Segmentation d’images médicales volumétriques

Dans le domaine de l'imagerie médicale, la segmentation des images volumétriques résultant de divers examens est une tâche cruciale. Elle fournit au praticien une aide pour effectuer son diagnostic. La pertinence de cet outil repose sur deux facteurs majeurs : le temps de calcul et la qualité de segmentation. Nous montrons qu'il possible d’alléger la contrainte de temps grâce à la distribution des calculs sur un cluster d’ordinateurs. La programmation parallèle a été effectuée par l’utilisation du standard MPI (Message Passing Interface). L’efficacité de la solution est prouvée par de bons facteurs d’accélération car il ne suffit pas de paralléliser un programme pour proclamer avoir atteint le Graal. La modélisation par champs aléatoires de Markov cachés a été choisie pour segmenter les images. Cette modélisation aboutit à l’optimisation d’une fonction objective. Nous avons utilisé les techniques d’optimisation, éprouvées, que sont le Recuit Simulé et les Modes Conditionnels Itérés. L’algorithme des nuées dynamiques a également été utilisé dans un but comparatif. Pour mesurer la qualité de la segmentation, nous calculons les Kappa Index sur des images disposant de vérité terrain.