Ce vendredi 13 septembre à 14h aura lieu la soute­nance de thèse de Fran­cisco Alva­rez Padilla. Amphi­théâtre 2 – IUT de Reims.

Compo­si­tion du Jury :

• M. Bertrand Kerau­tret, Profes­seur des Univer­si­tés, Univer­sité Louis Lumière Lyon 2, Rappor­teur
• M. Antoine Vaca­vant, Maître de Confé­rences, Univer­sité Cler­mont Auvergne, Rappor­teur
• M. Hugues Talbot, Profes­seur, École Centrale Paris, Exami­na­teur
• Mme Barbara Roma­niuk, Maître de Confé­rences, Univer­sité de Reims Cham­pagne-Ardenne, Exami­na­teur
• Mme Stépha­nie Servagi-Vernat, Maître de Confé­rences – Prati­cien Hospi­ta­lier, Insti­tut Jean Godi­not, Exami­na­teur
• M. Benoît Naegel, Maître de Confé­rences, Univer­sité de Stras­bourg, Invité
• M. Dimi­tri Papa­tha­nas­siou, Profes­seur des Univer­si­tés – Prati­cien Hospi­ta­lier, Univer­sité de Reims Cham­pagne-Ardenne, Direc­teur
• M. Nico­las Passat, Profes­seur des Univer­si­tés, Univer­sité de Reims Cham­pagne-Ardenne, Co-Direc­teur

Résumé :

Les travaux de cette thèse portent sur la propo­si­tion de stra­té­gies de segmen­ta­tion des tumeurs cancé­reuses dans un contexte multi­mo­dal et multi­tem­po­rel. La multi­mo­da­lité fait réfé­rence au couplage de données TEP/TDM pour exploi­ter conjoin­te­ment les deux sources d’in­for­ma­tion pour amélio­rer les perfor­mances de la segmen­ta­tion. La multi­tem­po­ra­lité fait réfé­rence à la dispo­si­tion des images acquises à diffé­rents dates, ce qui limite une corres­pon­dance spatiale possible entre elles. Dans une première méthode, une struc­ture arbo­res­cente est utili­sée pour trai­ter et pour extraire des infor­ma­tions afin d’ali­men­ter une segmen­ta­tion par marche aléa­toire. Un ensemble d’at­tri­buts est utilisé pour carac­té­ri­ser les nœuds de l’arbre, puis le filtrer et proje­ter des infor­ma­tions afin de créer une image vecto­rielle. Un marcheur aléa­toire guidé par les données vecto­rielles prove­nant de l’arbre est utilisé pour étique­ter les voxels à des fins de segmen­ta­tion.
La deuxième méthode traite le problème de la multi­tem­po­ra­lité en modi­fiant le para­digme de voxel à voxel par celui de nœud à nœud. Deux arbres sont alors modé­li­sés à partir de la TEP et de la TDM avec injec­tion de contraste pour compa­rer leurs nœuds par une diffé­rence entre leurs attri­buts et ainsi corres­pondre à ceux consi­dé­rés comme simi­laires en suppri­mant ceux qui ne le sont pas. Dans une troi­sième méthode, qui est une exten­sion de la première, l’arbre calculé à partir de l’image est direc­te­ment utilisé pour mettre en œuvre l’al­go­rithme déve­loppé. Une struc­ture arbo­res­cente est construite sur la TEP, puis les données TDM sont proje­tées sur l’arbre en tant qu’in­for­ma­tions contex­tuelles. Un algo­rithme de stabi­lité de nœud est appliqué afin de détec­ter et d’éla­guer les nœuds instables. Des graines, extraites de la TEP, sont proje­tées dans l’arbre pour four­nir des étiquettes (pour la tumeur et le fond) à ses nœuds corres­pon­dants et les propa­ger au sein de la hiérar­chie. Les régions évaluées comme incer­taines sont soumises à une méthode de marche aléa­toire vecto­rielle pour complé­ter l’étique­tage de l’arbre et finir la segmen­ta­tion.

Ce jeudi a eu lieu la soute­­nance de thèse de Nico­las Courilleau qui a ainsi obtenu le grade de docteur.

Nous lui adres­­sons toutes nos féli­­ci­­ta­­tions.

Compo­si­tion du Jury :

M. Min Hyuk Kim, Chair Profes­sor, KAIST, Daejeon, South Korea, Rappor­teur
M. Jean-Luc Mari, Profes­seur, Aix-Marseille Univer­sité, Rappor­teur
M. Chris­tophe Renaud, Profes­seur, Univer­sité du Litto­ral Côte d’Opale, Exami­na­teur
M. Vincent Nozick, Maître de confé­rences, Univer­sité Paris-Est Marne-la-Vallée, Exami­na­teur
M. Gilles Mergoil, Président de Neoxia, Paris, Invité
M. Laurent Lucas, Profes­seur, Univer­sité de Reims Cham­pagne-Ardenne, Co-direc­teur
M. Yannick Remion, Profes­seur, Univer­sité de Reims Cham­pagne-Ardenne, Co-direc­teur

RÉSUMÉ :

La visua­li­sa­tion de données est un aspect impor­tant de la recherche scien­ti­fique dans de nombreux domaines. Elle permet d’ai­der à comprendre les phéno­mènes obser­vés voire simu­lés et d’en extraire des infor­ma­tions à des fins notam­ment de vali­da­tions expé­ri­men­tales ou tout simple­ment pour de la revue de projet. Nous nous inté­res­sons dans le cadre de cette étude docto­rale à la visua­li­sa­tion de données volu­miques en image­rie médi­cale et biomé­di­cale, obte­nues grâce à des appa­reils d’ac­qui­si­tion géné­rant des champs scalaires ou vecto­riels repré­sen­tés sous forme de grilles régu­lières 3D. La taille crois­sante des données, due à la préci­sion gran­dis­sante des appa­reils d’ac­qui­si­tion, impose d’adap­ter les algo­rithmes de visua­li­sa­tion afin de pouvoir gérer de telles volu­mé­tries. De plus, les GPUs utili­sés en visua­li­sa­tion de données volu­miques, se trou­vant être parti­cu­liè­re­ment adap­tés à ces problé­ma­tiques, disposent d’une quan­tité de mémoire très limi­tée compa­rée aux données à visua­li­ser. La ques­tion se pose alors de savoir comment disso­cier les unités de calculs, permet­tant la visua­li­sa­tion, de celles de stockage. Les algo­rithmes se basant sur le prin­cipe dit « out-of-core » sont les solu­tions permet­tant de gérer de larges ensembles de données volu­miques.

Dans cette thèse, nous propo­sons un pipe­line complet permet­tant de visua­li­ser et de trai­ter, en temps réel sur GPU, des volumes de données dépas­sant très large­ment les capa­ci­tés mémoires des CPU et GPU. L’in­té­rêt de notre pipe­line provient de son approche de gestion de données « out-of-core » permet­tant de virtua­li­ser la mémoire qui se trouve être parti­cu­liè­re­ment adap­tée aux données volu­miques. De plus, cette approche repose sur une struc­ture d’adres­sage virtuel entiè­re­ment gérée et main­te­nue sur GPU. Nous vali­dons notre modèle grâce à plusieurs appli­ca­tions de visua­li­sa­tion et de trai­te­ment en temps réel. Tout d’abord, nous propo­sons un micro­scope virtuel inter­ac­tif permet­tant la visua­li­sa­tion 3D auto-stéréo­sco­pique de piles d’images haute réso­lu­tion. Puis nous vali­dons l’adap­ta­bi­lité de notre struc­ture à tous types de données grâce à un micro­scope virtuel multi­mo­dale. Enfin, nous démon­trons les capa­ci­tés multi-rôles de notre struc­ture grâce à une appli­ca­tion de visua­li­sa­tion et de trai­te­ment concou­rant en temps réel.