Eléments Finis P1
Design dun système de vision embarqué. Application:
RECONNAISSANCE DE FORMES
Problèmes inverses en électroencéphalographie
Extraction Automatique de formes complexes : Application à la création de modèle anatomique de la tête J. Piovano, T. Papadopoulo Séminaire Odyssee 9,
Interprétation automatique
Introduction à la vision numérique
METISSE Méthodes Et Théories pour une Ingénierie des Systèmes Socio- Environnementaux.
UMR 7005 EPML n°9 UMR 7004 Recalage non-rigide d’images cérébrales 3-D avec préservation de la topologie : méthodes et validation LSIIT : Laboratoire.
Stefan Bilbao Acoustics and Fluid Dynamics Group / Music
1 Les pratiques de l’Industrie L’analyse et la gestion des risques sont encore peu développées en tant que telles. Des « risk managers » commencent à apparaître.
Frédéric Amblard*, Guillaume Deffuant**,
Atelier pratique : techniques de base
Calcul parallèle => partitionner les données en sous-groupes associés aux processeurs. P0 P2 P1.
Programmation créative – Les vecteurs
Christelle Scharff IFI 2004
Cours d’analyse de projets d’énergies propres
Présentation générale du projet
Contrôle du chargement de crayons de combustibles nucléaire par radiographie X 5GE Tdsi Miniprojet Bute Clément Flamary Rémi Ionescu Cristina Vaugon André.
DESIGN MULTIMÉDIA Initiation aux bases de La scénarisation multimédia
Arbres de décision flous
G. Edwards le 12 décembre, 2001 La fusion des données - approches qualitatives.
TD Intelligence Artificielle
Apparence globale 1 image = 1 vecteur Base apprentissage Rotation –capture les variabilités Troncature –Quelques coefficients Représentation linéaire Espace.
Colloque JOCAIR 2006, Amiens Les forums de discussion en milieu éducatif, Etat de recherches et des questions France Henri, Bernadette Charlier et Daniel.
1 Méthode de “Fast Marching” générique pour “Shape From Shading” E. Prados & S. Soatto RFIA 2006 janvier 2006, Tours.
TIPE Les dames chinoises
Reconnaissance de visage par vidéo
DÉPARTEMENT DE MÉDECINE SOCIALE ET PRÉVENTIVE
Monitoring Détection de séquences vidéo en temps réel dans une grande base de données Julien Law-to 22/06/2004.
Localisation et identification des interactions neutrinos dans le détecteur OPERA. Carole HERITIER Journées Jeunes Chercheurs 2003 Directeurs de thèse.
Thibault ROY & Olivier SAGIT Exposé du mercredi 17 décembre 2003 Apprentissage Interactif Apprentissage avec SpamAssassin UFR de Sciences Département d’Informatique.
Recalage contraint par cartes de courbures discrètes pour la modélisation dynamique du rein Valentin LEONARDI, Jean-Luc MARI, Philippe SOUTEYRAND, Julien.
Le marketing : comprendre le client
Sabrina Tollari, Hervé Glotin, Jacques Le Maitre
20/06/2015propagation de signatures lexicales dans le graphe du Web 1 Propagation de signatures lexicales dans le graphe du Web M. Bouklit M. Lafourcade.
LA BALANCE DES PAIEMENTS ET LA POSITION EXTÉRIEURE DE LA FRANCE
Traitements d'images et Vision par ordinateur
Sciences appliquées - BTS Electrotechnique 12 juin Académie de Lyon.
Localisation collaborative dans les réseaux de capteurs
Programmation créative – Les vecteurs
Filtrage des images.
3ème Forum de la Finance Islamique – Shari’a Board 09/12/2009 – Paris 1 Shari’a Board Un apport d’accompagnement et d’évolution Ahmed JABALLAH  Conseil.
Transcription de la présentation:

Segmentation de structures cérébrales par ensembles de niveau en compétition et commande floue Cybèle Ciofolo Paris, 9 juin 2005 Thèse encadrée par Christian Barillot IRISA / CNRS, équipe VisAGeS

2/23 Paris, 9 juin 2005 Objectifs  Quoi ? Segmenter des structures anatomiques pour répondre à un problème médical réel –hémisphères et cervelet : localisation du sillon calcarin et délinéation des aires visuelles –structures internes : zones de stimulation électrique  Quelles conditions ? Structures non identifiables partir de leurs niveaux de gris uniquement  Comment ? Utilisation d’un atlas et de la connaissance d’experts pour localiser les structures

3/23 Paris, 9 juin 2005 Plan  Objectifs  Contexte  Commande floue  Ensembles de niveau  Commande floue pour les ensembles de niveau  Applications : –segmentation des hémisphères et du cervelet –segmentation de structures internes  Amélioration : construction de l’atlas par analyse de forme

4/23 Paris, 9 juin 2005 Contexte  Cerveau : structures très complexes, présentant des circonvolutions  Ensembles de niveau : –Prise en compte du voisinage, régularisation –Changements de topologie autorisés –Utilisation en 3D

5/23 Paris, 9 juin 2005 Principe  Définition des cibles, attribution d’un contour par cible  Contours en évolution simultanée, les termes de la vitesse ont des rôles bien définis  Direction de propagation privilégiée déterminée automatiquement par un système de commande floue

6/23 Paris, 9 juin 2005 Commande floue  Un exemple concret : la machine à laver « Si le linge est très sale et que son poids est moyen, alors la durée de la lessive sera longue» Degré d’appartenance Poids (kg) 0 1 très léger léger lourd très lourd moyen 0 1,5 3 4,5 6 7,5

7/23 Paris, 9 juin 2005 Commande floue –d’un ensemble de mesures fournies par des capteurs et caractérisées en langage naturel –d’un ensemble de règles de décision établies par des experts Degré d’appartenance Poids (kg) 0 1 légerlourdtrès lourdmoyen 01,534,567,5 très léger  En résumé, c’est la combinaison dans le but de prendre une décision sur une variable de commande

8/23 Paris, 9 juin 2005 Ensembles de niveau  Principe général … avec une vitesse dépendant de la probabilité d’avoir franchi la frontière de l’objet que l’on souhaite segmenter A partir d’une position initiale … … un contour évolue … F

9/23 Paris, 9 juin 2005 Ensembles de niveau Idée : englober le contour dans une fonction  de dimension supérieure Propagation de la fonction  Ensemble de niveau 0 de la fonction 

10/23 Paris, 9 juin 2005 Ensembles de niveau  Quelques détails sur la vitesse d’évolution F F  Elle dépend –de l’intensité (niveaux de gris) de l’image –de la forme du contour (courbure) –de facteurs extérieurs choisis par l’utilisateur

11/23 Paris, 9 juin 2005 Commande floue pour les ensembles de niveau  Mesures –distribution d’intensité du volume traité –forme du contour –données provenant d’un atlas –proximité des autres contours

12/23 Paris, 9 juin 2005 Commande floue pour les ensembles de niveau  Décision : valeur des termes de la vitesse g : fonction d’arrêt, P T : probabilité d’avoir franchi la frontière de la structure à segmenter, : direction privilégiée de propagation du contour,  : pondération de la courbure,  : courbure

13/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Quelles données ? –2 bases de 18 sujets, IBSR et GIS –Atlas : la vérité terrain du sujet 1 pour la base IBSR, le fantôme du MNI pour la base GIS

14/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Quelles règles de décision floue ? –Si un contour concurrent est trop proche du contour courant, alors la direction de propagation privilégiée du contour est celle qui s’éloigne du contour concurrent (répulsion). –Sinon  la distance à la cible du contour est assez grande alors la direction de propagation privilégiée du contour est celle qui minimise cette distance.  si la distance à la cible du contour est petite alors l’évolution du contour ne tient compte que des niveaux de gris et de la forme du contour.

15/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Résultats (base GIS) Résultat de l’évolution du contour initialisé par des parallelépipèdes situés dans chacune des structures

16/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Résultats (base IBSR) LH SLH RRH SRH RC SC R S R : résultat, T : vérité

17/23 Paris, 9 juin 2005 Application : segmentation de structures internes du cerveau  Quelles données ? –Base IBSR uniquement –Atlas : vérité terrain du sujet 1

18/23 Paris, 9 juin 2005 Application : segmentation de structures internes du cerveau  Résultats (base IBSR) Th. STh. RNC SNC RPa. SPa. RPu. S Pu. R S Md (mm)

19/23 Paris, 9 juin 2005 Amélioration : construction de l’atlas par analyse de forme  Modèle de forme : Analyse en Composantes Principales sur la base segmentée Forme moyenne : étiquette Modes de variations : états flous de la distance à l’étiquette

20/23 Paris, 9 juin 2005 Amélioration : construction de l’atlas par analyse de forme  Résultats Th. STh. S2NC SNC S2Pa. SPa. S2Pu. S Pu. S2 S Md (mm)

21/23 Paris, 9 juin 2005 Conclusion  Adaptation d’un système de commande floue pour régler automatiquement les paramètres d’évolution d’un contour  Application : segmentation simultanée de plusieurs structures avec des contours en concurrence  Perspectives : –raffinement des résultats sur les structures internes en adaptant mieux la classification –Application à d’autres structures : segmentation du cortex

22/23 Paris, 9 juin 2005 Références  Ensembles de niveau J. A. Sethian. Level Set Methods and Fast Marching Methods. Cambridge University Press,  Commande floue B. Bouchon-Meunier. Traitement de données complexes et commande en logique floue. Hermès Science Publications,  Atlas D. L. Collins et. al. Multimodality Imaging - Design and Construction of a Realistic Digital Brain Phantom. IEEE Transactions on Medical Imaging, 17( 3),  Publications personnelles C. Ciofolo, C. Barillot, Segmentation with Competitive Level Sets and Fuzzy Control. Information Processing in Medical Imaging, Glenwood Springs, USA, C. Ciofolo. Atlas-based segmentation using level sets and fuzzy labels. 7 th international conference on Medical Image Computing and Computer Assisted Intervention, Saint-Malo, France, 2004.

23/23 Paris, 9 juin 2005 Merci de votre attention