Soutenance de thèse en Cotutelle internationale de Rania SEFTI

L'extraction automatique d'informations et la détection d'objets à partir d'images médicales ont connu un essor considérable ces dernières années. Ces avancées offrent aux cliniciens de nouvelles possibilités d'exploration et d'aide au diagnostic. Cependant, le processus de segmentation demeure complexe et présente de nombreux défis. Cette thèse vise à développer des méthodes de segmentation d'images médicales basées sur les B-Snakes, qui seront à la fois efficaces et robustes face aux difficultés inhérentes au traitement de ce type d'images. En exploitant les avantages des différentes techniques d'analyse des caractéristiques d'images et des propriétés des fonctions splines, nous cherchons à améliorer la précision et la performance des contours actifs paramétriques (ou surfaces actives) pour la segmentation dans le domaine médical. Pour atteindre cet objectif, cette thèse s'articule autour de quatre contributions principales, développées pour les cas d'images en 2D et 3D. Tout d'abord, nous avons introduit une nouvelle fonction d'approximation spline d'Hermite généralisée avec un support optimal et une erreur d'interpolation contrôlée. Cette fonction est caractérisée par un paramètre ajustable, pour lequel nous avons déterminé la valeur optimale, ce qui permet d'améliorer significativement les résultats de l'interpolation en fonction des données. Ensuite, nous avons introduit un nouveau terme d'énergie qui met en avant l'importance de l'analyse des variations d'intensité de textures, en utilisant un modèle d'apprentissage profond. Ce terme vise à résoudre le problème de convergence du modèle Snake, particulièrement dans le cas d’images de faible qualité. Nous avons également développé une nouvelle étape d'équilibrage, fondée sur la géométrie de l'objet et de ses propriétés de courbe/surface. Cette innovation vise à l’aide d’un schéma d’interpolation à aligner le Snake équilibré avec les parties complexes de l'objet, telles que les artefacts et les zones concaves. Enfin, pour surmonter les problèmes de minimisation de l'énergie en utilisant la méthode classique pour obtenir la déformation du Snake, nous avons introduit un nouvel algorithme de déformation du Snake appelé méthode de déformation itérative progressive (PID). Celle-ci adapte itérativement les points de contrôle pour construire une série de courbes d'ajustement jusqu'à ce que la limite de l'objet soit détectée, sans qu'il soit nécessaire de résoudre les problèmes de minimisation de l'énergie. Toutes les techniques introduites ont été rigoureusement évaluées à travers une série de tests variés, démontrant ainsi leur efficacité et leur robustesse dans diverses conditions d'application.