Acquisition des images IRM

Table des matières

Introduction générale
CHAPITRE I: contexte médical
I. Introduction
II. Description macroscopique et microscopique du cerveau
II.1.Description macroscopique
II.2.Description microscopique
III. Les tissus du cerveau
III.1. la Substance grise
III.2. La substance blanche
III.3. Les méninges
III.4. Le liquide céphalo-rachidien
IV. Lésions cérébrales
IV.1. Développement des tumeurs cérébrales
IV.2. Tumeur cérébrale primaire et tumeur cérébrale métastatique ou secondaire
IV.3. Tumeurs cérébrales bénignes et tumeurs cérébrales malignes
IV.3.1. Les tumeurs cérébrales bénignes
IV.3.2. Les tumeurs cérébrales malignes
IV.4. Signes et symptômes associés à la présence de tumeurs cérébrales
IV.5. Types de tumeurs cérébrales
V. Le diagnostic des tumeurs cérébrales
V.1. Examen clinique
V.2. Examens complémentaires
V.3. La biopsie cérébrale
V.4. Imagerie médicale
V.4.1. Imagerie par résonance magnétique (IRM)
V.4.1.1. Principales composantes d’IRM
a. L’aimant
b. Les bobines de gradient de champ
c. Les antennes
d. Le calculateur
e. Les blindages
V.4.1.2. Acquisition des images IRM
V.4.1.3 Les artefacts
a. Artéfact de mouvement
b. Inhomogénéités RF
c. Volume partiel
d. Le bruit
VI. Segmentation d’images de RMN cérébrales
VII. Conclusion
CHAPITRE II :Segmentation des images IRM cérébrales
I.Introduction 
II.Définition de la segmentation 
III.Approche frontière (contour) 
Les approches dérivatives
a) Opérateurs dérivatifs du premier ordre
1) Gradient
2) Opérateurs de Prewitt et de Sobel
3) Opérateur de Roberts .
b) Opérateurs dérivatifs du deuxième ordre
c) Opérateurs optimaux
IV.Les contours actifs
IV.1. Présentation du modèle du contour actif
IV.2.Force d’image
IV.3. Approche variationnelle et géométrique
V.Le contour actif géométrique (Level set)
V.1. Représentation en courbes de niveau
V.2. le modèle de Level set
V.3. Principe général
V.4. Formulation énergétique
a) Énergie intégrale curviligne
b) Énergie intégrale surfacique
VI. Approche région
a) Définition
b) Formalisme
VI.1. Segmentation par seuillage
a) Méthode d’Otsu
VI.2. Segmentation par croissance de région (région growing)
a) application de la méthode croissance de région
b) Interprétation des résultats
VI.3. Segmentation par division/rassemblement (split and merge)
a) Application de la méthode division fusion
b) Interprétation des résultats
VII.Segmentation par classification
VII.1. Méthodologie de la classification
a) Méthodes supervisées1
b) Méthodes non Supervisées (Automatiques)
VII.2.Méthodes de classification
a) Classification hiérarchique
b) Classification non hiérarchique (partitionnelle)
VII.3. La classification par les k-moyennes
a. Algorithme
b. Application de la méthode k-means
VII.4. La classification floue
a) La logique floue
b) La théorie des sous-ensembles flous
VIII.Classification floue FCM (Fuzzy C-Means )
VIII.1. Description de l’algorithme FCM
VIII.2.L’algorithme Fuzzy C-means (FCM)
VIII.3. Solution du problème d’optimisation
VIII.4. Défuzzification
VIII.5. Application de la méthode FCM
IX.Comparaison entre k-means et FCM
X.Conclusion
CHAPITRE III : Méthode coopérative entre Level set et la classification floue FCM
I. Introduction
II. Format DICOM
III. Base de Données
IV. Application de la méthode de Level set
IV.1. Le prétraitement
IV.2.Initialisation de la fonction level se
IV.3. Evolution de la fonction ensemble de niveau (level set)
IV.4.Résultats et interprétation
V. Méthode Coopérative entre Level set et la classification floue FCM
V.1.La coopération entre FCM et Level set
V.2.Résultat et interprétation
V.3.Inconvénient de la méthode
VI. Conclusion
Conclusion générale
Annexe : A
Annexe : B