Vous êtes sur la page 1sur 14

Chapitre 2 :

Imagerie Cérébrale par Résonance


Magnétique
Sommaire :
2.1. Introduction………………………………………………………………………..
2.2. Définition ………………………………………………………………………
2.3. Méthode de segmentation ………………………………………………………
2.3.1. Approches contours …………………………………………………….
2.3.1.1. Méthodes dérivatives ……………………………………………
2.3.1.2. Modèles déformable (snake)…………………………………….
2.3.1.3. Méthodes morphologique ……………………………………….
2.3.2. Approches région………………………………………………………..
2.3.2.1. Les méthodes segmentation seuillage ………………………….
2.3.2.2. Les méthodes segmentation statistiques …………………………..
2.3.2.3. Les méthode segmentation croissance …………………………..
2.3.2.4. Méthodes segmentation par classification ………………………
2.3.3. Approches mixte …………………………………………………………
2.3.3.1. Coopération séquentielle …………………………………………
2.3.3.2. Coopération de résultat …………………………………………..
2.3.3.3. Coopération mutuelle …………………………………………….
2.4. Conclusion ………………………………………………………………………………
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

2.1 Introduction :

2.2 Définition :

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 …). Toutefois, celle-ci n’est pas considérée comme un
but en soi, mais dépend fortement aussi bien du type de traitement fixé par
l'utilisateur sur les objets présents dans l’image, que de la nature de l’image
(présence de bruit, présence de zones texturées, contours flous ...).

Une définition formelle de la segmentation d’image a été donné par Horowitz


et Pavlidis:
Soit A le domaine de l’image et f la fonction qui associe a` chaque pixel une
valeur f (x , y ). Si nous d´efinissons un pr´edicat P sur l’ensemble des parties de A ,

2
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

la segmentation de A est d´efinie comme une partition de A en n sous-ensemble


{R 1 , ... , R n } tels que :

 A=¿ i=1¿ n Ri .
 ∀ i∈ {1 , … , n } Ri est connexe . adjacent
 ∀ i∈ {1 , … , n } P Ri =vrai .
2
 ∀ i, j ∈ {1 , … , n } R i est adjacent à R j et i≠ j ⇒ P ( R i ⋃ R j ) =faux

Le prédicat P est utilisé pour tester l’homogénéité des ensembles Ri. Ces sous-
ensembles constituent les régions de l’image. Une segmentation de l’image est
donc sa d´ecomposition en un ensemble de région homogène, le critère
d’homogénéité P restant à déterminer.

Quatre conditions on a résumé comme suite : la première condition implique


que tout pixel d e l’image appartienne à une région et un seul. La seconde
condition implique que tout région doit être connexe. La connexité des régions
étant induite par le voisinage défini sur l’image. La troisième condition implique
que chaque région doit être homogène. Enfin, la quatrième condition est condition
maximalité indique que la fusion de deux régions ne doit pas produit région
homogène. Il est important de remarque le nombre n de région formant la partition
de l’image reste indéterminé, donc exister plusieurs possibles segmentation pour
un prédicat P donné.

Une multitude de méthodes de segmentation sont proposées dans la littérature,


elles se répartissent en trois grandes familles que nous présentons dans la section
suivante.

2.3 Méthode de segmentation :

3
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

La segmentation permet de distinguer les objets d’intérêt d’une image en


l’isolant du fond ou des autres structures. Après la segmentation d’une image,
chaque pixel se voit attribuer une région, et chaque région correspond à une partie
sémantique de l’image. Les discontinuités entre les régions correspondent aux
contours des objets, aux incertitudes près. Nous décrivons ci-après les principales
approches à savoir, l’approche frontière, l’approche région et l’approche mixte .

Figure 1.10 : Les principales méthodes de segmentation

2.3.1 Approches contours :


Un contour est un ensemble des points d'une image numérique qui correspond
à un changement brutal de l'intensité lumineuse. Dans l’approche ” contour ”, on
considère que les primitives à extraire sont les lignes de contrastes séparant des
régions de niveaux de gris différents et relativement homogènes, ou bien des
régions de texture différentes. En pratique, il s’agit de reconnaître les zones de
transition et de localiser au mieux la frontière entre les régions.

Les méthodes de détection de contours reposent sur trois concepts : Les


techniques dérivatives et de filtrage, les approches morphologiques et les ruptures
de modèle déformables.

2.3.1.1 Les méthodes dérivatives :

4
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Les modèles dérivatifs consistent à modéliser les contours ou des zones


d’images et supposent que l’image numérique provient de l’échantillonnage
d’une fonction scalaire à support borné et dérivable en tout point. Ces variations
d’intensité de l’image peuvent correspondre à des variations d’illuminations
(ombres), des changements d’orientation ou de distance à l’observateur, des
changements de réflectance de surface, des variations d’absorption des
rayons, etc…, dans le traitement d’une image numérique, toutes ces grandeurs
sont condensées en une seule variable bi ou tridimensionnelle ; dans le cas
monochrome, c’est l’intensité lumineuse. Ce sont des contours idéaux (voir la
figure) :
 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 1.11 : Les modèles de contour

Les contours sont détectés à des points de forts gradients (dérivée première) ou
de dérivées secondes nulles (Laplacien). On retrouvera alors des opérateurs
classiques tels que les filtres de Roberts, Sobel ou de Prewitt. Il existe d’autres
méthodes de détection de contour appelées méthodes optimales comme les filtres
de Canny et Deriche.

5
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Figure 1.12 Segmentation par approches dérivatives : (a) image originale, (b) filtre Prewitt et
(c) filtre Canny.

Dans la littérature, les contributions des méthodes dérivatives à la segmentation


des images IRM cérébrales, sont peu nombreuses. Bien que méthodes sont simples
et rapides, elles sont très sensibles aux bruits et elles ne génèrent pas des contours
fermés. Ces méthodes ont cependant des potentiels limités et ne sont plus guère
utilisées de nos jours.
2.3.1.2 Modèles déformables (Snake) :

Ces algorithmes dérivent des méthodes de contours dynamiques. Le principe


de base est de faire placer une courbe (en deux dimensions) formée d’une serie de
points mobiles (Figure ())7 dans une zone d’intérêt de l’image. La courbe se
déplace jusqu’à une position d’équilibre par l’intermédiaire de forces externes
(bords, etc.) et internes (morphologie, courbure, etc.) par la minimisation itérative
d’une fonctionnelle.

Les modèles déformables ont été largement appliqués à la caractérisation des


structures cérébrales en IRM. Dans, un modèle déformable est utilisé pour la
séparation des deux matières du cerveau (blanche / grise). La méthode s’avère
efficace même lorsque l’initialisation est ´éloignée. Les résultats expérimentaux
montrent la précision de cette approche, même avec la présence des artefacts liés `a
l’IRM .

6
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Mostaar et al. [], ont introduit un nouveau modèle statistique de contour actif
pour la segmentation d’images IRM en présence d’une inhomogénéité intense,
avec la capacité de déterminer la taille et la position du contour initial, ce qui rend
la segmentation plus rapide et plus précise. Leur modèle combine l’information des
pixels voisins qui appartiennent à la même classe, ce qui permet de séparer les
objets de l’arrière-plan. Dans cette étude, la détermination de la position, la taille
du contour et du seuil de la fonction énergétique est basée sur une évaluation
visuelle.

Les modèles déformables s’avèrent efficaces pour la segmentation de


structures cérébrales particulières. Contrairement aux méthodes dérivatives, ces
approches produisent des contours ou des surfaces fermés en raison de leur
topologie flexible et de leur robustesse aux variations d’intensités. Cependant, ces
méthodes souffrent du problème d’initialisation, et face à ce problème, plusieurs
travaux tendent a` inclure des fonctions d’initialisation adaptatives.

2.3.1.3 Méthode morphologique :


Si on considère l’image comme une surface dans un espace tridimensionnel
( i , j , I (i , j ) ) et Β un élément structurant, ces techniques peuvent être directement
utilisées sur l’image.

Alors l’approche morphologique consiste à déplacer l’élément structurant en


chaque pixel (x, y) de l’image à traiter I (x, y) et les relations entre l’image et
l’élément structurant Β sont analysées : inclusions, connexion…
On appelle :
 Dilatation : D ( i, j ) =max
k , lϵΒ
[ Ι ( i – k , j – l ) +B ( k ,l ) ] (1.2)

 Erosion: E ( i, j )=min
k ,lϵΒ
[ I ( i – k , j – l ) +B ( k ,l ) ] (1.3)

 Ouverture : érosion suivie d’une dilatation.

7
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

 Fermeture : Dilatation suivi d’une érosion.


La détection du contour consiste à détecter les sauts :
 Gradient par érosion :∇ EI ( i, j )=I ( i, j ) – E ( i , j ) (1.4)
 Gradient par dilatation : ∇ DI ( i , j )=I (i , j ) – D ( i, j ) (1.5)
 Laplacien morphologique : L ( I ( i, j )) =∇ D I (i , j )−∇ E I ( i, j) (1.6)

2.3.2 Approches régions :


Contrairement à la segmentation par contours dont le principe est la recherche
des points essentiels qui donnent la forme des objets composant l'image, la
segmentation en régions consiste à décomposer l'image en des régions homogènes .
Une région est composée de l'ensemble des pixels connexes possédant les mêmes
propriétés au sens d'un prédicat d'homogénéité donné.
Nous proposons dans la suite les différentes méthodes de segmentation de type
région.

2.3.2.1 Les méthodes de segmentation Seuillage :

Les méthodes les plus classiques des approches régions sont les méthodes de
seuillage. Ces méthodes visent à discriminer les pixels en fonction de leurs niveaux
de gris. Le plus souvent, les seuils sont déterminés à partir des histogrammes.
L’opération de seuillage permet d’isoler facilement les différentes régions
contenues dans l’image, et qui correspondent aux différents pics de l’histogramme.
On distingue trois types de seuillage : local, global, et dynamique.

L’opération de binarisation (seuillage simple), consiste à mettre à zéro tous les


pixels dont le niveau de gris est inferieur à une valeur appelée seuil S, et a` la
valeur maximale les autres pixels. Ainsi le résultat du seuillage est une image
binaire contenant des pixels noirs et blancs voir la figure ()

8
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Soit I(x, y), la valeur radiométrique du pixel de coordonnées(x, y) dans


l’image, Sétant le seuil fixé

 Si I(x,y) > S , le pixel prend la valeur 1


 Sinon il prend la valeur 0.
L’opération de multi-seuillage permet de définir plusieurs seuils afin de
regrouper les pixels dans différent classes, ou` chaque classe est délimitée par deux
seuils.

Les méthodes de segmentation par seuillage ont été largement appliquées à la


segmentation des IRM cérébrale. Par exemple, dans [ ], Evelin et al. ont appliqué
un algorithme de segmentation par seuillage, pour la séparation des structures
cérébrales pathologiques et saines sur des images IRM. Mozaffari et al. ont
proposé une nouvelle approche de seuillage basée sur l’optimisation par essaim de
particules (PSO). Otsu [ ] et Kapur [ ] ont utilisée les deux techniques de seuillage
automatique comme des fonctions objectifs de PSO.

Les méthodes de segmentation par seuillage sont des méthode rapides et


simples à implémenter. Néanmoins, elles sont très sensibles aux bruits et donnent
des résultats insuffisants lorsque les structures à rechercher ne sont pas contrastées
(recouvrement de structure). Leur utilisation nécessite, en particulier, la prise en
compte des informations liées au voisinage d’un pixel. Enfin, le choix de la valeur
du seuil S, n’est pas toujours facile.

2.3.2.2 Les méthodes de segmentation statistiques :


Lorsqu’une image présente un aspect de texture aléatoire, elle peut être
supposée une réalisation d’un processus stochastique gouverné par des paramètres
qui se calculent à partir de l’image en considération.

9
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

C’est le principe des méthodes à base des champs aléatoires de Markov qui est
un moyen favorisé pour modéliser les images texturées permettant d’exprimer
l’interaction spatiale porté par les pixels. C’est-à-dire qu’un pixel donné a une forte
probabilité d’appartenir à la même classe que ces voisins.
L’influence mutuelle des pixels dans une image donnée est exprimée alors par
une distribution conditionnelle.

2.3.2.3 Les méthodes de segmentation Croissance :


Cette technique consiste à faire progressivement grossir les régions autour de
leur point de départ. L’initialisation de cette méthode consiste à considérer chaque
pixel comme une région. On va essayer de les regrouper entre elles avec un double
critère de similarité des niveaux de gris et d’adjacence. Le critère de similarité peut
par exemple être : la variance des niveaux de gris de la région R est inférieure à un
seuil.

Le principe de l’agrégation de pixel est le suivant : on choisit un germe (Le


point de départ est le choix d'un ensemble de pixels appelés « germes ») et on fait
croitre ce germe tant que des pixels de son voisinage vérifient le test
d’homogénéité. Lorsqu’il n’y a plus de pixels candidats dans le voisinage, on
choisit un nouveau germe et on itère le processus

2.3.2.4 Les méthodes de segmentation par la classification

La classification permet de partitionner un ensemble de données


multidimension -nelles en un ensemble de k classes disjointes. En segmentation
d’image, les données multidimensionnelles correspondent aux pixels de l’image ou
chaque pixel est caractérisé par un vecteur d’attributs tels que les attributs de
texture ou les composantes couleurs. Chaque classe regroupe des pixels ayant des
vecteurs de caractéristiques aussi similaires que possible. Sachant que les pixels de

10
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

deux classes distinctes ont des attributs très différents. La classification peut être
supervisée ou non supervisée :

a. La classification supervisée :

Elle s’opère à partir de la connaissance de chacune des classes définies par une
approche probabiliste. Elle se base sur l’apprentissage de propriétés discriminantes
sur un échantillon de données déjà classées.

Parmi les méthodes de segmentation supervisées appliquées à la segmentation


des images IRM, on peut citer : la segmentation bayésienne, la segmentation
Markovienne, algorithme des k plus proches voisins (KPPV) [ ], et les réseaux de
Neurones .

b. La classification non supervisée :


La méthode de classification non supervisée a pour but de trouver des
partitions d’un ensemble d’individus en fonction de critères de proximité de leurs
vecteurs d’attributs dans l’espace de représentation. Elles visent à regrouper
automatiquement les pixels en classes sans aucune base préalable d’apprentissage
et aucune tâche d’étiquetage. L’expert intervient seulement à la fin du processus
pour comparer les classes obtenues avec les classes réelles. on peut citer
l’algorithme K-means[], Floue c-means(FCM) [ ], Possibilistic c-means (PCM) .
2.3.2.4.1 K-means :
2.3.2.4.2 Floue c-means(FCM)
2.3.2.4.3 Possibilistic c-means (PCM)

2.3.3 Approche mixte :


L’approche contour et l’approche région sont en fait des approches duales. On
peut les combiner afin d’aboutir à une segmentation plus efficace. Comme, il
possible de combiner plusieurs techniques d’une même approche.

11
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Approche mixte peut être exprimée de quatre manières différentes :


 Les régions sont situées à l’intérieur des contours. Mais, il n’y a pas de
points contours à l’intérieur d’une région ;
 Un contour doit être situé sur la totalité de la frontière commune entre
deux régions.
 Un contour doit être situé sur la totalité de la frontière commune entre
deux régions.
 Une frontière de région est fermée par nature, un contour doit l’être aussi
Ainsi, une segmentation par coopération régions-contours peut être exprimée
comme une entraide entre ces deux concepts afin d’améliorer le résultat final de
segmentation. On peut distinguer trois approches différentes :
2.3.3.1 Coopération séquentielle :
L’une des techniques de segmentation (région ou contour) est réalisée en
premier lieu; son résultat va être exploité par l’autre technique pour renforcer la
définition des critères ou des paramètres de la segmentation. L’intégration de
l’information provenant de la segmentation par contours dans une segmentation
par régions est l’une des formes de coopération les plus courantes, voir la figure ci-
dessous :

Figure 1.13 : Principe de la coopération séquentielle.

12
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

2.3.3.2 Coopération des résultat :

Les deux types de segmentation seront réalisés indépendamment, la


coopération concernera leurs résultats qui seront intégrés afin d’atteindre une
meilleure segmentation (comme illustré sur la figure ci-après), cette intégration
peut être faite sous forme de complémentarité ou de recherche de consensus.

Figure 1.14: Principe de la coopération des résultats.

2.3.3.3 Coopération mutuelle :

Dans l’approche de coopération mutuelle, les deux techniques de segmentation


sont exécutées en parallèle, elles coopèrent mutuellement au cours de leur
processus d’exécution (voir figure ci-dessous). La coopération permet de prendre
des décisions plus sures et plus fiable.

13
Chapitre I : Imagerie Cérébrale par Résonance Magnétique

Figure 1.15 : Principe de la coopération Mutuelle.

2.4 Conclusion :

14