Académique Documents
Professionnel Documents
Culture Documents
Chapitre I
2
Segmentation des images médicales Chapitre I
Introduction
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.
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]:
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
4
Segmentation des images médicales Chapitre I
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, …)
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.
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].
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
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].
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.
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.
Harmoniques Sphériques 8
Ondelettess
Level Set Géodésiqueee
Segmentation desd’Atlas
Recalage images médicales Chapitre I
Discrète
Espace Echelle
Approches StructurellesGradient Morphologique
Contour
Modèles Dérivatifs
SEGMENTATION
Graph Cuts
Mean Shift
Classification Probabiliste
Hypergraphes
Non-Paramétrique
Supervisée Mélange de Lois
K-Moyennes
9
Segmentation des images médicales Chapitre I
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
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).
Valeurs Poids
Fonction d’activation
Somme pondérée
10
Activation
.
. .
. . Seuil
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):
3-les données sont affectées au groupe dont le centre leur est plus proche
4-Retour à l’étape 2
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
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
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.
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
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.
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
∀ i ∈ ( [ 1 , m ] ∩ N ) Ei ≠ ∅
{ ¿ i=1
¿
m E i ⊆V ¿
14
Segmentation des images médicales Chapitre I
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.
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.
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