L’interprétation des images CT et IRM est la tâche des spécialistes. Cependant, il existe des outils pour aider les médecins à interpréter et à diagnostiquer les images médicales. Ils aident également à planifier les traitements et les interventions chirurgicales en visualisant les organes et en identifiant les zones à irradier et celles à éviter. Ses recherches portent sur la modélisation des relations spatiales qui facilitent l’interprétation des images médicales, notamment dans les phases de segmentation et de reconnaissance. La segmentation vise à séparer différents objets dans une image et à trouver leurs contours. La reconnaissance consiste à identifier des objets, tels que des organes ou des lésions.
Comment lire une imagerie médicale ?
Pour interpréter ces images, nous devons comparer les images que nous voyons – les différentes nuances de gris, les contrastes et les gradients – avec notre connaissance préalable de la scène que nous modélisons. Il faut s’appuyer sur des informations structurelles entre différents objets, car certaines tumeurs, par exemple, peuvent présenter des déformations particulièrement pathologiques. Bien que la forme des organes puisse changer de manière significative, même dans des situations non pathologiques, la disposition spatiale des organes et leur position relative les uns par rapport aux autres sont plus fiables et durables.
Entre les mathématiques et l’intelligence artificielle
Ces relations spatiales peuvent être de différents types. Pour construire un modèle, il faut s’inspirer des connaissances des anatomistes et des radiologues, des livres, des ontologies médicales et des sites web. Ces connaissances sont le plus souvent exprimées en mots, qui doivent être compris puis traduits en termes mathématiques, parfois même de façon vague.
Heureusement, les « ensembles flous » peuvent être d’une grande aide pour modéliser des connaissances imprécises mais déterministes. Dans cette théorie, l’appartenance d’un objet particulier peut être étendue à un ensemble particulier. La logique floue permet de tirer des conclusions à partir d’expressions imprécises telles que :
- autour,
- près,
- entre.
Appliquée aux ensembles 3D dans le domaine visuel, la théorie des ensembles flous permet le raisonnement spatial, c’est-à-dire la modélisation des objets et de leurs relations, la navigation entre eux, l’interprétation, la classification, la dérivation d’interprétations plus sophistiquées et la modification des connaissances.
Modélisation des relations entre les structures, et non les formes
Une fois formalisées, les relations spatiales entre les objets peuvent être interprétées pour l’imagerie médicale. Il existe plusieurs méthodes, mais un moyen très efficace consiste à segmenter et à identifier les structures une par une. 
Si vous connaissez à l’avance la liste des structures à identifier et une carte de leurs relations spatiales, vous pouvez sélectionner la structure de l’image la plus facile à segmenter comme point de départ et, une fois identifiée, passer à l’étape suivante. L’idée est de rechercher des structures dans un ordre raisonnable, de sorte que l’espace de recherche pour chaque structure soit le plus petit possible.
Cette approche séquentielle fonctionne bien en termes de qualité et de rapidité d’exécution en combinant les informations a priori du modèle avec les informations extraites des images . Elle soutient également l’hypothèse selon laquelle il est plus fiable de se fier aux relations spatiales plutôt qu’à la géométrie des objets. Enfin, elle permet un large éventail d’applications, notamment dans le domaine médical.