Résumé:
L'imagerie médicale fournit des informations fonctionnelles quantitatives objectives menant à la prise de décision sur les pathologies. Les approches numériques permettent l'extraction des informations importantes en vue de la détection, la classification et l'identification des tumeurs TEP. L'étiquetage de la région d'intérêt surtout pour des images 3D (TEP) est une complication aux méthodes de segmentation automatiques ou semi-automatiques. En fait, la délimitation précise des tumeurs est cruciale en oncologie.
L’objectif de cette thèse est d'exploiter la fusion des données intrinsèquement en utilisant les techniques de segmentation, et en mettant l’accent sur le passage d'un processus de fusion mentale à un processus de fusion assistée par ordinateur. Cette thèse s’inscrit dans le cadre général d’aide au diagnostic basé sur la détection et isolation des différentes anomalies susceptibles et l'estimation précise de l'activité métabolique de la tumeur et de son volume métaboliquement actif à partir des images TEP proposées. Dans le cadre de cette thèse, nous avons atteint les objectifs suivants :
• Expérimentation des principales techniques de segmentation floues qui sont axées sur l'étude statistique et l'apprentissage par machine.
• Une étude comparative est présentée en termes d'efficacité, sensibilité d'évaluation, précision et la diminution de la variabilité due au manque de données requises. Les images cibles sont des images TEP liées exclusivement à une tumeur du thorax.
• Six algorithmes (FLAB, HFMF, FHMC, FCM, FLICM, GFCM) de segmentation de tumeur ont été appliqués à un ensemble de tumeurs TEP.
Les modèles utilisés pour les tumeurs sont extraits du radius humain, nous avons utilisé les images de la base des données du laboratoire de Rouen LITIS EA4108 qui contient un ensemble d'images TEP avec région d'intérêt à des tumeurs du thorax.
.
