Segmentation des images médicales Chapitre I

Chapitre I

Segmentation des images médicales

tridimensionnelles

« To steal ideas from one person is plagiarism,

to steal from many is research »
-Inconnu-

2
 Segmentation des images médicales Chapitre I

Introduction

La segmentation en général consiste au découpage spatial de l'image en zones homogènes,

elle joue un rôle prépondérant dans le traitement et l'analyse d'image et la vision par ordinateur qui
conditionne la qualité des traitements d’images effectués ultérieurement.

La segmentation d'images ainsi définie est un domaine vaste où l'on retrouve de très
nombreuses approches applicables aux images médicales.

Dans ce qui suit, nous allons survoler, d’une manière succincte, chacune des différentes
méthodes couramment utilisées après avoir évoqué quelques notions élémentaires sur la
segmentation d’images.

I.1 Pourquoi segmenter des images ?

L’objectif de la segmentation est de permettre l’exploitation du contenu de l’image pour

l’interprétation : aide au diagnostic en imagerie aérienne, satellitaire et médicale pour une
éventuelle localisation et reconnaissance (vidéosurveillance, contrôle robotique) ou une mesure des
évolutions (contrôle qualité, suivi thérapeutique, etc.).

3
 Segmentation des images médicales Chapitre I

La segmentation fait partie d’une chaîne de traitement que l’on peut résumer en quatre étapes
principales [Akrour.N, 09]:

 Acquisition des images : processus de production d’images exploitable par ordinateur.

 Traitement des images : améliorer ces images lorsqu'elles possèdent du bruit ou des défauts.
 Segmentation des images : construire une image symbolique en générant des régions
homogènes selon un critère défini à priori.
 Analyse des images : extraire des paramètres ou des fonctions représentatives de l'image ou
des régions.

Figure Ι .1 : Chaîne de traitement d’images

I.2 Définition de la segmentation

Classiquement, on peut définir la segmentation comme étant une partition de l’image I en un

nombre N de sous-ensembles Ri appelés régions, homogènes dans le sens d’un ou plusieurs critères,
comme le niveau de gris, tels que :

 La segmentation doit être complète (c'est-à-dire, chaque pixel doit être affecté à une classe).
 Les pixels appartenant à la même région doivent être connectés.
 Les régions doivent être disjointes.
En termes mathématiques :
n
∪i=1 Ri=I
{ R i≠ Φ ∀ i=1 … n
Ri ∩ R j=Φ ∀ i , j avec i≠ j

Où Ri est l’ensemble des régions formant l’image I.

4
 Segmentation des images médicales Chapitre I

Dans un contexte médical, les régions Ri correspondent aux différentes structures

anatomiques constituant les différentes régions d’intérêt. La détermination automatique du nombre
de régions N est une vraie problématique [JP.Couq, 00]. Souvent, la valeur N est supposée être
connue comme étant une information à priori sur les structures anatomiques en investigation.

Il est difficile de définir d’une manière absolue, une bonne segmentation. La segmentation,
souvent, n’est pas une fin en soi [Z.Ameur, 05], le choix d’une technique est lié à :
 La nature de l’image (éclairage, contours, texture…)
 Aux opérations en aval de la segmentation (compression, reconnaissance des formes,
mesures…)
 Aux primitives à extraire (droites, régions, textures,…)
 Aux contraintes d’exploitation (temps réel, espace mémoire, …)

I.3 Au-delà de la deuxième dimension 

I.3.1 Les images médicales 3D

Au début du dernier siècle, l’imagerie médicale s’appuyait sur une seule modalité
d’acquisition : la radiographie par Rayons X.

L’analyse des clichés radiographiques standards a longtemps joué un rôle important dans le
diagnostic médical, toutefois l’information bidimensionnelle résultante de cette technique
d’imagerie s’est avérée insuffisante pour l’examen de nombreuses pathologies. L’idée de trouver un
autre moyen pour récupérer l’information 3D perdue est sans doute prometteuse et importante.

Qu’il s’agisse de la tomodensitométrie à rayons X ou scanner (CT), l’imagerie par résonance

magnétique(IRM), l’imagerie ultrasonore ou échographique (US), l’imagerie de médecine nucléaire
ou scintigraphie ou bien la microscopie confocale, la plus part de ces outils permettent de voir au
travers des corps et d’acquérir des images 3D décrivant la structure interne des organes (figure I.2)

5
 Segmentation des images médicales Chapitre I

Figure I.2 : Une collection de modalités d’images prises sur le cerveau humain :
(a)section réelle (b) image IRM (c) image PET (d) image CT

Cependant, l’analyse d’une telle quantité de données basée sur l’inspection visuelle reste très
difficile et requiert une grande dépense de temps. Souvent, l’information contenue dans une image
médicale ne peut pas être entièrement captée par l’œil humain et vice-versa, les ordinateurs n’ont
pas le sens pratique d’un être humain ou l’expérience acquise par les experts en médecine. Par
conséquent, il est souhaitable de combiner les deux, experts et ordinateurs, dans un compromis
optimal pour améliorer les résultats de l’étendue des applications où le traitement des images
médicales est de nos jours appliqué [J.Francisco, 07].

Figure I.3 : L’analyse classique des coupes médicales :

Un négatoscope sur lequel on a placé plusieurs clichés

De l’héritage des images 2D, il reste que les images 3D sont souvent produites comme une
succession de coupes. Le praticien doit mentalement empiler les coupes pour se faire une
représentation du volume des données observées. Cela conduit à une interprétation subjective des
données, sans l’aide de l’informatique, ça nécessitait une agilité d’esprit et une expérience
6
 Segmentation des images médicales Chapitre I

importante. Dans une représentation 3D, le traditionnel pixel devient voxel ; contraction de
« volumetric pixel » : mot anglais. Ce dernier est employé pour la représentation d'espaces
tridimensionnels par traitement numérique de coupes 2D issues des machines d'investigation
(Scanner, IRM ...). On peut dire que les images médicales 3D sont une représentation d’une partie
du corps qui est décrite par une matrice à 3 dimensions. Dans la figure I.4, le voxel z est représenté
avec ses 26 voisins.

Figure Ι .4 : Le voxel

I.3.2 Difficultés liées à la segmentation des images médicales

La segmentation automatique des images médicales n’est pas une tâche assez facile que l’on
croit, ceci est dû principalement aux raisons suivantes :
- La haute complexité et diversité des structures internes des organes du corps humain.
- La nature des images médicales qui diffèrent d’une modalité à une autre implique généralement
des traitements et des algorithmes différents.
- Le volume énorme des images médicales allant de quelques Mégabits à des centaines de Mégabits
résultant de quelques dizaines à des centaines de coupes [F.Belhadj, 06].

I.4 Classification des méthodes de segmentation selon la dimensionnalité

Diverses classifications des méthodes de segmentation peuvent être effectuées, si l’on

s’intéresse à la dimensionnalité nous arrivons à répartir celles-ci en deux groupes : la segmentation
2D et la segmentation 3D.

En ce qui concerne les méthodes de segmentation 2D, elles visent à définir la région d’intérêt
sur les coupes. Les méthodes 2D sont appliquées sur toutes les coupes séparément et cela, sans tenir
compte du résultat obtenu sur les coupes précédentes. La reconstruction du volume d’intérêt se fait
par l’empilement des différentes coupes, ce qui forme un volume d’intérêt (qui est donc constitué
par la superposition des régions d’intérêt). Ce type de segmentation offre des résultats relativement
satisfaisants, cependant l’un de ces inconvénients est qu’elle ne prend pas l’interaction spatiale

7
 Segmentation des images médicales Chapitre I

exprimé par les pixels le long de la troisième dimension, ce qui peut conduire à la reconstruction
d’un volume non homogène.

Problème que les méthodes de reconstruction 3D contournent grâce à une exploitation de

l’information volumique de l’organe initialement observé [W.Al & Djad, 08].

I.5 Les différentes approches de segmentation : Etat de l’art

La segmentation est un vaste sujet d’étude et fait partie des grands thèmes de l’imagerie
numérique. A ce titre, de nombreuses publications font état de segmentation. Comment préférer
l’une ou l’autre est un débat ouvert qui fait rage dans bien des laboratoires.

Du fait de cette diversité, il est difficile de définir, de manière absolue, une « bonne »
segmentation qui fait référence aux notions de différence et de similarité comme les perçoit le
système visuel humain et ceci donne naissance à deux approches : contour (frontière) et région.
 La notion de « frontière » est associée à une variation d'intensité ou à une discontinuité entre
les propriétés de deux ensembles connexes de points.
 La notion de « région » fait référence à des groupements de points ayant des propriétés
communes [Am & Bas, 08]. Dans ce cas on observe une parfaite dualité entre les contours
et les régions. 

Nous allons donc présenter dans cette section diverses techniques connues de segmentation en
les organisant selon l’approche qui les régit. D’après le rapport de recherche de Jérémy Lecoeur et
Christian Barillot sur la segmentation des images médicales cérébrales [J.Lec - C.Bar, 08], y’en a
cinq approches : les segmentations utilisant les contours comme critère de décision, celles basées
sur les régions, celles basées sur la forme, celles faisant appel à la théorie des graphes et enfin celles
préférant une approche structurelle. Cette classification et ses ramifications plus poussées sont
représentées sur la figure I.5 et seront exposées quelques méthodes qui sont fréquemment utilisés.

I.5.1 Contour

Dans l’approche contour (ou frontière), il s’agit de reconnaitre les zones de transition et de
localiser au mieux la frontière entre les régions. On distingue notamment les modèles dérivatifs et
les modèles d’espace-échelle.

Modèle Actif de forme

Modèle Actif d’Apparence

Harmoniques Sphériques 8

Ondelettess
 Level Set Géodésiqueee
Segmentation desd’Atlas
Recalage images médicales Chapitre I
Discrète

Lignes de Partage des Eaux

Contours Actifs Paramétrique

Forme

Espace Echelle
Approches StructurellesGradient Morphologique
Contour

Modèles Dérivatifs
SEGMENTATION
Graph Cuts

Région Théorie des Graphes

Classification Déterministe

Mean Shift
Classification Probabiliste
Hypergraphes

Non- Supervisée Paramétrique

Non-Paramétrique
Supervisée Mélange de Lois
K-Moyennes

C-Moyennes Floues et C-Moyennes Floues Adaptatives

Machine à vecteurs Champs

de Support
Aléatoires de Markov
Réseaux de neurones

Figure Ι .5: Classification des différentes méthodes de segmentation

I.5.1.1 Espace –échelle

La notion d’espace-échelle (en anglais scale-space) est utilisée pour représenter

simultanément tous les niveaux de résolution d’une image [M.Mohia, 06].

9
 Segmentation des images médicales Chapitre I

Figure Ι .6 : Exemple de scale-space gaussien

I.5.1.2 Modèles dérivatifs

Les contours sont détectés l’opérateur gradient et Laplacien. Les variations locales d’intensité
constituent la source de ces opérateurs ; on définit le gradient de l’image f [i, j] :

∇ f [ i, j ] = ( ∂∂ xf [i , j ] , ∂∂ fy [i , j ])
Et le Laplacien :
∂2 f ∂2 f
∆ f [i , j ]= (
∂ x2
[ i, j ] + 2 [ i , j ]
∂y )
On peut trouver le point de contour par détermination du maximum de la norme du gradient
ou bien en étudiant le passage par zéro du Laplacien.

I.5.2 Région

L’approche région de la segmentation utilise des techniques d’identification et de localisation

d’ensembles connexes de pixels.

I.5.2.1 Méthodes de classification déterministe

 Réseaux de neurones

Le neurone calcule la somme de ses entrées puis cette valeur passe à travers la fonction
d’activation pour produire sa sortie (figure I.7).

Classiquement, en segmentation d’images médicales, les réseaux de neurones sont utilisés

comme classifieurs. Les poids synaptiques sont déterminés par apprentissage sur une base
d’image dont le résultat de segmentation est connu, on parle alors de réseau de neurones
supervisé. Souvent, les neurones d’entrées sont par exemple les différentes IRM disponibles et
les neurones de sorties nous donnent alors les différentes classes recherchées. Il est en outre
possible d’introduire des informations à priori en plus des volumes et donc de donner plus de
robustesse à cette classification.

Valeurs Poids
Fonction d’activation

Somme pondérée
10

Activation
 .
. .
. . Seuil

Segmentation des images médicales Chapitre I

Figure Ι .7 : Structure d’un neurone artificiel

 K-Moyennes

L’algorithme des k-moyennes [C.Scharff] classe les objets selon leurs attributs en k parties
(ou clusters) et se résume en quatre étapes (figure I.8):

1-Partitionnement des données en k sous ensembles (non vides)

2-Calcul des centres des groupes de la partition courante

3-les données sont affectées au groupe dont le centre leur est plus proche

4-Retour à l’étape 2

Arrêt lorsque les groupes sont constants.

Figure Ι .8 : Algorithme de classification K-moyennes

Cet algorithme est très populaire car extrêmement rapide en pratique et a été utilisé pour
segmenter le cerveau avec des résultats plutôt satisfaisants mais la qualité non constante de la
solution en fait un algorithme à proscrire pour une automatisation du travail.

 Mean Shift

L’algorithme du Mean Shift, recherche le « mode » ou point de plus haute densité d’une
distribution de données, basé sur une estimation de densité par les noyaux de Parzen [M. Petr] dont

^f ( x ) k
la formule est: =N .V

Avec : x : point de la distribution ; V : volume autour de x ; N : cardinal de la distribution et k :

nombre de points dans V. La procédure de segmentation dans ce cadre est la suivante :
11
 Segmentation des images médicales Chapitre I

1-Considérer les images en termes de caractéristiques (via couleur,

gradient, mesures de texture, etc.)

2-Choisir une répartition uniforme des fenêtres de recherche initiales.

3-Calculer le centroide des données pour chaque fenêtre.
4-Centrer la fenêtre de recherche sur le centroide de l’étape 3.
5-Répéter les étapes 3 et 4 jusqu’à convergence.
6-Fusionner les fenêtres se trouvant au même point final.
7-Grouper les données traversées par les fenêtres fusionnées.

(a) IRM d’origine (b) Résultat de la segmentation

Figure Ι .9 : Algorithme et résultats de la segmentation par Mean-Shift

I.5.2.2 Méthodes de classification probabiliste

 Champs Aléatoires de Markov

A vrai dire, La modélisation par les champs aléatoires de Markov en elle-même n’est pas une
méthode de segmentation mais plutôt un modèle statistique dans lequel on peut intégrer une
méthode de segmentation [F.Belhadj, 06].

On utilise les champs de Markov pour modéliser les interactions entre un voxel et son
s
voisinage. Notons x s la valeur du descripteur au site s, x =( x s )t ≠ s la configuration de l’image

excepté le point s, V s le système de voisinage et U ( x )=c∑

∈C
U c l’énergie globale de l’image (c’est la

somme des potentiels de toutes les cliques). X est un champ de Markov si et seulement si :

P ( X s=x s / x s ) =P ( X s =x s / xt ,t ∈ V s )
12
 Segmentation des images médicales Chapitre I

Autrement dit, le niveau de gris d’un site ne dépend que des niveaux de gris des pixels voisins.

 Machine à Vecteurs de Support

Le principe des machines à vecteurs de support (en anglais Support Vector Machine ou SVM)
est de trouver un classificateur qui va séparer les données et maximiser la distance entre ces deux
classes [A.Arb, 09]. Ce séparateur est appelé hyperplan et les points de caractéristiques les plus
proches de celui-ci définissent des plans appelés vecteur de support. Pour obtenir une segmentation
robuste, il faut maximiser la marge : la distance entre l’hyperplan et les vecteurs de support.

( a) IRM d’origine
(b) Segmentation du cerveau
complet avec la tumeur
Figure Ι .10 : Segmentation par SVM

I.5.3 Forme

 Contours Actifs

Les contours actifs, ou snakes, ont été introduits par Kass en 1987 et sont toujours utilisés
aujourd’hui sous des formes plus évoluées. L’idée est de déterminer la déformation d’un contour en
minimisant une fonctionnelle énergétique qui traduit les forces appliqués aux points de contrôle du
contourC :[a , b]→ R2. La fonctionnelle associée au snake en 2D est :

b
E ( C ( p ) ) =α ∫ E b b ¿
a ∫ ¿ (C ( p)) dp +β ∫ E don( C ( p) ) dp+ λ∫ Econ ( C ( p )) dp
a a

Avec α , β et λ des constantes positives.

13
 Segmentation des images médicales Chapitre I

E∫ ¿¿ est une contrainte de régularisation pour obtenir un contour lisse, Edon est le terme d’attache

aux données qui dépend du gradient de l’image et Econ exprime des contraintes externes définies en
lien avec l’application et favorisent un type de déformation donnée.

Figure Ι .11: Segmentation par les contours actifs

I.5.4 Théorie des Graphes

Dans les approches utilisant la théorie des graphes, l’idée directrice est de créer un graphe à
partir de l’image selon des procédés assez simples et de travailler sur ces graphes, un travail
relativement important sera de valuer les arêtes puisque ce sont elles qui permettront de donner les
caractéristiques de l’image à notre graphe.

Nous verrons une méthode qui utilise les hypergraphes (une famille de graphe aux
caractéristiques insolites).

Les hypergraphes, introduit par Claude Berge en 1969 généralisent la notion de graphe dans
le sens où les arêtes ne relient plus un ou deux sommets.
Soient V ={v 1 , v 2 ,. . . , v n } un ensemble, E={E1 , E2 ,. . . , E m } une famille de parties deV , avec

(m , n) ∈ N ¿2 deux entiers non nuls. Un hypergraphe H est un couple (V , E) tel que :

∀ i ∈ ( [ 1 , m ] ∩ N ) Ei ≠ ∅
{ ¿ i=1
¿
m E i ⊆V ¿

Un apport intéressant pour le traitement d’image est la notion d’hypergraphe de voisinage.

Dans cet hypergraphe, les sommets sont les pixels de l’image et les hyper-arêtes relient les pixels
voisins.

14
 Segmentation des images médicales Chapitre I

Figure Ι .12: Exemple d’hypergraphe

I.5.5 Approches Structurelles

I.5.5.1 Gradient Morphologique

La morphologie mathématique, introduite par Matheron et Serra, nous donne un cadre

intéressant pour l’approche contour de la segmentation.

La différence symétrique entre l’image dilatée et érodée par le même élément structurant de
taille unitaire donne le gradient morphologique qui est un opérateur de détection de contour et qui
peut se résumer par l’équation :
grad 1 B (X )=δ 1 B ( X )/ε 1 B ( X)

Figure Ι .13:
Segmentation par gradient morphologique

Cette détection de contour par gradient morphologique est utilisée conjointement avec une
ligne de partage des eaux pour la détection de tumeur sur des mammographies. Comme elle a été
proposée pour une segmentation de tumeur cérébrale basée sur le gradient morphologique et une
étape de croissance et fusion de régions.

I.5.5.2 Ligne de Partage des Eaux

La ligne de partage des eaux est l'outil de segmentation par excellence en morphologie
mathématique. Cette transformation se définit par rapport à un processus le plus connu qui est
l'inondation. Le chapitre 3 détaille plus amplement le principe de la LPE et met en avant les
récentes avancées. Cette technique est souvent associée à une méthode de fusion de régions
puisqu’elle donne une sur-segmentation de l’image.

15
 Segmentation des images médicales Chapitre I

I.6 Conclusion

Dans ce chapitre, nous avons présenté un panorama succinct des notions fondamentales du
domaine de la segmentation des images ; notamment celles en usage médical ; on a exposé un état
de l’art des différentes techniques existantes, classées selon leurs approches.

Il n’y a pas de règles générales permettant de choisir une méthode particulière de

segmentation pour un problème donné ; choisir l’une ou l’autre dépend des images.

Dans le prochain chapitre, nous introduirons la morphologie mathématique qui est un outil
puissant et très répandu pour le traitement d’image, et ainsi son rapport direct avec la segmentation
en ligne de partage des eaux.

16