Un modèle Bayésien de mélange de lois Poisson-Gamma pour segmenter des images TEP

This paper presents a Bayesian algorithm for the segmentation of Positron Emission Tomography (PET) images. The proposed method takes into account the physics of the image formation and proposes a Poisson-Gamma mixture model to represent the activity of tissues. A Markov Chain Monte Carlo hierarchical Bayesian model is established to jointly estimate the parameters of the mixture and label voxels according to their underlying tissues. In addition, a Potts-Markov random field has been integrated into the segmentation model to represent the spatial coherence of the mixture components. The algorithm has been validated on synthetic data and tested on real patients’ images. Experimental results of the segmentation of PET images of the abdomen region suggest that the proposed method can successfully segment both large and small tumors.

Cet article présente un algorithme Bayésien pour la segmentation d’images de Tomographie par Emission de Positons (TEP). Tenant compte des phénomènes physiques sous-jacents à la formation de l’image TEP, nous modélisons l’activité des tissus comme un mélange de distributions Poisson-Gamma. Un algorithme Bayésien hiérarchique de type Monte Carlo par chaîne de Markov(MCMC) permet d’estimer conjointement les paramètres du modèle et de classifier les voxels selon la nature des tissus. De plus, un champ de Potts-Markov permet de représenter la cohérence spatiale des classes dans le modèle Bayésien. L’algorithme a été validé sur des données synthétiques et testé sur des données provenant de patients réels. Les résultats de la segmentation d’images TEP de l’abdomen suggèrent que la méthode proposée peut correctement mettre en évidence autant les grosses que les petites tumeurs.