Vous êtes sur la page 1sur 179

République Algérienne Démocratique et Populaire

‫وزارة التعـــلــيــــم العـــالـــــــي والبـــحــــــث الـعـلــمـــــــي‬


Ministère de l’Enseignement Supérieur et de la Recherche Scientifeuqi
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE d’ORAN Mohamed Boudiaf

Logo du Laboratoire

Faculté des Mathématiques et d’Informatique


Département de l’informatique
Spécialité : Informatique Option :Imagerie,Vision Artificielle et
Robotique Médicale

MEMOIRE
Présenté par

Bahraoui Zeyneb
Pour l'obtention du diplôme de Magister en informatique
Thème

La réalisation d’un système d’aide au diagnostic par analyse d’images


échocardiographiques

SOUTENU LE (DATE, HEURE, LIEU).


Devant la commission d'examen composée de :

Qualité Nom et Prénoms Grade Etb d'origine

Président Mr Benyettou . A Professeur ………………..


Rapporteur Mr.Djebbar .B professeur ………………..
Examinateur Mlle. Benamrane .N Professeur. ………………..
Examinateur Mme. Belbachir professeur ………………..

Le public est cordialement invité

Année universitaire : 2013/2014


Dédicaces

Je dédie cette thèse à mes très chers parents pour leurs soutiens et leurs
sacrifices, à mes parents pour lesquels j’éprouve un grand amour et un
profond respect que je tiens à leurs exprimer ici, de la manière la plus
humble.

Je dédie aussi ce modeste travail à mon mari sami , et à mon adorable


fille Kawtar Anfel

J’exprime aussi mes remerciements à toute ma famille et à mes amis pour


leur soutien moral très précieux et inestimable.

Je ne pourrais pas citer toutes les personnes que je voudrais remercier ici
, mais j’espère qu’elles se reconnaîtront
Remerciments

Ce travail a été réalisé au sein du laboratoire de recherche en mathématiques


et d’informatique de l’université des sciences et de la technologie Mohammed
Boudiaf , USTO-MB .

Je remercie Allah le tout puissant, qui m’a donné la force et la patience pour
L’accomplissement de ce travail.

Durant cette thèse, j’ai été encadré par Mr Djebbar Bachir . Sa compétence , sa
grande rigueur scientifique et ses conseils judicieux m’ont été très précieux .
Qu’il trouve ici l’expression de ma profonde gratitude. Je le remercie vivement
de m’avoir accordé sa confiance en me permettant d’y effectuer ma thèse de
magistère sur un sujet passionnant. Je le remercie également d’avoir accepté la
lourde tâche de rapporteur et d’avoir consacré un temps précieux à l’examen de
ce manuscrit . La qualité et la précision de ses remarques m’ont été très
précieuses.

Je tiens à remercier les membres du jury qui me font L’honneur de juger mon
travail .

Je remercie vivement Madame Nacéra Benamrane d’avoir accepté la tâche


d’examiner , la précision de leurs remarques m’ont permis d’améliorer ce
manuscrit .

Je remercie aussi Monsieur Benyettou Abdelkader pour avoir accepté


d’examiner cette thèse et de présider et participer à ce jury.

Je remercie aussi Madame Belbachir pour avoir accepté d’examiner cette


thèse et de participer à ce jury.

Un clin d’œil à tous les collègues du laboratoire des mathématiques et


d’informatique, je ne cite pas de nom, de peur d’en oublier .

iii
Finalement, mes remerciement vont à toute personne ayant contribué de près
ou de loin à l’aboutissement de ce modeste travail .

iii
TABLE DES MATIERES

Remerciements III…………………………………....……………………..…iii
Table des matières IV...………………………………………………………..iv
Liste des Figures VI…………………………………………………………...vii
Liste des Tableaux VIII...…………………………………………………….viii
Introduction Générale……...…………………………………………………...v

Chapitre I : Généralités sur l’imagerie échocardiographique……….1

I. Introduction……………………………………………………..……………2
II. Histoire de l’imagerie médicale………………………………………………..2
III . L’imagerie médicale…………………………………………………………...3
III.1 Les modalités d’imagerie médicale…………………………………………. 6
III.2 Les modalités en utilisant les rayons X……………………………………...6
III.2.1 La radiographie……………………………………………………………...6
III.2.2 La tomodensitométrie ( TDM ) …………………………………………….7
III.3 Les modalités sans utilisation des rayons X…………………………………..7
III.3.1 L’Echographie « L’imagerie ultrasonore » ……………………………...7
III.3.1.1 Définition et principe de l’échographie………………………………..8
III.3.1.2 Propriétés physiques des ultrasons……………………………………..9
III.3.1.2.1 L’amplitude de l’onde…………………………………………...….10
III.3.1.2.2 L’intensité de l’onde ………………………………………………..10
III.3.1.3 La formation de l’image ultrasonore………………………..…………11
III.3.1.3.1 La réflexion………………………………………………………...11
III.3.1.3.2 La réfraction………………………………………………………...11
III.3.1.3.3 Réflexion diffuse, dispersion………………………………………..12
III.3.1.4 Caractéristiques d’une image ultrasonore……………………………..12
III.3.1.4.1 La résolution de l’image et la réponse impulsionel………………..12
III.3.1.4.1.1 La résolution axiale………………………...................................12
III.3.1.4.1.2 La résolution angulaire…………………………………………..13
III.3.1.4.1.3 Réponse impulsionnelle d’un système d’imagerie ultrasonore….13
III.3.1.4.2 Statistiques d’ordre 1………………………………………………..13
III.3.1.4.2.1 Modèle de Rayleigh…………………………………………..….13
III.3.1.4.2.2 Modèle de Rice…………………………………………………..14
III.3.1.4.2.3 Modèle des K-distributions……………………………………...14
III.3.1.4.3 L’atténuation du signal………………………….……......................15
IV. Applications actuelles de l’ultrason dans la médecine………………………..15
V. Les avantages de l’imagerie ultrasonore………………………………….…..16

VI. Echocardiographie…………………………………………………….….…...16

iv
VI.1 Définition……………………………………………………………...........16

VI.2 Anatomie et physiologie du cœur…………………………………..………17

VI.2.1 Anatomie……………………………………………………………….. 17

VI.2.2 Les vues standards du cœur en échographie…………………………….17


VII. Conclusion…………………………………………………………………..20

Chapitre II : Traitement des images médicales……………..…………..21

I. Introduction………………………………………………………………...……. 22
II. Les origines du speckle…………………………………………………………..22
II.1 La source du speckle……………………………………………………....… 22
II.2 Définition d’un speckle…………………………………………………………23
II.3 Propriétés du speckle………………………………………………………….. 23
II.3.1 Les coefficients de variation………………………………………………..24
II.3.2 Les filtres adaptatifs classiques…………………………………………….24
II.3.2.1 Le filtre de Lee…………………………………………………………25
II.3.2.2 Le filtre de Kuan……………………………………………………….26
II.3.2.3 Le filtre de Frost…………………………………………………….….26
II.3.3 Les filtres homomorphiques……………………………………………….26
III Le filtrage du speckle dans les images ultrasons………………………….…….26
III.1 Les filtres Médian…………………………………………………………….27
III.2 La déconvolution homomorphiques………………………………………….27
III.3 Composition d’images………………………………………………………..27
III.3.1 Composition spatiale……………………………………………………....27
III.3.2 Composition temporelle…………………………………………………...27
III.4 Diffusion anisotrope…………………………………………………………28
III.4.1 Le filtre de Perona et Malik……………………………………..…………28
III.5 Transformée en ondelette…………………………………………………….29
IV. La segmentation des images médicales…………………………………...……29
IV.1 Introduction………………………………………………………..………..29
IV.2 Principe de la segmentation…………………………………………………29
IV. 3 Différentes approches de la segmentation ……………………………..……30
IV.3.1 Approche région…………………………………………………………...31
IV.3.1.1 Descente pyramidale « Quadtree » …………………………………..32
IV.3.2 Approche contour………………………………………………………….33
IV.3.2.1 Espace Echelle…………………………………………………………33
IV.3.2.2 Modèles dérivatifs……………………………………………………...33
V . La segmentation dans l’image médicale…………………………………………34
V.1. Les méthodes globales……………………………………………………….35
V.1.1. Les méthodes de classification……………………………….....................35
V.1.1.1. Le seuillage……………………………………………………………..35
V.1.1.2. Classification supervisée et agrégation de pixels………………………36
V.1.2. Les méthodes structurales…………………………………………………36
V.1.2.1 La croissance de région………………………………………………...36

iv
V.1.2.2 La division-fusion ( Split and Merge ) ………………………………...37
V.2.2.2.1 Segmentation par fusion de régions………………………………...38
V.2.2.2.2 Segmentation par division de régions………………………………38
V.2.2.2.3 Segmentation par fusion et division de régions……………..………38
V.2. Les méthodes locales………………………………………………………...39
V.2.1. Les méthodes dérivatives………………………………………………….39
V.2.1.1 Opérateur de Sobel et Prewitt…………………………………………..39
V.2.1.1.1 Le masque de Sobel…………………………………………………...39
V.2.1.1.2 Le masque de Prewitt…………………………………………………39
V.2.1.2 Opérateur de Roberts……………………………………………………39
V.2.1.3 Opérateur de Kirsh……………………………………………………...40
V.2.1.4 Opérateurs de second ordre……………………………………………..41
V.2.1.5 Filtrage Optimal………………………………………………………...41
V.2.2. La morphologie mathématique…………………………………………….41
V.2.2.1 Le gradient morphologique………………………………………….….42
V.2.2.2 Le chapeau haut-de –forme……………………………………………..42
V.2.2.3 Le Laplacien…………………………………………………………….42
V.2.2.4 La ligne de partage des eaux………………………………………..…..43
V.3. Les méthodes variationnelle………………………………………...……….44
VI. Conclusion………………….…………………………………………….……45

Chapitre III : Etat de l’art des méthodes de segmentation par


contours actifs…………………………………………………………………….46

Partie I……………………………………………………………………………..47
I. Introduction……………………………………………………........................ 47
II. Principe de la segmentation variationnelle………………………………..……47
II.1 Définition et principe de fonctionnement des contours actifs…………...… 48
II.2 Les représentations paramétrique et implicite du contour actif……………...49
II.2.1. Une représentation paramétrique………………………………………... 49
II.2.2. Une représentation cartésienne ou implicite……………………………...50
II.3. Energies……………………………………………………………………..50
II.3.1 Calcul d’énergie………………………………………………………...…50
II.3.2 Energie interne…………………………………………………………….50
II.3.3 Energie externe « Energie de l’image »…………………………………..51
II.3.3.1 Gradient……………………...………………………………………...51
II.3.3.2 Intensité………………………………………………………………..52
II.3.3.3 Champ de flux de vecteurs gradients (GVF) ………………………….52
II.3.4. Energie de contexte………………………………………………………53
II.4 Minimisation de l’énergie……………………………………………………53
II.5 Avantages et limite des contours actifs……………………………………...54
II.5.1 Avantages…………………………………………………………………54
II.5.2 Limites ou faiblesses……………………………………………………...54
III . La méthode des B-Snake……………………………………………………..55
III.1 Les B-Spline Snake pour la segmentation d’images………………………...55
III.1.1 Interpolation des courbes par B-splines………………………………….56
III.1.1.1 Principe des Splines…………………………………………………..56
III.1.1.2 Les splines d’interpolation et d’approximation……………………….56

iv
III.2. Les B-Splines………………………………………………………………57
III.3 Les B-Splines dans le contexte des Snakes………………………………….58
IV . L’algorithme Greedy (Glouton ) ……………………………………………...58
IV.1 Contour actif et l’algorithme greedy………………………………………...59
IV.2 Principe de l’algorithme……………………………………………………..59
IV.3 L’algorithme Greedy………………………………………………………...59
IV.4 Caractéristiques des algorithmes gloutons…………………………………..60
IV.5 Exemples classiques……………………………………...………………….60
IV.5.1 Les pièces de monnaie………………………………….……………….61
IV.5.2 Un raisonnement type…………………………………………...………61

Partie II…………………………………….……………………………………….62
I. Introduction…………………………………………………………….…...62
II. Travaux antécédents………………………………………………………...62
II.1 Segmentation d’images à Base de modèles déformables……………..……63
II.2 Segmentation d'images échocardiographiques acquises en "US tagging" par
ensembles de niveaux contraints par a priori de mouvement………………………...65
II.3 Filtrage anisotrope robuste et segmentation par B-spline snake : application
aux images échographiques……………………………………………………….…66
II.4 Ensembles de niveaux robustes au speckle et recalage B-spline: application à
la segmentation et l'analyse du mouvement cardiaque par des images ultrason……..67
II.5 Une comparaison des approches de réduction du speckle dans les images
échographiques médicales…………………………………………………………...69
II.6 Contours actifs implicites pour la segmentation d’images médicale………72
II.7 Comparaison de deux méthodes de segmentation par contours actifs : les
snakes et les level sets pour la segmentation d’IRM de hanche……...........................75
II.8 Contours Actifs Basés Sur Trois Energies : Détection Des Cavités
Cardiaques……………………………………………………………………………81
II.9 Segmentation d'images écho cardiographiques par contours actifs
implicites Exploitation de descripteurs statistiques de
régions………………………………….81
II.10 Robust B-Spline Snakes for Ultrasound Image Segmentation……………..83
II.11 Segmentation d’images médicales IRM par les ensembles de niveaux……85
II.12 Object Boundary Extraction Using Active B-Snake Model………………..87
III. Conclusion…………………………………………………………………89

Chapitre IV : Conception et Réalisation…………………………………90


I. Introduction……………………………………………………………..………90
II. Les filtres utilisés pour le prétraitement………………………………..………90
II.1 Le filtre moyen………………………………………………………………91
II.2 Le filtre Médian…………………………………………………...…………91
II.3 Le filtrage du Speckle………………………………………….…………….92
II.3.1 Le filtre anisotrope……………………………………………...……… .92
II.3.1.1 Le principe de Perona et Malik………………………………….…… 93
III . Segmentation par les contours actifs……………………………………...…... 94

iv
III.1. Prétraitement……………………………………..…………………………. 95
III.1.1 Mesures de qualité de filtrage……………………………………………95
III.1.1.1 La mesure de PSNR ( Peak-Signal-to-Noise-Ratio )…………………96
III.1.1.2 L’erreur sur détection…………………………………………………96
III.2. Segmentation par contour actif…………..…………………………………...97
III.2.1 Segmentation par B-Spline Snake………………………………………..97
III.2.1.1 Initialisation du contour.. …………………………………..……...…99
III.2.1.2 Evolution et déformation du contour initiale …………………….....100
III.2.1.2.1 Calcul des énergies……………………………………..……..….100
III.2.1.2.2 Minimisation de la fonctionnelle d’énergie globale……………...101
III.2.1.2.3 La reconstruction de snake par l’interpolation par les B-snake
cubique……………………………………………………………………………...101
IV. Segmentation par les level set……………………………………………...…101
V. L’implémentation de l’algorithme glouton « Greedy » ………………..……103
V.1 Caractéristiques des résultats des méthodes implémentées………..…….…..104
VI . Présentation et spécification de l’application ……………………….………105
VI.1 Implémentation du logiciel …………………………………………….…..105
VI.1.1 Ressources matériels……………………………………………………..106
VI.1.2 Environnement de programmation……………………………………….106
VI.2 Présentation de l’environnement et de l’interface graphique ………….…...107
VI.3 Structure de l’application……………………………..…………………….108
VI.3.1 Structure classe image……………………………………..……………..108
VI.3.2 Structure Classe Filtrage……………………………………..………..…109
VI.3.3 Classe Segmenter……………………………………………..………….109
VI.3.4 Class Opération……………………………………………..…………....110
VII . Conclusion…………………………………………………………………....110

Chapitre V : Tests et résultats ……………………...………………………111


I. Introduction………………………………………………………..……112
II. Prétraitement des images……………………………………….……… 112
II.1 Premier exemple du filtre de diffusion anisotrope………………….……… 114
II.1.1 Commentaires sur le filtrage anisotrope………………………….……… 116
II.2 Deuxième exemple du filtre de diffusion anisotrope……………….……….116
II.2.1 Commentaire sur le filtrage par diffusion anisotrope…………………..…118
II.3 Troisième exemple du filtrage………………………………………….……118
II.3.1 Commentaires des résultats du filtrage du troisième exemple……………120
II.4 Quatrième exemple du filtrage sur une image de synthèse………………….120
II.4.1 Commentaires sur le filtrage d’une image de synthèse……………….....123

III . La phase de la segmentation des images par les méthodes implémentée……123

III.1. Tests et résultats de la segmentation par Level Set………………..…124

III.1.1 Tests pour les images de synthèse…………………..…………………..124


III.1.1.2 Deuxième
exemple…………………………………………………...125 III.1.1.3 Troisième
exemple……………………………………………………126

iv
III.1.1.4 Commentaires sur les résultats de la segmentation obtenue…….……127
III.1.2. Tests pour les images échographiques cardiaques………………...……127
III.1.2.1 Exemple N°1…………………………………………………………127
III.1.2.2 Exemple N°2………………………………………………………….128
III.1.2.3 Exemple N°3………………………………………………………….129

III.1.2.4 Commentaires sur les résultats de la segmentation obtenue……….…130

III.1.3. Tests pour les images échographiques………………………………….131


III.1.3.1 Exemple N° 1…………………………………………………………131
III.1.3.2 Exemple N° 2…………………………………………………………131

III.1.3.3 Exemple N° 3…………………………………………………………132

III.1.3.4 Commentaires sur les résultats de la segmentation obtenue………….133


III.2 Tests et résultats de l’implémentation de la méthode des B-Snake………...133
III.2.1 Tests sur des images de synthèse………………………………………..133
III.2.1.1 Exemple N° 1………………………………………………………...134

III.2.1.2 Exemple N°2……………………………………………………...…136

III.2.1.3 Exemple N°3…………………………………………………………136

III.2.1.4 Exemple N°4………………………………………………………...137

III.2.1.5 Commentaires sur les résultats de la segmentation obtenue……….…138


III.2.2 Tests sur des images échographiques cardiaques………………………..138
III.2.2.1 Exemple N° 1………………………………………………………...138
III.2.2.2 Exemple N° 2………………………………………………………...139
III.2.2.3 Commentaires sur les résultats de la segmentation par B-snake……...140
III.3. Tests et résultats de l’implémentation de l’algorithme Greedy…………….140
III.3.1 Résultats de l’implémentation de l’algorithme Greedy sur des images de
synthèse……………………………………………………………………………..140
III.3.1.1 Exemple N°1………………………………………………………….140
III.3.1.2 Exemple N°2………………………………………………………….141
III.3.1.3 Exemple N° 3…………………………………………………………142
III.3.1.4 Exemple N°4……………………………………………………….....142

III.3.1.5 Commentaires et discussions des résultats……………………………143


III.3.2 Résultats sur des images échographiques cardiaques……………………143
III.3.2.1 Exemple N°1……………………………………………………….…143
III.3.2.2 Commentaires et discussions sur les résultats………………………...144
III.3.3 Résultats de la segmentation par l’algorithme Greedy sur des images
échographiques……………………………………………………………………...144
III.3.3.1 Exemple N°1………………………………………………….………144
III.3.3.2 Exemple N°2…………………………………………………….……145

iv
IV. La comparaison des méthodes de segmentation par contours actifs
implémentées…………………………………………………………………….…146
IV.1 Les mesure de comparaison entre les méthodes implémentées…………....146
IV.1.1 La mesure de LIU et YANG……………………………………………..146
IV.1.2 La mesure de BORSOTTI………………………………………………..147
IV.3 Discussion des résultats………………………………………………….…149
V .Conclusion……………………………………………………………..……….149

Conclusion générale et perspectives……………………………………………..151

Références bibliographiques……….…….…………………………………........154

iv
LISTE DES FIGURES

Chapitre I : Généralités sur l’imagerie écho-cardiographique

Figure I.1 Les données physiques peuvent apporter plusieurs sources d'informations.
……………………………………………………………………….………………...4

Figure I.2 L’utilité de L'imagerie médicale dans la quasi-totalité des étapes


médicales………………………………………………………………………………5

Figure I.3 Traitement des images médicales par ordinateur……………………..…6

Figure I.4 Exemple d’une radiographie………………………………………….…7

Figure I.5 La technique de l’imagerie TDM………………………………….……7

Figure I.6 Mesure automatique du crane d’un fœtus Echographie……..…………8

Figure I.7 Principe de l’échographie…………………………………………….…9

Figure I.8 Echographie d’un fœtus…………………………………………………9

FigureI.9 Onde sinusoïdale de longueur d’onde = 220μm……………………10

Figure I.10 Principe de l’étape d’une réflexion………………………………….…11

Figure I.11. La résolution axiale d’une image écho………………………...………12

Figure I.12. Réponse impulsionnelle d’une sonde linéaire à 3 MHz…………….…13

Figure I.13 Le modèle d’une distribution de Rice en utilisant la fonction de


distribution de Rice pour différents valeurs du rapport k………………………….…14
Figure I.14. Anatomie du cœur …………………………………………………….17

Figure I.15. Les cavités cardiaques se séparent en deux cœurs (droit et gauche)…..18

Figure I.16. Les vues parasternales (a) Long axe , (b) petit axe ………..……….…19

Chapitre II : Traitement des images médicales

Figure II. 1 Exemple d’un filtre médian appliqué à l’image LENA……………….27

vii
Figure II .2 Exemple de segmentation d’une image………………………………...29

Figure II.3 Approche région………………………………………………………..32

Figure II.4. Exemple d’une segmentation par quadtree…….………………………33

Figure II.5 Approche contour…………………………… ………………………...33

Figure II.6. Modèles de contours…………………………………………………...34

Figure II.7 Résultat du seuillage sur une image IRM………………………………36

Figure II.8 Exemple d’une segmentation par croissance de région……………..…37

Figure II.9. Illustration du concept pyramidal de l'image pour la segmentation par


fusion et divison de régions……………………………………………..……………38

Figure II.10. Masques de convolution………………………………………..………39

Figure II.11. Détection des contours par un filtre de Sobel…….………….……...…40

Figure II.12. Filtre Laplacien Gaussien sur une vue transversal d'un cerveau humain
imagé en IRM. ……………………………………………………………………….41

Figure II.13. Exemple d’application de la morphologie mathématique sur une


image…………………………………………………………………………………42

Figure II.14. Méthode des lignes de partage des eaux………...……………….…...44

Chapitre III : Etat de l’art des méthodes de segmentation par contours


actifs
Figure III.1 Principe des contours actif………………………………………….49

Figure III.2 Propagation d’une courbe avec une vitesse F dans sa direction
normale……………………………………………………………………………….52

Figure III.3. Schéma de la structure d’un segment de Spline…………………...57

Figure III.4.a Les deux représentations mathématiques des modèles déformables.64

Figure III.4.b Les limites de GVF…………………………………………………64

vii
Figure III.4.c. Une segmentation avec une courbe initialisée de façon à englober tous
les objets de l’image, pour μ = , et nombre itération = 60…….............65

Figure III.4.d Une segmentation avec une courbe initialisée de façon à ne pas
englober tous les objets de l’image, pour μ = , et nombre itération est
égale à 60...............................................................................................................65

Figure III.3.a. Processus global de segmentation par la méthode des B-Spline


Snake…………………………………………………………………………………67

Figure III.4.1. Segmentation basée sur la méthode proposée……...……….………68

Figure III.5.1. Le filtre wavelet…………………………………………………….70

Figure III.6.1. Application de notre méthode sur une image synthétique et deux
images réelles………………………………………………………………………...73

Figure III.6.2. Application de la méthode sur l’image de la rétine (2000


itérations)……………………………………………………………………………..73

Figure III.6.3. Comparaison de notre méthode avec celle de Chan&Vese………..74

Figure III.8.1. (a) GVF et centres de divergences de l’image « room »…………...80

Figure III.8.2. Génération du S-GVF et des centres de divergences sur une image
synthétique…………………………………………………………………………...81

Figure III.8.3. Les résultats présentés confirmaient le potentiel de la méthode de B-


Spline…………………………………………………………………………………81

Figure III.9.1. Evolution d'un contour actif sur une image de synthèse simulant deux
régions K-distribuées………………...…………………………………………….…83

Figure III.9.2. Evolution d'un contour actif sur une image réelle vue apicale quatre
chambres………………………………………………………………………...……83

Figure III.10.1. Résultats par le B-spline snake proposé pour différents des différents
nombres de nœuds et de paramètres………………………………………………….85

Figure III.11.1. Filtre médian suivi d’un filtre Gaussien (σ =1)…………….……87

Figure III.11.2. Segmentation par la méthode Level-Set pour n = 2………………..87

vii
Figure III.12.1. Les résultats d’extraction pour différents images IRM de cerveau
utilisant le modèle de B-snake actif (ABM) ……………………………….………..88

Chapitre IV : Conception et Réalisation

Figure IV.1. Un bruit impulsionnel traité par un filtre Médian……………….…92

Figure IV.2. Filtrage par Diffusion Anisotrope : image originale bruitée ( à gauche
) et deux filtrages par 15 et 80 Itérations avec k=25……….………………………...93

Figure IV.3. L’implémentation du filtre de Perona et Malik (EDP de Perona et


Malik) ………………………………………………………………………………..93

Figure IV.4. Organigramme de conception de la segmentation par les contours


actifs en générale………………………………………………………………….….94

Figure IV.5. Interface graphique de la segmentation par B-Snake ( Initialisation


automatique ) ………………………………………………………………….…..…98

Figure IV.6. Interface graphique de la segmentation par B-Snake ( Initialisation


manuelle )…………………………………………………………………………....99

Figure IV.7. Une initialisation automatique d’une image simple de synthèse.…99

Figure IV.8. Une initialisation manuelle d’une image simple de synthèse…...100

Figure IV.9. Interface graphique de la segmentation par Level Set…………...103

Figure IV.10. Interface graphique de la segmentation par l’algorithme


Greedy……………………………………………………………………………....104

Figure IV.12. Interface graphique de notre environnement………………….…108

Figure IV.11. Interface graphique des différentes caractéristiques des méthodes


implémentées………………………………………………………………………..105

Chapitre V : Tests et Résultats

Figure V.1. Résultats du filtrage par diffusion anisotropique d’une image


échocardiographique ………………………………………………......…………...115

Figure V.2 . Histogramme des valeurs du PSNR du filtrage de diffusion anisotrope


d’une une image échographique cardiaque…………………………………...……116

vii
Figure V.3. Résultats du filtrage par diffusion anisotropique d’une image simple
pour différentes valeurs de paramètres……………………...………………...…….117

Figure V.4 . Histogramme des valeurs du PSNR du filtrage de diffusion anisotrope


d’une image simple de synthèse…………………………………………………….118

Figure V.5. Résultats des différents filtres sur une même image échographique
cardiaque……………………………………………………………………………119

Figure V.6. Histogramme des valeurs du PSNR du filtre des différents filtres sur
une image simple de synthèse………………………………………………………120

Figure V.7 Résultats des différents filtres sur une image de synthèse…..……122

Figure V.8 Histogramme des valeurs du PSNR des différents appliqués sur une
image de synthèse…………………………………………………………………...123
Figure V.9 Résultats de la segmentation des images de synthèse par les Level
Set……………………………………………………...…………………………....126
Figure V.10 Résultats de la segmentation des images échographiques cardiaques
par la méthode des Level Set ……………………………………………………….130

Figure V.11 Résultats de la segmentation des images échographiques par Level Set
……………………………………………………………………………………....132

Figure V.12 Résultats de la segmentation des images de synthèse par la méthode


des B-Snacke………………………………………………………………………..137

Figure V.13 Résultats de la segmentation des images échographiques cardiaques


par la méthode des B-Snake………………………………………………….……..139

Figure V.14 Résultats de la segmentation des images de synthèse par l’algorithme


Greedy …………………………………………………………………….……….142

Figure V.15 Résultats de la segmentation des images écho-cardiographiques par


l’algorithme Greedy …. …………………………………………….............……...143

Figure V.16 Résultats de la segmentation des images échographiques par


l’algorithme Greedy…………………………………………………………….......145

vii
LISTE DES TABLEAUX

Chapitre I : Généralités sur l’imagerie écho-cardiographique


Tableau I.1 Valeurs du coefficient de transmission énergétique des ondes
acoustiques T pour quelques exemples d’interfaces rencontrées en imagerie médicale
ultrasonore……………………………………………………………………………15

Chapitre II : Traitement des images médicales

Chapitre III : Etat de l’art des méthodes de segmentation par contours


actifs

Tableau III.6.1 CPU time (en second) pour les deux méthodes de segmentation
pour les images de la figure 6 dans l’ordre…………………….…………………….74

Tableau III.7.1. Equation des différents paramètres caractérisant notre Level


Set…………………………………………………………………………………….76

Tableau III.7.2. Pourcentage d’erreur par rapport à la mesure de surface de


référence………………………………………………………………………….......77

Tableau III.7.3. Le pourcentage d’erreur par rapport à la mesure de surface de


référence. Avec pour les level sets, l’utilisation de 3 critères d’arrêt différents……..77

Tableau III.7.4. Mesure d’efficacité des phases 2 et 3, analyse subjective des deux
méthodes………………………………………………………………………...……77

Table III.10.1. Résultats des paramètres………………………...………….….84

Chapitre IV : Conception et Réalisation

viii
Chapitre V : Tests et Résultats
Tableau V.1 Tableau récapitulatif des différents paramètres du filtre de diffusion
anisotropique…………………………………….................................................….112

Tableau V.2 Résultats du PSNR pour les trois types de fonctions de la diffusion
anisotrope…………………………………………………………………...……....113

Tableau V.3 Résultats des valeurs du PSNR de la diffusion anisotrope d’une


même image de synthèse pour trois types de fonctions de diffusion…………..…..117

Tableau V.4 Statistiques des résultats de chaque filtre sur une image
échographique cardiaque…………………………………………………………....119

Tableau V.5 Statistiques des résultats de chaque filtre sur une image de
synthèse……………………………………………………………………………..122

Tableau V.6 Temps d’exécution de la segmentation des images de synthèse par


les Level Set ……..…………………………………………………………..….….127

Tableau V.7 Temps d’exécution de la segmentation des images échographiques


cardiaques par les Level Set …………….………………………………………….130

Tableau V.8 Temps d’exécution de la segmentation des images échographiques


par les Level Set …………...…………….……………………….………………..133

Tableau V.9 Temps d’exécution de la segmentation des images de synthèse par


B-snake ………………………………………………….……………………….…140

Tableau V.10 Temps d’exécution de la segmentation des images échographiques


cardiaques par B-snake …………….………………………….……………………138

Tableau V.11 Temps d’exécution de la segmentation des images de synthèse par


l’algorithme Greedy ….………………………...…………………....……………..142

Tableau V.12 Temps d’exécution de la segmentation des images échographiques


cardiaques par l’algorithme Greedy…………………………...…………………...144

Tableau V.13 Temps d’exécution de la segmentation par Greedy sur des images
échographiques……………………………………………………………………...146

viii
Tableau V.14 Valeurs des mesures d’évaluation des méthodes étudiées pour une
image de synthèse…………………………………………………………...…...…148

Tableau V.15 Valeurs des mesures d’évaluation des méthodes étudiées pour une
image échographique cardiaque……………………………………………...……..148

Tableau V.16 Tableau récapitulatif des résultats des trois méthodes


étudiées……………………………………………………………………………...148

viii
Introduction générale

Le développement informatique a fortement contribué à l’essor du traitement et de


l’analyse des images . Les applications liées à l’image sont omniprésentes en imagerie
médicale, robotique, vidéo surveillance, indexation, analyse, reconnaissance de
formes, etc... L’extraction d’objets d’intérêt, également désignée par le terme de
segmentation, est un traitement fondamental pour la plupart des applications. La
grande quantité de données impose de restreindre au maximum l’intervention
humaine, voire de rendre les traitements complètement automatiques. Cette thèse se
propose d’approfondir une méthode particulière du traitement d’image la
segmentation par les level Set . Le contexte dans lequel sont menées les recherches est
étroitement lié à l’imagerie du vivant.

L'imagerie médicale constitue aujourd'hui un outil extraordinaire d'aide au


diagnostic. Les modalités d'acquisition de l'information « image » sont nombreuses et
variées , et l'imagerie ultrasonore occupe une part importante et constitue la modalité
principale dans certains domaines d'application , dans le fait qu’elle possède
l'avantage d'être non invasive, très pratique et simple d'utilisation. Par ailleurs, la
rapidité d'obtention des images ( Temps Réel ) fait de l'imagerie ultrasonore une
modalité d'image très intéressante pour la visualisation et le diagnostic des organes et
des tissus en mouvement aussi. Elle est particulièrement bien adaptée à l'étude du
cœur ( échographie cardiaque ) .

Le but de notre travail est de réaliser un système d’aide au diagnostic, qui va aider le
médecin à établir son diagnostic pour bien arriver à l’évaluation de l’état de la
maladie du patient, tout en développent une méthode de segmentation spécifique pour
les images échocardiographique , parce que Le but de ces recherches n’est pas
forcément d’améliorer la qualité visuelle de l’image affichée à l’écran de
l’échographe, à laquelle le praticien est habitué et qu’il interprète correctement. Il
s’agit surtout d’extraire des informations pertinentes sur l’état des tissus explorés
pour le diagnostic, ou encore de rendre plus simple les tâches courantes du médecin.

Pour cela on a tenté d’implémenter des méthodes existantes dans la littérature , ces
méthodes se base sur une approche très connu et populaire , et qui est toujours en
cours de développement , c’est les méthodes des contours actifs avec leurs différentes
représentations pour la raison de voir la validité et le succès de ces méthodes , et de
voir en plus de cela quelle méthode est la meilleur pour la segmentation des images
échographiques cardiaques .

v
Chapitre I

Généralités sur l’imagerie


échographique cardiaque

1
I. Introduction

La technologie d’imagerie Non-Invasive a changé le visage de la médecine au 20ème


siècle. L’imagerie médicale a commencé avec la découverte de Roentgen du Rayon-X en
1895 et s’est poursuivie avec les diverses technologies de l’imagerie tridimensionnelles (3D)
telles que la tomographie assistée par ordinateur (CT), la résonance magnétique (IRM),
l’échographie (US), la tomographie d’émission de position, la tomographie calculée
d’émission simple de photon , et une foule entière d’autres acronymes.

L’imagerie médicale est un domaine actuellement en pleine expansion, puisqu’elle a vu


l’irruption de la machine. Le médecin demeure lecteur et arbitre, mais c’est l’informatique qui
révèle l’anatomie. Ces récentes découvertes permettent non seulement un meilleur diagnostic
mais offrent aussi de nouveaux espoirs de traitement pour de nombreuses maladies, comme le
cancer et l’épilepsie, c’est le procédé par lequel un médecin peut examiner l'intérieur du corps
d'un patient sans l'opérer. L'importance que revêt l'imagerie médicale tient d'abord au fait
qu'une image est un concentré d'informations bien plus efficaces qu'un texte ou qu'une
explication verbale, alors le but de l'imagerie médicale est de créer une représentation visuelle
intelligible d'une information à caractère médical.

C’est est un des domaines auxquels l’informatique apporte depuis une dizaine d’années de
véritables bouleversements. Cet apport concerne essentiellement les moyens de diagnostic
(IRM, études cinétiques….) , mais également les habitudes médicales en ce qui concerne
l’interprétation, l’archivage, la transmission et la comparaison des images obtenues par
différentes techniques. Puisque l’image médicale sera notre plate forme d’application, il est
indispensable de connaître les fondements de base de cette branche. Dans la suite de ce
chapitre , nous allons donc énumérer les techniques, les modalités et quelques applications des
images médicales

II. Histoire de l’imagerie médicale

Les ondes ultrasonores ont été utilisées depuis la première guerre mondiale pour imager des
milieux. Les premières applications en imagerie ultrasonore sont les sonars, inventés à des
fins militaires par les Français Paul Langevin et Constantin Chilowski [Net 3]. L’imagerie
médicale ultrasonore a été inventée par l’Autrichien Karl Dussik dans les années 1930. Il a été
le premier à utiliser des images échographiques pour diagnostiquer des tumeurs cérébrales .
Les premières images ultrasonores abdominales datent des années 1940 et ont été réalisées par
Georges Ludwig, autrichien lui aussi. Les Ecossais Ian Donald et Tom Brown ont mené les
premières recherches afin de discriminer les tissus sains des tissus pathologiques à l’aide

2
d’images échographiques mode A. Ils ont également mis au point les premières méthodes de
diagnostic prénatal en 1959 à l’aide d’images mode B .

Le premier échographe moderne, fonctionnant sans immersion, a été mis au point par
l’Américain Douglas Howry en 1953. Ce fut le premier échographe disposant d’un
transducteur destiné à être directement en contact avec le patient. Ce type d’échographe a été
ensuite amélioré jusqu’à l’échographe clinique actuel . En 1953 également, les Anglais
JohnWild et John Reid ont créé la première image ultrasonore pour le diagnostic du cancer du
sein. Le professeur hollandais Nicolaas Bom a créé le premier transducteur multi-éléments au
début des années 1970. La sonde était composée de vingt éléments faisant chacun 4mm par
10mm. Un ensemble de dates présentent les découvertes importantes dans le cycle :

• 1895 : Le physicien allemand Wilhelm Conrad Röntgen a découvert le principe des


rayons-X par ( prix Nobel en 1901 )

• 1915 : Propagation des ultrasons pour les SONAR (Sound Navigation Ranging).

• 1934 : Découverte de la radioactivité naturelle par Henri Becquerel, Pierre et Marie


Curie prix Nobel en 1903, puis de la radioactivité artificielle par Irène et Frédéric Joliot-
Curie prix Nobel en 1935

• 1945 : Découverte de la résonance des noyaux des atomes (résonance nucléaire) soumis à
un champ magnétique par Edward Purcell et Felix Bloch, tous deux prix Nobel en 1952

• 1955 : Première échographie de Inge Edler (1911-2001), cardiologue suédois.

• 1972 : Scanner ms au point par les radiologues britanniques Allan Mc Cornack et Godfrey
N. Hounsfield , prix Nobel en 1979

• 1973 : Première image IRM sur un animal par le chimiste américain Paul Lauterbur

• 1980 : Echographie Doppler.

• 1990 : Développement de la médecine nucléaire, avec la scintigraphie et la tomographie


par émission de positons (TEP).

III . L’imagerie médicale

L’imagerie médicale regroupe l’ensemble des techniques utilisées par la médecine pour le
diagnostic mais aussi le traitement d’un grand nombre de pathologies. Elle a révolutionné la
médecine en donnant un accès immédiat et fiable à des informations jusqu’alors « invisibles »

3
au diagnostic clinique, comme par exemple aux caractéristiques anatomiques, voire même à
certains aspects du métabolisme ( Imagerie Fonctionnelle ) des organes.

L'imagerie médicale est un ensemble des techniques permettant de visualiser une partie du
corps humain ou d’un organe et d’en conserver une image, dont l’objectif de réaliser un
diagnostic, de guider un geste thérapeutique, tel qu’une ponction, ou de suivre à moyen terme
les résultats d’un traitement [ Net 5 ] .

Elle est devenue indispensable au diagnostic d’un grand nombre de pathologies (y compris
de nombreuses maladies du système nerveux comme la sclérose en plaques ou la maladie
d’Alzheimer), l’imagerie médicale est utilisée dans un but préventif, pour le dépistage d’un
certain nombre de cancers. Elle permet aussi un suivi très précis de l’évolution d’une maladie
en offrant des comparatifs rationnels.

Concept d'imagerie médicale

Au fil du temps, la médecine humaine a constamment évoqué le besoin toujours plus


grandissant de pouvoir voir à l'intérieur du corps humain sans avoir à utiliser des techniques
dites invasives, nécessitant des opérations parfois longues et complexes. Il existe aujourd'hui
plusieurs méthodes d'imagerie médicale, dont les plus répandues sont :

 Les rayons X
 L'imagerie par résonance magnétique (IRM)
 Tomographie par ordinateur (CT scan)
 Médecine nucléaire
 Ultrasons
 Echographie
 Tomographie par émission de positrons ( PET scan )

Bien que toutes ces méthodes se distinguent par le fonctionnement et leurs capacités
d'imagerie, elles ont toutes un point en commun: elles produisent des images de tons de gris
servant essentiellement au diagnostic. En effet, les niveaux de gris sont intimement liées aux
caractéristiques physiques des tissus observés et peuvent également être reliés à des
phénomènes physiologiques typiques (œdème , lésions...)

Figure I.1. Les données physiques peuvent apporter plusieurs sources d'informations

4
Certaines méthodes d'imagerie plus récentes (IRM, échographie, médecine nucléaire)
permettent d'obtenir non pas uniquement des plans (images 2D) des tissus et des organes,
mais également des volumes (images 3D). Ces volumes sont représentés sous la forme d'une
matrice tridimensionnelle de voxels qui constituent la plus petite discrétisation visible par
l'imageur. Il est également possible, avec certaines techniques (echographie, IRM) d'observer
les déplacements en temps réel des organes, ce qui en fait parfois, par abus de langage, des
imageurs 4D. De plus en plus, l'imagerie médicale est utilisée dans toutes les étapes de la
pratique médicale, aussi bien lors du diagnostic ou de la planification de thérapie, qu'en
contrôle de la thérapie. Il est d'ailleurs très courant d'utiliser plusieurs méthodes d'imagerie
lors des différentes étapes médicales comme l'illustre la figure I.2 suivante:

Figure I.2. L’utilité de L'imagerie médicale dans la quasi totalité des étapes médicales

Bien entendu, les techniques actuelles ne sont pas sans failles, sans passer par les pour et
les contres de chacune, il est possible de dresser une liste globale des besoins toujours
grandissants en imagerie :

 Meilleure qualité d'images ( moins d'artéfacts et meilleur contraste )


 Plus grande vitesse d'acquisition ( imagerie 4D en temps réel )
 Meilleure résolution des images ( images plus détaillées et plus volumineuses )

Bien que les différentes techniques d'imagerie soient de plus en plus précises et rapides, il
n'en demeure pas moins que le diagnostic et l'identification des données provenant de l'image
sont encore en grande partie faits par les médecins/personnel médicaux. Des méthodes de
reconnaissance d'organes/tissus par ordinateur permettraient, en plus de diminuer
significativement le temps de réponse pour le patient, de diminuer également les possibles
erreurs humaines. Dans les prochaines sections de ce document, nous nous pencherons plus en
détail sur le sujet de la segmentation en imagerie médicale qui se veut prometteuse dans le
domaine. En effet, de nombreux groupes de recherche se penchent sur le problème de la
segmentation, car grâce à elle, on donne un aspect intelligent, cognitif à la machine .

5
III.1 Les modalités d’imagerie médicale

L'imagerie médicale regroupe des techniques ayant en commun la visualisation des


organismes humains et animaux par des méthodes autres que l’observation directe, tel les
rayonnements x et γ.

Les rayons x sont des rayonnements électromagnétiques de forte énergie capable de


traverser la matière d’une manière inégale en fonction des milieux . Ce sont des rayonnements
ionisants et produits par l’interaction d’électrons lancés à grande vitesse sur une cible
matérielle. Ils sont produits essentiellement par le ralentissement des électrons lorsqu’ils
passent à proximité d’un gros noyau.

Figure I.3. Traitement des images médicales par ordinateur

 La modalité d’acquisition renseigne sur la signification physique de la couleur du


pixel : faire le lien avec l’objet médical.
 Indique potentiellement un nombre de classe possible.
 Des transformations radiométriques sont parfois nécessaires ( gradient, représentation
fréquentielles, entropie, ...)

III.2 Les modalités en utilisant les rayons X

III.2.1 La radiographie

Découverte il y a plus d’un siècle, la radiographie utilise les rayons X, capables de se jouer
de la matière. Passant à travers une certaine partie du corps, ils impressionnent un film
radiographique, plus ou moins noirci en fonction de l’organe traversé. La radiographie est
fondée sur la différence d’atténuation des rayons X entre les différents tissus du corps humain.
Elle permet d’obtenir la projection plane d’un volume tridimensionnel.

6
Figure I.4. Exemple d’une radiographie

III.2.2 La tomodensitométrie ( TDM )

La Tomodensitométrie (ou La scanographie) est une technique qui consiste à traiter par
ordinateur l’information fournie par les rayons X . La Sonde de Rayons X se déplace autour
du corps et la quantité de rayonnement reçue par les tissus est transmise à l’ordinateur pour
calculer leurs densités radiologiques afin de constituer l’image. On obtient ainsi l’image d’une
coupe de corps , une vue d’ensemble pouvant être fournie grâce à une série de coupes [20]

Figure I.5. La technique de l’imagerie TDM

III.3 Les modalités sans utilisation des rayons X

III.3.1 L’Echographie « L’imagerie ultrasonore »

Les premières recherches sur les ultrasons n'étaient pas destinées à des applications
médicales, mais avaient pour but de permettre la détection des sous-marins pendant la
Première Guerre mondiale. Ce sont deux britanniques, le médecin J.J. Wild et l’électronicien
J. Reid, qui ont mis au point le premier échographe en 1951.

L'échographie est une technique d'imagerie médicale presque aussi omniprésente que les
rayons-x , elle utilise des ultrasons. Ce nom désigne à la fois l'acte médical et l'image qui en
résulte , elle est utilisée de manière courante en médecine ,c’est une technique médicale

7
consistant à visualiser certains organes à l'aide de sons à haute fréquence (ultrasons) [40] . Les
sons réfléchis par les organes sont analysés par ordinateur de façon à produire une image sur
un écran ou une photographie. Les sons sont émis par un cristal à oscillation rapide dont la
fréquence se situe entre 18 et 20 kHz. Ces vibrations du cristal durent un millionième de
seconde et se produisent 500 fois par seconde.

Figure I.6. Mesure automatique du crane d’un fœtus Echographie

III. 3.1.1 Définition et principe de l’échographie

L’imagerie ultrasonore est régie par les lois de l’acoustique. Elle est basée sur les
phénomènes liés à la propagation des ondes mécaniques dans les milieux physiques. Le
principe général de l’échographie repose sur la détection des amplitudes et des retards des
signaux renvoyés par un milieu. Pour cela, des ondes ultrasonores sont transmises dans le
corps humain puis renvoyées par ce dernier après diverses interactions. L’étude de ces
signaux fournit alors une représentation du milieu exploré en fonction de ses propriétés
physiques [Net 6] .

L’échographie est une technique permettant d’observer l’intérieur du corps humain. Elle
utilise une sonde comprenant un émetteur et un récepteur de salves ultrasonores disposes côte
à côte. Les ultrasons émis par la sonde sont réfléchis par les obstacles qu’ils rencontrent et
retournent vers la sonde. Telle que cette dernière joue le rôle d’émetteur et de récepteur
d’ondes ultrasonores. Elle émet des salves qui ont une durée d’une microseconde environ.
Deux salves successives sont espacées d’une milliseconde. Pendant cet intervalle de temps
[Net 7], la sonde détecte la salve ultrasonore précédente qui s’est réfléchie sur la surface
séparant deux milieux différents. La connaissance de la durée entre l’émission et la réception
est nécessaire pour la constitution d’une image. Dans le corps humain, les ultrasons se
propagent a une vitesse v = 1 500 m .

8
Figure I.7. Principe de l’échographie [Net7]

Le principe de l’imagerie échographique repose sur la propagation d’ondes acoustiques


ultrasonores dans les tissus biologiques , ces dernières ont des fréquences comprises entre 2
MHz et 20 MHz. Une sonde échographique est à la fois un émetteur et un récepteur
d’ultrasons. Lorsqu’ils se propagent dans le corps, ces ultrasons sont plus ou moins réfléchis
par les parois séparant deux milieux différents.

Les ondes incidente émise par la sonde est diffusée, réfléchie et atténuée sur les différentes
structures tissulaires. Une partie de cette onde revient en direction de la sonde qui en effectue
l’acquisition et la conversion en signal électrique, et analysée par un système informatique .

Figure I.8. Echographie d’un fœtus

III.3.1.2 Propriétés physiques des ultrasons [ Net 2 ]

Les propriétés d’une onde sont caractérisées par différents paramètres : l’amplitude ,
l’intensité, la fréquence et la longueur .

9
III.3.1.2.1 L’amplitude de l’onde

Elle est proportionnelle à l’intensité du courant appliqué aux cristaux. L’amplitude de la


vibration d’une particule va déterminer sa vitesse maximale (Vo) et donc l’énergie stockée par
la particule (E) définie par

E  M V02 / 2 Equation 1

avec M, la masse de la particule. L’amplitude de l’oscillation va déterminer l’énergie totale


(E) de toutes les particules et pour une unité de volume, E est la densité énergétique de l’onde
définie par l’équation 2 , avec , la densité du tissu .

E   V02 / 2 Equation 2

Figure I.9. Onde sinusoïdale de longueur d’onde = 220 μm

III.3.1.2.2 L’intensité de l’onde

Elle correspond au débit d’énergie qui est défini par l’équation si dessus, avec E, la densité
énergétique de l’onde et C, sa vitesse de propagation. Sachant que L’intensité acoustique
s’exprime en Watt par cm² (W/cm²).

I  E x C   CV02 / 2 Equation 3

10
III.3.1.3 La formation de l’image ultrasonore
III.3.1.3.1 La réflexion

Le phénomène de réflexion nécessite une présentation de la notion d’impédance acoustique,


tout en sachant que l’écho est un son réfléchi et réceptionné après un temps de latence,
correspondant à son temps de déplacement dans le milieu concerné [Net 12]. Lorsqu’un
faisceau d’ultrasons arrive sur une interface orthogonale à sa direction incidente, une partie
est réfléchie dans le sens opposé et l’autre partie traverse l’interface et continue sa
propagation sans changer de direction [48] .

L’impédance acoustique (z) d’un tissu est définie comme le produit de la densité du milieu
par la vitesse de propagation des ultrasons. Lorsqu’une onde rencontre une interface tissulaire,
une partie de l’énergie incidente est réfléchie. La proportion d’énergie réfléchie à l’interface
de deux milieux d’impédances acoustiques respectives z1 et z2 est donnée par l’équation 4
suivante [Net 12] :

I z - z 2
 1 2 Equation 4
I 0 z1  z 2 2

Figure I.10. Principe de l’étape d’une réflexion

III.3.1.3.2 La réfraction

La réfraction correspond à une déviation de l’onde ultrasonore lorsqu’elle traverse un tissu


ayant des propriétés acoustiques différentes. La réfraction survient seulement si l’interface
n’est pas perpendiculaire à l’onde. Ce phénomène est comparable à la déviation de la lumière
par un prisme [Net12] .

11
Lorsque le faisceau ultrasonore rencontre une transition d’impédance avec un angle oblique,
une partie du faisceau est réfléchie avec un angle de réflexion égal à l’angle incident . La
partie transmise est déviée avec un angle qui dépend de la vitesse de propagation dans les
deux milieux concernés : il s’agit du phénomène de réfraction [46] .

III.3.1.3.3 Réflexion diffuse, dispersion

La plupart des images échographiques sont formées par la diffusion, dans le fait que lorsque
les dimensions de l’interface rencontrée sont petites en comparaison avec la longueur d’onde,
l’onde ultrasonore est absorbée puis réémise dans toutes les directions, et il en existe trois
types de diffusion [Net12] :

 d >> λ : Rétrodiffusion
 d ≈ λ : Diffusion ante gradé
 d << λ : Diffusion multidirectionnelle

III.3.1.4 Caractéristiques d’une image ultrasonore

III.3.1.4.1 La résolution de l’image et la réponse impulsionel


La résolution des images est plus fine lorsque la fréquence des ondes ultrasonores augmente.
Toutefois, la transparence aux ultrasons des tissus biologiques décroît très rapidement lorsque
la fréquence des ondes augmente. Des fréquences ultrasonores comprises entre 2 et 15 MHz
sont habituellement utilisées chez l’homme, pour des résolutions au mieux de l’ordre de
quelques centaines de microns . La résolution d’une image ultrasonore dépend de la sonde
échographique et du système utilisés, on peut distinguer deux type de résolutions différentes

III.3.1.4.1.1 La résolution axiale

Elle est définie par la capacité de la sonde à distinguer deux cibles situées dans l’axe du
faisceau ultrasonore. Elle est principalement dépendante de la forme et de la durée de l’onde
ultrasonore. Une augmentation de la fréquence et de la bande passante vont notamment
améliorer la résolution axiale , notons que La résolution axiale est meilleure que la résolution
angulaure ( latérale) [Net 4 ]

Figure I.11. La résolution axiale d’une image écho

12
III.3.1.4.1.2 La résolution angulaire

Les résolutions, latérale et azimutale, sont définies pour leur part , par la capacité à séparer
deux échos situés dans un même plan perpendiculaire à l’axe du faisceau. Elles dépendent
essentiellement de la géométrie des transducteurs et sont données en général au niveau de la
zone focale où elles sont les plus favorables [Net 5].

III.3.1.4.1.3 Réponse impulsionnelle d’un système d’imagerie ultrasonore


C’est la réponse du système lorsqu’on image un réflecteur unique. Sa transformée de Fourier
représente la fonction de transfert du système [Net1] . En imagerie ultrasonore, la réponse
impulsionnelle RF peut être modélisée à l’aide d’une enveloppe Gaussienne 3D modulée par
une fonction sinusoïdale dans la direction de propagation des ultrasons .

Figure I.12. Réponse impulsionnelle d’une sonde linéaire à 3 MHz (a) RF (b) Enveloppe
[Net5]

III.3.1.4.2 Statistiques d’ordre 1


Nous abordons dans le chapitre suivant la notion de speckle . ce dernier découle directement
du processus de formation de l’image, particulièrement des interférences des ondes
ultrasonores provenant des diffuseurs , et les modèles les plus usités pour la description du
signal enveloppe sont :

III.3.1.4.2.1 Modèle de Rayleigh


Le speckle de l’image résulte de la somme des signaux rétrodiffusés par les diffuseurs
contenus dans la cellule de résolution à un instant donné . C’est une somme complexe due aux

13
variations aléatoires de phases et d’amplitudes , la notion d’un grand nombre de diffuseurs et
un faible espace entre deux diffuseurs ( par rapport à la longueur d’onde du signal ) .

III.3.1.4.2.2 Modèle de Rice

La distribution de Rice est une généralisation de la distribution de Rayleigh. Elles sont en


effet équivalentes dans le cas où k = 0, c’est-à-dire lorsque la composante cohérente s est
nulle. Dans le cas où la diffusion cohérente devient plus importante que la diffusion aléatoire,
la distribution de Rice tend vers une distribution Gaussienne. Une représentation de la
distribution de Rice pour différentes valeurs du paramètre k est donnée dans la figure I.14

Figure I.13 . Le modèle d’une distribution de Rice en utilisant la fonction de


distribution de Rice pour différents valeurs du rapport k

III.3.1.4.2.3 Modèle des K-distributions

Le modèle de la K-distribution issu du domaine du radar et appliqué à l’imagerie ultrasonore


,permet la modélisation du speckle dit partiellement développé, défini par une faible densité
de diffuseurs. Il n’utilise alors plus le théorème central limite. La FDP de la K-distribution est
exprimée dans

(a) = ( ) ( ba) , Equation 5

Où (.) est la fonction Gamma classique et la fonction de Bessel modifiée de seconde


espèce et d’ordre v-1 . Cette distribution est donc paramétrée par deux variables : « v »qui est
un paramètre de forme et « b » un paramètre d’échelle.

14
III.3.1.4.3 L’atténuation du signal

L’intensité d’un son diminue au fur et à mesure qu’on s’éloigne de la source ou qu’on place
des interfaces entre l’émetteur et le récepteur de son. Le faisceau ultrasonore utilisé en
échographie diminue d’intensité avec la profondeur d’exploration . Cette atténuation est due
aux multiples interactions vues précédemment ( réflexion, dispersion, réfraction ) qui
diminuent l’intensité du faisceau lorsque celui-ci pénètre dans les tissus [48] . La transmission
des ondes acoustiques va poser deux types de problèmes dans le cadre de l’imagerie médicale
ultrasonore. Comme le montrent les valeurs numériques du tableau 1.2, l’interface entre l’air
et les autres milieux a un très faible coefficient de transmission. Les ondes émises par les
éléments en céramique de la sonde ne vont donc pas arriver à traverser la fine interface d’air
située entre la sonde et le corps du patient. Pour remédier à ce problème et effectuer un
examen échographique correct , il faut utiliser un gel à base d’eau pour assurer la bonne
transmission des ondes dans le corps du patient. Cependant la valeur du coefficient de
transmission entre les éléments en céramique et le milieu est encore assez faible.

Tab I .1 . Valeurs du coefficient de transmission énergétique des ondes acoustiques T pour


Quelques exemples d’interfaces rencontrées en imagerie médicale ultrasonore

IV. Applications actuelles de l’ultrason dans la médecine

Dans cette partie, nous allons décrire les différents domaines d’application de l’imagerie
ultrasonore ainsi que les différentes problématiques levées par chacun d’eux . L’application la
plus connue de l’imagerie médicale ultrasonore est l’échographie prénatale , dès l’examen
échographique du troisième mois de grossesse , l’imagerie ultrasonore permet de déterminer
avec une précision de 90% le sexe du fœtus , et permet de détecter certaines pathologies
comme l’autisme ou les malformations cardiaques . L’imagerie ultrasonore prénatale permet
également de prédire la date de la naissance de l’enfant avec une grande précision .
L’imagerie ultrasonore a également une place importante dans le domaine de l’imagerie
cardiaque .

L’imagerie ultrasonore joue également un rôle important dans le diagnostic des maladies
du système vasculaire [Net4] L’imagerie du flux permet de caractériser efficacement les
thromboses en détectant la sous-perfusion des milieux touchés. Le diagnostic et la prévention
des maladies cardiovasculaires bénéficient également de l’utilisation de techniques
15
d’estimation de déformation et de mouvement : la plaque d’athérome intra-vasculaire peut
être caractérisée par des méthodes d’élastographie . Plus la plaque d’athérome est rigide, plus
la probabilité qu’elle se rompe est élevée . L’épaisseur de la plaque est également une donnée
critique dans le diagnostic des complications.

En cas de cancer, l’imagerie ultrasonore peut être également très utile. Des études ont
montré que les caractérisques mécaniques des nodules changent par rapport au milieu sain
environnant . Les nodules liés aux cancers du sein peuvent être efficacement caractérisés à
l’aide de l’élastographie ultrasonore . Dans le cas de nodules thyroïdiens, l’utilisation de
l’imagerie ultrasonore est utilisée cliniquement pour effectuer un diagnostic précoce sur la
dangerosité des nodules cancéreux . Des méthodes d’élastographie et des méthodes
d’estimation du mouvement permettent ensuite de quantifier le risque lié à chacune des
tumeurs. Les méthodes d’estimation de mouvement et d’élastographie ultrasonore sont
également utilisées dans la caractérisation et le diagnostic d’autres pathologies comme les
escarres ou les fibroses hépatiques .

V. Les avantages de l’imagerie ultrasonore

L’ultrason est une technologie de diagnostic médical qui présente plusieurs avantages
 L’ultrason est une technologie de diagnostic non intrusive.
 L’utilisation de l’ultrason n’est pas dangereuse pour la santé du patient.
 L’application de l’ultrason est non douloureuse. Au contraire, l’ultrason est largement
utilisé en physiothérapie.
 L’ultrason est une technologie relativement peu coûteuse.
 Généralement un échographe est un appareil mobile
 Le résultat de l’examen est immédiat.
 L’ultrason fournit une image en temps réel, par conséquent, c’est un bon outil pour
guider des procédures d’inspection, et il permet de suivre le mouvement d’organes .

VI . Echocardiographie

VI.1 Définition

L'échocardiographie est devenue la méthode d'imagerie la plus communément employée en


cardiologie. Ses performances, son accessibilité et sa faisabilité au sein même des services de
cardiologie l'ont mise au premier rang des examens à réaliser en première intention, si cela est
nécessaire. L'adaptation quantitative du parc à ces besoins cliniques importants est déjà
largement engagée. Le nombre d'examens d'échographie réalisés en pratique clinique est
probablement adapté à la demande si l'on exclut le diagnostic de l’ischémie.

16
Cette modalité permet d'obtenir des images des valves cardiaques (aortiques, mitrales,
tricuspidiennes), d'apprécier le degré d'une insuffisance cardiaque, c'est à dire de mesurer la
force de la contraction des parois du cœur, ou d'étudier des malformations cardiaques
congénitales ou apparues plus tardivement dans la vie . L'échographie permet également de
rechercher un épanchement péricardique ou un épaississement du péricarde qui est
l'enveloppe du cœur [Net8] . L'échographie cardiaque ne permet pas, à elle seule, de faire le
bilan d'une maladie cardiaque. Elle doit être associée à d'autres examens tels que
l'électrocardiogramme ou la coronarographie .

VI.2 Anatomie et physiologie du cœur


VI.2.1 Anatomie

Les pathologies cardiovasculaires sont une cause majeure de mortalité dans les pays
industrialisés , et de ce fait la santé cardiaque est donc également un enjeu social. Et puisque
le cœur est le centre du corps humain , et de ce fait le système de circulation sanguine joue
un rôle essentiel dans le fonctionnement de l’organisme , alors ce dernier a un impact direct
sur la qualité de vie de l’individu et sur sa durée .

1. Atrium droit
2. Atrium gauche
3. Veine cave supérieure
4. Aorte
5. Artère pulmonaire
6. Veine pulmonaire
7. Valve mitrale (atrio-ventriculaire)
8. Valve aortique
9. Ventricule gauche
10. Ventricule droit
11. Veine cave inférieure
12. Valve tricuspide (atrio-ventriculaire)
13. Valve sigmoïde (pulmonaire)

Figure I.14. Anatomie du cœur [ Net 4 ]

Le cœur est un muscle constitué de deux pompes en série : une pompe pour la circulation
pulmonaire et une pompe pour la circulation systémique, appelées aussi cœur droit et cœur
gauche , chaque pompe est composée d’une oreillette, qui sert de réservoir et d’un ventricule

17
qui propulse le sang [46] . La paroi qui sépare les oreillettes et les ventricules du cœur droit et
du cœur gauche est appelée le septum , cette dernière est constituée de trois couches

 Epicarde : c’est la couche externe du cœur.

 Myocarde : c’est une couche épaisse formée par les fibres musculaires cardiaques
assumant la fonction mécanique de propulsion du sang dans les vaisseaux .

 Endocarde : c’est une couche mince couche endothéliale qui tapisse l’intérieur du
cœur et permet au sang de circuler aisément à travers le cœur

 Les ventricules cardiaques : ont pour fonction de pomper le sang vers le corps ou vers
les poumons.

Figure I .15. Les cavités cardiaques se séparent en deux cœurs (droit et gauche) qui se
découpent eux même en oreillettes et ventricules [Net3]

Le muscle cardiaque appelé myocarde est irrigué par les artères coronaires. Ces dernières
se décomposent en artère coronaire droite et artère coronaire gauche qui naissent directement
de la base de l’aorte et qui parcourent le myocarde à sa surface externe en l’alimentant. Les
cavités intérieure et extérieure sont respectivement appelées endocarde et péricarde. Le
septum inter-ventriculaire sépare le ventricule gauche du ventricule droit et une fine paroi
fibro-musculaire sépare les deux oreillettes. Compte tenu de la disposition du cœur, le
ventricule gauche est légèrement en retrait par rapport au ventricule droit [46].

18
VI.2.2 Les vues standards du cœur en échographie

En échocardiographie classique, il existe plusieurs plans privilégiés d’acquisition, ou vues.


L’existence d’un nombre restreint de vues s’explique par les difficultés d’accéder au cœur,
liées à sa position par rapport à la cage thoracique et aux poumons. Ceci explique aussi
l’utilisation des acquisitions à géométrie sectorielle pour visualiser une large région.
Cependant, à cause ce type de vue, quelques structure cardiaques peuvent apparaître et
disparaître de l’écran durant une séquence, ce qui rend les échocardiographies beaucoup plus
difficile à exploiter. Les vues standard sont les suivantes [46]

 Vue parasternale long axe (Figure 1-16. (a)) , où on image le ventricule gauche à
travers le ventricule droit et on observe le cœur le long de son grand axe .

 Vue parasternale petit axe (Figure 1-16. (b)) , où on image les parois inférieure et
postérieure ainsi que le septum. Cette vue permet de visualiser le mouvement de
contraction du myocarde.

 Vue apicale 4 cavités (Figure 1-17. (a)) : l’acquisition se fait à partir de l’apex , les
quatre cavités : les deux ventricules en haut de l’image, les oreillettes en bas de
l’image, et le septum en partie centrale. Cette vue est adaptée à l’examen du septum.

 Vue apicale 2 cavités (Figure 1-17. (b)) , permet de visualiser sous un angle plus petit,
les 2 cavités : le ventricule gauche en haut de l’image et l’oreillette gauche en bas.
Cette vue permet de visualiser le mouvement du ventricule gauche ainsi que d’une
partie de la valve mitrale.

Figure I.16 : Les vues prasternales (a) Long axe . (b) Petit axe [Net 1]
]

19
Figure I.17 : Les vues apicales (a) 4 cavités . (b) 2 cavités [ Net 1 ]

VII. Conclusion

L’imagerie médicale est un monde très vaste qui occupe une place très importante dans le
domaine de la médecine actuelle et qui englobe plusieurs techniques qui diffèrent l’une de
l’autre et dont chacune peut être utilisée pour des problèmes bien spécifiques , devenue
indispensable au diagnostic d’un grand nombre de pathologies ( y compris de nombreuses
maladies du système nerveux comme la sclérose en plaques ou la maladie d’Alzheimer),
l’imagerie médicale est utilisée dans un but préventif, pour le dépistage d’un certain nombre
de cancers. Elle permet aussi un suivi très précis de l’évolution d’une maladie en offrant des
comparatifs rationnels.

Dans ce chapitre, nous avons présenté le contexte médicale de cette thèse en définissant
quelques généralités ainsi que les différentes techniques qui constituent l’imagerie médicale
en insistant sur la technique qui nous intéresse , qui est l’imagerie échographique cardiaque
tout en précisant tout d’abord certaines caractéristiques de l’organe qui nous intéresse dans
notre étude , et qui est le cœur par des notions fondamentales sur son anatomie .

20
Chapitre II

Traitement des images médicales

21
I. Introduction

L’échographie est une modalité d’imagerie aujourd’hui largement utilisée dans le domaine
médical et dont le principe repose sur la propagation d’ondes ultrasonores dans les tissus
biologiques. Elle permet d’acquérir en temps réel une image des propriétés acoustiques du milieu
étudié. Par rapport à d’autres modalités d’imageries telles que l'imagerie aux rayons X . Il existe
plusieurs avantages à l’utilisation de l’ultrason, et particulièrement des images
échocardiographiques dans le diagnostic de maladies cardiaques. Cependant, étant donné des
caractéristiques propres du scanner ultrason, les images résultantes ont deux propriétés qui rendent
complexe la tâche du diagnostic médical, grâce au speckle présent dans ce type d’images.

Les images échographiques correspondent à une des applications les plus importantes de
l’ultrason dans la médecine. Dans ce travail, nous nous sommes intéressé aux images ultrasonores
du cœur, appelées échocardiographiques , lesquelles représentent un des moyens les plus utilisés
pour l’analyse et le diagnostic de maladies cardiaques .

II. Les origines du speckle


II.1 La source du speckle

Les échos qui retournent au transducteur ont deux origines : la réflexion et la diffraction, comme
on l’a déjà cité

 La réflexion correspond aux échos qui se produisent quand il y a des changements


d’impédance acoustique dans des zones dont les dimensions sont supérieures à la longueur
d’onde du faisceau d’ultrason.

22
 La seconde origine correspond aux échos produits par des éléments dont la dimension est
comparable avec la longueur d’onde.

Les échos produits par la diffraction , c’est-à-dire par des structures microscopiques formant les
tissus, produisent une moucheture aléatoire dans l’image ultrason, qui dissimule les petits détails
et complique l’analyse médicale. Ce type d’interférence qui se traduit comme un niveau élevé de
bruit est appelé « speckle »

II.2 Définition d’un speckle

Le speckle est un bruit multiplicatif car les sommations d'écho sont indépendantes du
coefficient de réflectivité du fond, elle ne dépend que du micro-relief. Les techniques de filtrage
classiques qui opèrent sur des bruits additifs ne s'appliquent pas directement sur des images sonar.
De nombreux auteurs ont apporté leurs contributions pour améliorer les techniques de filtrage du
speckle sur des données radar. Le but recherché dans tout filtrage est de supprimer le bruit sans
perdre la résolution de l'image.

Ce phénomène affecte l’évaluation du contenu de l’image. Les intensités des pixels d’une région
dont la réflectivité réelle est homogène sont dispersées,
ce phénomène augmente avec l’intensité moyenne de la région.

Les images ultrasons ont un contraste faible.


Elles possèdent un important niveau de bruit.

Le speckle est un bruit largement présent dans les images échographiques. L’interprétation de ce
type d’images nécessite un traitement du speckle lors du filtrage et de la segmentation.

Filtrer le speckle revient à estimer la réflectivité réelle de la scène pour chaque pixel de l’image.
L’objectif est de réduire conséquemment le speckle et de restaurer l’information utile dans
l’image. Pour cela on cherche à :

 Lisser le mieux possible les zones homogènes sans en modifier la réflectivité.


 Préserver les contours et les structures de l’image .
 Conserver autant que possible la texture là où elle est présente.

II.3 Propriétés du speckle

Le speckle est présent dans plusieurs d’autres types d’image telles : les images radar, les images
acquises par laser, par sonar et par ultrasons. il peut être considéré comme un bruit multiplicatif,
ainsi qu’il se définie comme une réelle mesure caractéristique du milieu, donc il contient des
informations sur le tissu observé, mais il est communément traité comme un bruit . Le filtrage est
une étape très importante dans la phase du prétraitement de l’image médicale dont l’objectif est de
réduire conséquemment le speckle et de restaurer l’information utile dans cette dernière.

23
II.4.1 Les coefficients de variation

Les techniques de filtrage du speckle les plus utilisées reposent toutes sur le coefficient de
variation (CV) , qui a un grand intérêt pour le traitement des images contenant du speckle . On
différencie deux coefficients de variations [46]

 Le coefficient de variation global (CV global), noté γ.


 Le coefficient de variation local (CV local), noté g .

II.4.2 Les filtres adaptatifs classiques

Les filtres adaptatifs sont des filtres dont les coefficients dépendent de l'environnement du
pixel , un filtre adaptatif est un système numérique dont les coefficients se modifient eux mêmes
en fonction des signaux extérieurs. Il est utilisé chaque fois qu’un environnement est mal connu ou
changeant ou pour supprimer des perturbations situées dans le domaine de fréquences du signal
utile, ce que les filtres classiques ne peuvent pas faire.

Un filtre adaptatif est constitué de deux parties distinctes :

 Un filtre numérique à coefficients ajustables


 Un algorithme de modification des coefficients basé sur un critère d’optimisation

Le filtrage adaptatif utilise l'écart-type de ces pixels dans une boîte locale autour de chaque
pixel pour calculer une nouvelle valeur de pixel. Typiquement, la valeur du pixel original est
remplacée par une nouvelle valeur calculée sur la base des pixels environnants valide (ceux qui
satisfont les critères de l'écart-type) , Contrairement à un type filtre passe-bas de lissage, les filtres
adaptatifs permettent de préserver la netteté des images et des détails alors que le bruit supprimant.

Ils sont largement utilisés dans la restauration d'image des Etats-Unis parce qu'ils sont faciles à
mettre en œuvre et de contrôle. Les filtres couramment utilisés adaptative sont les filtres de Lee ,
de Frost , et le filtre de Kuan

On notera donc l'intensité It(x, y) de la façon suivante :

∑ ∑

Avec ∑ ∑ Equation II.1

24
Les différents filtres adaptatifs seront dépendants des coefficients wt(x, y) que l'on utilisera. On
remarquera que wt(x,y) dépend de la position, donc de l'environnement du pixel.

II.4.2.1 Le filtre de Lee

Lee a d’abord proposé un filtre pour le cas d’un bruit additif . L’origine de ce filtre est la
méthode de Wallis qui permet de fixer directement la moyenne et la variance locales des intensités
du résultat . La réflectivité de la scène est supposée stationnaire et caractérisé par son espérance et
sa variance [48] . Il est utilisé pour lisser bruyant (mouchetée) des données qui ont une intensité
liée à la scène l'image et qui ont également un additif et / ou un composant multiplicatif. Lee
filtrage est une déviation standard basée (sigma) filtre qui filtre les données basées sur des
statistiques calculées dans des fenêtres filtre individuel. Contrairement à un type de filtre passe-
bas de lissage, le filtre Lee et d'autres semblables filtres sigma préserver la netteté de l'image et
des détails alors que le bruit supprimant. Le pixel étant filtrée est remplacé par une valeur
calculée en utilisant les pixels environnants.

Posons I l’image observée, ̅ et respectivement la moyenne et la variance dans un voisinage


du pixel (i,j). Le filtre de Lee repose sur la formulation suivante :

̂ ̅ +k( ̅ ) Equation II.2

Où k est le gain du filtre, lorsque :

 k=1 , le filtre se comporte comme un filtre passe-tout. La valeur de réflectivité estimée est
égale à la valeur observée .
 k=0 , le filtre se comporte comme un filtre moyenneur .
 0 < k < 1, le filtre lisse l’image à la manière d’un filtre passe-bas .

Il est déterminé comme suit :

( ̅)
( ⁄| |) ∑ ⁄ Equation II.3
( ̅)

Et est une constante pour une image donnée et peut être déterminé par l’une des deux
Formulations :

( )
Equation II.4
(̅)

25
Où var (Z' ) et ̅ sont respectivement la variance et la moyenne à travers une région homogène de
l’image.

II.4.2.2 Le filtre de Kuan [Net 13]

Le filtre de Kuan transforme d'abord le modèle de bruit multiplicatif dans un modèle dépendant
du signal bruit additif. Puis la température minimale moyenne critère de l'erreur quadratique est
appliquée au modèle. Le filtre résultant a la même forme que le filtre Lee, mais avec une fonction
de pondération différente. Parce que le filtre de Kuan ne fait aucun rapprochement au modèle
original, elle peut être considérée comme supérieure au filtre Lee. Ce qui montre que l’approche
proposée par Kuan, est le même modèle proposé par celui de Lee avec filtrage et restauration

II.4.2.3 Le filtre de Frost [Net 13]

Le filtre de Frost prend en compte de manière explicite l’auto-corrélation spatiale de la scène en


la modélisant par une fonction exponentielle amortie. L’image filtrée est obtenu en convoluant
l’image par la réponse impulsionnelle du filtre de Frost ,comme c’est illustré dans les formules
suivantes :

̂ =∑

( )

( )
Equation II.5

Où K est un facteur d’atténuation, (i, j) sont les coordonnées du pixel s, et ( ) sont celles du
pixel p , et : Correspond à une fenêtre de voisinage autour du point s .

Le facteur K est choisi de telle façon que le produit tend vers zéro sur les zones
homogènes et devient suffisamment grand aux abords des contours pour que le filtrage s’arrête .

II.4.3 Les filtres homomorphiques

Le principe des filtres homomorphique est de passer d’un modèle de bruit multiplicatif à un
modèle additif par une transformation logarithmique. Le traitement est fait sur le logarithme de
l’image puis on retransforme exponentiellement l’image obtenue [46] .

III. Le filtrage du speckle dans les images ultrasons

Le filtrage du bruit dans les images médicales quoi que ce soit « additif gaussien ou du type
speckle » revient à estimer la réflectivité réelle de la scène pour chaque pixel de l’image. L’objet
est de réduire de manière conséquente le bruit et de restaurer l’information utile dans l’image.

26
III.1 Les filtres Médian

Le filtre médian est un filtre non linéaire de la famille des filtres d’ordre. Le filtrage médian est
très robuste à différents types de bruit (Gaussien ou Impulsionnel ) . Czerwinski utilise un filtre
médian directionnel pour préserver des contours et des lignes fines dans les images
échographiques . Les résultats démontrent une amélioration par rapport aux filtres médians
pondérés [Net 15] .

Image originale Image bruitée « RSB 25% » Filtre médian 3x3

Figure II. 1. Exemple d’un filtre médian appliqué à l’image LENA

III.2 La déconvolution homomorphiques

Les images ultrasons sont déconvoluées par un filtre de Wiener dans le domaine des
fréquences, Cette méthode à l’avantage de pouvoir être utilisée en temps réel . [48 ]Une autre
technique de déconvolution est proposée par Hokland et Kelly, elle prend en compte
explicitement à la fois le modèle de réflexion spéculaire et celui de réflexion diffuse . Des étapes
de restauration et de segmentation sont utilisées alternativement .

III.3 Composition d’images

III.3.1 Composition spatiale

L’utilisation des plusieurs images échographiques acquises sous des angles différents permet une
composition spatiale qui améliore le rapport signal‐bruit. Cette méthode a été d’abord étudiée par
Trahey et Shankar. Elle est maintenant directement incorporée dans certains échographes 2D et
3D avec des résultats cliniques prometteurs .

III.3.2 Composition temporelle

Dans la dimension temporelle, le speckle s’assimile à un bruit de haute fréquence. Certains filtres
utilisent le fait que le speckle est moins corrélé temporellement que spatialement [48]

27
III .4 Diffusion anisotrope

La diffusion anisotropique est basée sur les opérateurs Laplaciens et sur les dérivées partielles
selon la formule suivante , avec « div » est la divergence des opérations Laplaciennes [23] .

Equation II.6

À chaque position de l’itération, la diffusion est contrôlée par conduction des coefficients
c(x,y,t). La diffusion peut être améliorée en prenant en compte l’orientation des craquelures, ainsi
si les craquelures sont horizontales on peut se contenter d’utiliser les voisins Nord et Sud, si elles
sont verticales , on peut utiliser les voisins Est et Ouest.

Ce type de filtre a été utilisé pour le filtrage des images échographiques 2D et 3D, et sur des
mages IRM [16] et sur bien d’autres types d’images .

⁄ ‖ ‖ Equation II.7

III.4.1 Le filtre de Perona et Malik

A partir d’une image lissée, les frontières (bords) de l’image peuvent être facilement détecté, tout
en utilisant le principe du détecteur de Hildrett-Marr .

III.4.2 Le filtre de Hildrett-Marr

On cherche les zéros du Laplacien d’une image u. Si en un point x, u change de signe et si u est
non nul, on considère alors que l’image « u » possède un bord en x .

Pour améliorer les résultats obtenus par l’EDP de la chaleur, Perona et Malik ont proposé de
modifier l’équation en y intégrant le processus de détection des bords , tout en tenant compte que
si la valeur du coefficient de diffusion est égale à « 1 » alors l’équation de la chaleur est obtenue .

( | | ) ] [
] [ Equation II.8
{

Avec c est une fonction décroissant de dans , ainsi, dans les régions de faible gradient,
l’équation agit essentiellement comme l’EDP de la chaleur, et dans les régions de fort gradient, la
régularisation est stoppée ce qui permet de préserver les bords.

28
III.5 Transformée en ondelette

Les transformées ondelettes permettent un champs vaste d'applications , en physique théorique ,


calcul scientifique, traitement du signal notamment en compression de la parole, des images et des
scènes tridimensionnelles , l’œuvre de Guo était la première utilisation des ondelettes pour la
réduction du speckle , suivi par Zong qui a utilisé une approche homomorphique multi échelle .
Les coefficients des ondelettes du logarithme de l’image échographique sont estimés , et ils sont
ensuite rétrécis pour éliminer le bruit

IV. La segmentation
IV. 1 Introduction

La segmentation est une étape importante pour l’extraction des informations qualitatives de
l’image. Elle consiste à découper l’image considérée en régions ayant une homogénéité selon un
critère prédéfini (niveau de gris, moments, coefficients d’ondelettes …) . L’union des régions
obtenues doit redonner l’image initiale [Net 8] .

Cette phase importante peut être considérée comme un traitement de bas niveau , elle a pour
but de permettre l’extraction de l'information caractéristique contenue dans une image , L'analyse
d'images a pour but l'extraction de l'information caractéristique contenue dans une image. Le
résultat d'une telle analyse s'appelle très souvent la description structurelle. Celle ci peut prendre
la forme d'une image ou de toute structure de données permettant une description des entités
contenues dans l'image. Par opposition avec la phase d'interprétation, l'analyse tente, dans la
mesure du possible, de ne pas prendre en compte le contexte . Essentiellement, l'analyse de l'image
fait appel à la segmentation où l'on va tenter d'associer à chaque pixel de l'image un label en
s'appuyant sur l'information portée (niveaux de gris ou couleur), sa distribution spatiale sur le
support image, des modèles simples.

Figure II .2 Exemple de segmentation d’une image

IV.2 Principe de la segmentation

29
La segmentation consiste à partitionner une image I en groupes de pixels qui sont
homogènes par rapport à un prédicat p donné :

Equation II . 9

Les régions doivent être disjointes et celles qui sont adjacentes doivent être hétérogènes
Les pixels d’une même région ne sont pas forcément connectés spatialement

Il n’existe pas de technique unique de segmentation car la nature des images et le but de la
segmentation sont multiples. Le choix de la technique est lié aux facteurs des caractéristiquesç de
l’image ( type de l’éclairage , présence ou non de reflets ; types de bruits , présence éventuelle
de zones texturées ; contours flous ou occultés partiellement ) ; et à savoir aussi l’objectif de la
segmentation que ça soit pour la localisation , mesure , indexation, reconnaissance des formes ,
aide au diagnostic ( temps réel ou pas ) ou aide au contrôle de la qualité . et les primitives à
extraire ( contours, points d’intérêt , objet, forme, région ou texture )

IV. 3 Différentes approches de la segmentation

Lors d’une étude sur une image, l’objectif est de rechercher une particularité dans l’ensemble de
l’image ou dans une partie de l’image. Pour cette subdivision en régions distinctes homogènes, il
est reconnu deux grandes approches, l’approche région et l’approche contour (frontière )

Ce sont ces deux approches que nous décrirons plus en détail dans la section suivante. Il est
important également de mentionner que l'on peut considérer deux formes de segmentation, une
segmentation dynamique qui vise à effectuer de la détection d'objets dans des séquences vidéo et
une segmentation statique qui tente d'atteindre les mêmes objectifs mais sur des images fixes.
C'est de cette dernière forme que ce document traitera. En effet, bien que certaines techniques
d'imagerie soient en mesure de produire des séquences vidéo des tissus ou organes, la grande
majorité d'entre elles ne font que générer des images fixes des régions du corps humain. Par
ailleurs, il faut également distinguer la segmentation d'images en couleur de la segmentation
d'images en tons de gris. Bien que l'objectif reste le même, les algorithmes des deux types
d'images différent sensiblement. Le domaine de l'imagerie reposant en grande majorité (si ce n'est
pas en totalité) sur des images en ton de gris, ce sont principalement les algorithmes dédiés à ce
type d'images que nous présenterons dans ce tutoriel.

30
Dans l’objectif d’analyser une image, la segmentation est alors une étape primordiale, On
regroupe de façon usuel les méthodes de segmentation en deux groupes générales : l’approche
contour (frontière ) , et l’approche région .

Ces méthodes permettent de segmenter l’image en régions homogènes ( par rapport à la texture, la
couleur, la distribution des niveaux de gris…). Le résultat correspond à un partitionnement de
l’image ; chaque pixel est en effet étiqueté de façon à indiquer son appartenance à tel le ou tel le
région. On peut alors l’interpréter comme une classification des pixels en n classes (régions).

IV.3.1 Approche région

La segmentation en régions est basée sur l’homogénéité des caractéristiques des régions de
l’image (intensité des niveaux de gris, texture, propriétés statistiques, etc.). Elle est, dés lors moins
sensible au bruit que les méthodes de détection des contours. Reste seulement la difficulté de bien
localiser les contours de l’image.

L'idée fondamentale derrière cette segmentation consiste à séparer l'image en régions par un ou
plusieurs seuils sur les niveaux de gris. Suite à cette division, on obtient une image composée de
deux couleurs: blanc et noir. Une telle séparation consiste donc à établir un seuil de division dans

31
l'image originale et de comparer l'ensemble des pixels de l'image par rapport à ce seuil. Ce seuil
peut être une valeur ponctuelle ou également un ensemble de valeurs:

g(i,j) = 1 si f(i,j) = T et g(i,j) = 0 si f(i,j) T

ou bien

g(i,j) = 1 si f(i,j) D et g(i,j) = 0 si f(i,j) D

Figure II.3 Approche région

a) Descente pyramidale « Quadtree »

Le « Quadtree » est une arborescence dont la racine est l'image toute entière et dont les nœuds
possèdent quatre fils, ainsi l’application de plusieurs divisions amène à travailler sur une image où
les différences entre pixels ne sont plus significatives. En effet, dans le cas de l'algorithme de
division/fusion ( Split and Merge ) [1] l’image originale est divisée en quatre quadrants qui seront,
dans le cas où ils ne sont pas homogènes, divisées à leur tour par quatre jusqu’à l’obtention de
région homogène suivant le critère imposé. Ce dernier peut être un niveau de gris constant, une
variance minimale de niveau de gris ou tout autre attribut de région.

32
Seuil = 0.2

Figure II.4. Exemple d’une segmentation par quadtree

IV.3.2 Approche contour (Frontière )

Cette approche est une technique non contextuelle qui ignore les relations pouvant exister entre
les régions de l'image . Elle consiste à identifier les discontinuités qui séparent les différentes
régions de l’image, cette approche cherche les di-similarités. Plusieurs méthodes ont été
développées pour ce type d’approche afin d’arriver à une détection qui fournit une représentation
correcte de l’image et donner toutes les propriétés significatives de la scène.

Figure II.5 Approche contour

Elle comprend les techniques de détection de contours, mais le résultat obtenu ne conduit pas
toujours directement à la partition recherchée définie précédemment. En effet, les contours
obtenus sont rarement connexes, il faut donc procéder à une fermeture des contours si l’on
souhaite une partition complète de l’image.

IV.3.2.1 Espace-chelle

La notion d’espace-chelle ( scale-space ) est générale et s’applique dans des dimensions


arbitraires. C’est une théorie formelle pour manipuler des structures d’image à différentes échelles
de telle manière que les structures puissent être successivement supprimées et un paramètre t
d’´echelle puisse être associé `a chaque niveau dans la représentation du scale-space. Pour
simplifier, nous ne décrirons ici que le cas des images en deux dimensions.

IV.3.2.2 Modèles dérivatifs

33
Les modèles dérivatifs consistent modéliser les contours ou des zones d’images et supposent
que l’image numérique provient de l’échantillonnage d’une fonction scalaire support Born et
dérivable en tout point. la notion de contour est étroitement lié a celle de variation de niveau de
gris on est automatiquement amené a l’évaluation de cette variation pour chaque pixel.

Il existe trois types de contours simples :

 Marche d’escalier : le contour est net (contour idéal).


 Rampe : le contour est plus flou.
 Toit : il s’agit d’une ligne sur un fond uniforme.

Figure II.6. Modèles de contours

V . La segmentation dans l’image médicale

La segmentation d’images constitue la première étape d’un grand nombre d’applications dans le
traitement des images , en plus qu’elle joue un rôle crucial dans beaucoup d’applications en
imagerie médicale , puisque l’image est aujourd’hui un outil essentiel pour le diagnostic . Elle
consiste à partitionner l’image en zones homogènes , et elle permet d’isoler certaines parties de
l’image qui présentent une forte corrélation avec les objets contenus dans cette image .

Nous présentons par la suite brièvement les différentes approches de la segmentation dans le
domaine de l’imagerie médicale. Les méthodes de segmentation sont classées en deux catégories
selon l’approche qu’elles adoptent :

 Méthodes globales : Elles adoptent une approche région. On distingue notamment les
méthodes de classification, les méthodes structurales

 Méthodes locales : Elles se basent sur l’approche frontière qui consiste à faire des
recherches de contours . On distingue les méthodes dérivatives, morphologiques,
markoviennes locales et les méthodes variationnelles ( Modèles variationnels associés
aux équations aux dérivées partielles : Equations aux Dérivées Partielles )

34
Il existe plusieurs façons d’aborder le problème en pratique :

 Par des méthodes directes , qui font intervenir des opérateurs de segmentation classiques
sur l’image ( les opérateurs gradient) .

 En utilisant des méthodes qui manipulent une forme englobant l’objet à extraire et qui la
font évoluer d’une position initiale vers une position finale correspondant à l'objet ciblé .
Cette dernière approche est la méthode introduite récemment , et présentée en premier lieu
dans ce chapitre. Elle est celle des contours actifs. Cette méthode a pour but de faire
évoluer une courbe élastique dans l’image à segmenter afin de l’amener à converger vers
les zones fortes de gradients .

V.1. Les méthodes globales

V.1.1. Les méthodes de classification

Il s’agit de classifier des pixels ou des parties de l’image en exploitant leur similarité. Les
classes sont construites à partir des attributs des pixels. Chaque pixel est affecté à une classe
unique, mais il se classifie indépendamment de ses voisins. Les critères de proximité employés
sont des distances entre vecteur d’attributs, et ne tient pas compte de la proximité entre pixels dans
l’image. La classification est une opération préalable à la segmentation .

Cette dernière est ensuite obtenue par extraction des composantes connexes appartenant à la
même classe. Une région sera constituée de pixels d’une même classe, mais il peut y avoir dans
l’image plusieurs régions correspondant à une même classe [49] .

V.1.1.1. Le seuillage

La segmentation d’une image par seuillage consiste à créer une partition binaire de ses
intensités, que l’on appelle ici le fond et l’objet [46] .Dans le domaine de l’imagerie médicale le
seuillage a été utilisé pour segmenter les images échographies avec des fenêtres adaptatives , un
seuillage itératif est utilisé pour segmenter les muscles pectoraux sur des images radiographiques .

On peut classer les algorithmes de seuillage en fonction du type d’information traitée, les
catégories sont [26] :

 Les méthodes basées sur la forme de l’histogramme


 Les méthodes d’agrégation, où les niveaux d’intensité sont agrégés en deux parties (fond et
objet)
 Les méthodes reposant sur l’entropie, comme par exemple la maximisation de la somme
des entropies du fond et de celle de l’objet

35
 Les méthodes basées sur les attributs de l’objet, qui visent à maximiser une mesure de
similarité.
 Les méthodes utilisant la dépendance spatiale des pixels
 Les méthodes adaptatives localement, dont le niveau de seuillage varie selon les
caractéristiques locales de l’image .

Figure II.7 Résultat du seuillage sur une image IRM [Net 6]

V.1.1.2. Classification supervisée et agrégation de pixels

La classification est une méthode dite supervisée : elle nécessite un apprentissage où les
données sont segmentées manuellement puis utilisées comme référence pour la segmentation
ultérieure de nouvelles données .

V.1.2. Les méthodes structurales

V.1.2.1 La croissance de région

La croissance de régions est une technique contextuelle ; elle prend en considération les
attributs locaux des pixels. C'est une technique essentiellement ascendante. Les algorithmes
utilisés dans cette technique partent d'un premier ensemble de régions, qui peut être calculé
automatiquement (par exemple, les minima de l'image), ou fourni par un utilisateur de manière
interactive. Les régions grandissent ensuite par incorporation des pixels les plus similaires suivant
un critère donné, tel que la différence entre le niveau de gris du pixel considéré et le niveau de gris
moyen de la région , un critère d'appartenance tel que la variance faible , le niveau de gris
répondant un seuil ou autres …

36
Notons à un attribut de pixel et P un prédicat d’uniformité. La croissance de région s’effectue à
partir d’un ensemble initial de pixels appelés germes. Cet ensemble constitue les régions initiales
auxquelles on ajoute successivement des pixels voisins qui ont des propriétés similaires, les pixels
initiaux sont appelés « germes » ou « semences » , et la région « grandit » à partir de son germe.
Dans cet algorithme, une connaissance a priori est utile pour sélectionner les germes.

Image germe croissance région finale

Après quelques itérations Après 5000 itérations Convergence à 10119 itérations

Figure II.8 Exemple d’une segmentation par croissance de région

L'idée derrière cette méthode est de se fixer un point de départ dans l'image, que l'on nommera
« germe » de la région . On fixe ensuite un critère d'homogénéité pour la région qui est en général
une intensité comprise entre deux valeurs, tout comme la méthode de seuillage. Par une procédure
récursive, on inclut dans cette région, les points connexes qui vérifient le critère. De cette manière,
on fait croître la région tant que le critère est respecté et on obtient en bout de ligne, une nouvelle
région connexe.

V.1.2.2 La division-fusion ( Split and Merge )

Pour introduire le principe de la division‐fusion, reprenons un prédicat P d’homogénéité. L’étape


de division consiste à partitionner l’image récursivement jusqu’au niveau du pixel . Elle est suivie
de l’étape de fusion où les régions adjacentes sont fusionnées tant que leur union vérifie le
prédicat « P » .

37
V.1.2.2.1 Segmentation par fusion de région [Net 13]

Une autre technique un peu moins efficace consiste à considérer chaque pixel comme une région
et de fusionner les pixels voisins pour agrandir la région. Le choix ou non d'accepter les pixels
avoisinants réside sur les mêmes bases que celles illustrées pour la croissance de région et la
méthode de seuillage. Malheureusement, le résultat (les groupes de régions après segmentation)
est hautement dépendant de l'ordre dans lequel les régions ont été fusionnées .

V.1.2.2.2 Segmentation par division de région [Net 13]

Le procédé est simplement l'inverse de celui présenté en dessus , il s'agit ici de considérer l'image
de départ comme une seule et même région qui, bien entendu, ne satisfait pas les critères de
segmentation. Il suffit donc de diviser cette région en sous régions qui elles, satisfont les seuils
prévus. Un point intéressant est que selon , la segmentation par division de régions ne donne pas le
même résultat que la segmentation par fusion des régions bien que l'on considère les mêmes
critères d'arrêt. Suite à cette affirmation, il serait peut-être judicieux de combiner les deux
approches pour obtenir une segmentation plus raffinée, c'est ce que nous présentons à l'instant.

V.1.2.2.3 Segmentation par fusion et division de région [Net15]

Egalement nommée 'Split and Merge', cette technique fonctionne en considérant une
représentation pyramidale de l'image analysée. Les régions sont de formes carrées et
correspondent aux différents éléments d'un étage donné de la pyramide :

Figure II.9. Illustration du concept pyramidal de l'image pour la segmentation par fusion et
divison de régions [ Net 13 ]

Ainsi, si une région de l'image considérée ne respecte pas les critères fixés de seuils, elle sera
divisée en quatre nouvelles régions. Réciproquement, si 4 régions indépendantes mais voisines,
respectent toutes les critères de division, elles seront fusionnées dans l'étage supérieur de la
pyramide.

38
V.2. Les méthodes locales
V.2.1. Les méthodes dérivatives

Il existe une deuxième grande famille de segmentation qui elle tente non pas de former des
régions, mais plutôt de détecter les contours contenus dans les images afin d'éventuellement
pouvoir séparer celle-ci et ainsi la segmenter. Il existe plusieurs méthodes de recherche de
contours dans une image, en voici quelques unes:

 Endroits où l'intensité des pixels fait un saut brutal


 Endroits où le profile d'intensité présente une variation (dérivée première est maximum et
dérivée seconde passe par zéro)

V.2.1.1 Opérateur de Sobel et Prewitt

L’opérateur de Sobel et Prewitt permet d’estimer localement la norme du gradient spatial


bidimensionnel d’une image en niveau de gris. Il amplifie les régions de fortes variations locales
d’intensité correspondant aux contours . L'opérateur utilise des matrices de convolution. La
matrice (généralement de taille 3×3) subit une convolution avec l'image pour calculer des
approximations des dérivées horizontale et verticale

V.2.1.1.1 Le masque de Sobel

V.2.1.1.2 Le masque de Prewitt

Figure II.10. Masques de convolution

39
a) Image originale b ) après sobel

Figure II.11. Détection des contours par un filtre de Sobel

V.2.1.2 Opérateur de Roberts

Le détecteur de Roberts permet de calculer le gradient bidimensionnel d’une image de manière


simple et rapide . L’opérateur de Roberts effectue une estimation locale du gradient selon les deux
diagonales , il approxime les dérivées directionnelles suivant les axes orientés à 45 degrés à l’aide
d’une convolution de l’image f( x,y ) avec les masques 2*2 suivants :

| | | | | | Equation II.10

Les applications de ce masque sur des images bruitées ont montré que ce différentiateur est très
sensible au bruit car il opère sur une fenêtre de taille 2 et n’effectue pas de lissage [Net 6] .

V.2.1.3 Opérateur de Kirsh


L’opérateur de Kirsh est un opérateur à huit masques correspondant chacun à une direction
préférentielle obtenue par rotation de π/4 de l’opérateur de base :

40
[ ], [ ]

Le gradient retenu sera celui correspondant à la valeur maximum donnée par :


| |

L’orientation retenue pour le contour sera celle correspondant au masque ayant permis d’obtenir le
gradient maximum [7] .

V.2.1.4 Opérateurs de second ordre

Figure II. 12. Filtre Laplacien Gaussien sur une vue transvserse d'un cerveau humain imagé en
IRM. La colonne de gauche représente l'image de départ, la colonne du centre un premier filtrage
sévère et la dernière, un filtrage plus doux

V.2.1.5 Filtrage Optimal

L’approche par filtrage optimal est proposée par Canny , et cette dernière repose sur la
satisfaction de trois contraintes dépendantes des statistiques du bruit : une bonne détection , une
bonne localisation , et une seule réponse .

V.2.2. La morphologie mathématique

La morphologie mathématique est une théorie et technique mathématique et informatique


d'analyse de structures qui est liée avec l'algèbre, la théorie des treillis, la topologie et les
probabilités. Le développement de la morphologie mathématique est inspiré des problèmes de
traitement d'images, domaine qui constitue son principal champ d'application . Ils existent
plusieurs opérateurs de base morphologie mathématique, voila un trie par ordre croissant selon la
complexité et la richesse des propriétés :

41
V.2.2.1 Le gradient morphologique

Le gradient morphologique consiste effectuer la différence une dilate et une érodation d'une
image I, que ce soit en binaire ou en niveaux de gris , il donnera un contour épais dans le cas d’un
contour épais , ce problème peut être résolu par un amincissement homotopique ,et de même pour
le cas contraire , c'est-à-dire que le contour sera plus large par l’opérateur ,et tout ça dépend de
l'élément structurant utilisé , sachant qu’il existe plusieurs structure pour ce dernier .

Gradient-morphologique (I) = 1/2 (Dilate(I) - Erode(I))

Cercle carré hexagone

V.2.2.2 Le chapeau haut‐de‐forme

Figure II.13 . Exemple d’application de la morphologie mathématique sur une image

V.2.2.3 Le filtre de Laplacien

L’image représentant les contours de l’image peut s’obtenir par la convolution de l’image par
l’opérateur Laplacien. Les points de contours correspondent alors aux passages par zéro de
l’image résultant de la convolution précédente. Une opération de seuillage est généralement
nécessaire afin d’éliminer les contours correspondant au bruit .

L’opérateur Laplacien est défini comme suit :

+ Equation II.11

42
Où n et définissent deux directions orthogonales quelconques. En prenant les directions
définies par les axes Ox et Oy, on obtient l’expression classique :

+ Equation II.12

En discret, l’approximation la plus simple du Laplacien est donnée par l’application des masques
suivants :

[ ], [ ]

L’application de cette technique à l’extraction des contours d’une image ne permet pas d’obtenir
d’aussi bons résultats que ceux obtenus à l’aide de l’approche maxima locaux dans la direction du
gradient .

 L’ouverture et la fermeture : Une ouverture est une érosion suivie d’une dilatation et
une fermeture est une dilatation suivie d’une érosion .

 La squelettisation : Différentes méthodes ont été utilisées pour calculer le squelette dans
une image digitale. Elles sont souvent équivalentes. L'une d'elles fait intervenir la notion
de boule maximale d'un ensemble X .

V.2.2.4 La ligne de partage des eaux

Toute image en niveaux de gris, telle qu'une image de gradient couleur, peut être considérée
comme une surface topographique, contenant des monts, des plateaux et des vallées. La
transformation morphologique par LPE a pour but de diviser cette surface topographique en
différents bassins séparés par des lignes de partage des eaux . Ces LPE partitionnent l'image en
différentes régions homogènes . Et segmenter l’image en bassins versants , c'est-à-dire simuler

43
l’inondation du relief en empêchant l’eau d’un bassin versant de se répandre dans un bassin
versant contigu (construction de digues ou barrages) .

• Source d’eau (minima)


• Montée des eaux
• Barrage élémentaire à chaque point de rencontre des bassins
• Eau monte et on élève les barrages
• Altitude maximum étendues d’eau cernées par des barrages (LPE)

Figure II.14 . Méthode des lignes de partage des eaux

V.3. Les méthodes variationnelle

Les méthodes variationnelles offrent une alternative aux méthodes citées précédemment . Les
modèles déformables sont en effet peu sensible au bruit et gèrent de façon efficace les contours
irréguliers , de plus les modèles déformables appartenant au domaine continu, les contours obtenus
ont une précision supérieure à la résolution de l’image étudiée [40]. Ces méthodes sont beaucoup
employées dans l’imagerie médicale où la comparaison entre un modèle témoin et celui issu d’un
modèle déformable sur une image 2D ou 3D renseigne l’expert sur une possible anomal c'est-à-
dire d’autres approches consistent en un modèle déformable géométrique ou un modèle fondé sur
les ensembles de niveaux, le contour actif est alors défini comme une courbe de niveau

L’approche variationnelle regroupe tout un ensemble de méthodes pour la segmentation


d’images . Son principe est basé sur la minimisation d’une fonctionnelle d’énergie obtenue par des
méthodes de gradient de forme ou de calcul variationnelle . Généralement, le processus de
minimisation fournit l’équation d’évolution de la segmentation. De nombreuses solutions ont été
proposées pour tenir compte de l’attache aux données dans la segmentation, elles peuvent
néanmoins être classées en deux groupes. Le premier groupe correspond à des approches basées
sur une représentation par contour. L’attache aux données porte sur le contour de la région
segmentée .

44
VI . Conclusion

Dans ce chapitre nous avons présenté quelques notions de bases sur le traitement des
images médicales, et plus précisément la segmentation de ce type d’images et les filtres utilisés
pour éliminer le Speckle . La détection de contours des cavités du cœur dans des images ultrasons
ainsi que leurs segmentation est une tâche complexe dû principalement à deux problèmes : le
premier est que ce type d’images présente un haut niveau de bruit , appelé speckle . Le second
problème est que ces images ont un contraste faible . De très nombreuses équipes s'y sont
intéressées de manière plus ou moins approfondie. Un état de l'art exhaustif sort du cadre de ce
mémoire , et les domaines d'utilisation sont nombreux tel que : la reconnaissance de formes, la
simulation , le suivi de scènes , la segmentation d'images ….

45
Chapitre III
Etat de l’art des méthodes de segmentation par
contours actifs

46
Partie I

I. Introduction

Dans ce chapitre nous présentons une technique de segmentation adaptée à ce type


d’images. Au cours de la dernière décennie, la technique des contours actifs est
devenue très populaire pour une variété d’application, notamment la segmentation
d’images médicales et le suivi de mouvement. Cette méthodologie est basée sur
l’utilisation de contours déformables lesquels sont conformes à une variété de formes
d’objets et de mouvements. Ce chapitre fournit un aspect théorique et un aperçu des
méthodes de contours actifs avec différentes représentations , ainsi Comme un état de
l’art sur les différentes méthodes choisi .

Nous allons commencer par introduire les différents types d’énergies utilisées dans
la méthode des contours actifs et le principe des contours actifs qui se base sur la
minimisation de l’énergie totale , et par la suite à l’étude des méthodes des ensembles
de niveaux et les B-snake ainsi que l’algorithme Greedy , qui sont les méthodes de
segmentation utilisées dans notre travail .

II . Principe de la segmentation variationnelle

Les contours actifs ont largement contribué au succès et au développement de ces


approches. L’évolution de la segmentation est régie par une équation aux dérivées
partielles (EDP) généralement déduite de la fonctionnelle à minimiser. Il existe

47
certaines équations d’évolution ne dérivent pas toujours d’une approche énergétique,
c'est-à-dire de la minimisation d’une fonctionnelle .

Dans le cadre variationnel, le principe de la méthode revient à faire évoluer le


contour de la région en direction de l’objet à détecter en minimisant l’énergie. Cette
approche est toujours définie selon trois étapes :

1. Conception d’un critère d’énergie dont les minimums conduisent à la


segmentation de l’objet recherché. Ce critère peut être défini sur un domaine
ou sur un contour.

2. Minimisation du critère dans le cadre variationnel . Les outils mathématiques


mis en œuvre pour dériver le critère génère une EDP qui guide l’évolution de
la carte de segmentation vers un minimum local ou global de la segmentation.

3. Implémentation de l’équation d’évolution avec des méthodes appropriées (


snakes , courbes de niveaux ) .

II.1 Définition et principe de fonctionnement des contours actifs

Un contour actif est défini d’une façon générale comme un objet mathématique dont
la position, la forme, l’orientation, la topologie et la composition sont variables. C’est
un outil capable de se mouvoir automatiquement vers les données recherchées. Il est
décrit géométriquement et guidé par une loi d’évolution régissant ses déformations.

C’est est un ensemble de points qu'on va tenter de déplacer pour leur faire épouser
une forme. Il s'agit d'une technique d'extraction de données utilisée en traitement
d’images. L'idée de cette méthode est de déplacer les points pour les rapprocher des
zones de fort gradient tout en conservant des caractéristiques comme la courbure du
contour ou la répartition des points sur le contour ou d'autres contraintes liées à la
disposition des points.

Initialisation Evolution Convergence

48
Au démarrage de l'algorithme, le contour est disposé uniformément autour de l'objet à
détourer puis il va se rétracter pour en épouser au mieux ses formes. De la même
manière, un contour actif peut aussi se dilater et tenter de remplir une forme, il sera
alors situé à l'intérieur de celle-ci au démarrage de l'algorithme.

A chaque itération, l'algorithme va tenter de trouver un meilleur positionnement pour


le contour pour minimiser les dérives par rapport aux contraintes utilisées.
L'algorithme s'arrêtera lorsqu'il ne sera plus possible d'améliorer le positionnement ou
simplement quand le nombre maximum d'itérations aura été atteint. On utilise les
notions d'énergies interne et externe pour caractériser respectivement la forme du
contour et tous les éléments qui lui sont propres, et le positionnement du contour sur
l'image en tenant compte des lignes de gradient.

II .2 Les représentations paramétrique et implicite du contour actif

II.2.1. Une représentation paramétrique

Dans cette représentation, la déformation du contour est donnée par l’évolution des
points de contrôle. Elle peut être continue ou discrète. Le contour est décrit par un
ensemble de points de contrôle évoluant à partir de l’équation d’évolution, Un contour
paramétré par une longueur d’arc s est définit comme suit :

C(s) = * ( ) (( ( ) ( )) , -+ R 𝛀

Où [a,b] désigne la longueur du contour C, et 𝛀 désigne l’ensemble du domaine de


l’image I(x,y) . l’évolution du contour est régie par une fonction d’énergie E(C) ,qui
peut être défini sur le contour telle que :

( )= ( ) ( )

Figure III.1 Principe des contours actifs

49
II.2.2. Une représentation cartésienne ou implicite

Dans cette deuxième présentation, le contour est défini par le niveau d’une fonction
à deux variables. Cette représentation est à l’origine des contours actifs par ensemble
de niveaux. Dans la pratique, le contour correspond au niveau zéro d’une fonction
implicite définie sur une grille régulière. Ainsi, cette représentation est indépendante
de la paramétrisation du contour et elle permet les changements topologiques en « d »
dimensions.

II.3. Energies

Les différentes énergies entrant dans la composition de l’énergie totale et la façon


de les calculer pour un point sont décrites ci-dessous, l’énergie totale du contour actif
peut être donnée par la méthode de calcul de l’énergie totale :

Chaque itération peut se représenter de la manière suivante :

 calcul des énergies interne et externe, caractérisant le contour lui-même et son


positionnement sur l'image.
 pour chaque point du contour, détermination d'une nouvelle position, sur
laquelle le contour devrait mieux minimiser les écarts de contraintes.
 arrangement du contour pour qu'il respecte des contraintes d'écartement entre
les points, de régularité de points ...

II.3.1 Calcul d’énergie

Les énergies sont calculées comme suit pour chaque point de l’image :

II.3.2 Energie interne

L'énergie interne gère la cohérence de la courbe. Elle maintient la cohésion des


points et la raideur de la courbe . Elle ne dépend pas de l'image ni de la forme à
détourer, elle ne dépend que des points du contour. Elle regroupe des notions comme
la courbure du contour ou la régularité d'espacement des points . En effet , le contour

50
doit conserver une forme arrondie en minimisant les dérivées d'ordre 1, 2, ... et doit
empêcher un point de se détacher trop loin du reste du contour .

Idéalement, l'énergie interne est minimale pour un cercle où tous les points sont
régulièrement espacés, sa formulation est :

( ) ( )
∫ | | ∫ | |

( ) ( )
Les termes et sont les dérivées première et seconde de v par rapport
à s.

Les deux termes sont multipliés par deux coefficients de pondération, respectivement
de lissage ( α ≥ 0) et de rigidité ( β ≥ 0) . L’énergie est distribuée de manière régulière
tout au long du contour, et qu’un coefficient de rigidité nul induit une discontinuité du
second ordre donc le snack est autorisé a développer des coins

II.3.3 Energie externe ou « Energie de l’image »

L'énergie externe correspond à l'impact du contour sur l’image. Pour la calculer, il


faut considérer l'opposé de la valeur de son gradient (ou de toute autre représentation
mettant en jeu les contours à épouser) en chaque point du contour. Cette énergie
externe doit théoriquement être minimale si le contour épouse parfaitement la forme à
extraire. En sachant que la considération de l'opposé du gradient n’est faite que pour
avoir une énergie externe minimale à la convergence de l'algorithme.

∫ | ( ( ))| ds

Où I est l’image à traiter, I est le gradient de l'intensité de l'image et k une constante


réelle, dont le signe permet de créer localement un mouvement de contraction ou de
dilatation

II.3.3.1 Gradient

Le gradient est peut être définit par les zones de fort contraste de l’image , et il est
obtenu par la minimisation de l’énergie donnée par :

( ) ∫ ‖ ( ( ))‖

Où ( ( )) représente le gradient de l'image I en v(s) .

51
Et c’est très fréquemment que le gradient de l’image filtrée par une gaussienne qui
est utilisé
∫ ‖ ( )( ( ))‖

Où est la gaussienne centrée d'écart type

II.3.3.2 Intensité [49]

Cette énergie, au contraire, permet de sélectionner les zones sombres ou claires selon
le signe choisi.
∫ ( ( ( )) ) ds

La valeur introduit un certain seuillage. On peut ainsi favoriser la position du


contour dans une zone donnée.

II.3.3.3 Champ de flux de vecteurs gradients (GVF)

La minimisation des énergies obtenue revient à diffuser les vecteurs gradients de


l’intensité de l’image , tout en sachant qu’un champ de flux de vecteurs gradients
comme un champ de vecteurs associé à cette dernière , il s’agit donc d’une nouvelle
force externe qui se traduit par la diffusion isotropique d’un flux externe . Ils
nomment leur technique « Gradient Victor Flow » (GVF) qui représente un champ de
vecteur : ( ) , ( ) ( )- , qui minimise la fonctionnelle d’énergie :

Figure III.2. Propagation d’une courbe avec une vitesse F dans sa direction normale

52
II.3.4. Energie de contexte [49]

L'énergie de contexte, parfois appelée énergie de contrainte, permet d'introduire des


connaissances a priori sur ce que nous cherchons . Parfois l’énergie de ballon introduit
par Laurent D.Cohen est appliquée pour cette rubrique. L’intensité de l’énergie
ballon est un scalaire généralement négatif ( expansion du ballon ) proportionnelle à
l’aire intérieur du contour , elle devient :

( ) ∬

II.4 Minimisation de l’énergie

C’est à partir de la combinaison de ces trois différentes énergies , que l’on peut
avoir la solution d’un problème dont la solution est le contour recherché , une
multiplié d’approches reste pour l’implémentation .

Après le calcul de l'énergie globale dégagée par le contour et par son


positionnement sur l'image, il convient de déterminer comment le faire évoluer pour
minimiser cette énergie. Pour cela, une méthode simple et intuitive est d'observer les
pixels voisins immédiats de chaque point du contour pour déterminer pour chacun
d'eux l'énergie globale du snake, chaque meilleur voisin devenant un point du contour
.

La formulation du problème des contours proposée par [27] ne prend en considération


que les énergies de lissage et de rigidité et le gradient comme attache aux données.

53
II.5 Avantages et limite des contours actifs

II.5.1 Avantages

La méthode des contours actifs présente plusieurs avantages par rapport aux autres
méthodes , elle peut être utilisée dans divers domaines comme la reconstruction 3D ,
le suivie d’objets en mouvement dans une séquence vidéo , dans le fait qu’elle permet
de :

• Segmenter efficacement des images de différentes natures sans connaissances à


priori sur la géométrie des objets à extraire

• Offrir à l’utilisateur la possibilité d’ajouter à tout moment des potentiels


d’attraction afin de contrôler la convergence du contour

II.5.2 Limites ou faiblesses

Cette méthode présente aussi plusieurs inconvénients :

• A l’initialisation, le contour doit être le plus proche possible de l’objet à détecter au


risque de ne pas être attirer par l’objet à cause de la portée réduite du gradient de
l’image.

• Le positionnement des paramètres des différents éléments des énergies reste un


point très délicat à prévoir , ces valeurs sont liées à la forme à extraire. La forme va
beaucoup jouer, notamment dans ses concavités où les points du snakes ne peuvent
s'aventurer sans pénaliser leur énergie interne en augmentant leur courbure. Les
pondérations s'obtiennent le mieux via un tuning après déjà plusieurs exécutions pour
affiner les résultats ou le comportement fin du snake ces valeurs sont liées à la forme
à extraire.

 Le Snake converge vers un minimum d'énergie local .

 La contrainte de régularité interdit les changements de topologie, plusieurs


objets ne peuvent être détectés simultanément sans utiliser de procédures
spéciales, et l’objet unique doit être convexe.

 Les contours actifs s'avèrent très pertinents pour isoler des formes convexes
régulières et idéales.

54
 Un autre aspect non négligeable mais non directement lié à la méthode des
snakes réside dans l'image à analyser.

 La position des points au démarrage de l'algorithme : le snake doit entièrement


entourer la forme dans le cas d'un rétrécissement et il doit entièrement être
contenu dans celle-ci dans le cas d'une dilatation. Sinon on se retrouvera dès le
début avec des problèmes d'énergie externe.

III. La méthode des Level Set

IV . La méthode des B-Spline-Snake

Les contours actifs sont des techniques de segmentation permettant d’extraire un


objet d’intérêt d’une image . Cette segmentation nécessite une phase dynamique du
contour qui évoluera itérativement au cours du temps , de sa position initiale vers les
bords de l’objet à extraire . Une telle évolution temporelle peut se formaliser
mathématiquement sous la forme d’une équation d’évolution exprimant la vitesse du
contour actif . Il existe fondamentalement deux façons de représenter un contour
actif : ( Une représentation explicite , Une représentation implicite )

La représentation explicite du contour actif a émergé en premier grâce aux travaux


de Kass déjà cité. Cette représentation consiste à paramétrer le contour actif par un
paramètre arbitraire qui est le temps. L’idée est de représenter un contour actif par des
polynômes à support compact a eu un énorme succès, en particulier le modèle appelé
« B-snake » utilisant des courbes B-splines , dans cette partie de ce chapitre , on va
détailler les deux représentations des contours actifs ( B-snake et les level set ) .

55
IV.1 Les B-Spline Snake pour la segmentation d’images

L’implémentation d’un contour actif par une courbe spline est une approche
classique et l’on appelle, dans la littérature. Les Snakes en tant que splines sont des
courbes fermées dont l’évolution est régie par la minimisation d’une fonctionnelle
d’énergie [8]. Elles sont reconnues comme une approche performante et réellement
utile dans des domaines tels que l’analyse d’imagerie médicale [9] .

Les Splines s’intègrent efficacement dans le modèle des Snakes , puisqu’elles


permettent de caractériser par un vecteur de points de contrôle une courbe paramétrique
continue. Lorsqu’on utilise une spline pour représenter la courbe du Snake, le modèle est
appelé B-Snake ou B-spline Snake [35] .

IV.1.1 Interpolation des courbes par B-splines

La théorie des splines est approfondie et exposée d’une façon détaillée dans
beaucoup de travaux [4] , et on va tenter de développer seulement les éléments
nécessaires pour la compréhension de son usage dans cette thèse.

Ils existent des éléments généraux basiques qui seront le soutien de la méthode de
segmentation par B-Spline Snake pour les courbes des contours des cavités et de
l’analyse du cœur dans les images échographiques .

IV.1.1.1 Principe des Splines

Dans le domaine mathématique de l'analyse numérique, une spline est une fonction définie
par morceaux par des polynômes. Pour problèmes d'interpolation, la méthode des splines est
souvent préférée à l'interpolation polynomiale, car on obtient des résultats similaires en se
servant de polynômes ayant des degrés inférieurs .

Une Spline de degré n est une fonction polynômiale par morceaux de degré n qui est
continue de classe à chaque nœud. Une courbe spline est définie par n+1 points
de contrôle et n+1 fonctions de pondération :

 Les fonctions de pondérations sont définies sur des intervalles [ ]


 U=( ) est appelé vecteur de points nodaux
 Les fonctions de pondération sont des splines d'ordre m (des polynômes par
morceaux continus d'ordre m-1 aux nœuds)
 P est une fonction spline polynomiale de degré m-1 s’il elle vérifie les
conditions suivantes :
1. P est un polynôme de degré m-1 sur chaque intervalle [ ]

56
2. P est de classe

IV.1.1.2 Les Splines d’interpolation et d’approximation

A) Les splines d’interpolation (collocation) passent, par définition, par les points
de contrôle. Par exemple: splines linéaires (polylignes), splines cubiques.

B) Les splines d’approximation peuvent passer par certains points de contrôle,


mais en général, ne passent pas par tous les points. Par exemples: courbes de
Bézier, B-Splines, NURBS ( Non Uniform Rationnel B-Spline )

Figure III.3. Schéma de la structure d’un segment de Spline

IV.2. Les B-Splines

Les B-splines sont des fonctions polynomiales par morceaux, définies sur un
vecteur de nœuds . Les Splines associées à un vecteur de nœuds peuvent être
représentées en termes de combinaisons linéaires de fonctions B-splines. Les B-
splines sont donc une base de l’espace des Splines pour ce vecteur de nœuds [49] , ils
sont :

• Plus complexe que la définition d’une Courbe de Bézier

• On construit la courbe avec un polygone convexe ( polygones identique aux


courbes de Bézier )

• Le degré de la courbe est indépendant du nombre de points du Polygones

• Le paramètre u varie entre deux valeurs et et définit par une séquence


nodale

57
• Si le degré de la courbe est égal au nombre de points du alors la Bspline est
équivalente à une Courbe de Bézier

• Possibilité de faire de l’approximation et de l’interpolation.

IV.3 Les B-Splines dans le contexte des Snakes

Ils existent plusieurs travaux concernant les capacités du Snake , et qui ont été
largement exploitées dans la littérature. Et il est clairement apparu souvent une
application apporte une amélioration au modèle original . Cela peut concerner la
représentation géométrique du contour ou encore le modèle de déformation et de
régularisation . Nous évoquerons d’abord dans cette partie du chapitre la
représentation d’un contour par une interpolation B Spline . Les travaux de [30]
l’exploitent à travers le B-Snake pour diminuer l’ordre du système à résoudre dans la
minimisation d’énergie d’un contour actif.

L’intérêt de l’utilisation des B‐Splines vient de ses propriétés implicites, notamment :

 Un contrôle local : La modification d’un point de contrôle ne modifie qu’une


partie de la courbe. Cela provient du fait que les fonctions de base des B‐Splines
sont à support borné.

 Un contrôle de la continuité : Les Splines uniformes d’ordre k + 1 (donc de


degré k) sont continues.

L’énergie d’un B‐spline Snake est calculée en substituant V(t) par S(t) dans l’équation du
modèle introduit par Kass et Witkin

= ( ( )) ( ( )) ( (t))

V . L’algorithme Greedy ( Glouton )

Un algorithme est dit glouton (Greedy en anglais) lorsqu'il fait le choix de l'optimum
local à chaque étape. Par exemple un algorithme de routage glouton choisit à chaque
étape de continuer vers le voisin qui est le plus proche de sa cible [Net3] , dans le but
de minimiser le nombre total d'étapes. Il est à noter que si le choix est optimal
localement à chaque étape, la solution trouvée par un algorithme glouton n'est pas
forcément optimale globalement.

58
Un ensemble d’auteurs ont proposé l’algorithme « GREEDY » William et Shah [16] ,
cet algorithme est devenu une alternative assez fréquente à l’approche variationnelle ,
ces auteurs ont discrétisé l’expression :

∫ ( ( )) . ( )| ( )| ( )| ( )| /

Par les différences finies

‖ ‖ =‖ ‖ =( ) ( )

L’algorithme greedy autorise l’introduction d’autre contraintes par rapport à celui des
B-snakes

V.1 Contour actif et l’algorithme Greedy

La méthode des contours actifs est une méthode générique . Elle peut être abordée
suivant une approche continue ou suivant une approche discrète. Dans le cas continu,
la courbe C est confondue avec sa représentation paramétrique, la fonction continue v
à valeur dans le plan P. On note ( s ) une abscisse curviligne v : , - , ( )

V.2 Principe de l’algorithme

Le principe de l'algorithme glouton (Greedy Algorithm) est de faire toujours un


choix localement optimal dans l'espoir que ce choix mènera à une solution
globalement optimale [17], et on dit pour un algorithme qu’il est glouton lorsqu’il
recherche la solution du problème par une tactique locale ne prenant pas en compte la
vision d’ensemble du problème et sans jamais revenir en arrière . Comme une goutte
d’eau dévalant la colline pour atteindre le point le plus bas et qui prend toujours la
plus forte pente locale, au risque de se retrouver dans une cuvette.

59
V.3 L’algorithme GREEDY

Faire

Pour tous les points du snake

Pour tous les points du voisinage

Calculer les énergies

FinPour

Pour tous les points du voisinage

Normalisation

FinPour

Minimiser pour obtenir le nouveau point

FinPour

Jusqu’au critère d’arrêt

V.4 Caractéristiques des algorithmes gloutons [12]

1. Les algorithmes Gloutons choisissent chaque optimum local sans considérer


les conséquences futures ni revenir en arrière

2. Les algorithmes Gloutons construisent la solution optimale par une succession


d’optimisations locales

3. Les algorithmes gloutons sont rapides et peu coûteux

4. Lorsqu’elle existe, la solution finale n’est pas forcement la solution optimale


générale, mais dans certains cas, elle peut en donner une bonne approximation.

5. Les algorithmes Gloutons ne donnent pas toujours de solution

V.5 Exemples classiques

60
Les algorithmes de Prim et de Kruskal de calcul d’un arbre de recouvrement d’un
graphe de poids minimal, l’algorithme des plus courts chemins dans un graphe de
Dijkstra, le code de Huffman, de nombreuses versions de problèmes d’affectations de
tâches . Pour mettre au point un algorithme glouton, il faut donc :

1. Trouver un critère de sélection: souvent facile ... mais pas toujours


2. Montrer que le critère est bon, c.à.d. que la solution obtenue est optimale:
souvent dur
3. L’implémenter: en général facile et efficace

Deux exemples pour l’implémentation de l’algorithme glouton :

V.5.1 Les pièces de monnaie

On dispose des pièces de monnaie correspondant aux valeurs * + , avec


1= a2 < , Pour chaque valeur le nombre de pièces est non borné. Etant
donnée une quantité c entière , on veut trouver une façon de " rendre " la somme c
avec un nombre de pièces minimum.

V.5.2 Un raisonnement type

Le problème: sont données n demandes de réservation pour une salle, un équipement


« S» , avec pour chacune d’entre elles l’heure de début et de fin (on supposera qu’on
n’a pas besoin de période de battement entre deux réservations). Bien sûr, à un
instant donné, l’équipement ne peut être réservé qu’une fois. On cherche à donner
satisfaction au maximum de demandes.

61
Partie II

I. Introduction

Au cours de la dernière décennie, la technique des contours actifs est devenue très
populaire pour une variété d’application, notamment la segmentation d’images
médicales et le suivi de mouvement. Cette méthodologie est basée sur l’utilisation de
contours déformables lesquels sont conformes à une variété de formes d’objets et de
mouvements. Il existe deux principales approches de contours actifs basés sur une
implémentation mathématique: les snakes (serpents) et les level sets (ensembles de
niveaux). Explicitement les snakes déplacent un ensemble de points prédéfini basé sur
un système de minimisation d’énergie. Tandis que les approches des ensembles de
niveaux déplacent implicitement des contours comme un niveau particulier d’une
fonction.

Ce chapitre fournit un background théorique et un aperçu des méthodes de contours


actifs. Bien qu’initialement développés pour des problèmes de vision par ordinateur,
le potentiel des contours actifs pour l’analyse d’images médicales est important. Ils
sont utilisés pour traiter tous les types d’images médicales et pour la plupart des
structures anatomiques.

II . Travaux antécédents

La segmentation en imagerie échocardiographique représente un enjeu important


pour l’aide au diagnostic des pathologies cardiaques. Cependant elle est rendue très
difficile par les propriétés physiques de l’acquisition ultrasonores ainsi que par la
complexité de l’anatomie cardiaque. Parmi ces difficultés nous trouvons :

 Les phénomènes d’interférence et de diffusion qui sont à l’origine du


« speckle ».

62
 Les phénomènes d’atténuation et de diffraction qui produisent un contraste
variant à travers l’image.

 Le signal renvoyé par le tissu dépend de la position de celui-ci et de son


orientation par rapport à la sonde ; en particulier, une paroi perpendiculaire à
la direction de propagation du signal renvoi un écho fort dit spéculaire, alors
qu’une paroi parallèle à la direction de propagation renvoi un signal très
faible, dit rétrodiffusé ; de même l’intensité du signal rétrodiffusé dépend de
l’orientation des diffuseurs dans le tissu (fibres musculaires).

 Etant donné la complexité de l’anatomie cardiaque et le champ d’observation


de la sonde ultrasonore qui est restreint, les structures cardiaques peuvent se
situer en dehors du secteur imagé et sont ainsi difficilement délimités. De plus,
au cours du cycle cardiaque, ces structures peuvent subir des variations de
forme et de topologie (apparition et disparition).

Du fait de ces difficultés, la segmentation de ce type d'images est actuellement encore


un problème ouvert, qui a fait l'objet de très nombreuses études, ainsi que le montre la
récente revue extensive de ( A. Noble ) . Ces études font appel à des d'approches très
diverses : logique floue , champ de Markov , réseaux de neurones, phase locale de
l'image, modèles actifs d'apparences , fusion d'information , approches bayésiennes .
Parmi ces approches les méthodes basées sur les contours actifs ont reçu une
attention particulière [26][27] .

Les modèles déformables peuvent être classés selon trois aspects fondamentaux : la
représentation , l'évolution et l'attache aux données . La représentation est la manière
dont le modèle est implémenté .

On distingue notamment les modèles explicites , comme les polygones et les


maillages, des modèles implicites basés sur les ensembles de niveaux . Ces derniers
représentent le contour ou la surface par une fonction à valeur réelle de même
support que l'image . De par leur définition et leur discrétisation sur le domaine entier,
ils permettent naturellement les changements de topologie, ce qui peut être un
avantage pour certaines applications [30] . Quelle que soit la représentation, il est
nécessaire de déformer le modèle. C'est le rôle de la méthode d'évolution effectué
généralement par une minimisation numérique de la fonctionnelle d'énergie [32] .

II.1 Segmentation d’images à base de modèles déformables [3]

II.1.1 Objectif du travail

63
Cette étude est basée sur les approches de segmentation par les modèles déformables ,
le premier approche basé sur la minimisation d’énergie des courbes (Snakes), et le
deuxième est basé sur la méthode variationnelle de PDE implémenté par la méthode
des level sets , une série de tests a été réalisés sur des images de synthèses et des
images réelles , ainsi qu’elle a été présenté afin d’analyser le comportement de
chaque approche et pour cela une comparaison entre les deux méthodes des snakes et
du modèle de Chan et Vese a était faite sachant que la deuxième méthode a été
développée pour palier au problème posé par le premier modèle tel ( la sensibilité du
modèle à plusieurs paramètres α, β, γ etc. et un comportement erroné , son incapacité
à changer de topologie. l’obligation d’initialiser ce modèle proche des contours
désirés ) , puisqu’elle a permis de réduire le nombre de paramètres. Les valeurs de
ces paramètres sont fixées à des valeurs prédéfinies. L’utilisation de l’approche
« level set » dans cette méthode a permis au modèle de changer de topologie, et a
permis également une implémentation beaucoup plus facile.

Mais son inconvénient notable est l’augmentation du temps d’exécution élevé par
rapport à la première méthode , car son algorithme nécessite plus d’itérations car
tous les pixels de l’image interviennent, ce qui accroît considérablement la taille du
système à résoudre.

Figure III.4.a. Les deux représentations mathématiques des modèles déformables

64
Figure III.4.b. Les limites de GVF ((a), (b) et (c)) et GGVF ((d), (e) et
(f)) (initialisation, évolution et résultat final).

Figure III.4.c Une segmentation avec une courbe initialisée de façon à


englober tous les objets de l’image, pour μ =( ) , et nombre itération = 60.

Figure III.4.d Une segmentation avec une courbe initialisée de façon à ne


pas englober tous les objets de l’image, pour μ=( ) , et nombre itération =
60.

II.2 Segmentation d'images échocardiographiques acquises en "US tagging" par


les ensembles de niveaux contraints par a priori de mouvement [35]

II.2.1 Objectif

L'imagerie échographique est une des principales modalités d'imagerie cardiaque,


dans la mesure on elle permet une acquisition temps réel et non-invasive des
structures cardiaques. La segmentation du muscle cardiaque (myocarde) dans ces
séquences représente donc un objectif important pour l'analyse de la fonction
cardiaque et l'aide au diagnostic. Cette segmentation s'avère cependant
particulièrement difficile, du fait des spécificités de la formation de l'image
ultrasonore cardiaque qui conduit à des inhomogénéités et à un faible contraste entre
le myocarde et les tissus environnants.

L'objectif de ce travail correspond au développement d'une méthode de


segmentation basée sur les ensembles de niveaux permettant une segmentation fiable
et rapide de séquences d'images échocardiographiques, en utilisant conjointement les

65
propriétés statistiques de ces images et une estimation du mouvement cardiaque entre
chaque image .

Les ensembles de niveaux correspondent à une classe particulière de modèles


déformables, où la forme à segmenter est détectée en propageant une interface
formellement représentée comme le niveau zéro d'une fonction implicite. Les travaux
réalisés dans l'équipe Imagerie Dynamique ont permis de développer une
représentation particulière de la fonction implicite, conduisant à un algorithme de
segmentation efficace en termes de temps de calcul et basé sur les statistiques de
l'image [1,2]. Les particularités mentionnées ci-dessus rendent cependant difficile son
application directe à une séquence d'images échocardiographiques.

En termes d'acquisition, les travaux réalisés au sein de l'équipe Imagerie Ultrasono4e


ont permis de développer une méthode de formation spécifique de l'image
ultrasonore, appelée "US tagging" et permettant d'estimer le champ de déplacement
correspondant au mouvement cardiaque dans la séquence d'images .

Sur le plan méthodologique, le candidat devra adapter le formalisme des ensembles de


niveau afin d'intégrer cette donnée de champ de déplacement et ainsi de contraindre
l'évolution du modèle déformable basée sur les statistiques image.

L'algorithme résultant sera en premier lieu évalué sur des simulations numériques
réalisées en collaboration avec le laboratoire Medical Computing Lab (Université de
Leuven, Belgique). Il sera ensuite appliqué à des séquences d'images acquises sur des
fantômes physiques de mouvement connu et enfin testé sur des images expérimentales
acquises in-vivo.

II.3 Filtrage anisotrope robuste et segmentation par B-spline snake : application


aux images échographiques [46]

Les travaux réalisés dans cet article portent sur l’extraction de contours en imagerie
médicale ultrasonore. Cette étude a été réalisé au sein de l’équipe Vision par
Calculateur André Bruel , du laboratoire d’informatique et mathématiques appliquées
de l’école nationale supérieure d’électrotechnique ,d’informatique et de
télécommunication de Toulouse, dont le but est de :

 concevoir une méthode robuste de filtrage


 intégrer cette technique dans une approche robuste pour la segmentation des
cavités cardiaques.

Et pour cela, le modèle des B-spline snakes a été utilisé pour segmenter les cavités
cardiaques , dont son intérêt majeur est l’exploitation d’un contour déjà fermé , mais
bien sur après la mise en œuvre de la première étape de diffusion anisotrope . Et
comme dans tout modèle de contours actifs, une minimisation d’une fonctionnelle

66
d’énergies est exploitée. Celle-ci se compose de trois termes. Le premier est une
nouvelle énergie externe basée sur l’amplitude et le gradient du coefficient de
variation local et qui rend l’approche proposé plus efficace pour segmenter les
images affectées par le speckle. Le deuxième terme est une énergie externe fondée
sur le champ de vecteurs gradients du coefficient de variation, et qui assure
l’expansion du snake et son guidage vers les contours. Le champ de vecteurs est aussi
utilisé pour proposer une initialisation quasi-automatique originale pour contours
actifs paramétriques. Enfin le troisième terme est une énergie interne analogue à celle
proposée par Jacob. Elle permet de forcer le B-spline snake à maintenir une
paramétrisation uniforme , le travail effectué se résume dans le schéma suivant :

Figure III.3.a. Processus global de la segmentation par la méthode des B-Spline


Snake

II.4 Ensembles de niveaux robustes au speckle et recalage B-spline: application à


la segmentation et l'analyse du mouvement cardiaque par des images ultrasons [34]

II.4.1 Méthode

La première contribution de ce travail a consisté à remplacer la fonction d’arrêt


classique par la fonction de poids du M-estimateur de Tukey. Nous avons montré que
cette nouvelle fonction a toutes les propriétés mathématiques que doit avoir une

67
fonction d’arrêt. La fonction d’arrêt classique dépend de l’opérateur gradient pour
détecter les contours.

Et la deuxième contribution a utilisé le coefficient de variation comme détecteur de


contours au lieu du gradient. Le coefficient de variation est une statistique plus
robuste que le gradient d’intensité permettant une meilleure détection de contours
dans les images ultrasons. Dans la pratique, la fonction d’arrêt classique d’un contour
actif ne permet pas d’arrêter l’évolution de la courbe du fait qu’elle ne s’annule jamais
totalement sur les contours. Ces deux contributions ont permis d’adapter le contour
actif aux images ultrasons, de manière à arrêter entièrement l’évolution de la courbe
sur les contours. En outre, nous avons proposé une méthode automatique pour le
calcul des paramètres de la fonction d’arrêt.

II.4.2 Résultats du travail réalisé

Figure III.4.1. Segmentation basée sur la méthode proposée

68
Le problème de cette thèse a été opté par l’utilisation d’une méthode de contour actif
implicite. Le choix de cette technique a été dicté par le besoin de segmenter les quatre
cavités, ce qui serait difficile avec un contour actif explicite. Cependant, la
prédominance du speckle dans les images échographiques a amené à concevoir un
contour actif robuste. Ainsi qu’ une fonction d’arrêt pour une équation d’évolution qui
s’annule totalement sur les contours. Ceci a été rendu possible par l’introduction d’un
détecteur de contours fondé sur la norme de Tukey et le coefficient de variation.
Malgré cette fonction originale, la faible résolution des images échographiques
causait la détection de contours non fermés. Afin de remédier à ce problème ,un
détecteur par un réseau de neurones supervisé a permis d’obtenir des résultats
satisfaisants. La comparaison de ces résultats, par l’indicateur quantitatif FOM, avec
une méthode représentative de la littérature ont montré la pertinence de l’approche
proposée.

II.5 Une comparaison des approches de réduction du speckle dans les images
échographiques médicales [11]

Plusieurs méthodes ont été proposé pour la réduction du spekle présent dans les
images médicales échographiques , les modèles statistiques ont été choisis pour
améliorer les images ( bruit et signal ) , d’autres méthodes utilisent des techniques
adaptatives et des approches basée sur les transformations .

L’article présente une nouvelle méthode de réduction de bruit basé sur « wavelet
transform » pour les images échographiques , des résultats expérimentaux de la
comparaison de cette dernière avec le filtre médian et celui de wiener , ont montré
que la méthode présenté a eu un rendement plus satisfaisant que les résultats des
autres filtres . Mean Absolute Error ( MAE ) et le rapport signal sur bruit ( SNR ),
sont utilisé comme des mesures de performance de la qualité d’images parce que ces
derniers sont les meilleurs mesures pour le speckle .Les résultats de la méthode
proposé ont été présenté et comparé avec celles des autres méthodes de dé-bruitage
conventionnelles ( médian et wiener ) , les filtres décrits ici sont appliqué sur des
images échographiques .

69
Figure III.5.1. Le filtre wavelet ( méthode proposée )

Premièrement le filtre de Wiener classique n’est pas adéquat parce qu’il est
spécialement destiné à la suppression du bruit additif , Jain a dévellopé une approche
homomorphique en prenant le logarithme de l’image et convertit le bruit multiplicatif
en bruit additif et appliquer le filtre de wiener et aussi le filtre médian adaptatif peut
efficacement supprimer le speckle mais ne préserve pas les contours ou bien les
détails de l’image .( Filtre Passe –Bas ). Les résultats de simulation obtenu par le
traitement des images échographiques .

70
Un algorithme d’amélioration d’une image échographique basé sur la transformé
d’onde laissé . L’énergie du speckle a été comparé à l’énergie du signal par
l’utilisation des statistiques de magnitude des coefficients dans l’image décomposée.
Dans l’algorithme proposé , la discrimination du bruit par rapport au signal , on
obtient l’information structuré à partir de l’image décomposé en onde (wavelet) pour
chaque échelle de résolution , basé sur l’information structuré .
Un filtre directionnel et les procédures de réduction du bruit à une image multi
résolution ont été appliqués adaptativement.

Les résultats expérimentaux montrent que l’algorithme proposé améliore la qualité


d’image subjective sans la génération de l’objet notable et permet d’avoir une
performance meilleure par rapport aux schémas d’amélioration existant. Il est noté

71
que l’algorithme proposé peut être facilement adapté pour le dé-bruitage pour d’autres
types d'images biomédicales discrimination .

II.6 Contours actifs implicites pour la segmentation d’images m dicales [13]

La segmentation d'images est en général très difficile à réaliser car les images
naturelles sont diverses, complexes et la manière de les percevoir varie selon les
individus. L’approche abordée dans ce travail est la technique des contours actifs
implicites. La méthode des contours actifs est l’une des méthodes efficaces pour la
segmentation d’images, et elle peut êtres divisé en deux approches : l’approche
contour et région, ces deux approches présentent des avantages et des inconvénients,
le choix de l’approche dans une application dépend de différents types et
caractéristiques des images , l’approche « régions » présente des avantages par
rapport a l’approche « contours » parce qu’elle n’utilise pas le gradient de l’image
mais elle utilise les statistiques régionales. En plus elle n’est pas sensible à
l’initialisation (elle ne dépend pas de la position initiale de la courbe).

Dans ce modèle amélioré , une méthode de contours actifs basée approche région
pour la segmentation d’images a été mise en œuvre dans le cadre de la formulatioel
sets. Cette dernière est capable de segmenter des images avec des intensités non
homogènes. Les résultats pratiques aussi montrent les performances désirables de la
méthode pour des images avec des contours de faible contraste. La comparaison avec
le modèle de Chan&Vese montre les avantages du modèle amélioré en termes
d’efficacité et de précision.

II.6.1 Méthode

Pour ce travail, la segmentation a été réalisé à l’aide d’une nouvelle version améliorée
pour le model de Chan&Vese pour la segmentation des images avec intensités non
uniformes. L’idée de base est d’introduire une fonction gaussienne pour définir
l’énergie de raffinement locale dans la formulation vibrationnelle du modèle. La
fonctionnelle d’énergie de raffinement locale qui a été déjà introduite dans un autre
modèle proposé par , la réinitialisation du contour n’est pas nécessaire pour la
méthode proposé . La fonctionnelle d’énergie entière est définie comme suit :

f( ) ( ) ( )+ L(Ф)

Des variations des deux fonctions c1(x) et c2(x) sont calculés afin de minimiser la
fonctionnelle d’énergie.

72
( )[ ( ( )) ( )]
( )
( ) ( ( ))
( ) 0. ( ( ))/ ( )1
( )
( ). ( ( ))/ ( )

Le modèle proposé réside sur l’utilisation de l’équation aux dérivées partielles (EDP)
de l’équation d’énergie en utilisant le flux de descente du gradient :

( )( )+ ( ) div . /+ 4 .| /5
| | |

L’application de cette méthode sur des images médicales à montré qu’elle peut être un
outil pour la segmentation d’images et ainsi apporter un outil d’aide au diagnostic au
praticien.

II.6.2 Résultats et discussion

Figure 1 figure 2

Figure III.6.1. Application de notre méthode sur une image synthétique et deux
images réelles. Colonne1 : Contours initiaux ; Colonne2 : Contours finals.

Figure III.6.2. Application de la méthode sur l’image de la rétine (2000 itérations).

 Comparaison avec le model de Chan et Vese

73
Figure III.6.3. Comparaison de notre méthode avec celle de Chan&Vese
Colonne1 : Contours initiaux ; Colonne2 : Résultats de Chan&Vese
Colonne3 : Résultats de notre méthode.

Tableau III.6.1 CPU time (en second) pour les deux méthodes de segmentation pour
les images de la figure 6 dans l’ordre.

Les figures III.6.1 et III.6.2 montrent les résultats de segmentation par la méthode
proposée sur une image synthétique et deux images réelles (vaisseaux sanguins). Et
ces derniers montrent que le modèle de Chan&Vese échoue à localiser correctement
les différentes branches pour l’image réelle et l’objet de faible contraste pour l’image
synthétique. Contrairement aux résultats de la segmentation de l’approche proposé qui
sont vraiment satisfaisante pour les trois images. Les objets de faibles contrastes et les
régions non homogènes des vaisseaux sanguins sont bien détectés.
Et même pour une image synthétique bruitée avec trois objets et avec intensités non
homogènes, et cette méthode est efficace pour la segmentation de plusieurs objets
avec régions homogènes ou non.

Finalement une comparaison entre le modèle proposé et le modèle de Chan & Vese
et la figure III.6.3 montre les résultats du modèle (la troisième colonne) et celui de
Chan&Vese (la deuxième colonne) en utilisant le même contour initial (la première
colonne) . Le modèle proposé est supérieur en termes de précision, du a son capacité à
utiliser l’information local d’image. Ceci est montré sur l’image de la rétine (figure
III.6.3). Puisqu’il arrive à extraire les différents vaisseaux rétiniens de contrastes et

74
tailles différents, comme il arrive efficacement à remédier à ce problème, ce qui est
montré sue les images des vaisseaux sanguins, ce qui n’est pas le cas pour le modèle
de Chan &Vese .

II.7 Comparaison de deux méthodes de segmentation par contours actifs : les


snakes et les level sets pour la segmentation d’IRM de hanche [5]

Ce travail est effectué par l’équipe d’imagerie vasculaire et biomécanique de l’U.T


de Compiègne pour une application en pédiatrie portant sur une maladie de croissance
chez les enfants : l’ostéochondrite primitive de la hanche , est une maladie qui se
définie par une nécrose ischémique de l'épiphyse fémorale supérieure, atteignant la
tête fémorale et le cartilage de croissance .

II.7.1 Méthode utilisée

Dans ce travail une comparaison entre deux méthodes de segmentation par contour
actif les snakes et les level sets a été réalisé , afin de voir laquelle présente des
meilleurs résultats pour la segmentation des images IRM de hanche afin de faire un
bon diagnostic de la maladie déjà citée . Et la mise en œuvre de cette application
devait passer par deux phases successives :

La phase de prétraitement pour améliorer la qualité des images sachant que cette
dernière se décomposait en deux étapes , un dé-bruitage des images par préservation
de phase suivi par un filtrage anisotropique .

Ainsi que la phase de segmentation qui s’est fait par deux méthodes de différentes
approches, l’une se base sur une représentation implicite du contour actif et l’autre
qui est les level sets se base sur une représentation paramétrique

Les ensembles de niveaux « Level Set »

Le schéma numérique de l’équation de déplacement de l’interface est décrit par


l’équation :

( ) ( ) | |, , -
Avec

( ̅ )= , fonction d’appartenance définissant la zone ou l’objet à


rechercher .
K= | |
, courbure locale en chaque point de l’interface
( )

75
L’initialisation est réalisée avec une ou plusieurs formes de départ.

Les Snakes

L’évolution du snake est régie par la minimisation d’une équation d’énergie (E(C)).
Cette évolution s’arrête grâce à un critère d’arrêt correspondant à une contrainte de
stabilité. Cette énergie peut se décomposer en trois termes :

( ( ) | ( )| ( ) | ( )| )⁄
( ( ))= s , -

( ( ))= | ( )|

L’énergie du snake choisie prend en compte que l’énergie interne ( ) et l’énergie


potentielle ( )

E( C ) =

Les trois fonctions d’arrêt (k1, k2, k3) et la fonction d’appartenance choisis
sont résumées dans le tableau 1

Tableau III.7.1. Equation des différents paramètres caractérisant notre level Set .

Pour le snake, le choix des paramètres étaient comme suit : α=1, β=1 et γ=1.2 ,
et une interpolation avec une spline cubique sur les différents points du snake
a bien fait la courbe de segmentation

76
II.7.2 Résultats et discussion

Tableau III.7.2. pourcentage d’erreur par rapport à la mesure de surface de


référence avec: (1) la pataoïde à contour lisse, (2) l’étoile et (3) le U. Pour les
level sets, les résultats sont obtenus pour un critères d’arrêt. Avec une
initialisation simple (a) et une multiple (b) . Ces résultats n’ont pas d’écart
type du fait de leur reproductibilité.

Tableau III.7.3. le pourcentage d’erreur par rapport à la mesure de surface de


référence. Avec pour les level sets, l’utilisation de 3 critères d’arrêt différents.

Tableau III.7.4. Mesure d’efficacité des phases 2 et 3, analyse subjective des deux
méthodes.1

77
Plusieurs tests ont été effectués en calculant la surface en pixel et des tests de
reproductibilité sur des images binaires ont été prise en compte comme des tests de
référence .

Le tableau 2 présente les résultats de pourcentage de variation autour de la mesure


moyenne de surface avec un seul critère d’arrêt ( k1) pour les level sets

Le tableau 3 présente les résultats d’une série de segmentation sur 3 images en


niveaux de gris comparée à la segmentation de référence ( les snakes avec une
itération de 10 et les initialisations pour les level sets sont soit simple soit multiple )

Le tableau 4 présente le pourcentage d’erreur par rapport à la segmentation de


référence d’une série de mesure de surface sur des têtes fémorales issues d’IRM .

Le tableau 5 présente un calcul d’efficacité (corrélation) entre la mesure manuelle et


celles obtenues par les deux méthodes pour les deux phase du traitement d’images
IRM , et une mesure subjective pour les interventions manuelles effectué , la
complexité de l’algorithme et le temps d’apprentissage pour utiliser ces méthodes .

Les résultats ont bien montré que la méthode des level sets est plus reproductible
(tableau 1), plus précise (tableau 2 et 3) et ne pose pas de problème d’initialisation
comme les snakes (tableau 2).

Dans cette étude, une comparaison entre les level sets et les snakes a été testé sur
des images de synthèses ainsi que sur des images IRM de hanche d’enfant, et après la
phase de tests des deux méthodes, il a été bien démontré que les level sets sont plus
performanets que les snakes .

II.8 Contours Actifs Basés Sur Trois Energies : Détection Des Cavités Cardiaques
[15]

Les images ultrasons du cœur, appelées écho-cardiographiques représentent un des


moyens les plus utilisés pour l’analyse et le diagnostic de maladies cardiaques. Et il
est connu que les images échographiques sont affectées par le speckle qui est un
phénomène assimilé à un bruit multiplicatif, rendant difficile l'interprétation ce type
d’images, puisqu’il affecte l’évaluation du contenu de l’image. Les intensités des
pixels d’une région dont la réflectivité réelle est homogène sont dispersées et ce
phénomène augmente avec l’intensité moyenne de la région . et pour palier à ce type
de problème , une méthode originale de segmentation a été proposée , cette dernière
est fondée sur les B-spline snakes et le coefficient de variation, et utilisant des
nouvelles énergies externes :

78
 un nouveau type d’énergie externe reposant sur l’amplitude et la direction du
gradient du coefficient de variation.

 un champ de vecteurs gradients robuste et adapté aux images échographiques.

 Une notion généralisée des centres de divergence dans un champ de vecteurs


gradients.

 Une méthode originale et générale d’initialisation automatique applicable pour


tout contour actif paramétrique

Les deux coefficients de variations

Le coefficient de variation global (CV global), noté G et le coefficient de variation


local (CV local), noté

( ) ( ̅)
̅̅̅̅̅
( ) ∑ ̅
| |

Segmentation des cavités cardiaques par les B-Splines Snakes

L'intérêt de l'utilisation des B-splines vient des propriétés implicites du modèle :

Un contrôle local : La modification d'un point de contrôle, par l'utilisateur ou lors


d'une itération, ne modifie qu'une partie de la courbe.

Un contrôle de la continuité : Les splines d'ordre k + 1 (donc de degré k) sont


continues. On peut diminuer la continuité en un point en introduisant un nœud
multiple. Si est la multiciplicité d'un nœud, la continuité en ce point est

Une invariance par transformation affine : Calculer la transformation affine d'une B


spline est équivalent à calculer la B-spline de la transformation affine des points de
contrôle qui la définissent .

Les snakes sont des courbes fermées dont l'évolution est régie par la minimisation
d'une fonctionelle d’énergie.

( ( )) ( ( ))

∮|| ( )| |

79
Energie externe de plaquage

Cette énergie proposée prenne en compte l'amplitude du gradient du CV local, et


sa direction ce qui s’interprète par l'utilisation du gradient du coefficient de variation
directionnel, sur l'image résultat d'une étape de diffusion, ce qui a permi une
robustesse accrue face au speckle. Cette énergie est appelée aussi énergie de plaquage
parce qu’un échantillonnage est calculé de la courbe, et non uniquement des nœuds.

( ( )) [ ⃗⃗⃗ ( ( )) (⃗⃗⃗⃗( ( )))]

L’initialisation de la courbe du contour actif

Le positionnement de la courbe initiale est une étape cruciale pour la segmentation


par contours actifs. L'utilisation du s- GVF permet d'attirer la courbe vers les contours
de l'image même si ces contours sont éloignés. Elle ne résout cependant pas
complètement le problème de l'initialisation ,un mauvais positionnement de la courbe
initiale peut aboutir à des résultats aberrants.

L’instabilité relative au positionnement initiale s’explique par les centres de


divergence les centres de forte divergence (CSD, pour Center of Strong Divergence)
et les centres de faible divergence (CWD, pour Center of Weak Divergence) du
champ S-GVF

Figure III.8.1. (a) GVF et centres de divergences de l’image « room »

80
Figure III.8.2. Génération du S-GVF et des centres de divergences sur une image
syntétique , (a) image initiale, (b) S-GVF , (c) centres de faible divergences (gris) et
forte divergence

II.8.1 Résultats et conclusion

Figure III.8.3. Les résultats présentés confirmaient le potentiel de la méthode de B-


Spline .

Puisqu’elle a donné des résultats satisfaisants par rapport aux autres méthodes grâce à
la grande influence de la technique d'initialisation automatique reposant sur une
énergie de type champ de vecteurs gradients.

II.9 Segmentation d'images échocardiographiques par contours actifs implicites


Exploitation de descripteurs statistiques de régions [1]

Dans cet article, une nouvelle méthode segmentation d’images


échocardiographiques a été développée , celle-ci est basé sur les contours actifs
implicites par le biais d’exploitation de descripteurs statistiques de régions basés sur
les K-distributions , et qui réside en l'exploitation du formalisme développé par Jehan-
Besson en se basant sur l’utilisation d’un paramètre statistique issu du modèle des K-

81
distributions qui reflète plus fidèlement les propriétés les images ultrasonores du
myocarde.

II.9.1 Méthode proposée

Un nouveau aspect a été développé pour la détection des bords du myocarde dans les
images échographiques , l’approche se base sur l’utilisation des descripteurs
d’homogénéité de régions (SNR) (rapport de la moyenne sur l'écart type ) , puisqu’il
présente une stabilité numérique par rapport à l’expression directe de la densité de
probabilité des K-distributions Ainsi que d’autres descripteurs d’homogénéité de
région , la formule utilisé pour ce dernier paramètre utilisé a été exprimé par la
formule suivante :

⁄ ( )
( )= ⁄
[ ( ( )) 2 ⁄ ( )3 ]

()
() ( )
{ ( () )
() ( ) { ( )}

L’avantage principale de ce descripteur est la diminution du temps de calcul , en plus


l’algorithme a été implémenté selon la technique des champs épars ( Sparse-Field )

II.9.2 Résultats et discussion

La méthode proposée a été appliqué sur une image de synthèse composée d'un
carré suivant une K-distribution et aussi sur des images acquises in vivo en vue
apicale 4 chambres sur un cas sain. La simulation de cette dernière a permis de
séparer correctement deux régions décrites par les K-distributions , les résultats ont
été montré dans les figures ci-dessus et ont interprété une bonne séparation des
régions de propriétés statistiques différentes, à savoir le sang et le myocarde grâce à la
meilleure adéquation du modèle des K-distributions relativement au modèle de
Rayleigh pour le tissu myocardique.

Il a été bien apparu que le développement d’une nouvelle méthode basé sur le
formalisme développé par Jehan-Besson, basé sur une approche statistique dérivé du
modèle des K-distributions afin de guider l'évolution du contours actifs a résolu les
problème liés à la l’exploitation de la statistique de Rayleigh .

82
Figure III.9.1. Evolution d'un contour actif sur une image de synthèse simulant
deux régions K-distribuées .

Figure III.9.2. Evolution d'un contour actif sur une image réelle vue apicale quatre
chambres : (a) contour initial, (b) évolution du contour, (c) contour final.

II.10 Robust B-Spline Snakes for Ultrasound Image Segmentation [7]

II.10.1 Objectif

La segmentation des images échographiques est une tâche très difficile due au faible
contraste présent dans ce type d’images et aussi au speckle qui les affectent . cet
article présente un B-Spline snake original robuste basé sur un nouvelle énergie
externe . l’approche proposé combine la diffusion anisotrope avec le processus
d’évolution de la courbe utilisant le coefficient de variation locale et la norme d’erreur
de Tukey , d’où vient la robustesse du snake proposé .

L’algorithme calcule le contour d’image à chaque itération et dérive une nouvelle


énergie externe basé sur l’amplitude et la direction du gradient du coefficient
supérieur mentionné , la méthode a été testé sur des images échographiques d’un
ancien fœtus de 12 semaines, et les résultats ont été présenté avec différents
paramètres.

Plus précisément, le B-Spline Snake utilisé est une minimisation d’une énergie spline
paramétré par ses points de contrôle. La souplesse du snake est implicitement donné
par le modèle du B-Spline , l’énergie totale a été toujours composé par deux énergies

83
, sachant qu’un nombre de termes d’énergies externes ont été proposé et la majorité de
ces approches utilisent généralement l’information gradient ou bien les statistiques
globales de l’image , cependant que l’énergie externe ne peut pas être efficacement
utilisé pour les images échographiques grâce au speckle présent .

Une nouvelle méthode de diffusion anisotrope des images échographiques a été


introduite et utilisait le Coefficient de variation local et le tenseur de diffusion robuste
au filtrage de ce type d’images. le coefficient de variation local a été calculé
localement par rapport au coefficient de variation global .
Dans cet article une nouvelle approche d’énergie externe a été dérivée , qui a utilisé
le CVL et un nouveau terme de l’énergie interne a été proposé afin de préserver les
paramètres du B-Snake , dont leurs équations sont les suivants :

Une énergie interne qui force le B-Spline Snake à préserver ses paramètres uniformes

∮|| ( )| |


∫ 4.( ( ) ( ( ) ))/ 5

( ) |⃗ ( ( )) (⃗⃗⃗⃗( ( )))|

A chaque itération la longueur totale de la courbe est approximée à :

Length (s) = ∑ √ . / . /

II.10.2 Résultats et discussions

Figure L
b1 0.6 Fixed to 7
b2 0.2 Fixed to 15
c1 0.2 Fixed to 7
c2 0.2 Fixed to 15
c3 0.2 Adaptive

Table III.10.1. Résultats des paramètres

84
Figure III.10.1. Résultats par le B-spline snake proposé pour différents des
différents nombres de nœuds et de paramètres

Le modèle a été appliqué sur une séquence de vidéo échographique de quatre


chambres cardiaques d’un ancien fœtus de 12 semaines, et la figure si dessus montre
les résultats de la segmentation pour différents nombre de nœuds et de paramètres
comme il a été indiqué dans la table .

Image (a) est l’image échographique originale avec une initialisation par 7 nœuds et
les images (b1), (b2), (c1), (c2) et (c3) montrent les résultats de la segmentation avec
les paramètres correspondant à la table ci-dessus , le nombre de nœuds dans l’image
(c3) est adaptative-ment calculé par l’algorithme .
Les résultats de l’implémentation étaient satisfaisantes par l’utilisation d’un grand
nombre de nœuds et une petite valeur de α , ce qui a augmenté le temps de calcul.

II.11 Segmentation d’images m dicales IRM par la m thode d’ensembles de


niveaux [6]

L’imagerie médicale permet d’analyser les tissus par des médias extrêmement
divers, leurs exploitations et leurs interprétations permettent d’établir plus finement le
diagnostic médical.

La phase de la segmentation a constitué toujours une étape importante dans le


traitement et l’interprétation des images médicales. Les images utilisées dans ce
travail sont des images réelles de la base de données GE système qui sont obtenues
par le biais d’un scanner IRM , dont le but recherché est d’isoler d’éventuelles

85
pathologies sachant que la technique de contours actifs géométrique et plus
particulièrement la méthode d’ensemble des niveaux (level-set) a été abordée pour
valider une technique de segmentation pour ce type d’images . cette dernière
recherche des contours chaînés évoluant à partir d'une forme initiale prédéfini sous
l'effet d'une méthode d'optimisation en utilisant les données de l’image aux
emplacements des points de contrôle de la courbe déformable. Son approche se base
sur :

 Les techniques de régularisation de problème mal posé


 La minimisation de fonctionnelle d’énergie
 La résolution d'équation différentielle elliptique
 La discrétisation de problème continue et de convergence de système matriciel
mal conditionné

II.11.1 Méthode proposée

La formulation des contours actifs par les ensembles de niveau permet d'implémenter
les contours actifs tout en gérant le problème des changements de topologie , elle
permet de faire évoluer une courbe paramétrique fermée C(p) suivant une équation du
type = FN , un besoin de ré-initialisation était très nécessaire, et il a été appliqué
par l’équation suivante .

= sign (Ф)( | |)

Et l’algorithme de cette méthode a été appliqué sur une image qui présente la coupe
sagittale du cerveau pondéré en T1 d’un bébé âgé de 9 ans enregistré par le biais d’un
scanner IRM contenant des taches noires représentant des tumeurs réelles. L’image
traitée était bruitée par des pixels indésirables qui pourraient modifier l’information
utile, ce qui a mené nécessairement à passer par une étape de prétraitement avec une
paire de deux filtres.

Un filtre médian utilisé pour éliminer l’information inutile.


Un filtre gaussien de variance égale à 1 afin d’éliminer l’effet de discrétisation
qui se trouve entre les pixels situés à la frontière de l’objet

II.11.2 Résultats de l’implémentation

La courbe C utilisée est un cercle de faible diamètre appliqué à proximité de la


pathologie comme illustré sur la figure III.11.2

86
Figure III.11.2 figure III.11.3

Figure III.11.1. Filtre médian suivi d’un filtre Gaussien (σ =1)


Figure III.11.2. Segmentation par la méthode Level Set pour n = 2

Dans cet article, le modèle de contour actif par les ensembles de niveau qui est basée
sur l’équation de propagation d’onde du front, dont la déformation dépend de la
géométrie de la structure a été testée sur des images réelles de la base de données GE
SYSTEM , ce modèle a donné des résultats très satisfaisants et encourageants, en
termes de qualité d’image et du temps d’exécution .

II.12 Object Boundary Extraction Using Active B-Snake Model [14]

L’extraction des frontières d’un objet est une étape fondamentale dans plusieurs
domaines de recherches tel ( l’analyse d’images ,la vision par ordinateur et l’imagerie
médicale , et comme exemple l’extraction du ventricule du cerveau dans les IRM ) .

Dans cet article un nouveau modèle B-Snake appelé Active B-Snake Model (ABM) a
été élaboré avec combinaison de la robustesse des B-spline (ASM et AAM) pour
l’extraction des contours d’objets. Et pour cela , une nouvelle stratégie pour
l’attribution des points de contôle des B-Snake pour l’extraction de la structure
géométrique et de l’information d’apparence a été développée , elle utilise les
caractéristiques invariantes (stable) affines et réduit le temps d’attribution des points
de contrôle , alors une structure statistique a été intégré dans le modèle B-Snake pour
garder ou bien conserver sa forme géométrique , et recherche les apparences
similaires pendant l’extraction . la méthode suivit dans ce travail était :

II.12.1 Méthode utilisée

La stratégie d’attribution des points de contrôle a été exécutée en deux étapes :

 Calculer les points d’inflection dans le B-snake et former l’ensemble de base


des points de contrôle

87
 Chercher et ajouter les nouveaux points invariants (stables) dans les points
d’inflection pour former l’ensemble complet des points de contrôle.

L’estimation des paramètres du B-Snake ont été réalisé par l’utilisation des données
image, sachant que l’énergie externe est un GVF ( Gradient Vector Flow ) , la
minimisation de cette énergie va approcher le B-snake vers les frontières de l’objet,
et la stratégie d’insertion des différents points de contrôle du modèle B-Snake a suivi
un certain algorithme .

=∫ ( ( ))

II.12.2 Résultats et discussion

Figure III.12.1. Les résultats d’extraction pour différents images IRM de cerveau
utilisant le modèle de B-snake actif ( ABM )

88
Les tests de ce travail ont été implémenté sur 105 images IRM, l’initialisation a été
fait par 17 points de contrôle , sachant que le contour vert à chaque itération c’est
l’initialisation du B-Snake et celui qui est en blanc c’est le contour final , et les
résultats sont montré dans la ( figure III.12.1) , un processus de 6 itérations par
l’utilisation du ABM proposé et leurs résultats ont montré que le B-Snake a bien
localisé les frontières du ventricule et d’une façon très précise malgré la variété de
forme et de taille du ventricule du cerveau dans les images. Il a été bien démontré
que le modèle proposé a donné une adaptation précise de la déformation du B-Spline
vers les frontières de l’objet désiré.

Conclusion

Nous avons présenté dans ce chapitre un état de l’art sur les deux représentations
des contours actifs pour la segmentation d’images médicales, l’une est implicite et
l’autre est explicite ainsi que les différentes méthodes d’optimisation de la
fonctionnelle d’énergie , ainsi que la méthode des B-Splines cubiques et son
utilisation pour l’interpolation des différents courbes , cette dernière a été bien
expliqué pour la grande précision de l’interpolation qui la fournie et le très faible coût
de calcul de son implémentation, puisqu’elle a bien fait une solution privilégiée au
problème de l’interpolation des courbes, comme l’a montré l’étude des méthodes
d’interpolation effectuée .

Ce chapitre nous a permis de mieux comprendre l’intérêt de la méthode des


contours actifs dans la recherche d’une courbe dans une image et de prendre
conscience de la diversité des approches possibles en particulier. Plusieurs
implémentations utilisant la technique d’exploration de l’espace des contours
possibles nous semble très prometteuse. Ceci nous a permis de réfléchir à la mise en
œuvre d’une comparaison entre les deux modèles de contours actifs ( implicite et
explicite ) , et de faire une comparaison entre eux tout en utilisant des mesures bien
définies visant l’optimalité et l’importance de l’une par rapport aux autres , et qui sera
l’objet du chapitre suivant de notre thèse.

89
Chapitre IV

Conception et réalisation

89
I . Introduction

Plusieurs techniques de segmentation d’images échographiques ont vu le jour, chacune


répondant à certains critères ( temps d’exécution, nombre d’itérations, qualité des résultats….)
selon les besoins escomptés.

Dans ce chapitre de conception et de réalisation , on se propose de concevoir une


application de segmentation d’images échographiques cardiaques tout en concevant un
système d’aide au diagnostic , ce dernier se compose de deux méthodes de segmentation
des images échographiques cardiaques

La méthode des ensembles de niveaux « Level Set »


La méthode des B-Snake
La méthode de l’algorithme Greedy

Au cours de ce chapitre nous présentons les différentes phases d’implémentation de notre


application qui consiste à faire le prétraitement d’images écho- cardiographiques suivi par
l’implémentation des méthodes citées , afin de faire leurs comparaison tout en utilisant des
mesures d’évaluation des résultats de leurs segmentation sur différents types d’images et plus
précisément les images échographiques cardiaques .

L’intérêt majeur de cette application est qu’elle est une comparaison entre les modèles de
contours actifs , le premier est une représentation implicite et l’autre est explicite. Le modèle
que nous proposons consiste à effectuer une première étape de prétraitement . Puis comme
dans tout modèle de contours actifs , nous minimisons une fonctionnelle d’énergies .

II. Les filtres utilisés pour le prétraitement

L’élimination du bruit est l’un des sujets les plus délicats du traitement des images. Il a vu
couler beaucoup d’encre et de nombreuses méthodes lui ont été consacrées, tout d’abord très
intuitives, mais progressivement de plus en plus complexes , tout en sachant que les images
médicales sont corrompues a priori par toutes sortes de bruits convolutifs, multiplicatifs
( speckle ) ou additif , les algorithmes de segmentation deviennent inefficaces tant que le bruit
est important , ce qui mène obligatoirement de passer pas l’étape cruciale de prétraitement des
différentes images .

Et puisque les images échographiques en générale sont affecté par le speckle « bruit
multiplicatif » et comme toute technique de traitement d’images, la conservation des contours
correspond , dans un cadre médical aux structures anatomiques des organes. Toutefois, nous

90
nous plaçons dans un contexte de prétraitement, une régularisation importante peut être
effectuée sur les zones homogènes de l’image. Et parmi les techniques existantes dans la
littérature ,on a tenté d’utilisé celle de la diffusion qui nous semblait la plus prometteuse,
alors nous avons implémenté un filtre de diffusion anisotrope spécialement pour éliminer le
speckle .

Notre prétraitement va passer par plusieurs types de filtres essentiels : le filtre Moyen,
Médian suivi par un filtre de diffusion anisotrope ou le détecteur de canny ( préserve
bien les contours )

 Le filtre Moyen
 Le filtre Médian
 Le filtre de Gauss
 Le filtre de diffusion anisotropique

II.1 Le filtre moyen ( Lissage )

Le niveau de gris du pixel central est remplacé par la moyenne des niveaux de gris des pixels
environnants. La taille du kernel dépend de l'intensité du bruit et de la taille des détails
significatifs de l'image traitée, son kernel est :

II.2 Le filtre Médian

Le filtre médian est un filtre non linéaire le plus utilisé, il appartient à la classe des filtres
d'ordres qui procèdent en remplaçant les valeurs de chaque pixel par la valeur qui occupe
« un certain rang » lorsqu'on trie les valeurs observées dans « un certain voisinage » du
pixel , le principe de filtre est de remplacer la valeur d’un pixel par la médiane des valeurs de
ses voisins. L’opération de filtrage s’effectue comme suit :

Pour tout point de l’image I

91
Les propriétés attendues de ce filtre sont :

- Plus le masque est grand, plus le filtrage est efficace mais plus l’image est déformée
- Il préserve les contours
- Il supprime les valeurs illogiques dans la suite
- Il est très efficace sur du bruit impulsionnel (type poivre et sel).

Figure IV.1. Un bruit impulsionnel traité par un filtre Médian

II.4 Le filtrage du Speckle


II.4.1 Le filtre anisotrope

La diffusion non linéaire est un procédé de filtrage visant à éliminer le bruit d'une image,
tout en préservant les informations importantes, comme les contours [2] , le filtre de Perona et
Malik est l’un des premiers filtres basé sur des équations différentielles permettant une
diffusion anisotrope, on peut plus facilement essayer de détecter les bords (ou contours) sur
une image lissée.

92
Figure IV.2. Filtrage par Diffusion Anisotrope : image originale bruitée (à gauche) et deux
filtrages par 15 et 80 Itérations avec k=25

Ce type de filtre a été utilisé pour le filtrage des images échographiques 2D et 3D , sur des
images IRM , et sur d’autres types d’images …

II.4.1.1 Le principe de Perona et Malik

Le filtre de Malik et Perona est un des premiers filtres basé sur des équations différentielles
permettant une diffusion anisotrope, l’opération de filtrage s’effectue comme suit :

Avec ̅ est l’ensemble des point de voisinage de , = ,p ̅ ,


̅
| |= 8 , ( voisinage 3x3 ) et le le coefficient de diffusion de Perona et Malik ,

( ) , k est un paramètre de filtrage .

Figure IV.3 . L’implémentation du filtre de Perona et Malik (EDP de Perona et Malik)

93
III . Segmentation par les contours actifs

L’algorithme de segmentation par contours actifs suit le schéma suivant , et ses étapes seront
détaillées dans la suite de ce chapitre , tout en sachant qu’on va utiliser trois méthodes de
segmentation ( B-Snake , Level Set , et l’algorithme Greedy) , pour chacune , on va présenter
ses paramètres et son déroulement .

Image échographique
cardiaque BMP ou PNG

Prétraitement de l’image
(application du filtre)

Filtrage du speckle

Initialisation du contour actif


(automatique ou manuelle)
Paramètres de la
segmentation choisie

Evolution du contour par minimisation de l’énergie totale

Contour final

Image segmentée

94
Figure IV.4. Organigramme de conception de la segmentation par les contours actifs en
générale

III .1. Prétraitement

La segmentation en imagerie échocardiographique représente un enjeu important pour l’aide


au diagnostic des formations et des pathologies cardiaques . Cependant elle est devenue très
difficile par les propriétés physiques de l’acquisition ultrasonores ainsi que par la complexité
de l’anatomie cardiaque. Parmi ces difficultés nous trouvons :

 Les phénomènes d’interférence et de diffusion qui sont à l’origine du « speckle ».

 Les phénomènes d’atténuation et de diffraction qui produisent un contraste variant à


travers l’image .

 Le signal renvoyé par le tissu dépend de la position de celui-ci et de son orientation


par rapport à la sonde ; en particulier, une paroi perpendiculaire à la direction de
Propagation du signal renvoi un écho fort dit spéculaire, alors qu’une paroi parallèle à
la direction de propagation renvoi un signal très faible, dit rétrodiffusé ; de même
l’intensité du signal rétrodiffusé dépend de l’orientation des diffuseurs dans le tissu
(fibres musculaires).

 Etant donné la complexité de l’anatomie cardiaque et le champ d’observation de la


sonde ultrasonore qui est restreint , les structures cardiaques peuvent se situer en
dehors du secteur imagé et sont ainsi difficilement délimités. De plus, au cours du
cycle cardiaque, ces structures peuvent subir des variations de forme et de topologie
(apparition et disparition) .

Puisque les images échographiques sont affectées par le speckle , qui les rends très
difficiles à interpréter , , alors c’est nécessaire toujours de les filtrer avant de leurs appliquer la
segmentation , et pour effectuer cette phase on a choisi d’appliquer les filtres suivants :

 Filtre Moyen ( Lissage )


 Filtre Médian
 Filtre de Gauss
 Diffusion Anisotrope

Nous avons proposé d’implémenter des mesures qui s’inspirent de quelques connaissances
sur les mécanismes de la perception visuelle. Dans ce qui suit nous nous limitons à quelques
métriques de qualité d’images avec référence . Pour cela on s’est intéressé à calculer des
mesures classiques pour voir quel filtre donne de meilleur pour tous type d’images .

III.1.1 Mesures de qualité de filtrage

95
III.1.1.1 la mesure du PSNR ( Peak-Signal-to-Noise-Ratio )

La première mesure qu’on a tenté de choisir pour évaluer la qualité du filtrage de nos filtres
implémentés est l’une des mesures la plus utilisée et la simple dans la littérature, qui est le
rapport PSNR (Peak-Signal-to-Noise-Ratio) , et qui est défini par :

PSNR = 10 log ∑
ou bien

PSNR = 10 log[ ]=20 [ ] , avec est le maximum de valeur en



pixel de

l’image. Lorsque les pixels sont représentés sur 8 bits par échantillon .

Ainsi que la mesure « MSE » ( Mean Square Error ) est l’erreur quadratique moyenne (MSE) de
deux images J et ̅ , où J et ̅ représentent respectivement, l’image dégradée et l’image
restaurée, et elle est défini comme suit :

∑ ̅

La mesure du PSNR est utilisée comme mesure de la qualité de la réduction du bruit , et pour
la comparaison des résultats de la restauration, il est utilisé comme une approximation de la
perception humaine de la qualité de la restauration .

Alors dans certains cas , une restauration peut paraître très proche de l’originale que l’autre
même si elle a un plus faible PSNR (PSNR maximale devrait normalement indiquer que la
reconstruction est de meilleure qualité ) .

III.1.1.1 L’erreur sur détection

Concernant la détection de frontières, trois mesures d'erreur qui donnent des indices globaux
sur la qualité d'un résultat ont été abordées : l'erreur de sur-détection, l'erreur de sous
détection et l'erreur de localisation. Nous considérons qu'un résultat de détection est bon si ces
trois erreurs sont petites . L'erreur de sur détection qu’on a tenté d’utiliser est pour bien
montrer que si l’image filtrée est de bonne qualité concernant ses contours ou non , cette
mesure d’erreur est définie comme suit :

( )
( )

96
III.2. Segmentation par contour actif
III.2.1 Segmentation par B-Spline Snake

Dans notre implémentation de la méthode par B-snake , on a utilisé l’interface graphique ci-
dessus , et les paramètres utilisés sont bien apparu dans l’interface et qui sont :

 Alpha (α) , Beta (β ) , Gamma (γ) , Delta (δ)


 le nombre d’itérations maximum
 le nombre de segments minimum
 le nombre de segments maximum
 Dernièrement un seuillage du gradient

Et on a implémenté dans cette interface deux options pour bien manipuler cette méthode ,
ces derniers sont : l’option d’ Animation et de l’ Adaptation automatique de chaque
itération , tout en sachant que lors de segmentation des images pas les B-snake on utilise
deux type d’initialisation automatique et manuelle .

L’initialisation automatique : consiste à dessiner un rectangle autour de l’objet à détecter ,


et dernier représentera notre contour initial à l’instant t=0 , et que les coordonnées des pixels
composant ce rectangle seront récupérées dans une structure de données représentant le
contour. La structure utilisée est un tableau contenant en chaque colonne les coordonnées
d’un point du contour (abscisse et ordonnée) .

Elle se fait par l’insertion d’un rectangle autour de l’objet d’intérêt , et qui va représenter le
contour initiale pour l’instant « t=0 » , sans oublier que les coordonnées de tous les pixels
composant ce rectangle seront récupérées dans une structure de données représentant le
contour. La structure utilisé une liste contenant en chaque nœud les coordonnées d’un point
du contour ( abscisse « X » et ordonnée « Y » ) ainsi que son intensité de gris , pour le but de
garder la même initialisation pour les deux méthodes ,tout en faisant une projection à partir
de n’importe quelle méthode par laquelle on commence notre de faire le processus de la

97
segmentation , afin de bien faire notre comparaison ( on doit garder les mêmes initialisation
pour les deux méthodes ) .

Figure IV.5. Interface graphique de la segmentation par B-Snake ( Initialisation


automatique )

L’initialisation manuelle : Elle se fait par la sélection manuelle des points à l’extérieur,
Pour obtenir des bons résultats, la méthode des contours actifs nécessite une initialisation près
de l’objet, pour cela une autre méthode d’initialisation est proposée , Les coordonnées des
points seront récupérées dans une structure de données représentant le contour .

Cette méthode se fait par sélection manuelle des points à l’extérieur ou plus précisément
autour de l’objet d’intérêt , et la même condition s’applique pour ce type d’initialisation de ce
qui concerne la récupération des coordonnées des points de notre contour initiale .

98
Figure IV.6 Interface graphique de la segmentation par B-Snake Snake ( Initialisation
manuelle )

III.2.1.1 Initialisation du contour

Il existe deux façons pour initialiser le contour comme on a déjà cité au pare avant , la
première est automatique et la deuxième est manuelle .

Figure IV.7. Une initialisation automatique d’une image simple de synthèse

99
Figure IV.8. Une initialisation manuelle d’une image simple de synthèse

III.2.1.2 Evolution et déformation du contour initiale

A. Le calcul de l’énergie totale de notre contour


B. La minimisation de l’énergie totale du contour lui faire évoluer bien sur
C. La reconstruction de snake en utilisant l’interpolation par les B-snake cubique ( A
chaque fois on rajout des points à notre contour en suivant la stratégie des B-Spline
cubique )
D. Le calcul de l’énergie totale à chaque fois jusqu’au arriver à la minimum .

A. Calcul des énergies

L’énergie totale est calculée pour chaque point du snake comme suit :

Dans notre processus, on va calculer pour chaque point du contour initial l’énergie totale , et
après avoir calculé l'énergie globale dégagée par le contour et par son positionnement sur
l'image, il convient de déterminer comment le faire évoluer pour minimiser cette énergie.
Pour cela, une méthode simple et intuitive est d'observer les pixels voisins immédiats de
chaque point du contour pour déterminer pour chacun d'eux l'énergie globale du Snake ,
chaque meilleur voisin devenant un point du contour .

Il est nécessaire que le contour possède toujours suffisamment de points pour être sûr de bien
calculer son énergie globale, en particulier son énergie externe qui sera plus précise en tenant
compte davantage de points. C'est la raison pour laquelle il peut s'avérer pertinent de rajouter

100
ou de supprimer des points à chaque itération si des contraintes ne sont pas suffisamment
respectées. Par exemple, on pourra rajouter un point au Snake si ses voisins sont trop
éloignés. A l'inverse, on pourra supprimer un point s'il est trop près de ses voisins .

B. Minimisation de la fonctionnelle d’énergie globale

Il faut minimiser l’énergie totale après le calcul de toutes les énergies du contour de notre
snake , tout en sachant que pour tous les points de notre contour initiale ,
on prend le voisinage de (3 3) d’un point , et on calculera l’énergie totale , et à la fin
l’énergie minimale de ce voisinage va être prise en considération , en déplaçant à chaque fois
notre contour suivant le changement vers le point de l’énergie minimale .

C. La reconstruction de snake en utilisant l’interpolation par les B-snake cubique

Après chaque itération, la reconstruction du contour doit être faite en utilisant l’interpolation
par les B-snake due au cout minimale qu’elle offre pendant son implémentation par rapport à
d’autres types d’interpolations existantes dans la littérature .

III.2.2 Segmentation par les ensembles de niveau « Level Set »

101
Dans notre deuxième choix , on a tenté d’implémenter une technique de segmentation
adaptée aux images échographiques cardiaques , pour segmenter les différentes lésions
présentes dans ce type d’images . L’intérêt majeur de cette approche est qu’elle est une
combinaison de deux modèles de contours actifs , basé contours et une autre basé région .

Ce modèle consiste à effectuer une première étape de prétraitement , comme c’est déjà
présenté , puis comme dans tout modèle de contours actifs ( Chapitre III ) nous minimisons
une fonctionnelle d’énergies . Celle-ci se compose de trois termes. Le premier et le troisième
assurent l’expansion du contour actif et son guidage vers les contours des objets dans l’image,
le deuxième est un terme de régularisation. Il maintient la régularité de la fonction Level Set .

Nous considérons l’évolution de la fonction Level Set initiale (PHI) , telle que son niveau
zéros intersecte le contour en plein d’évolution avec une certaine vitesse constante , nous
utilisons les deux fonctions de Dirac et de Heaviside pour faire évoluer le contour .

Pour l’interface graphique de cette segmentation , on a utilisé les critères suivants : le nombre
d’itération maximum « proposé » , le type d’initialisation : automatique ou manuelle , le
paramètre Delta , et la réinitialisation après un certain nombre d’itération , ainsi que la
paramètre de longueur , et pour tous les tests de cette méthode implémentée , on utilisera
deux types d’initialisations « automatique et manuelle »

102
Figure IV.9. Interface graphique de la segmentation par Level set

III.2.3 L’implémentation de l’algorithme glouton « Greedy Algorithme »

Pour notre application concernant la réalisation d’un system d’aide au diagnostic par
analyse d’images écho-cardiographiques , on a essayé d’implémenter plusieurs algorithme de
contours actifs , et parmi ces derniers l’algorithme glouton ou bien « Greedy Algorithm », tout
en fixant au début le nombre maximum d’itération , ainsi que le contour initiale qui est un
petit cercle fixé à l’intérieur de l’objet à détecter , tout en utilisant un seuillage de gradient
pour bien manipuler l’image filtrée avant la segmentation par l’algorithme « Greedy » .

103
Figure IV.10. Interface graphique de la segmentation par l’algorithme Greedy

III.2.3 caractéristiques des résultats des méthodes implémentées

A la fin de la phase de segmentation des différents types d’images présentées par tous les
méthodes implémentées, on arrive à résumer différentes caractéristiques de résultats trouvés
pour chaque image traitée afin de tirer la quelle entre les méthode étudiées donne de meilleurs
résultats par rapport aux autres . Ces caractéristiques sont : le nombre d’itérations, le temps
d’exécution et la surface de la région trouvée , pour les valeurs du premier tableau, et les
différentes caractéristiques de l’objet détecté et qui sont : le niveau de gris ( minimum ,
maximum et moyen) , ainsi que la variance comme le montre la figure de l’interface
graphique de l’application ( ci-dessous ) , et pour le deuxième tableau

104
Figure IV.11. Interface graphique des différentes caractéristiques des méthodes implémentées

IV . Présentation et spécification de l’application

Après avoir présenté les différentes techniques proposées pour la réalisation de notre
application, et expliqué les différentes approches adoptées et traitement effectué par notre
application dans les parties précédentes, nous arrivons à présent à la mise en œuvre
proprement dite.

Le but de notre travail est la détection des tumeurs dans les images échographiques
cardiaques, notre application est destinée principalement à la segmentation des images
échocardiographiques par les contours actifs. Afin de mettre à la disposition de l’utilisateur et
plus précisément au médecin une interface intuitive, simplifiant l’interaction avec le système,
afin qu’il puisse faire un bon diagnostic pour l’état des différents patients, un ensemble
d’outils graphiques est implémenté à cet effet.

Dans cette partie, les spécificités de notre application ainsi les plus importantes structures et
traitements seront bien expliqué.

IV.1 Implémentation du logiciel

Nous présentons maintenant la mise en œuvre de notre application après la présentation de


nos différents techniques et approches adoptés pour la réalisation de notre but de travail .

105
IV.1.1 Ressources matériels

 Un processeur Intel ( R ) Core (TM) i3-2350M CPU @ 2.30 GHZ 2.30


GHZ
 2 GO de RAM
 Système d’exploitation 64 bits
 Disque dur 160 GO
 Microsoft Windows XP Sweet
 Windows 7 Edition Familiale Premium

IV.1.2 Environnement de programmation

Pour appliquer les techniques proposées dans ce mémoire, il faut avoir un environnement
informatique ( Logiciel ) adéquat et adaptatif , c’est pour cela nous avons opté pour le
NetBeans IDE 7.0.1 comme un environnement de travail parce qu’il est primé de
développement intégré disponible pour Windows, Mac, Linux, et Solaris,....

 Le NetBeans est constitué d'un IDE « Interface Developpement Environement « qui


est open-source et une plateforme d'applications qui permettent aux développeurs de
créer rapidement des applications mobiles utilisant la plate-forme Java, ainsi que PHP,
JavaScript et Ajax, Groovy et Grails, et C / C + + .

 NetBeans IDE est facile à installer et à utiliser tout droit sorti de la boîte et fonctionne
sur de nombreuses plateformes, dont Windows, Linux, Mac OS X et Solaris

 Le NetBeans IDE 7.0.1ce Integrated Development Environment est destiné pour les
développeurs de logiciels .

 Fourni les outils nécessaires pour créer des ordinateurs professionnels, les entreprises,
le Web et les applications mobiles avec le langage Java, C / C + +, et même les
langages dynamiques tels que PHP, JavaScript, Groovy et Ruby.

Et pour la mise en oeuvre de notre application , on a choisi la version NetBeans 7.0.1 qui est
une mise à jour de l'EDI NetBeans 7.0.

Le logiciel aura pour plateforme Microsoft Windows ( Vista et XP, Windows NT,
Windows 7 Edition Familiale Premium ).

L’application est écrite en NetBeans IDE 7.0.1 , en suivant l’aspect orienté-objet offert
par l’environnement (les objets sont décrits / regroupés dans des classes) pour les

106
facilités offertes concernant l’ensemble de paquetages qui est très riche et très varié ,et
il est multi tâches ce qui permet une facilité de création d’une interface graphique.

L’implémentation des algorithmes est fait par la méthode orienté objet qui permettre à
un coût de traitement 65 fois plus rapide que les autres méthodes.

IV. 2 Présentation de l’environnement et de l’interface graphique

107
Figure IV.13. Interface graphique de notre environnement

IV. 3 Structure de l’application

Afin de garantir une plus grande souplesse de notre application, nous l’avons structurée en
classes, chacune assurant une tâche spécifique . Cette structuration permet d’une part une
grande facilité de programmation et d’autre part une meilleure fiabilité. Nous donnons dans ce
qui suit les structures de données utilisées dans notre implémentation.

IV.3.1 Structure classe image

Cette structure représente une image avec ses composantes. Elle est utilisée pour charger une
image à partir d’un fichier afin de faire les différents traitements. Sa structure est la suivante :

classe image :

class image
{
Dra Cible( ) :voir ;
Image ( ) : voir ;

};

108
IV.3.2 Structure Classe Filtrage

Cette structure combine les procédures de filtrage permettant d’effectuer les différents filtres
utilisés pour le prétraitement des images :

Classe Filtre :
class Filtre ( )
{
Filtrage voir ( ) ;
Moyenne ( ) ;
Médian ( ) ;
Gauss ( ) ;
diffusionAnisotope ( ) ;
};

IV.3.3 Classe Segmenter

Cette classe est composée des procédures de segmentation d’image par les contours
actifs « Level-Set »

Classe Segmenter :
class Segmenter
{

ImageDiv ( ) ;
LevelSet_MinEnergy ( ) : void
Segmenter ( ) :void
Courbe ( ) :int
Dirac ( ) : double

EDGE_STOP ( ) : double []
H( ) : double
Sign ( ) :double
};

109
IV.3.4 Class Opération

Class Opération :
Class operation
{
getimag ( ) : imag
inverdion ( ) :void
NewInframe ( ) :void
NiveauGris ( ) :void
Openfile ( ) :void
Propri ( ) :void
Savefile ( ) : void

};

VI . Conclusion

Dans ce chapitre , nous avons présenté les différents plans et structure de travail pour
l’implémentation des différentes méthodes de segmentation des images échographiques
cardiaques , échographiques et les images de synthèse , ainsi que les spécifications et la
plateforme utilisée pour l’implémentation de notre application , et nous présenterons dans le
dernier chapitre l’étape de la réalisation de nos différents tests et résultats de nos
expérimentations afin de tirer ceux que nous tentons de voir pour bien aboutir à notre but .

110
Chapitre V

Tests et Résultats

111
I. Introduction

Dans ce chapitre nous présenterons les résultats de nos expérimentations , ce chapitre se


divisera en deux parties. Dans la première partie , nous présenterons le contexte de
l’application et les choix des paramètres que nous avons utilisé . La robustesse des
différentes méthodes utilisées est prouvée par les résultats trouvés , tout en sachant qu’il y
a une apparition de certains problèmes comme le problème d’initialisation dans la
segmentation des images échographiques par les contours actifs . Le présent chapitre sera
consacré à une série de tests sur des images synthétiques, échographiques et échographiques
cardiaques, mais avant tout ce processus nous avons aussi fait des tests des différents filtres
utilisés pour éliminer le Speckle .

II . Prétraitement des images

La phase de prétraitement est très importante avant toute phase de segmentation , et dans
tout processus de traitement d’images , et pour l’implémentation de notre application de la
segmentation des images échographiques cardiaques , on a essayé de choisir quatre filtres
robuste et efficace pour faire face au speckle présent dans ce type d’images .

Afin de faire la différence entre les différents filtres utilisés pour cette implémentation ,
nous mettons en œuvre des tests sur des images médicales réelles ( la première est une
image écho-cardiographique présentant une tumeur dans un stade avancé de la maladie ) , et
nous avons obtenu les résultats ci-dessous tout en sachant que les paramètres du filtre de
diffusion implémenté sont « le nombre d’itérations , la constante d’intégration et un seuil de
gradient » , et que ce type de filtre utilise trois types de fonctions de diffusion et
l’utilisateur fait lui-même son choix .

( )⁄
F 1= ( ( )) =

F 2= ( ( ))
[ ( ) ]

[ ( )]

F 3= ( ( )) =1

112
On a essayé de faire des tests sur le filtre de diffusion anisotrope implémenté, tout en
utilisant ses différents paramètres, ainsi que ses différentes fonctions de diffusion sur
plusieurs images échographiques cardiaques. Et même de faire des tests sur les autres filtres
utilisés , on a chargé une image échographique cardiaque à partir de notre base d’images
téléchargée au préalable , en sachant que notre choix s’est porté pour le format « .bmp » ou
bien « .png »

Dans l’étape de prétraitement, on a Appliqué cinq filtres différents

 Filtre Moyen
 Filtre Médian
 Filtre de Gauss
 Filtre de Diffusion Anisotropique

En faisant des tests pour les différents filtres, afin de choisir celui qui donne le meilleur
résultat, mais avant d’appliquer ces filtres, on a voulu tout d’abord d’implémenter le filtre de
diffusion anisotrope avec ses différents paramètres , pour arriver à tirer pour quel valeurs de

113
paramètres ,ce filtre donne de bon résultats , et pour cela on a résumé dans ce tableau les
paramètres du filtre de diffusion anisotrope utilisé .

Nombre Constant Seuil du module de Type de la fonction


d’itérations d’intégration gradient de diffusion

10 0,12 30 f1

30 0,15 40 f2

50 0,19 45 f3

60 0,22 30 f2

TAB V.1. Tableau récapitulatif des différents paramètres du filtre de diffusion anisotropique

II.1 Premier exemple du filtre de diffusion anisotrope

Pour ce deuxième exemple , on a appliqué le filtrage anisotrope pour ses trois types de
fonction de diffusion choisi une autre image échographique cardiaque présentant une tumeur
dans un état avancé d’un malade, les résultats du filtrage sont bien apparu dans la figure
suivante :

a) Image originale b) Image filtrée par la diffusion anisotrope pour f1

114
c) La diffusion anisotrope pour f2 d) La diffusion anisotrope pour f2

Figure V.1 Résultats du filtrage par diffusion anisotropique d’une image


échocardiographique

Fonctions de diffusion anisotrope PSNR

F1 17.30

F2 16.94

F3 14.92

TAB V.2 Résultats du PSNR pour les trois types de fonctions de la diffusion anisotrope

115
Figure V.2 . Histogramme des valeurs du PSNR du filtrage de diffusion anisotrope
d’une image échographique cardiaque

II.1.1 Commentaires sur le filtrage anisotrope

On remarque que le filtre de diffusion anisotrope donne des bon résultats, mais tout
dépendant des valeurs de ses paramètres , on a pu constater que l’utilisation de la première et
la deuxième fonction de diffusion mène à un bon filtrage par rapport à la troisième fonction ,
tout en sachant que la constante d’intégration influe probablement sur les résultats du filtrage
aussi , ce qui a été traduit en donnant les valeurs des PSNR de chaque filtre , ainsi que son
histogramme .

II.2 Deuxième exemple du filtre de diffusion anisotrope

On a essayé dans ce deuxième exemple , de filtrer une image simple suivant les différentes
valeurs de paramètres résumé dans le tableau ci-dessous , et pour trois type de fonctions
différentes , et ça nous a donné les résultats suivants tel que les résultats du PSNR sont
résumé dans le tableau ci-dessous :

116
Figure V.3 . Résultats du filtrage par diffusion anisotropique d’une image simple pour
différentes valeurs de paramètres

Les trois fonctions de diffusion anisotrope PSNR( db)


F1 28.370
F2 27.404
F3 9.623

TAB V.3 Résultats des valeurs du PSNR de la diffusion anisotrope d’une même image de
synthèse pour trois types de fonctions de diffusion

117
Figure V.4 . Histogramme des valeurs du PSNR du filtrage de diffusion anisotrope d’une
image simple de synthèse

II.2.1 Commentaire sur le filtrage par diffusion anisotrope

D’après les valeurs du « PSNR » , on remarque que la valeur du PSNR la plus élevée c’est
pour la première fonction de diffusion « 28.370 db » , ce qui montre toujours et pour une
deuxième fois que c’est la première fonction de diffusion qui donne de bon résultats pour le
filtrage par diffusion , et pour tout type d’images .

II.3 Troisième exemple du filtrage

Dans ce troisième exemple , on a fait un test de nos filtres choisis sur plusieurs images de
format « BMP » , et on a utilisé le PSNR ( Peak Signal to Noise Ratio ) puisque c’est la
mesure de qualité du filtrage la plus connu et la plus valable , afin de prouver quel filtre
présente de meilleurs résultats

118
Filtre Moyenne Filtre Médian

Filtre de Gauss Filtre de Diffusion anisotropique (F1)

Figure V.5 Résultats des différents filtres sur une même image échographique cardiaque

Méthode PSNR

Moyen 23.55
Médian 24.80
Gauss 22.50
Diffusion anisotrope (f1) 17.30

Diffusion anisotrope (f2) 16,94


Diffusion anisotrope (f3) 14.92

TAB V.4. Statistiques des résultats de chaque filtre sur une image échographique cardiaque

119
Figure V.6. Histogramme des valeurs du PSNR du filtre des différents filtres sue une
image simple de synthèse

II.3.1 Commentaires des résultats du filtrage du troisième exemple

On remarque d’après le tableau récapitulatif des « PSNR » des différents filtres testés
que le filtre de diffusion anisotrope présente la plus petite valeur , puis celle de Gauss , de
Moyen , et finalement le filtre Médian , et ces valeurs traduisent que le filtre de diffusion
anisotrope donne la plus petite valeur du PSNR , ce qui veut dire que le filtre qui donne la
bonne qualité par rapport aux autres est d’après la qualité des images traitées ( simple ,
échographique , échographique cardiaque ) , et ça revient bien sûr au bruit affectant les
images . Le tableau récapitulatif assure ces commentaires dans le fait que le PSNR le plus
petit est celui de diffusion anisotrope pour ( F3 ) « 14.92 db » , puis pour ( F2 )
« 16.94 db » , et finalement pour ( F1) « 17.30 db » , après celui de Gauss « 22.50 db » ,
et puis la valeur du PSNR du filtre Moyen « 23.55 db » et la plus grande valeur du PSNR
est celui de Médian « 24.80 db » .

II.4 Quatrième exemple du filtrage sur une image de synthèse

Dans ce dernier exemple, on a pris une image simple non médicale , et on lui a appliqué les
quatre filtres choisi afin d’aboutir à des résultats bien défini et de tirer quel filtre est meilleur
dans ce cas d’exemples .

120
Image originale Filtre Moyen

Filtre Médian Filtre de Gauss

Diffusion anisotrope pour F1

121
Diffusion anisotrope pour F2 Diffusion anisotrope pour F3

Figure V.7 Résultats des différents filtres sur une image de synthèse

Méthode PSNR

Moyen 34.52

Médian 33.66

Gauss 30.84

Diffusion anisotrope (f1) 29.23

Diffusion anisotrope (f2) 28.62

Diffusion anisotrope (f3) 14.92

TAB V.5 Statistiques des résultats de chaque filtre sur une image de synthèse

122
Figure V.8 Histogramme des valeurs du PSNR des différents appliqués sur une image de
synthèse

II.4.1 Commentaires sur le filtrage d’une image de synthèse

Dans cet exemple , on a pris une image de synthèse non médicale pour tester nos
différents filtres choisis au préalable , et les résultats du filtrage sont bien apparu dans la
figure ci-dessus ( Figure V.7 ) , ainsi que le calcul des PSNR de ces filtres , le tableau
( TAB V.5 ) montre bien clairement que le plus grand PSNR est celui du filtre Moyen , et
du Médian , le filtre de Gauss donne lui aussi de bonne résultats pour cette image , et
finalement le filtre de diffusion anisotrope pour ses trois fonctions de diffusion
respectivement ( F1>F2>F3 ) , donne lui aussi des résultats remarquables et
encourageantes.

III . La phase de la segmentation des images par les trois méthodes


implémentées

Pour notre implémentation de la réalisation d’un système d’aide au diagnostic par analyse
d’images échographiques cardiaques , on a choisi d’implémenter les méthodes des contours
actifs , avec leurs deux représentations implicite et explicite , et plus précisément celle des
ensembles de niveaux , des B-snakes , et celle de l’algorithme « Greedy » et de faire la
comparaison entre ces derniers méthodes , tout en utilisant des mesures d’évaluation , et qui
sont la mesure de LIU et YANG , la mesure de BORSOTTI , afin de bien définir quelle

123
méthode mène à une bonne segmentation , et à une bonne isolation des différents objets
de l’image à segmenter .

après le prétraitement des image , on passe à la phase importante de la segmentation , et


comme on a déjà cité dans le chapitre précédant , on a besoin de faire l’initialisation du
contour actif , c'est-à-dire de dessiner le contour initiale à l’instant ( t= 0) , automatiquement
ou manuellement pour tous les images qui seront segmenté , et pour toutes les méthodes
utilisées durant toute notre application .

III.1. Tests et résultats de la segmentation par Level Set


III.1.1 Tests pour les images de synthèse

Pour toutes ces images, on a pris les paramètres suivants pour notre méthode d’ensemble de
niveaux, pour lui faire une segmentation par les Level Set après son prétraitement , tout
en sachant qu’il y en a deux types d’initialisations « automatique et manuelle »

Le paramètre de la longueur : 0.0001


Le coefficient Delta : 0.1
III.1.1.1 Premier exemple
La réinitialisation du Level Set se fait après chaque trois itération
On a pris au début de cet exemple l’image : « IMAGES MEDICALES / map7.png » ,

Image filtrée Contour initiale automatique Contour finale

124
Contour manuel initial Contour final

III.1.1.2 Deuxième exemple

L’image utilisée dans cet exemple c’est l’image : « IMAGES MEDICALES/image test
/cont256_002/hoja2.png »

Image originale Image filtrée et initialisée automatiquement

Contour final

125
Image filtrée et initialisée manuellement Image segmentée par Level Set

III.1.1.3 Troisième exemple

Dans cet exemple, on a pris une autre image de synthèse « IMAGES-MEDICALES/Image-


Test /gcontontours_001/avion18.bmp »

Image filtrée (init automatique) Contour final

Image filtrée (Initialisation manuelle) Contour final

Figure V.9 Résultats de la segmentation des images de synthèse par les Level Set

126
Images Initialisation automatique Initialisation manuelle
/paramètre Nombre Temps Nombre Temps
itérations d’exécution (ms) itérations d’exécution
Image 1 150 6657 150 5328
Image2 150 13391 150 10703
Image3 150 7357 100 4965

TAB V.6 Temps d’exécution de la segmentation des images de synthèse par les Level Set

III.1.1.1.4 Commentaires sur les résultats de la segmentation obtenue

On remarque que pour les trois images de synthèse , le temps d’exécution écoulé lors de la
segmentation avec initialisation manuelle est plus petit que celui écoulé lors de la
segmentation avec initialisation automatique , ce qui mène à conclure que l’initialisation
manuelle est la plus performante , tout en sachant que les résultats de la segmentation par
Level Set sont vraiment très encourageantes et prometteuses d’après la figure ( Figure V.9),
et que le temps d’exécution écoulé pendant la segmentation par Level Set est petit pour
toutes les images testées ( image1 : 5328 ms, image2 : 10703 ms ,image3 : 4965 ms ).

III.1.2. Tests pour les images échographiques cardiaques

III.1.2.1 Exemple N° 1

Pour l’image « IMAGES-MEDICALES/Image_cardiaque /im8.bmp “ , on a appliqué les


deux filtres : Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1,constant d’intégration : 0.12 et une seuil de 30

Contour initial Résultat par Level set (it100,tps =2076 ms )

127
Contour initial Résultat par Level set ( it100,tps =2142 ms )

III.1.2.2 Exemple N° 2

pour l’image « IMAGES-MEDICALES/Image-cardiaques/im13.bmp » , on a appliqué les


deux filtres de Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1,constant d’intégration : 0.12et le seuil est : 30

Image originale Image filtrée

Image segmentée par Level ( Nbr-it150 , tps=6121 ms )

128
Initialisation manuelle Résultats par Level set ( it=200, tps=8225 ms )

III.1.2.3 Exemple N° 3

Pour l’image « IMAGES-MEDICALES/Image-cardiaques/im11.bmp “ , on a appliqué les


deux filtres de Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1, constant d’intégration : 0.12 ,et une seuil de 30

Image filtrée et initialisée manuellement Résultat par level set (it=100,tps=4128 ms)

129
Image filtrée et initialisée automatiquement Résultat par level set (it=100,tps=4970 ms)

Figure V.10 Résultats de la segmentation des images échographiques cardiaques par la


méthode des Level Set

Images Initialisation automatique Initialisation manuelle


/paramètre Nombre Temps Nombre Temps
itérations d’exécution (ms) itérations d’exécution
Image 1 100 2076 100 2142
Image2 150 6121 200 8225
Image3 100 4970 100 4128

TAB V.7 Temps d’exécution de la segmentation des images échographiques cardiaques par
les Level Set

III.1.2.4 Commentaires sur les résultats de la segmentation obtenue

On remarque que les résultats de la segmentation par la méthode des Level set pour ces
images échographiques cardiaques sont bonne , tout en sachant que l’apparition des petits
contours en dehors des régions d’intérêt est due par la construction de ce type d’images qui
présentent une certaine distribution non homogène des intensités de niveaux de gris , et de
l’existence de bruit affectant ce type d’ images malgré les prétraitements faites ,et pour la
raison que le bruit présente lui aussi un ensemble d’informations présentes dans ces images ,
par exemple pour l’image « im11.bmp » , on remarque que les cavités cardiaques sont bien
détecté à l’aide de la méthode des Level set , et pour les deux types d’initialisations à
l’exception que le temps d’exécution est plus petit pour l’initialisation manuelle «4128 »
que celui de l’initialisation automatique « 4970 ms », ce qui veut dire la segmentation par
Level set a bien déroulé et a donné vraiment de bon résultats pour les différents images
présentées .

130
III.1.3. Tests pour les images échographiques

III.1.3.1 Exemple N° 1

pour l’image « IMAGES-MEDICALES/échographiques/echographiques2.png » , on a


appliqué les deux filtres de Médian , suivi par celui de la diffusion anisotropique ( fonction
de diffusion : f1,constant d’intégration : 0.12 , et le seuil est : 30 , et on a appliqué les deux
types d’initialisations , les résultants sont les suivantes :

Contour initial Contours finals par level set (it=100, tps=6153 ms)

Contour initial Résultats par Level set (it=150, tps=5144 ms)

III.1.3.2 Exemple N° 2

pour l’image « IMAGES-MEDICALES/échographiques/échographique1.png » , cette image


est une image échographique représentant un fœtus contenant une récente ovule , pour
laquelle on a appliqué les deux filtres Médian , suivi par celui de la diffusion anisotropique
avec ses paramètres ( fonction de diffusion : f1, constant d’intégration : 0.12 , et le seuil est
égale à 30 ) .

131
Contour initial Contour final du Level set (It=150et tps=1792 ms)

III.1.3.3 Exemple N° 3

pour l’image « IMAGES-MEDICALES/échographiques/echo5.png », on a appliqué les


deux filtres Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1,constant d’intégration : 0.12et le seuil est : 30

Contour initial Contour final du level set (It=100et tps=2455 ms)

Figure V.11 Résultats de la segmentation des images échographiques par Level Set

132
Images Initialisation automatique Initialisation manuelle
/paramètre Nombre Temps Nombre Temps
itérations d’exécution (ms) itérations d’exécution
Image 1 100 6153 150 5144
Image2 150 1792 150 1027
Image3 100 2455 100 1783

TAB V.8 Temps d’exécution de la segmentation des images échographiques par les Level
Set

III.1.3.4 Commentaires sur les résultats de la segmentation obtenue

On remarque que les résultats de la segmentation par Level set pour ces images
échographiques sont bonne aussi, et que les contours des objets d’intérêt sont parfaitement
détecté et d’après ( la figure V.11 ) , il est bien apparu des petits contours en dehors des
régions d’intérêt , et cela est due par la construction de ce type d’images , et il est clairement
semblable dans le tableau ( TAB V.8 ) que le temps d’exécution est court , et il est plus
petit pour les initialisations manuelles que pour les initialisation automatiques pour les trois
tests effectués , par exemple pour l’image 3 le temps d’exécution pour l’initialisation
automatique est « 2455 ms », en sachant qu’il est égale à « 1783 ms » pour l’initialisation
manuelle avec le même nombre d’itération « 100 » .

III.2. Tests et résultats de l’implémentation de la méthode des B-snake

III.2.1 Tests sur des images de synthèse

Pour cette méthode on fixe un nombre d’itérations maximum, un nombre de segments


minimum et maximum au même temps pour aider le contour lors de son évolution et son
développement en l’adaptant le plus possible, tout en sachant qu’on a changé à chaque fois
les paramètres de l’algorithme de la méthode de B-snake , On a de même rajouter dans
notre interface graphique de la méthode des B-Snake , l’animation et l’adaptation
automatique de chaque itération ( Cocher ou décocher) .

𝐏𝐚𝐫𝐚𝐦è𝐭𝐫𝐞𝐬 𝐝′ 𝐞𝐧𝐭𝐫é𝐞: 𝛂 𝟏. 𝟏 𝛃 𝟏. 𝟐 𝛄 𝟏. 𝟓 𝐞𝐭 𝛅 𝟑. 𝟎 ,
initialisation automatique et manuelle

133
III.2.1.1 Exemple N° 1 On a pris dans cet exemple une image de synthèse « IMAGES
MEDICALES / image test /cont256_002 / hoja2.png », et on lui a appliqué la méthode des
B-snake , mais bien sur après son prétraitement par l’un des filtres déjà cité .

Image initialisée automatiquement

134
Image final segmentée

Contour initial manuel Contour final

135
III.2.1.2 Exemple N°2

Dans cet exemple , l’image testée est la suivante : IMAGES-MEDICALES/Image-Test


/gcontour_001/avion15.bmp »

III.2.1.3 Exemple N°3

L’image testée est : « IMAGES-MEDICALES/Image-Test/g256_002/indor3.png »

136
III.2.1.4 Exemple N°4

L’image testée est « IMAGES-MEDICALES/ map2.png », et on a changé les valeurs des


paramètres de l’algorithme des B-Snake .

𝐏𝐚𝐫𝐚𝐦è𝐭𝐫𝐞𝐬 𝐝′ 𝐞𝐧𝐭𝐫é𝐞: 𝛂 𝟏. 𝟓 𝛃 𝟏. 𝟑 𝛄 𝟏. 𝟓 𝐞𝐭 𝛅 𝟐. 𝟎 , pour les


deux type d’ initialisations automatique et manuelle

Figure V.12 Résultats de la segmentation des images de synthèse par la méthode des

B-snake

137
Images / Initialisation automatique Initialisation manuelle
paramètre Nombre Temps Nombre Temps
itérations d’exécution itérations d’exécution
(ms) (ms)
Image 1 110 6800 90 6020
Image 2 160 14010 150 9286
Image 3 180 8200 190 5364
Image 4 38 11 56 10

TAB V.9 Temps d’exécution de la segmentation des images de synthèse par B-snake

III.2.1.5 Commentaires sur les résultats de la segmentation obtenue

On remarque que pour les trois images de synthèse , le temps d’exécution écoulé lors de
l’initialisation manuelle est plus petit que celui écoulé lors de l’initialisation automatique
toujours , ce qui mène à conclure que l’initialisation manuelle est la plus performante ,ce qui
veut dire que c’est la même chose pour les deux méthodes , en plus de ça nous remarquons
très bien l’évolution du contour initiale vers les bords de l’objets d’intérêt pour tous les tests,
alors l’implémentation de la méthode des B-snake a donné elle aussi de bon résultats pour
nos images .

III.2.2 Tests sur des images échographiques cardiaques

III.2.2.1 Exemple N° 1

pour l’image « IMAGES-MEDICALES/Image-cardiaques/im11.bmp » , on a appliqué les


deux filtres de Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1,constant d’intégration : 0.12 et le seuil est : 30

Image filtrée et initialisée manuellement Résultat par B-snake ( it=100,tps=4128 ms)

138
Image filtrée et initialisée automatiquement Résultat par B-snake (it=100,tps=4970 ms)

III.2.2.2 Exemple N° 2

Pour l’image « IMAGES-MEDICALES/Image-cardiaques/im13.bmp », on a appliqué les


deux filtres Médian , suivi par celui de la diffusion anisotropique ( fonction de diffusion :
f1, constant d’intégration : 0.12 et le seuil est : 30

Initialisation manuelle Initialisation automatique

Image seuillée Contour final par B-snake


Figure V.13 Résultats de la segmentation des images échographiques cardiaques par la
méthode des B-Snakes

139
Images Initialisation automatique Initialisation manuelle
/paramètre Nombre Temps Nombre Temps
itérations d’exécution (ms) itérations d’exécution
Image 1 120 2380 120 2700
Image2 180 7600 180 9385
Image3 200 5280 200 5200

TAB V.10 Temps d’exécution de la segmentation des images échographiques cardiaques


par B-snake

III.2.2.3 Commentaires sur les résultats de la segmentation par B-snake

D’après le tableau récapitulatif des résultats des tests de la segmentation par B-snake sur des
images échographiques cardiaques , il est bien remarquable que le temps d’exécution de la
segmentation des images est clairement petit , et il est toujours plus court pour
l’initialisation manuelle que pour l’initialisation automatique , par exemple il est égale à
« 5280 ms » pour segmenter l’image 3 par 200 itérations avec une initialisation
automatique , tout en sachant qu’il est égale à « 5200 ms » par le même nombre d’itérations
avec une initialisation manuelle .

III.3. Tests et résultats de l’implémentation de l’algorithme Greedy

Dans l’implémentation de l’algorithme « Greedy » , on dessine un contour initial à


l’intérieur de l’objet à détecter , tout en sachant que ce dernier est un petit cercle avec une
couleur rouge dans notre application , et que le contour final est en couleur jaune , et pour
bien expliquer ces tests , dans les deux premiers exemples , on a fait un seuillage pour
l’image initiale avant l’implémentation de l’algorithme Greedy , et pour les deux derniers
exemples , on a filtré les images originales par le filtre de Gauss .

III.3.1 Résultats de l’implémentation de l’algorithme Greedy sur des images de


synthèse

III.3.1.1 Exemple N°1

Image originale Image seuillée

140
Contour initial et final par algorithme Greedy

III.3.1.2 Exemple N°2

Image originale Image seuillée

Contour initial et final par algorithme Greedy

141
III.3.1.3 Exemple N° 3

Image originale Contour initial et final par algorithme Greedy

III.3.1.4 Exemple N°4

Image originale Contour initial et final par algorithme Greedy

Figure V.14 Résultats de la segmentation des images de synthèse par l’algorithme


Greedy

Images Initialisation automatique


/paramètres Nombre Temps
itérations d’exécution (ms)
Image 1 100 3659
Image2 150 2415
Image3 150 5372
Image4 130 3895

TAB V.11 Temps d’exécution de la segmentation des images de synthèse par l’algorithme
Greedy

142
III.3.1.5 Commentaires et discussions des résultats

C’est bien apparu dans la figure ( Figure V.14 ) des quatre tests effectués que les résultats
sont vraiment très bonne et encourageantes, et il est clairement apparu que le contour final
épuise l’objet d’intérêt dans tous les images testées , alors on peut dire qu’on a eu une
bonne segmentation des différents images testées et que l’algorithme « Greedy » a aboutit
à des résultats très encourageantes , et à une très bonne détection des objets d’intérêt dans
ce type d’images .

III.3.2 Résultats sur des images échographiques cardiaques

III.3.2.1 Exemple N°1

Image originale Image filtrée par le contour initiale

Contour final par l’algorithme Greedy

Figure V.15 Résultats de la segmentation des images écho-cardiographiques par


l’algorithme Greedy

143
Images / Nombre Temps
paramètres itérations d’exécution (ms)
Image 1 150 4890
Image2 150 5694

TAB V.12 Temps d’exécution de la segmentation des images échographiques cardiaques


par l’algorithme Greedy

III.3.2.2 Commentaires et discussions sur les résultats

L’implémentation de l’algorithme « Greedy » a vraiment donné de très bonne


résultats, et c’est clairement bien apparu dans les figure ci-dessous, et il est bien
apparu que les contours des objets d’intérêt sont épuisé par le contour finale lors de la
segmentation par l’algorithme « Greedy », on peut dire que ce dernier a bien réussie à
détecter les objets d’intérêts dans notre implémentation .

III.3.3 Résultats de la segmentation par l’algorithme Greedy sur des images


échographiques

III.3.3.1 Exemple N°1

Image échographique seuillée Image filtrés avec un contour initial

144
Contour final de l’image segmentée

III.3.3.2 Exemple N°2

Image original Image filtrée contenant le contour initiale

Contour final par l’algorithme Greedy

Figure V.16. Résultats de la segmentation des images échographiques par l’algorithme


Greedy

145
Images Initialisation automatique
/paramètre Nombre Temps
itérations d’exécution (ms)
Image 1 100 3659
Image2 150 2415
Image3 150 5372
Image4 130 3895

TAB V.13 Temps d’exécution de la segmentation par Greedy sur des images
échographiques

IV. La comparaison des méthodes de segmentation par contours actifs


implémentées

On a tenté de faire la comparaison entre ces méthodes, afin de tirer la quelle est la plus
performante et prometteuse pour la segmentation des images médicales et plus précisément
les images échographiques cardiaques, tout en utilisant des mesures d’évaluation pour ces
méthodes de segmentation afin d’évaluer chacune de ces méthodes , et pour notre travail
on a utilisé les mesures suivantes :

IV.1 Les mesure de comparaison entre les méthodes implémentées

IV.1.1 La mesure de LIU et YANG

146
IV.1.2 La mesure de BORSOTTI

Les résultats de la comparaison entre les méthodes implémentées pour certains images , tout
en évaluant les méthodes des Level set , B-snake et celle de l’algorithme Greedy , ont été
résumé dans les tableaux ci-dessous , par exemple pour l’image de synthèse :

147
Méthodes LIU et BORSOTTI Nombre Temps
YANG iterations execution

B-Snake 1,790 .E-5 2,561.E-4 53 16

Level Set 1,790.E-5 0,0083 150 6388

Algorithm Greedy 1,26.E-5 4,819.E-4 300 6611

TAB V.14 Valeurs des mesures d’évaluation des méthodes étudiées pour une image de
synthèse

Méthodes LIU et BORSOTTI Nombre Temps


YANG iterations execution

B-Snake 1,98 .E-5 .E-5 59 16

Level Set 1.86 .E-5 .E-5 150 18845

Algorithm Greedy 1,45. E-5 .E-5 300 6989

TAB V.15 Valeurs des mesures d’évaluation des méthodes étudiées pour une image
échographique cardiaque

Finalement, on a essayé de faire un tableau récapitulatif des différents résultats lors de notre
implémentation, et on a pris pour chaque méthode un exemple des trois types d’images, et
c’est clairement apparu que la méthode des Level Set

Images / Synthetic Images Ultrasound images Cardiac Ultrasound


temps Images
execution

Im1 Im2 Im3 Im1 Im2 Im3 Im1 Im2 Im3

Temps du BS 6712 1254 5648 6875 1862 1869 2546 8346 4695

Temps du LS 5328 1070 4965 5177 1027 1783 2142 8225 4128

Temps de 6890 1298 5896 7965 1956 1969 2648 8429 4789
Greedy

TAB V.16 Tableau récapitulatif des résultats des trois méthodes étudiées

148
IV.3 Discussion des résultats

On a pu conclure à partir de ces tableaux que la méthode des Level set présente toujours
un avantage par rapport à celle des B-snake et celui de l’algorithme Greedy en ce qui
concerne le temps d’exécution, le nombre d’itérations , et il semble très clairement que le
plus petit temps d’exécution lors de la segmentation par les trois méthodes est celui des
Level Set pour tous les types d’images ( par exemple pour l’image échographique
cardiaque im2 : 1956 ms >1862 ms > 1027 ms) , mais ils restent toujours des exceptions
Parce que d’après les tableaux ( TAB V.14) et ( TAB V.15) , on remarque que pour certains
d’autres images , la méthode des B-Snake présente des résultats plus performantes que ceux
trouvés par la méthode des Level Set et de l’algorithme Greedy , et ça revenir aussi aux types
d’images , mais on peut dire finalement que l’implémentation de ces trois méthodes a donné
des résultats prometteuses et encourageantes , malgré leurs inconvénients et les difficultés
qu’on a vraiment rencontré lors de leurs implémentation .

Et en ce qui concerne les mesures d’évaluation , on remarque que les valeurs de ces
mesures sont aussi assez claire et bonne , dans le fait qu’elles montrent bien que ces
méthodes sont toutes valable non seulement pour la segmentation des images médicales
échographiques cardiaques mais aussi pour d’autres types d’images . Pour conclure, on
peut dire que la méthode des Level Set reste toujours la plus performante et celle qui donne
de meilleurs résultats par rapport aux autres méthodes implémentées .

V . Conclusion

Dans ce chapitre, nous avons eu à présenter les différents résultats obtenus par notre
système. Pour ce faire on a testé les performances de notre système sur des images de
synthèse, échographiques et échographiques cardiaques . En premier lieu, il a été vraiment
nécessaire de passer par la phase de prétraitement des images échographiques cardiaques,
qui est une phase très importante dans le processus de traitement d’images, afin d’avoir une
bonne segmentation.

Après plusieurs tests et expérimentations, le choix de nos paramètres pour le filtrage


anisotropique a été bien fixé selon ceux qui donnent un bon prétraitement , et on a pris à la
fin de nos tests les meilleurs résultats pour toute cette phase .

Nous avons constaté dans l’application de la méthode des contours actifs sur des images
échographiques cardiaques que la convergence du contour vers le contour de l’objet n’est
possible dans le cas d’une image affecté par un fort Speckle que pour une opération de
filtrage , mais malgré ça il reste toujours un manque d’une segmentation parfaite

149
absolument pour les images échographiques en générale à cause de la présence de faux
contours dans l’image prétraitée , les méthodes qui ont été présenté sont capables de
détecter les contours des cavités cardiaques ainsi que les différentes structures anatomiques
du corps humain et même de détecter les frontières des objets dans d’autres types d’images
(synthèse , …) . Ces méthodes utilisent une implémentation rapide du modèle du contour
actif, et que les tests effectués dans ce chapitre nous a permis d’avoir une idée assez claire
sur les performances de ces méthodes.

La méthode des Level Set implémenté permet de segmenter les structures présentes dans
les images échographiques cardiaques , on a gardé toujours le principe classique du Level
Set puisqu’on a fait une initialisation par une forme géométrique bien définie ( un carré
autour de l’objet d’intérêt ) dans notre cas , et à partir de ce contour la courbe de niveau
commence à se déformer en fonctions des différents forces ou énergies présentes dans son
voisinage tout en suivant sa stratégie de déformation pour la phase de la ré-initialisation de
la courbe , les Level set ont l’avantage de créer plusieurs ensembles en même temps , qui est
un avantage pour notre cas .

150
Conclusion générale et perspectives

Dans ce mémoire , nous avons fait un tour exhaustif sur les méthodes de
segmentation et de détection des contours dans les images échographiques cardiaques
, où de nombreux progrès restent à faire car il n’existe pas encore d’algorithme
robuste permettant de détecter les contours dans une image échographiques , ceci
revient à la nature des images échographiques qui sont affectées par le speckle (
phénomène assimilé à un bruit multiplicatif rendant difficile l'interprétation ce type
d’images) .

Le premier chapitre a été consacré à des généralités sur l’imagerie médicale ainsi
que sur les différentes techniques qui la constituent , tout en insistant sur l’imagerie
échographique cardiaque , qui est la technique qui nous a intéressé dans cette thèse ,
tout en abordons les notion fondamentales sur l’anatomie du cœur .

Dans le deuxième chapitre , on a tenté de présenter les notions de base sur le


traitement des images en générale et médicales plus précisément , tout en passant par
les différentes définitions des filtres utilisés pour éliminer le Speckle , ainsi que les
notions générales sur la segmentation des images médicales , tout en abordant les
différentes techniques et méthodes existantes pour la segmentation en traitement
d’images .

Dans le troisième chapitre , on a consacré une partie pour présenter un état de l’art
sur la méthode des contours actifs avec ses différentes représentations implicite et
explicite , en passant par un historique sur un ensemble de travaux pour la
segmentation des images médicales en générale , et échographiques cardiaques plus
précisément par ces trois méthodes intéressantes , la méthode des Level set et des
B-snakes , ainsi que la méthode de l’algorithme Greedy .

Et une autre partie , pour les différentes définitions de ces trois méthodes en
présentant les différentes formules des énergies exploitables dans ce types de
méthodes . De ce fait nous avons étudié le principe des contours actifs (ou Snake) ,
et comment l’algorithme Greedy est appréciée pour son temps réduit de traitement,
ainsi que nous avons présenté les B-Spline cubique pour l’interpolation de la courbe
, qui ont une grande précision d’interpolation et un très faible coût de calcul en
implémentation

Le quatrième chapitre est consacré à la conception et à la réalisation de notre


application , et nous présentons les différentes phases d’implémentation de notre
application , et qui consiste à passer tout d’abord par la phase du prétraitement des
différentes images , tout en utilisant plusieurs types de filtres , suivi par la phase de la

151
segmentation par les différentes méthodes déjà citées , afin de faire leur comparaison
en se basant sur des mesures d’évaluations , ainsi que sur le nombre d’itérations et le
temps d’exécution écoulé lors de la phase de la segmentation des nos différentes
images .

La procédure de segmentation par contour actif se compose par plusieurs méthodes


, premièrement par les B-snakes , ensuite les Level Set et finalement par l’algorithme
Greedy , tout en faisant ces différentes segmentations sur trois types d’images ( de
synthèse, échographiques , et échographiques cardiaques ) avec deux types
d’initialisations ( automatique et manuelle ) , et nous avons constaté que l’opération
d’initialisation du contour a une grande importance dans la procédure de la
segmentation .

Finalement, la segmentation par les contours actifs offre une solution satisfaisante au
problème de la segmentation en générale et à la détection des cavités cardiaques dans
les images échographiques précisément , mais appliquer directement la méthode des
contours actifs sur les images échographiques affectées par un fort speckle produit de
faux contours , d’ou la nécessité d’utiliser une méthode indirecte qui consiste à
intégrer d’abord le processus de filtrage de Speckle avant que d’appliquer la méthode
de segmentation par contours actifs .

En plus , les méthodes des ensembles de niveaux semble donc très bien adapté à la
minimisation du problème et donc à la segmentation d’image . De plus cette méthode
allie efficacité et simplicité notamment dans son implémentation car elle permet de
s’affranchir d’un certain nombre de difficultés concernant d'éventuels termes de
convection. Ensuite concernant la méthode en elle même dans le choix des différents
paramètres, sa calibration (c'est à dire le choix des conditions initiales qui reste un
problème ouvert) ou enfin sur sa complexité.

Les méthodes des contours actifs présentées permet d'obtenir des résultats
remarquables et très encourageantes , et offre un certain niveau de traitement , la
qualité des résultats dépend aussi du choix des paramètres qui interviennent dans la
fonctionnelle d'énergie qui est à minimiser par le contour .

Malgré leur originalité et leurs avantages , les méthodes et techniques que nous
avons refait présentent quelques limitations

 Les filtres effectué restent toujours sensibles au bruit présent dans les images
échographiques
 Elle est sensible à la position du contour initiale
 Les algorithmes implémentés ont une complexité relativement élevée

152
 Les méthodes par Level set refaites sont sensible aux différents formats non
homogènes
Pour faire face à ces différentes limitations , beaucoup de choses restent à faire :

 Améliorer la qualité d’image à segmenter ou bien trouver un filtre qui permet


d’éliminer le Speckle complètement

 Trouver un moyen pour faire la distinction entre une image échographique


affectée par un fort Speckle et une autre affectée par un faible Speckle car si
on applique directement un filtre sur cette dernière risque de perdre ses vrais
contours .

153
REFERENCES BIBLIOGRAPHIQUES

[1] O. Bernard 1 , J. D'hooge 2 , D. Friboulet 1 , « Segmentation d'images


échocardiographiques par contours actifs implicites : Exploitation de descripteurs
statistiques de régions » , **

[2] Q. Sun a, J. A. Hossack b , J. Tang c, S. T. Acton b,c , « Speckle reducing


anisotropic diffusion for 3D ultrasound images » , Août 2004

[3] K. Nawres , M. Amel , H. Kamel , « Segmentation d’images par contours actifs :


Application à la détection du ventricule gauche dans les images de scintigraphie
cardiaque » , SETIT-TUNISIA , Mars 2005

[4] Y. Wang 1, E. Khwang Teoh 1 and D. Shed 2 , « Structure-Adaptive B-Snake


for Segmenting Complex Objects » , 2001

[5] R.Winzenrieth¹, I.Claude¹, M.C.Hobatho¹, P.Pouletaut ¹, G. Sebag²,


« Comparaison de deux méthodes de segmentation par contours actifs : les snakes et
les level sets pour la segmentation d’IRM de hanche » , 2003

[6] M. Beladgham , F. Derraz, M. Khélif , « Segmentation d’images médicales IRM


par la méthode d’ensembles de niveaux » , Proceedings , ITCC 2004 , International
Conference on , Mai 2004 .

[7] C. Tauber, H. Batatia, G. Morin, A. Ayache « Robust B-Spline Snakes for


Ultrasound Image Segmentation » , IEEE 2004

[8] S. Ranganath , « Contour extraction from cardiac studies using snakes », IEEE
Transactions on Medical Imaging, vol. 14, pp. 328–338, juin 1995.

[9] H. Eviatar, R. Somorjai, « A fast, simple active contour algorithm for


biomedical Images », Pattern Recognition Letters, vol. 17, pp. 969–974, 1996.

[10] N. H. Salman , « Level Set Methods Implementation for Image Level sets and
Image Contour » , November 2009

[11] M. C. Nicola *** ; L. Moraru **, L. Onose *** , « Comparative approach for
speckle reduction in medical ultrasound images » , Romanian J. Biophys , Vol. 20,
No. 1, P. 13–21, BUCHAREST , 2010

153
[12] M. G.C. RESENDE , C. C. RIBEIRO , “ Greedy Random Adaptive Search
Procedure ” , Août 2002 .

[13] R. Dib *, K. Mokrani **, A. Mekhmoukh *** , « Contours actifs implicites


pour la Segmentation d’images médicales » , International Conference On Industrial
Engineering and Manufacturing (ICIEM’10) , Batna, Algeria , May 9-10, 2010

[14] Y. Wang 1, E. Khwang Teoh 2, Z. Hou 1 and J. Wang 1 , « Object Boundary


Extraction Using Active B-Snake Model » , IEEE 2008

[15] C. Tauber 1, H. Batatia 1 , A. Ayache 1 , « Contours Actifs Basés Sur Trois


Energies : Détection Des Cavités Cardiaques » , RFIA 2006 , Tours, France , 2006

[16] C. Couvreur , Y. Bresler , “ On the Optimality of the Backward Greedy


Algorithm for the Subset Selection Problem “ , SIAM J. Matrix Anal. Appl., vol. 21,
pages 797-808 , 2000 .

[17] A. Vince , “ A framework for the greedy algorithm”, Department of


Mathematics, University of Florida, 358 Little Hall, PO Box 118105, Gainesville, FL
32611-8105, USA , October 2001

[18] F. Lecellier, S. Jehan-Besson, J. Fadili , Gilles Aubert , M. Revenu, E. Saloux ,


« Les contours actifs basés région avec a priori de bruit et de forme » , CHU Caen , 6
janvier 2006

[19] M. Medjeded , M. Said , « une nouvelle approche de segmentation d’images


médicales par combinaison des deux Modèles Déformables : ASM et Snakes » ,STIC
2009 ,M’Sila , Algérie, 2009

[20] X. Bâty , C. Cavaro-Ménard , J.-J. Le Jeune , « Recalage automatique de


séquences cardiaques spatiotemporelles IRM, TEP et TDM » , Médecine Nucléaire
- Imagerie fonctionnelle et métabolique , Vol. 30, n° 9, pp. 501 , Septembre 2006 .

[21] C. Tauber , H. Batatia , A. Ayache , « Une méthode d'initialisation automatique


pour contour actif paramétrique, application aux images échographiques » , 2005

[22] Y. Fei* and J. W. Park * , « A New Variational Level Set Evolving Algorithm
for Image Segmentation » , Mars 2009

[23] K. Krissian , C. F. Westin and K. Vosburgh , “ Oriented Speckle Reducing


Anisotropic Diffusion ” , IEEE Transactions on Image Processing , may 2007.

154
[24] Y. Shi and W.C. Karl , " A real-time algorithm for the approximation of level-
set based curve evolution", IEEE Transaction on Image Processing , 2008 .

[25] M. Kass, A. Witkin and D. Terzopoulos , « Snakes : Active contour models » ,


International Journal of Computer Vision , 1988

[26] T. Chan and L. Vese , « Active Contours without Edges » , IEEE Transactions
on Image Processing , 2001

[27] G. Aubert et al. , « Image Segmentation Using Active Contours : Calculus Of


Variations Or Shape Gradients » , SIAM 2003

[28] S. Menet, P. Saint‐Marc, and G. Medioni. « B‐Snakes : Implementation and


application to stereo ». Proc. Image Understanding Workshop, pages 720 – 726, 1990.

[29] C. Li, C.-Y. Kao, J.C. Gore, and Z. Ding , " Minimization of region scalable
fitting energy for image segmentation" , IEEE Transaction on Image Processing ,
2008

[30] Y. Shi and W.C. Karl, " A real-time algorithm for the approximation of level-
set based curve evolution" , IEEE Transaction on Image Processing , 2008

[31] O. Bernard, D. Friboulet, P. Thevenaz, and M. Unser , " Variational B-Spline


Level Set : A Linear Filtering Approach for Fast Deformable Model Evolution" ,
IEEE Transaction on Image Processing , 2009

[32] O. Bernard, D. Friboulet, P. Thevenaz, and M. Unser , "Variational B-Spline


Level Set: A Linear Filtering Approach for Fast Deformable Model Evolution" ,
IEEETransaction on Image Processing , 2009 .

[33] S. M. FARSSI* , O. DIOP* , A. CORENTHIN* ,G. SOW* , M. KA** ,


« Réalisation d'un système d'aide au diagnostic par analyse d'images
échocardiographiques en mode TM » , 1994

[34] Marco Mora Cofre , « Ensembles de niveaux robustes au speckle et recalage


B-spline : application à la segmentation et l'analyse du mouvement cardiaque par des
images ultrasons » , 10 Juillet 2008

[35] Denis Friboulet , Olivier Bernard , « Segmentation d'images


échocardiographiques acquises en " US tagging " par ensembles de niveaux de
contraints par a priori de mouvement » , 2010

[36] Meriem Hacini , « Filtrage anisotropique et segmentation par Level Sets:


Application aux images médicales » , 25 Novembre 2009

155
[37] Jean-Loïc Rose , « Croissance de région variationnelle et contraintes
géométriques tridimensionnelles pour la segmentation d’image » , 5 Décembre 2008

[38] Marie-Hélène Roy Cardinal , « Segmentation d’images intravasculaires


ultrasonores » , Octobre 2008
[39] Jean-François Aujol , « Utilisation de méthodes variationnelles en traitement
d’image » , Mai 2009

[40] François Lecellier , « Les contours actifs basés région avec a priori de bruit,
de texture et de forme : Application à l’échocardiographie » 15 Mai 2009

[41] Romain Fernandez , « Construction d'un modèle anatomique du système


cardio-vasculaire par segmentation d'IRM » , 11 Septembre 2006

[42] François Lecellier , « Les contours actifs basés région pour la segmentation
d’images : Application à la segmentation du contour de l’endocarde sur des images
d’ échographie cardiaque » , 20 Mai 2005

[43] Sonia Fliss , Philippe Moireau , « Segmentation d'images par contours actifs
sur le modèle de Mumford-Shah » , Avril 2004

[44] Basma Touil , « Segmentation du myocarde en échocardiographie ultrasonore


par ensembles de niveaux sous contrainte de forme et de mouvement » , 14 décembre
2010

[45] Dutt , V. , “ Statistical analysis of ultrasound echo envelope ” , Ph.D. thesis ,


graduate school , May 1995.

[46] Clovis Tauber , « Filtrage anisotrope robuste et segmentation par B-spline


snake : application aux images échographiques » , 21 Février 2005

[47] Boudermine Rabeh , « Détection des cavités cardiaques en utilisant les


contours actifs » , 2009

[48 ] James Sethian , “ Level Set & Fast Marching Methods” , Cambridge , 1996

[49] Stan Osher & Ronald Fedkiw , “ Level Set Methods and Dynamics Implicit
Surfaces” , Springer 2002

[50] Stan Osher & Nikos Paragios , “ Geometric Level Set in Imaging Vision and
Graphics “ , Springer 2003

156
SITES WEB

[Net 1] : http://info.med.yale.edu/intmed/cardio/echo atlas


[Net 2] : http://www.teina.org/Enseignement/2006-2007/TIF/
[Net 3] : http://www.cardiodiac.net/EchoCardiographie.htm
[Net 4] : http://www.fmcoeur.com/site/
[Net 5] : http://www.tsi.enst.fr/tsi/enseignement/ressources/
[Net 6] : http://www.ensta.fr/~manzaner/Support_Cours.html
[Net 7] : http://www.tsi.enst.fr/~tupin/TDI.html
[Net 8] : http://www.snv.jussieu.fr/~wboudier/ens/cours_inb2
[Net 9 ] : http://www.liafa.jussieu.fr/
carton/Enseignement/InterfacesGraphiques/MasterInfo/ ... Cours/Swing/splines.html

[Net 10] : http ://www.cs.mtu.edu/ shene/COURSES/cs3621/NOTES/spline/B-


spline/... bspline-curve-prop.html

157