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

Cet article presente un algorithme Bayesien pour la segmentation d'images de Tomographie par Emission de Positons (TEP). Tenant compte des phenomenes physiques sous-jacents a la formation de l'image TEP, nous modelisons l'activite des tissus comme un melange de distributions Poisson-Gamma. Un algorithme Bayesien hierarchique de type Monte Carlo par chaine de Markov (MCMC) permet d'estimer conjointement les parametres du modele et de classifier les voxels selon la nature des tissus. De plus, un champ de Potts-Markov permet de representer la coherence spatiale des classes dans le modele Bayesien. L'algorithme a ete valide sur des donnees synthetiques et teste sur des donnees provenant de patients reels. Les resultats de la segmentation d'images TEP de l'abdomen suggerent que la methode proposee peut correctement mettre en evidence autant les grosses que les petites tumeurs