Segmentation dynamique de tumeurs en image tomodensitométrie

Sujet de Master 2016
Segmentation dynamique de tumeurs en image tomodensitométrie
La première étape d’une radiothérapie est la définition (manuelle) par un médecin radiothérapeute
sur les images TDM en 3D (Tomodensitométrie = scanner ou CT en anglais) des contours de la
tumeur à irradier. Ce contourage est indispensable mais long et fastidieux. En plus, les images sont
souvent de mauvaise qualité (voir Fig.1) : faible contraste et artefacts…, dû à la faible dose de
radiation utilisée dans le cas de la radiothérapie. Afin de suivre l’évolution de la tumeur, une
séquence d’images TDM est acquise pendant la période de traitement. L’objectif du stage est donc
de développer une méthode de segmentation dynamique qui permet de suivre les contours de la
tumeur tout au long de la séquence. Malgré différentes approches proposées dans la littérature
[1][2], la segmentation des tumeurs des images TDM reste ouverte, notamment en cas de faible de
dose de radiation. Les approches variationnelles semblent intéressantes dans ce cas. Ainsi on pourra
s'intéresser à la segmentation des tumeurs par contours actifs basés régions en testant différents
critères à minimiser et en les comparant. Les critères statistiques basés sur la densité de probabilité
de l'intensité peuvent ainsi permettre de suivre l'évolution d'une région dans la séquence TDM [3].
Le développement des méthodes utilisera le logiciel de traitement d'images Pandore développé au
GREYC (langage C++).
Fig. 1. Une image TDM avec une tumeur du poumon
Lieu : Laboratoire GREYC à Caen ou LITIS à Rouen
Rémunération : 500€/mois, Durée du stage : 6 mois
Contacte :
Jehan-Besson : Stephanie [email protected]
Su Ruan : [email protected]
Références
[1] Yong, Jin Rim et al. “Automatic segmentation of juxta-pleural tumors from CT images based on
morphological feature analysis”, Bio-Medical Materials and Engineering, vol. 24, no. 6, pp. 3137-3144,
2014.
[2] Shanhui Sun, Christian Bauer, and Reinhard Beichel ,“Automated 3-D Segmentation of Lungs With
Lung Cancer in CT Data Using a Novel Robust Active Shape Model Approach”, IEEE TRANSACTIONS
ON MEDICAL IMAGING, VOL. 31, NO. 2, FEBRUARY 2012.
[3] Lecellier F., Jehan-Besson S., Fadili, J. « Statistical region-based active contours for segmentation:
An overview », IRBM vol. 35, issue 1, pp. 3-10, 2014.