Nos partenaires

CNRS

Rechercher





Accueil du site > Français > Evénements > Soutenances > Soutenances de thèses

Soutenances de thèses

 

 

Modélisation et traitement statistique d'images de microscopie confocale : application en dermatologie

Abdelghafour HALIMI - Equipe TCI - IRIT

Vendredi 8 Décembre 2017, 10h00
INP-ENSEEIHT, Salle des thèses
Version PDF :

Jury

- M. André FERRARI, Professeur, Université de Nice, (Rapporteur)
- Mme. Mireille GARREAU, Professeur, Université de Rennes 1, (Rapportrice)
- M. Hadj BATATIA, Maître de conférence HDR, Université de Toulouse, (Directeur de thèse)
- M. Jimmy LE DIGABEL, Chargé de Recherche, Laboratoires Pierre Fabre, (Examinateur)
- M. Marcelo Alexandro PEREYRA, Professeur assistant, Université de Heriot-Watt Ecosse, (Examinateur)
- M. Jean-Yves TOURNERET, Professeur, Université de Toulouse, (Examinateur)
- M. Lotfi CHAARI, Maître de conférence HDR, Université de Toulouse, (Invité)
- M. Gwendal JOSSE, Chargé de Recherche, Laboratoires Pierre Fabre, (Invité)

Mots clés

Microscopie confocale par réflectance, modèle de texture, gaussienne généralisée, distribution gamma généralisée, estimation de paramètres, géométrie de l'information, gradient naturel, méthodes bayésiennes, MCMC

Résumé

Dans cette thèse, nous développons des modèles et des méthodes statistiques pour le traitement d'images de microscopie confocale de la peau dans le but de détecter une maladie de la peau appelée lentigo. Une première contribution consiste à proposer un modèle statistique paramétrique pour représenter la texture dans le domaine des ondelettes. Plus précisément, il s'agit d'une distribution gaussienne généralisée dont on montre que le paramètre d'échelle est caractéristique des tissus sous-jacents. La modélisation des données dans le domaine de l'image est un autre sujet traité dans cette thèse. A cette fin, une distribution gamma généralisée est proposée. Notre deuxième contribution consiste alors à développer un estimateur efficace des paramètres de cette loi à l'aide d'une descente de gradient naturel. Finalement, un modèle d'observation de bruit multiplicatif est établi pour expliquer la distribution gamma généralisée des données. Des méthodes d'inférence bayésienne paramétrique sont ensuite développées avec ce modèle pour permettre la classification d'images saines et présentant un lentigo. Les algorithmes développés sont appliqués à des images réelles obtenues d'une étude clinique dermatologique.

 

Retour