Mémoires de Fin d’Etudes
Etablissement
Université de M’Sila - Mohamed Boudiaf
Affiliation
Institut d’Informatique
Auteur
FOUDIL, Belhadj
Directeur de thèse
Samy AIT AOUDIA
Filière
Informatique:Programmation et Systéme
Diplôme
Magister
Titre
RECONSTRUCTION TRIDIMENSIONNELLE A PARTIR DE COUPES SERIEES Application aux Images Médicales
Mots clés
MOTS CLES : Reconstruction 3D, Coupes Sériées, Modélisation 3D, Champs Aléatoires de Markov, Algorithmes d’Optimisation, Interpolation Intercoupe, K-Means, Segmentation, Imagerie Médicale, Champs de Markov Gaussiens. KEY WORDS : 3D Reconstruction, Serial Cross Sections, 3D Modeling , Markov Random Fields, Optimization Algorithms, Interslice Interpolation, K-Means, Segmentation, Medical Imaging, Gaussian Markov Random Fields.
Résumé
La représentation des objets 3D par un ensemble de coupes sériées 2D est de plus en plus utilisée dans de nombreux domaines en particulier dans le domaine médical. Ainsi, la nature échantillonnée des images médicales 3D, consistant en une suite discrètes de coupes 2D, ne reflète pas en réalité le vrai aspect tridimensionnel de l’objet, elle en donne une vue restreinte et partielle. L’analyse de ces coupes est prohibitive consommant beaucoup de temps du praticien pour localiser manuellement la région d’intérêt à travers toutes les coupes, de plus il est amené à reconstruire mentalement une vue 3D de l’organe. Cette vue est nécessairement subjective et erronée. L’objectif du présent travail est de remonter à une reproduction de l’objet initial connaissant ses coupes tomographiques 2D en reconstruisant un modèle 3D permettant d’assimiler l’ensemble de ses propriétés et comportements. Plusieurs étapes sont nécessaires avant l’obtention de cette représentation 3D dont la segmentation, la génération du modèle 3D et la visualisation sont les principales. La théorie des champs aléatoires de Markov se voit assez prête pour répondre aux contraintes de segmentation imposées par la nature des organes humains et les imperfections liées au matériel d’acquisition. Une version semi-supervisée de l’algorithme des K-Means est proposée. Quant à la deuxième étape, l’algorithme des Marching Cubes est un choix de référence. L’aspect anisotropique, caractérisant généralement les images médicales 3D, limite les performances du processus de reconstruction. Dans ce travail, nous avons proposé une nouvelle technique d’interpolation intercoupe permettant la récupération de l’information 3D perdue et de résoudre ainsi le problème de reconstruction de coupes anisotropiques Cross sections are increasingly used in many fields to represent 3D objects particularly in medical imaging. Thus, 3D sampled images don’t reflect the real three-dimensional aspect of the object; they give simply a limited and partial view. The analysis and manipulation of such data are prohibitive and pratician’s time consuming to delineate manually the region of interest all over the sections. In addition to that, he has to mentally reconstruct a 3D view of the organ, such reconstruction is certainly subjective and wrong. In this work, we are dealing with the reproduction of the initial object knowing its 2D cross sections by the reconstruction of a 3D model that can reflect the maximum of its properties and comportments. Several steps are necessary before obtaining such 3D representation: segmentation, 3D model generation and the visualization are the principal ones. The Markov Random Fields theory seems to be ready to handle the segmentation constraints imposed by the nature oh the human organs and the imperfections inherent to the equipments used. A semi-supervised version of the K-Means algorithm is proposed. In the second step, the Marching Cubes algorithm is proposed to be the best choice. The 3D Medical images are generally anisotropic limiting the success of the reconstruction process. In this work, we have proposed a new interslice interpolation technique that can recover the missing data and enhance the reconstruction process results
Pagination
129
Format
pdf
Statut
Traitée