Segmentation volumique par modeles deformables

En mdecine, l'utilisation d'images 3D (IRM, TDM, ...), devient de plus en plus frquente. Par ailleurs, la quantit croissante de donnes mises la disposition du clinicien a motiv l'laboration des mthodes d'analyse automatique d'images. La segmentation des structures normales ou pathologiques est l'une des tapes les plus incontournables. Cependant, cette tape reste un problme difficile cause de plusieurs difficults. Les mthodes existantes sont nombreuses, mais elles sont incapables de rsoudre toutes les perturbations. En particulier, les modles dformables ont t appliqus avec succs mais, ils ont certaines limitations. Dans cette thse nous nous proposons de montrer qu'il est possible de dfinir un cadre commun permettant la mise en place d'une coopration entre des approches htrognes en rponse la complexit du problme pos. L'intrt d'une telle approche est de pouvoir exploiter la complmentarit d'informations qui rsultent de l'application de plusieurs mthodes afin d'avoir une segmentation efficace. Notre mthode est fonde essentiellement sur les "Level-set" et les techniques de classification et de recalage. Nos rsultats sont trs encourageants.