Contribution au recalage d'images medicales multimodales : approches par fonctions de similarite robustes et modeles deformables sous contraintes statistiques

Nous abordons, dans cette these, le probleme du recalage rigide d'images medicales multimodales 3d du cerveau humain. Deux approches sont proposees pour rendre le recalage robuste aux dissimilarites entre images dues a des bruits non gaussiens, a l'evolution de lesions, a des acquisitions incompletes ou a des informations non redondantes. Une premiere approche repose sur des fonctions de similarite inter-images associees a des m-estimateurs robustes. La technique a ete evaluee dans le cadre d'un protocole comparatif et s'est averee performante pour le recalage d'images multimodales presentant des differences importantes d'information. Une seconde approche s'appuie sur des modeles deformables statistiquement contraints modelisant les relations spatiales entre les surfaces du crane et du cerveau chez le meme individu, ainsi que les variabilites anatomiques observees dans une population d'apprentissage. Ce modele permet non seulement de contraindre le recalage des structures anatomiques mais fournit aussi une prediction de la position spatiale d'autres structures anatomiques representees. Cette seconde approche a ete evaluee et comparee a l'approche par fonctions de similarite robuste. La comparaison a montre que l'approche par modele deformable conduit a une precision de recalage comparable a celle des techniques par fonctions de similarite. Sa capacite a traiter des donnees manquantes est en revanche plus grande, en raison des contraintes statistiques specifiques apportees par l'apprentissage du modele.