Mémoir Magister

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
Faculté des Mathématiques et de l’Informatique

Département d’Informatique
Spécialité : Informatique Option : Imagerie, Vision

Artificielle et Robotique Médicale
MEMOIRE
Présenté par
Mme. BEKKAR DJELLOUL SAIAH Ikram

Pour l'obtention du diplôme de Magister en Informatique
La Segmentation des images par la théorie des

jeux
Soutenu le Lundi 09 / 02 / 2015 à 14h :00
Devant la commission d’examen composée de :
Qualité Nom et Prénom Grade Etb. D’origine

Président Mr. Abdelkader Benyettou Professeur USTO-MB
Rapporteur Melle. Nacéra Benamrane Professeur USTO-MB
Examinateur Mr. Bachir Djebbar Professeur USTO-MB
Examinateur Mr. Zouagui Tarik M. Conf. A USTO-MB
Invitée Mme. Karima Kies M. Conf. B USTO-MB
Année Universitaire : 2014/2015

Remerciement
En premier lieu, nous remercions Allah le tout puissant qui ma guidé et facilité le
chemin de la réussite de ce travail.
Ce mémoire est le fruit de longues heures de recherche, de lecture et de réflexion.

Mais c’est surtout une formidable histoire humaine qui dure depuis de longues années
avec ceux qui m’ont toujours soutenu et encouragé et qui ont fait de moi ce que je suis
aujourd’hui : mes parents. Merci du fond du cœur à vous deux ainsi qu’à mes deux
frères.
Louange a Allah de m’avoir donné deux petites filles et un mari, compréhensifs et

affectueux qui ma soutenu dans des moments de faiblesse, qui ma animé de ces
conseils et sa disponibilité à chaque fois que j’avais besoin de lui.
Je tiens à remercier tous ceux sans qui ce travail n’aurait pu voir le jour. Je désire à
travers ces quelques lignes leur témoigner ma sincère reconnaissance et mon profond
respect.
Je voudrais commencer par remercier Mademoiselle Nacéra Benamrane, Professeur

à l’U.S.T.O , de m’avoir accueilli au sein du laboratoire SIMPA, dans son équipe
IVARM et de m’avoir encadré tout au long de ces années de Magistère, Je lui exprime
mes sincères remerciements pour avoir accepté de rapporter ce manuscrit ainsi que
pour ses remarques qui m’on permis de l’améliorer.
Mes plus vifs remerciements vont à Madame Karima Kies, Maitre de conférences
à l’U.S.T.O pour son encadrement ,soutien, aide et encouragement au moment où
j’avais besoin, et pour les conseils utiles qu’elle a su me prodiguer pour la réussite
de ce travail, et qui ma fait le plaisir d’accepter de Co-rapporter ce travail.
Je tiens aussi à exprimer mon profond respect et ma gratitude envers Monsieur

Abdelkader Benyettou, Professeur à l’U.S.T.O, pour avoir accepté de présider le jury
de ce travail.
Je remercie également Monsieur Bachir Djebbar, Professeur à l’U.S.T.O, et

Monsieur Zouagui Tarik, Maitre de conférences à l’U.S.T.O, pour avoir bien voulu
accepter de juger ce travail et d’en être examinateurs.
C’est certainement grâce à cet environnement humain et scientifique que j’ai pu

aujourd’hui étaler dans ce projet.
Le Segmentation des Images par La Théorie des
Jeux
Présenté par :
Mme. Ikram BEKKAR DJELLOUL SAIAH
Rapporteur :
Melle. Nacéra Benamrane

LISTES DES FIGURES
Figure I.1: Principales structures anatomiques cérébrales [vin 08].

Figure I.2: Les trois axes de coupe pour la visualisation du cerveau (a) Vue coronale.
(b) Vue sagittale. (c) Vue axiale.[Mor 13]
Figure. I.3 : La radiographie Cérébrale[Cea 03] .
Figure I .4 : Images de coupe de la tête effectuée par scanner [Jea 06].
Figure I .5 : La scintigraphie Cérébrale [Oli 13].
Figure I.6 : La précession d’un proton soumis au champ magnétique B0. [Gui12]
Figure I.7: Déroulement de l’expérience RMN. [Dem 08]
FigureI.8:Séquences d’IRM. Images d’une même coupe du cerveau humain,
pondérées en : (a) densité de protons, (b) T1 et (c) en T2. [Bou10]
Figure I.9: Images de coupes obtenues par IRM [Jea 06].
Figure II.1 – Approches duales de la segmentation : modèles orientées régions (Image

c) ou contours (Image b).[Lec 10]
Figure II.2 : L’application du masque de Sobel pour la détection de contours [Ben07].
Figure II.3 : L’application du Laplacien pour la détection de contours [Ben07].
Figure II.4 : Image originale, Gradient par dilatation, Gradient par érosion, Gradient
morphologique [Boc 00].
Figure II.5 : Segmentation par gradient morphologique.
Figure II. 6 : a) Une image d’une coupe IRM de cerveau après l’application du
gradient, b) Ligne partage des eaux de (a) [Naj 06] .
Figure II. 7 : Les différentes étapes d’un contour actif. [Cha 01]
Figure II. 8 : Exemple de modèle déformable intégrant des relations spatiales. (a)
Évolution du modèle déformable (le contour initial est le rectangle blanc sur l’image
de gauche) : lorsqu’ils n’utilisent que le terme d’attache aux données, le modèle
déformable s’arrête sur les premiers contours significatifs rencontrés. (b) En revanche,
en ajoutant la relation spatiale, il converge correctement vers le noyau caudé. [Col 05]
Figure II. 9: Segmentation des ventricules en IRM cérébrale (coupe axiale). (a) Notre
modèle avec énergie de gradient (b) Notre modèle avec énergie de région en bande
étroite (c) Ensembles de niveaux avec terme de région. [Jul 07]
Figure II.10: Résultat de la segmentation par la méthode croissance de région, (a):
image originale, (b): image binaire, (c): image segmentée.
Figure II .11 : (a): image initiale, (b): application de l’algorithme de division, (c):
image segmentée après l’étape de fusion. [Ker 00]
Figure II.12 – Sensibilité de la croissance de région vis à vis d’un seuil –tiré de
[Jea08].
Figure II. 13 : Structure d’un neurone artificiel. Le neurone calcule la somme de ses
entrées puis cette valeur passe à travers la fonction d’activation pour produire sa sortie.
LISTES DES FIGURES
Figure II. 14 : Le processus de l’algorithme K-Means. [Wal 09].
Figure II. 15 : Classification par K-moyennes d’image IRM. [Bus 02]
Figure II. 16 : (a) Image IRM, (b) Initialisation des contours initiaux (5
chromosomes), (c) Contour final (Convergence) par les algorithmes génétiques.
[Nic08]
Figure II. 17: Segmentation probabiliste en 3 classes.
Figure II.18 : Image originale et bruyante avec le bruit gaussien (variance 0.2) et
résultat de la segmentation. [Moe 11]
Figure II. 19 : Résultat de segmentation par coopération FPCME. [Mou 07]
Figure II.20 : Le processus coopératif de segmentation. (Gauche) Initialisation des
agents matière grise à partie de la position du modèle. (Milieu) Segmentation de la
matière grise puis initialisation des agents matière blanche. (Droite) Résultat final de
segmentation. [Ger 99]
Figure II.21 : Evaluation visuelle : Image réelle 3T(a), Segmentation des structures
(b-c), Segmentation des tissus sans coopération (d) et avec l’approche SMA (e) . [Ger
99].
Figure III.1 : Un arbre de décision (appelé arbre de Kuhn).

Figure III.2 : Modèle 2D d’une tumeur circulaire avec un réseau vasculaire à
l’équilibre de Nash, Projet OPALE / INRIA.
Figure III.3 : Algorithme de croissant de région. (a)image originale. (b) graine de
l’image. (c) pixels testes. (d) pixels admis. (e) pixels testes à la deuxième itération.
(f) pixels admis à la deuxième itération, pixels identifiés par un x sont rejetés. [Cas07]
Figure III.4 : Module de détection de contour - l'opération de fermeture sur
l’image binaire.
FigureIII.5 : Exemple d'image synthétique. (a) image originale avec les bruit
supplémentaire. (b) Résultat de segmentation à base région avec l'intégration de la
théorie des jeux (c) Résultat du module à base région sans la théorie des
jeux.(d) graine de l’image . [Cas 07]
Figure III. 6 : Représentation des modules. [Ami 99]
Figure III. 7 : Exemple d’utilisation de l’information région dans le module contour.
Figure III. 8 : Exemple sur les résultats obtenus en utilisant la théorie des jeux[Ami
99].
Figure III. 9 : Génération du point de repère k. [Bul 10]
Figure III. 10 : (a) Exemple de distance d(P1,P2) et l’angle Ҩ(P1 ,P2), (b) Exemple
de distance d(P2,P1) et l’angle Ҩ(P2 ,P1). [Bul 10]
Figure III.11 : Exemple de résultat de segmentation du poumon en radiographie de
poitrine avec les points de repères en vert. [Bul 10]
LISTES DES FIGURES
Figure III.12 : Rangée supérieure : image originale et bruyante avec le bruit gaussien
(variance 0.2) et contour initiale. Rangée moyenne : la restauration et la
segmentation del’image par algorithme proposé avec r = 0 (v = 0,2, μ= 0,01, s = 10). R
angée inférieure : restauration et segmentation d'image utilisant l’algorithme proposée
avec r = 10 ( v = 0.2, μ = 0.01, s = 10). [Moe 11]
Figure III.13 : La première colonne est l'image d'entrée redressée. Les colonnes
suivantes sont les résultats à l'aide de coupes de graphes, Base de PGG segmentation
2-étiquette et à base de PGG segmentation 3-étiquette. Les régions rouges sont les
objets segmentés avec géométrique incohérence, et les zones bleues dénotent
réfléchissante incompatible régions. [Jin 12]
Figure IV.1 : Exemple de coordonnées cartésiennes et abscisses curvilignes d’un

contour actif.
Figure IV.2 : Représentation des modules du système.
Figure IV. 3 : Etapes de l’approche proposée.
Figure IV. 4 : Initialisation du Snake.
Figure IV. 5 : Rétraction et dilatation du contour actif.
Figure IV. 6 : Les pixels voisins du point courant du contour Vi+1 (voisinage utilisé
3x3).
Figure IV. 7 : (a) Image synthétique, (b) application du filtre gaussien avec Sigma =
0.96).
Figure IV. 8 : (a)Initialisation automatique, (b) Résultat par la méthode des modèles
déformables paramétriques.
Figure IV. 9 : Résultat par la méthode des modèles déformables on appliquant les
paramètres originaux.
Figure IV. 10: configuration du Joueur 1,Joueur 2 et l’arbitre avec JADE.
Figure IV. 11 : la communication entre l’arbitre et les joueurs.
Figure IV. 12 : Convergence des résultats en appliquant la théorie des jeux avec un
équilibre de Nash= 0.070.
Figure IV. 13 : Convergence des résultats en appliquant la théorie des jeux avec les
paramètres originaux.
Figure IV. 14 : (a) Initialisation automatique sur image synthétique traiter par le filtre
gaussien Sigma= 0.95, (b) Convergence après 25 itérations , (c) Résultat par la
méthode des modèles déformables paramétriques après 35 itérations.
gaussien Sigma= 0.95, (b) Convergence des résultats en appliquant la théorie des jeux
avec un équilibre de Nash= 0.095.
LISTES DES FIGURES
Figure IV. 16 : (a) Initialisation automatique sur image originale d’une coupe
transversal traiter par le filtre gaussien Sigma= 0.95, (b) Résultat par la méthode des
modèles déformables paramétriques, (c) Convergence des résultats finales en
appliquant la théorie des jeux avec un équilibre de Nash= 0.104.
coronale traiter par le filtre gaussien Sigma= 0.96, (b) Résultat par la méthode des
Figure IV. 18 : Détection et suivi de contour du ventricule latéral sur des séquences
2D d’IRM s=69, s= 74, s= 81, s= 98, s= 148, s= 151 d’une coupe coronale traiter par
le filtre gaussien Sigma= 0.9. (a) Initialisation automatique, (b) Résultat par la
méthode des modèles déformables paramétriques, (c) Convergence des résultats
finales en appliquant la théorie des jeux.
Figure IV. 19 : Détection et suivi de contour du ventricule latéral sur des séquences
d’IRM s=59, s= 64, s= 94, s= 112, d’une coupe sagittal traiter par le filtre gaussien
Sigma= 0.95. (a) Initialisation automatique, (b) Résultat par la méthode des modèles
déformables paramétriques, (c) Convergence des résultats finales en appliquant la
théorie des jeux.
Figure IV. 20 : (a) Initialisation automatique sur image originale Pathologique traiter
par le filtre gaussien Sigma= 0.90, (b) Résultat par la méthode des modèles
théorie des jeux avec un équilibre de Nash= 0.087.
Figure IV. 21 : (a) Initialisation automatique sur image originale Pathologique traiter
par le filtre gaussien Sigma= 0.97, (b) Résultat par la méthode des modèles
théorie des jeux avec un équilibre de Nash= 0.124.
Figure IV. 22 : Détection et suivi de contour de la sclérose en plaques sur des
séquences 2D d’IRM s=38, s= 71, s= 97, s= 111, s=114, d’une coupe transversal
traiter par le filtre gaussien Sigma= 0.8. (a) Initialisation automatique, (b) Résultat par
la méthode des modèles déformables paramétriques, (c) Convergence des résultats
finales en appliquant la théorie des jeux.
Figure IV.23 : Comparaison de méthodes de segmentation.
Table des matières
Introduction Générale……………………………………………………………….12
Chapitre 1- Techniques et Traitement d’Images Médicales……………………..15
I .1 Introduction ………………………………………………………………… .…15
I .2 L’imagerie médicale …………………………………………………………..15
I .2 .1 Introduction………………………………………………………………15
I .2 .2 Image Cérébrale………………………………………………………….15
I .3 Techniques d’imagerie médicale….……………………………………………16
I .3 .1 La Radiographie………………………………………………………..17
I .3 .2 Le scanner (tomodensitométrie)…………………………………………17
I .3 .3 La scintigraphie………………………………………………………….18
I .4 Imagerie par résonance magnétique IRM……………………………………….18
I .4 .1 Séquence et qualité des images acquises par IRM……………………….21
I .4 .2 Les apports de l’IRM à l’étude du cerveau……………...…………..…21
I .5 Les méthodes de traitement d’images médicales cérébrales…………………….22
I .5 .1 La restauration………………………………………..………………22
I .5 .3 Le recalage……………………………………………………………….23
I .5 .2 La segmentation d’images médicales ……………………………………24
I .6 Conclusion …………………………………………………………………24
Chapitre 2 - La Segmentation des IRM Cérébrales …………………………….25
II.1Introduction ……………………………………………………………………..25
II.2 Définition d'une segmentation………………………………………………….25
II.3 Techniques de segmentation des IRM Cérébrales……………………………..26
II.4 Approches Non Coopératives…………………………………………………..26
II.5 Les méthodes basées sur les Contours …………………………………………27
II.5.1Les méthodes Classique…………………………………………………..27
II.5.1.1Les méthodes différentielles…………………...………………………27
II.5.1.2 Les méthodes morphologiques………………………………………..28

II.5.1.3 Gradient morphologique…………………………………..………….28
Table
II.5.1.4 des matières
Ligne partage des eaux………………………………………………..29
II.5.2 Les Méthodes Variationnelles …………………………………….………….30
II.5.2.1 Les Modèles Déformables……………………………………………30
II.5.2.2 Modélisation des contours actifs…………………….………………32
II.5.2.3 Energie interne……………………………………………………….32
II.5.2.4 Energie externe……………………………………………..……….33
II.5.2.5 Minimisation de la fonctionnelle d’énergies………………...………34
II.5.2.6 Le modèle dynamique ……………………………………..………34
II.5.2.7 Approches variationnelles ……………………………………………35
II.5.3 Les Modèles Déformables en Imageries Cérébrales…………………………..36
II.6 les méthodes basées sur les régions……………………………………………..39
II.6.1 Les méthodes de croissance de régions…………………………………........39
II.6.1. 1 Les méthodes par germe………………………………………/…….39
II.6.1 .2 Fusion de régions…………………………………………………….40
II.6.1. 3 Les méthodes de type division (split) ………………………...……..41
II.6.1. 4 Les méthodes de type division/fusion (split and merge)………….....42
II.7 Les méthodes par Classifications ……………………………………….……..43
II.7.1 Classification Déterministe Supervisée………………………………………44
II.7.1.1 Réseaux de neurones………………………………………….………44
II.7.2 Classification Déterministe Non- Supervisée……………………………..…..45
II.7.2. 1 Les K-Moyennes……………………………………………….…….45
II.7.2. 2 Les Algorithmes Génétiques ……………………………………….46
II.7.2. 3 Les méthodes probabilistes………………………………………….47
II.7.2. 4 Les champs de Markov…………………………………….……….47
II.7.2. 5 La distribution de Gibbs………………………………………..…..48
II. 8 Approche Coopérative en segmentation d’image………………………..……..48
II. 8. 1 Coopération séquentielle……………………………………………..………49
II. 8. 2 Coopération itérative………………………………………………………….50
II. 8. 2. 1 Coopération itérative par la théorie des jeux…………...………….50
II. 8. 2. 2 Coopération itérative contour- région……………………..………51
II. 8.3 Coopération Hybride…………………………………………………..……..51
Table
II. 8.3.des matières
1 Coopération hybride contour-région par approche multi-agents …51
II. 9 Conclusion……………………………………………………………..……….53
Chapitre 3 - La Théorie des Jeux………………………………………………….55
III.1. Introduction…………………………………………………………………….55
III.2 La théorie des jeux………………………………………………………………55
III.2.1 La théorie des jeux classique ……………………………………………56
III.2.2 La théorie des jeux évolutionnaire……………………………………….56
III.2.3 La théorie des jeux computationnelle…………………………………..56
III.3 Définition d’un jeu…………………………………………………………..…..57
III.4 Les ingrédients d’un jeu……………………………………………………...…57
III.5 Représentation des jeux …………………………………………………………58
III.5.1. Forme extensive …………………………………………………………58
III.5.2. Forme normale …………………………………………………...……..59
III.6 Les différents types de jeux……………………………………………………..60
III.6.1. Les jeux de types informations………………………………………….60
III.6.1.1 Les jeux à somme nulle…………………………………………………61
III.6.1.2 Les jeux à somme non nulle……………………………………………61
III.7 Les jeux sous forme stratégique………………………………………………...62
III.7.1 Les stratégies dominantes…………………………………….……..……63
III.7.2 Les stratégies pures et mixtes ……………………………………..……..64
III.8 Equilibre de Nash ……………………………………………………….……...65
III.8.1 Définition d’un équilibre…………………………………………………65
III.8.2. Définition d’un équilibre parfait…………………………………………65
III.8.3 Définition d’un équilibre de Nash………………………………………..66
III.8.4 Existence d’un équilibre de Nash……………………………………...…67
III.9 Les applications de la Théorie des jeux et Imagerie Médicale……………..….67
III.9 .1 L’intégration de la segmentation a base contour-région en utilisant la
théorie des jeux………………………………………………………………………68
III.9 .2 Rencontre improbable entre tumeurs et théorie des jeux……………….68
III.9 .3 La segmentation d’images par la théorie des jeux ……………………..69
III.9 .4 La segmentation coopérative par la théorie des jeux…………………...72
III.9 .5 Segmentation des gisements de poumon par la théorie des jeux et la
programmation dynamique…………………………………………………………..73
Table des matières
III.9 .6 L’approche des jeux de Nash pour la restauration et la segmentation
d’image………………………………………………………………………………75
III.9 .7 La segmentation d’image par la théorie des jeux rectangulaire
évolutionnaire………………………………………………………………….…….76
III.10 Conclusion……………………………………………………………………78
Chapitre 4 – Conception et Implémentation……………………………………....79

IV. 1 Introduction…………………………………………………………………….79
IV. 2 Intégration de la théorie des jeux dans les modèles déformables……………..79
IV. 3 Interaction entre les modules…………………………………………………81
IV. 4 Modélisation des modèles déformable par la théorie des jeux……………….81
IV.5 La modélisation probabiliste des modules …………………………………….84
IV.6 Environnement de travail ……………………………………………………..86
IV.6 .1 Environnement logiciel………………………………………………86
IV.7 Approche proposée……………………………………………………………..87
IV.7 .1 Initialisation du Snake…………………………………………..……89
IV.7 .2 Evolution du Snake…………………………………………………..90
IV.7 .2 .1 Joueur 1 (Energie Interne𝑆)………………………………………..90

IV.7 .2 .2 Joueur 2 (Energie Externe𝑃)…………...………………………….90
IV.7 .2 .3 Joueur Arbitre (Energie Globale𝐸) ……………………………….90
IV.7.2.4 La convergence à l’équilibre de Nash Critère d'arrêt du Snake…...92
IV.8 Résultats pratiques…………………………………………………………....92
IV.8 .1 Image test 1………………………………………………………….93
IV.8 .3 Images réels (MRI du cerveau) …………………………………….101
IV.8 .3 .1 Image sein Coupe Transversal…………………………………....101
IV.8 .3 .2 Image sein Coupe Coronale…………………………………..….103
IV. 9 Comparaison des deux méthodes de segmentation………………………...….113
IV. 10 Conclusion…………………………………………………………………...114
V. Conclusion générale………………………………………………………..……115
VI. Bibliographie………………………………………………………………........117
Introduction Générale
L’objectif de la plupart des systèmes de vision est de décrire l’importante

quantité d’informations contenues dans l’image en recherchant des indices visuels ou
des primitives pertinentes permettant de représenter l’image sous une forme plus
condensée et facilement exploitable. La performance des systèmes de vision artificielle
est tributaire de la qualité de cette représentation.
Cette étape fondamentale et souvent incontournable dans le processus d’analyse

d’images, appelée « segmentation » fait l’objet d’une littérature abondante et variée
en traitement d’images, ce qui prouve le problème de la segmentation n’est pas encore
résolu. Elle touche à l’heure actuelle de nombreux domaines, avec des objectifs variés
tel que le domaine aérien, le domaine médicale sur lequel on s’intéresse.
La segmentation des IRM cérébrales présente des particularités par rapport à

d’autres domaines d’applications de la segmentation. Ces particularités sont liées
principalement aux bruits, à l’inhomogénéité de la radio fréquence, au patient lui-
même à cause de ses mouvements pendant l’acquisition de l’image, etc.
A ce titre, une variété de méthodes de segmentation d’images a été proposée ayant

toutes, malgré la diversité des moyens qu’elles emploient, pour but le partitionnement
d’une image.
Afin d’aboutir à une segmentation efficace et suffisamment corrélée avec les entités
qui composent l’image, une démarche progressive peut être adoptée où la formation
des primitives s’opère de manière coopérative et guidée.
Parmi les méthodes proposées, nous nous intéressons particulièrement à la

segmentation par la théorie des jeux, ce dernier est intégré dans les modèles
déformables paramétrique, fondée sur un principe d’optimisation et de coopération
itérative entre les énergies du modèle, dont l’objectif est de construire
progressivement la segmentation, en progressant à chaque étape les résultats obtenus
par chaque énergie mise en jeu.
Ce mémoire s’articule autour de quatre chapitres qui nous permettront de présenter les
différents aspects de notre travail.
Dans le premier chapitre nous présentons les différentes méthodes de traitement

d’images médicales, ainsi que leurs principes.
12
Dans le second chapitre, un état de l’art est donné sur les principales méthodes de
segmentation des IRM Cérébrales classifiées en deux approches existant dans la
littérature tous en détaillant la partie des modèles déformables.
Le troisième chapitre nous introduisons les notions fondamentales de la théorie des

jeux en mettant en évidence les concepts stratégiques, le formalisme et la rigueur
mathématique qui sont largement utilisés dans cette théorie, puis nous décrivons
comment nous allons adapter une procédure parallèle entre la théorie et les jeux avec
une prise de décision à un problème de l’image segmentée, pour cela nous nous
intéressons à l’approche classique de la théorie des jeux [Ami99].
La première partie du dernier chapitre présente la stratégie d’optimisation et de

coopération entre deux énergies des modèles déformable. Le problème nécessite non
seulement l’étude mais la maitrise des interactions, ce dernier peut être résolu en
intégrant la théorie des jeux de Nash qui donne un cadre de travail théorique pour la
modélisation des interactions.
Une fois la méthode de suivi définis, la phase la plus importante réside dans sa mise
en œuvre. Cette mise en œuvre permettra d'étudier le comportement de la méthode
proposée à travers une série d'expérimentations. Donc la deuxième partie de ce
chapitre est consacrée aux résultats expérimentaux de notre travail.
Nous finirons ce mémoire par une conclusion générale en termes de nos différentes
contributions, et quelques perspectives de recherches.
14
Chapitre 1 : Techniques et Traitement d’Images Médicales
Chapitre 1
Techniques et Traitement d’Images Médicales
I .1 Introduction :
L’imagerie médicale est certainement l’un des domaines de la médecine qui a le plus
progressé ces vingt dernières années. Ces récentes découvertes suivi par une nouvelle
discipline qui est le traitement d’images médicales, permettent non seulement un meilleur
diagnostic mais offrent aussi de nouveaux espoirs de comportement pour de nombreuses
maladies. Cancer, épilepsie… l’identification précise de la lésion facilite déjà le recours à la
chirurgie, seule solution thérapeutique pour certains malades. De telles techniques permettent
également de mieux comprendre le fonctionnement de certains organes encore mystérieux,
comme le cerveau.
Dans ce contexte, et à travers ce chapitre, nous présentons les différentes méthodes de

traitement d’images médicales, ainsi que leurs principes. Mais avant tout, nous évoquons une
définition sur les divergentes modalités d’imagerie médicales, aussi bien que leurs
caractéristiques tout en insistant sur la technique d’imagerie par résonance magnétique IRM,
vue que dans ce travail , nous nous intéressons aux images IRM cérébrales.
I .2 L’imagerie médicale :
I .2 .1 Introduction :
L’imagerie médicale est une méthode unique permettant de visualiser des processus
biologiques au sein même des organismes vivants, de manière non invasive. Elle est
essentielle à la compréhension de leur physiologie et de leurs pathologies afin de mieux les
diagnostiquer, les pronostiquer et d’apporter une action thérapeutique [Kou 09].
Tous les progrès, et les sauts technologiques, ouvrent de nouveaux champs qui permettent
de renouveler totalement notre compréhension des maladies cérébrales telles que la maladie
d’Alzheimer, la détection des tumeurs cérébrales, la schizophrénie ou la sclérose en plaques,
et de développer des stratégies thérapeutiques innovantes.
I .2 .2 Image Cérébrale :
L’imagerie cérébrale (dite aussi neuro-imagerie) rend possible l’observation toujours plus fine
du cerveau humain. Il faut savoir qu’il existe trois types d’imagerie cérébrale, la neuro-
imagerie anatomique (ou structurelle), la neuro-imagerie fonctionnelle, et l’imagerie de
diffusion. [Bou 10]
Le cerveau est la partie la plus volumineuse du système nerveux central. Il est constitué
essentiellement de deux hémisphères, séparés par la scissure inter hémisphérique, et reliés par
différentes structures telles que le corps calleux, le thalamus et l’hypothalamus.
15
Figure. I.1: Principales structures anatomiques cérébrales [vin 08].
Le cerveau peut être observé par des coupes bidimensionnelles selon plusieurs angles de vue.
Il existe principalement trois axes anatomiques qui permettent de réaliser les coupes : axiale,
sagittale et frontale.
(a) (b) (c)
Figure. I .2: Les trois axes de coupe pour la visualisation du cerveau (a) Vue coronale. (b)
Vue sagittale. (c) Vue axiale.[Mor 13]
I .3 Techniques d’imagerie médicale :

L’imagerie constitue un outil d’investigation de choix de plusieurs champs de la médecine et
de la biologie. Initiée avec la radiographie par rayons X, l’imagerie médicale a bénéficié de la
découverte de la radioactivité artificielle et des techniques de détection associées pour se
développer. Par la suite, la découverte de la résonance magnétique nucléaire (RMN) puis des
aimants supraconducteurs a permis des avancées technologiques significatives dans le
domaine de l’imagerie par résonance Magnétique (IRM) [Kou 09].
16
I .3 .1 La Radiographie :
Découverte il y a plus d’un siècle, la radiographie utilise les rayons X. Cette technique met en
œuvre la capacité des rayons X à traverser le corps humain en étant plus ou moins absorbés
selon la nature des tissus traversés (les os étant plus opaques et les muscles plus transparents).
Elle a l’avantage de la rapidité de l’examen, par contre la multiplication de ces derniers peut
être néfaste ainsi que ces radiations son ionisantes.
Figure I .3 : La radiographie Cérébrale[Cea 03] .
I .3 .2 Le scanner (tomodensitométrie) :
Le scanner explore un volume du corps : c’est en quelque sorte une « endoscopie virtuelle »
qui permet d’établir des images tridimensionnelles des organes ou des tissus (os, muscles ou
vaisseaux) constitutifs des zones scannées.
À son apparition, il a révolutionné la neurologie en offrant la possibilité de « voir » le

cerveau. Dans cette dernière indication, il tend de plus en plus à être remplacé, lorsque cela
est possible, par l’IRM. Car si le scanner permet de visualiser une modification de volume ou
une anomalie de structure (tumeur, embolie, anévrisme…), il ne permet pas d’en préciser la
nature (inflammation, cancer, etc.).
Figure I .4 : Images de coupe de la tête effectuée par scanner [Jea 06].
17
I .3 .3 La scintigraphie :
La scintigraphie est une méthode d'imagerie médicale qui procède par l’administration, dans
l’organisme, d'isotopes radioactifs afin de produire une image médicale par la détection des
rayonnements, à l'aide d'une caméra spéciale appelée caméra à scintillation (gamma-caméra),
qui enregistre le rayonnement émis par l'organe ou le tissu.
Un appareil détecte les particules d'après les scintillations qu'elles produisent sur un écran.
On obtient de cette manière, une succession dans le temps de plusieurs images des organes
intéressés, avec les anomalies ou altérations, qui peuvent être la cause de la maladie. Il est
possible de visualiser une évolution, une transformation, ou bien un mouvement.
Figure I .5 : La scintigraphie Cérébrale [Oli 13].
I .4 Imagerie par résonance magnétique IRM :
Disposera-t-on un jour d’un dispositif qui, sans traumatisme pour la personne

subissant l’examen, mesurera instantanément l’activité du cerveau ? Aujourd’hui, un tel
appareil tient de la science-fiction.
Néanmoins, les neurobiologistes disposent d’une panoplie de techniques d’imagerie

dont chacune révèle des aspects particuliers de l’architecture et du fonctionnement du
cerveau.
L'imagerie par résonance magnétique nucléaire (IRM) est une technique d'imagerie
médicale d'apparition récente, non invasive et sans effets secondaires permettant d'avoir une
vue 2D, 3D ou 4D (3D+t) d'une partie du corps, notamment du cerveau.
Elle est basée sur le phénomène physique de résonance magnétique nucléaire. Il s'agit
simplement d'observer la résonance magnétique nucléaire (RMN) des protons de l'eau
contenus dans l’organisme.
18
Le principe consiste à mesurer l’aimantation des tissus biologiques et à reconstruire une

image à partir de ces aimantations. Cette dernière est induite par l’hydrogène, qui s’y trouve
en abondance dans le corps humain. [Bou10]
L’atome d’hydrogène est à la base de la plupart des applications médicales de l’IRM.

En effet, on le trouve en grande quantité dans les molécules qui composent les tissus
biologiques comme l’eau et les liquides organiques.
Lorsque les protons sont plongés dans un champ magnétique ⃗⃗⃗⃗ 𝐵0, leurs moments magnétiques
⃗⃗⃗⃗
de spin 𝜇 s’alignent localement sur la direction de 𝐵0. En pratique, ils se répartissent en deux
groupes : ceux dont les spins sont "parallèles" à ⃗⃗⃗⃗
𝐵0 et ceux dont les spins sont "antiparallèles"
⃗⃗⃗⃗
à 𝐵0. [Dem08]
Le principe de la résonance magnétique nucléaire consiste en l’application d’une onde

électromagnétique ⃗⃗⃗⃗
𝐵1 à la fréquence de résonance, pour que l’apport énergétique soit possible
: c’est l’impulsion RF, ou impulsion radiofréquence.
L’onde magnétique oscillante, notée ⃗⃗⃗⃗

𝐵1 va donc avoir comme rôle de faire «basculer» les
moments magnétiques de spin pour les placer dans un plan perpendiculaire à la direction du
champ statique ⃗⃗⃗⃗
𝐵0, c’est ce qu’on appelle l’excitation. Le moment magnétique macroscopique
M évolue au cours du temps suivant un mouvement que l’on peut décrire comme une spirale
assortie d’un basculement. [Kas 06]
Figure I.6: La précession d’un proton soumis au champ magnétique B0. [Gui12]
19
Figure I.7: Déroulement de l’expérience RMN. [Dem 08]
Selon l'intensité du signal l'image résultante sera plus claire ou à l'inverse si le signal est
moins fort. Cette intensité du signal dépend des paramètres physiques magnétiques qui sont
appelés temps de relaxation et ils correspondent à la période de retour de l'atome excité à
l'équilibre.
Il existe deux types de temps de relaxation, le T1 et le T2, qui vont influencer sur l'intensité
du signal obtenu. Aussi, le nombre d'atomes d'hydrogène (densité de protons) va également
influencer l'intensité du signal recueilli. [Gui12]
20
I .4 .1 Séquence et qualité des images acquises par IRM :
Après avoir vu les notions de base concernant l’imagerie par résonance magnétique, nous
allons maintenant passer aux différents types de contrastes qui permettent d’obtenir des
images contenant des informations de natures différentes nommées modalités. Chaque
modalité contient des informations spécifiques ne se retrouvant pas dans les autres.
Figure I .8: Séquences d’IRM. Images d’une même coupe du cerveau humain, pondérées en :
(a) densité de protons, (b) T1 et (c) en T2. [Bou10]
À partir des images pondérées en T1, on peut par exemple distinguer les différents tissus
cérébraux tels que la matière blanche, la matière grise et le liquide céphalo-rachidien. Les
images pondérées en T2 mettent plus facilement en évidence certaines anomalies comme les
lésions dues à la sclérose en plaque (SEP) [Bou10].
Contrairement à d’autres types d’images, il est évident qu’en imagerie médicale, il est
nécessaire d’avoir le moins de déformations ou de dégradations sur l’image pour ne pas gêner
voire fausser le diagnostic. La complexité de l’IRM tient certainement de l’aspect
multiparamétrique de cette technique. Les paramètres mis en jeu vont influencer la qualité de
d’image en modifiant un ou plusieurs critères étudiés précédemment. La qualité des images
IRM dépend de plusieurs paramètres :
 Résolution spatiale ;
 contraste ;
 Le rapport signal sur bruit ;
En fonction de la région anatomique étudiée, de la pathologie recherchée, et des préférences

de l’équipe, on privilégiera l’un ou l’autre de ces paramètres [Kou 09].
I .4 .2 Les apports de l’IRM à l’étude du cerveau :
 L’IRM permet d’obtenir des coupes dans tous les plans de l’espace avec une
différenciation importante tissulaire et des différents milieux (Figure I.10).
21
 D’autre part, Cette technique permet de représenter avec une grande précision
anatomique l’intérieur du corps dans toutes les directions et même en volume, sans la
moindre conséquence pour le patient.
 En permettant l’observation de l’évolution des anomalies de la substance blanche dans la

sclérose en plaque.
 Apportant plus de précision dans la visualisation de l’atrophie progressive de la partie

profonde du lobe temporal dans la maladie d’Alzheimer.
 En effet, les accidents vasculaires cérébraux peuvent être visualisés dès les premières
heures grâce à l’IRM de diffusion.
 Les épilepsies sont étudiées en détail par la visualisation de lésions microscopiques.
 L’appréciation du degré d’agressivité des tumeurs cérébrales, de leur sensibilité aux

chimiothérapies et de leur récidive éventuelle est possible grâce à l’IRM [Cea 08].
Figure I.9: Images de coupes obtenues par IRM [Jea 06].
I .5 Les méthodes de traitement d’images médicales cérébrales :

L'imagerie médicale joue désormais un rôle central en neurosciences, tant en recherche
fondamentale que dans l'aide au diagnostic ou à la décision thérapeutique. La quantité
croissante de données, souvent volumiques, mise à la disposition du praticien, a motivé la
conception de nouvelles méthodes automatiques pour l'analyse et le traitement des images
cérébrales.
I .5. 1 La Restauration :
La restauration d’images consiste à recréer une image améliorée, dans laquelle on a supprimé
certains défauts liés au processus physique d’acquisition. Deux exemples classiques de
restauration d’images sont :
 La correction du biais.
 La réduction du bruit.
Il existe des méthodes permettant de corriger le biais de l’image, tout en réalisant une
classification des points de l’image selon le milieu auquel ils appartiennent. Dans cet esprit,
l’algorithme EM( expectation-maximisation) est une approche itérative dans laquelle, à partir
22
d’une classification initiale, on optimise successivement le calcul du biais puis une nouvelle
classification.
Il existe de très nombreuses méthodes pour réduire le bruit lié à l’acquisition des images.
Les techniques de filtrage linéaire appliquent des filtres passe-bas qui tout en réduisant le
bruit dans l’image tendent à lisser les contours, ce qui rend l’image floue. par contre, les
techniques de diffusion anisotrope sont très efficaces pour lisser l’image tout en préservant les
discontinuités importantes, et produisent des résultats remarquables.[Nic 04]
I .5. 3 Le recalage :
Le recalage est un vieux problème de vision artificielle encore incomplètement résolu. Il
consiste essentiellement à établir une relation géométrique entre les objets représentés par
deux images.
Il s’agit de calculer la transformation géométrique qui permet d’apparier les pixels ou
voxels représentant des points physiquement homologues, ou alignement, en donner une
définition précise relève cependant de l’utopie. Il n’existe pas un problème unique de recalage
mais plutôt une variété de taches visuelles que le bon sens nous incite à regrouper sous la
même rubrique.
Les différents problèmes de recalage rencontrés en analyse d’images médicales peuvent être
Classifies schématiquement selon les deux catégories suivantes :
 Le type de transformation géométrique recherchée : rigide / non rigide.

 Les modalités d’acquisition des images : mono / multimodale.[Ale 01]
I .5. 2 La segmentation d’images médicales cérébrales :
La segmentation est une opération de traitement d’image qui a pour but de rassembler des
pixels/voxels entre eux suivant des critères prédéfinis aboutissant à une partition de l’image
traitée. En imagerie médicale, la segmentation permet d’associer une structure anatomique à
chaque position dans l’espace. En IRM cérébrale elle permet de différencier les tissus, (MG,
MB et LCR), les structures anatomiques, et/ou les lésions et tumeurs. Il existe plusieurs
travaux traitant de la segmentation des données IRM.
I .6 Conclusion :
Dans les paragraphes précédents nous avons montré que malgré tout le soin apporté à
l’acquisition, l’information contenue dans l’image peut être perturbée par des phénomènes
extérieurs. Dans ce contexte, le traitement d’image devient indispensable.
Son panel sans cesse grandissant de méthodes permet de mettre de l’ordre dans la masse de
données que représente une image. Parmi ces méthodes, la segmentation a pour but de
partitionner ou segmenter l’image en un ensemble de régions cohérentes, pouvant être
assimilées à un objet d’intérêt. En regard de la quantité d’information à traiter, il est
indispensable d’automatiser cette tâche [Bou10].
23
De ce fait, dans le prochain chapitre nous effectuons une rétrospective des différentes
méthodes de segmentation d’images et plus particulièrement d’images IRM.
24
Chapitre 2 : La Segmentation des Images IRM Cérébrales
Chapitre 2
La Segmentation des Images IRM Cérébrales
II. 1 Introduction :
La segmentation des IRM cérébrales est une étape cruciale pour de nombreuses
applications, tant dans le domaine clinique que pour les neurosciences. Elle est rendu
difficile par les artéfacts inhérents à ce type d’image, leur faible contraste et les
importantes variations individuelles qui limitent l’introduction de connaissances a
priori. [Ans10]
La segmentation des structures anatomiques du cerveau est un domaine émergent de

la recherche avec des applications importantes. L’information sur les structures
anatomiques peut être extraites et en outre analysées à des fins de recherches cliniques
et médicales. Bien que la grande quantité d'effort investi sur le sujet, il continue de
contester les chercheurs pour la recherche plus précis des résultats. [Zar 11]
De nombreuses études des tissus du cerveau dans les images d’IRM ont été
effectuées et rapportées dans la littérature, dans ce chapitre, nous allons exposer les
différentes méthodes de segmentation existant dans la littérature tous en détaillant la
partie des modèles déformables.
II. 2 Définition d'une segmentation:
Classiquement, on peut définir la segmentation comme étant une partition de l’image I

en un nombre N de sous-ensembles Ri appelés régions, homogènes dans le sens d’un ou
plusieurs critères, comme le niveau de gris, tels que en termes mathématiques :
Où Ri est l’ensemble des régions formant l’image I.

Dans un contexte médical, les régions Ri correspondent aux différentes structures
anatomiques constituant les différentes régions d’intérêt.
Il est difficile de définir d’une manière absolue, une bonne segmentation, vu que la
segmentation est partielle si les régions ne correspondent pas directement aux objets
dans l'image ; l’image est partitionnée en régions homogènes qui s’entrelacent.
25
Usuellement, les segmentations partielles s'obtiennent avec des traitements bas niveau.
Aussi bien qu’une segmentation est dite floue si les contours délimitant la frontière
entre deux régions adjacentes ne sont pas nets donc il faut attribuer un poids au pixel ou
bien, une probabilité d'appartenance à telle ou telle classe, puis prendre la contribution
maximale pour étiquette finale.
Atteignant à une segmentation complète ou les ensembles segmentés est disjoints

correspondent à des objets, qui nécessitent généralement des connaissances a priori sur
le contenu des images, et la structure des objets. Les segmentations complètes sont
plutôt des traitements hauts niveau, dans certains cas favorables, on peut obtenir des
segmentations complètes avec des outils bas niveau tout dépend de la nature de l'image
et de son contenu, il n'existe pas de méthodes générales.
II. 3 Techniques de segmentation des IRM cérébrales:

La multiplicité des techniques développées dans le domaine de la segmentation d’image
n’est efficace que pour un type d’image donnée, pour une application donnée et dans un
contexte informatique donnée. En raison de ces contraintes, diverses stratégies de
segmentation ont été proposés et qui peuvent être regroupées en deux principales
catégories: approches non coopératives - approches coopératives.
II.4 Approches Non Coopératives :

On peut considérer trois types de méthodes (les méthodes basée sur les contours, les
méthodes basée sur les régions, et les méthodes par classifications), dont deux entre
elles sont duales: l’approche orientée contours et l’approche orientée régions (voir
Figure II.1) comme décrit dans les sections suivantes.
(a) (b) (c)

Fig. II.1 – Approches duales de la segmentation : modèles orientées régions (Image c)
ou contours (Image b).[Lec 10]
26
II. 5 Les méthodes basées sur les Contours :
Dans ce cadre, la détection de contour joue un rôle primordial .En effet, les contours
se manifestent dans l’image par une forte transition des valeurs d’intensité. La détection
de ces variations s’opère généralement selon deux catégories classiques et
variationnelles. Dans la première catégorie se trouvent les techniques qui emploient un
filtrage de type différentiel ou adaptatif. Elles sont fondées sur la recherche des points
de l’image présentant un fort gradient, une forte courbure ou encore une forte
corrélation avec un profil prédéfini. Dans la deuxième catégorie on trouve les
techniques qui n’utilisent pas le filtrage et qui sont essentiellement basées sur
l’utilisation des outils de la programmation dynamique, la morphologie mathématique,
et autres.
Dans les paragraphes qui suivent on va définir de chaque catégorie une méthode.
II.5.1 Les méthodes Classiques :
II. 5. 1. 1 Les méthodes différentielles :
Le principe des méthodes différentielles repose sur la détection d’une transition d’un
signal à partir de sa dérivé d’ordre 1 ou 2 Ros 99 .
Une première technique consiste à appliquer des filtres à réponse impulsionnelle finie
(RIF) qui calculent une approximation du dérivé premier ou second du signal
bidimensionnel associé à l’image [Edo 01]. Parmi les opérateurs du premier ordre on
peut trouvez celle de PREWIT et SOBEL qui sont des masques de convolution qui
détectent un gradient dans une direction donnée, on peut de cette façon extraire la
norme du gradient et sa direction [Edo 01].Ainsi que ces opérateurs sont sensibles au
bruit et nécessitent l’utilisation d’un seuil heuristique.
Figure II.2 : L’application du masque de Sobel pour la détection de contours [Ben 07].
27
L’operateur de Mr-Hilbert (approche dérivative de second ordre) se présente sous la

forme d’un masque défini selon le laplacien d’une gaussienne et dont les passages à
zéro traduisent une discontinuité maximum. [Edo 01]
Figure II.3 : L’application du Laplacien pour la détection de contours [Ben 07].
II. 5. 1. 2 Les méthodes morphologiques :
La morphologie mathématique, introduite par Materons et Serra, nous Donne un

Cadre intéressant pour l’approche contour de la segmentation.
Son principe consiste à comparer l’image à analyser par rapport à un ensemble de

géométrie connue appelé “élément structurant” que l’on déplace de façon a ce que son
origine passe par toutes les positions de l’image, pour mettre en évidence certaines
caractéristiques de l’image.
La morphologie mathématique est basée sur des opérations élémentaires telles que
l’érosion, la dilatation, l’ouverture et la fermeture.
Figure II.4 : Image originale, Gradient par dilatation, Gradient par érosion, Gradient
morphologique [Boc 00].
II. 5. 1. 3 Gradient morphologique :
Appelons I l’image originale dont on veut extraire les contours. Soit B un disque de
rayon 1 en 4 ou en 8 connexité. Le gradient morphologique se définit comme la
différence entre le dilate de I. Par B et l’érodé de I par b : [Ler 84]
28
║∆I ║ =½ (D (I, B) – E (I, B))
Le gradient morphologique mesure en fait en chaque point de l’image la différence

entre le maximum et le minimum des niveaux de gris sur le voisinage définie par
l’élément structurant.
La différence symétrique entre l’image dilatée et érodée par le même élément

structurant de taille unitaire donne le gradient morphologique qui est un opérateur de
détection de contour.
(a) IRM d’origine (b) Résultat
Figure II. 5 : Segmentation par gradient morphologique.
Cette détection de contour par gradient morphologique est utilisée par Vachier et
coll. [VAC 97] conjointement avec une ligne de partage des eaux pour la détection de
tumeur sur des mammographies. De même Hsiao et coll. [HSI 05] proposent une
méthode de segmentation de tumeur cérébrale basée sur le gradient morphologique et
une étape de croissance et fusion de régions. .
II. 5. 1. 4 Ligne partage des eaux :
La ligne de partage des eaux utilise la description des images en termes

géographiques. Une image peut en effet être perçue comme un relief si l'on associe le
niveau de gris de chaque point à une altitude. Il est alors possible de définir la ligne de
partage des eaux comme étant la crête formant la limite entre deux bassins versants.
Pour l'obtenir, il faut imaginer l'immersion d'un relief dans de l'eau, en précisant que
l'eau ne peut pénétrer dans les vallées que par ses minima. La ligne de partage des eaux
est représentée par les points où deux lacs disjoints se rejoignent au cours de
l'immersion.
29
Figure II. 6 : a) Une image d’une coupe IRM de cerveau après l’application du
gradient, b) Ligne partage des eaux de (a) [Naj 06] .
Une des difficultés à la mise en œuvre de cette analogie intuitive est qu’elle laisse
beaucoup de liberté quant à sa formalisation. Il existe deux classes principales
d’implémentation : l’une est basée sur un algorithme récursif d’immersion [Vin 91] et
une autre basée sur l’utilisation de fonctions de distances géodésiques [Mey 88]. Leur
définition algorithmique ainsi que leur analyse critique est donnée dans l’article de
Roerdink et Meijster [Roe 00]. Cette technique est souvent associée à une méthode de
fusion de régions puisqu’elle donne une sur-segmentation de l’image. Peng et coll.
proposent d’utiliser une immersion multi-degré pour améliorer l’algorithme LPE [Pen
05]. Betser et coll. utilisent la LPE dans un contexte de segmentation hiérarchique [Bet
05].
En conclusion les méthodes décrites dans cette section sont faciles à mettre en
œuvre mais les résultats dépendent fortement des paramètres (seuil par exemple)
choisis. Un seuil choisi trop faible accordera l’étiquette « point de contour » à un
nombre trop élevé de points tandis qu’un seuil trop élevé ne permettra d’extraire que les
points de fort contraste et les contours détectés ne seront plus connexes (contours non
fermés) La représentation mathématique des frontières d’un objet ne sera plus réalisée
dans ce cas.
Pour remédier à ce problème, on introduit une régularité sur la modélisation des
contours : ceux-ci seront assimilés à des courbes possédant des propriétés de régularité
et satisfaisant le critère de détection énoncé précédemment.
II.5.2 Les Méthodes Variationnelles :

II.5.2.1 Les Modèles Déformables :
Les contours actifs tirent leur origine des modèles élastiques, mais la communauté
s'accorde à les attribuer à l'équipe Kass, Witkin et Terzopoulos [Kas 87], qui
introduisirent les Snakes ou courbes minimisantes. Les snakes tiennent leur nom de leur
aptitude à se déformer comme des serpents.
30
L’approche est variationnelle, c’est-à- dire que l’équation d’évolution du contour actif
se déduit de la minimisation d'une énergie modélisant l'objet d'intérêt [Gas 05]. Depuis
la publication de cette équipe, les modèles déformables sont devenus un sujet très
important pour la communauté du traitement d'images et en particulier les images
médicales.
Notre travail se base sur la méthode des contours actifs (encore appelés « snakes »)
introduits par Kass,Witkin et Terzopoulos [Kas 88], méthode qui intègre la notion de
régularité des points de contour en introduisant une fonctionnelle interprétée en terme
d’énergie pour les propriétés mécaniques qu’elle revêt, dans cette section.
Le principe des contours actifs est de faire évoluer un contour fermé initial vers une
position d’équilibre, c’est-à-dire en direction des bords de l’objet à détecter. Entre deux
itérations, la vitesse des points est régie par une équation mettant en jeu des forces à
appliquer au contour, généralement selon la normale. Ces forces dépendent des données
présentes dans l’image (intensité, gradient . . .) et des propriétés de régularité du
contour, on peut distinguer :
 Une énergie propre, due uniquement à la forme du contour, dite énergie interne.
 Une énergie potentielle imposée par l'image dite énergie externe. C'est elle qui va
attirer la ligne du snake vers les contours réels présents sur l’image.
 Une énergie de contexte qui exprime certaines contraintes supplémentaires qui

peuvent être imposées par l'utilisateur vu le snake qu'il veut obtenir. [Fek 11]
La position d’équilibre peut être définie comme le minimum d’une fonctionnelle

d’énergie dont la dérivée correspond aux forces à appliquer.
Principe et fonctionnement intuitif de la méthode des contours actif
Figure. II. 7 : Les différentes étapes d’un contour actif. [Cha 01]
31
II.5.2. 2 Modélisation des contours actifs :
On peut définir un contour actif ou « snake » comme une courbe fermée qui minimise
son énergie, influencée par une contrainte interne et guidée par une force d’image qui
pousse la courbe vers les contours présents dans l’image. L’espace des formes est
l’ensemble " des courbes paramétrées (par l’abscisse curviligne) suivant :
𝑣: [0,1] → 𝑅2
𝜑 = {𝑣| , 𝑣(0) = 𝑣(1)} (2.1)
𝑠 → (𝑥 (𝑠), 𝑦(𝑠))
L’énergie du « snake » peut s’écrire sous la forme :

𝐸𝑠 (𝑣 ) = 𝐸𝑖 (𝑣 ) + 𝐸𝑒 (𝑣 ) (2.2)
Elle est constituée d’un terme de régularisation interne (𝐸𝑖 ) et d’un terme de potentiel
d’attraction ou ajustement aux données (𝐸𝑒 ).
II.5.2. 3 L’énergie Interne :

L'énergie interne gère la cohérence 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 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.
L’énergie interne peut se décomposer comme suit :
1 1
𝐸𝑖 (𝑣 ) =
2
∫0 [𝛼 (𝑠)|𝑣 ′ (𝑠)|2 + 𝛽 (𝑠)|𝑣 ′′ (𝑠)|2 ] 𝑑𝑠 (2.3)
Ou |. | désigne la norme euclidienne dans𝑅2 . 𝛼 ∈ 𝐿∞ (0,1) Est le coefficient d’élasticité

(résistance à l’allongement) et 𝛽 ∈ 𝐿∞ (0,1) le coefficient de rigidité.
Le premier terme de 𝐸𝑖 (𝑣 ) :
1
∫0 𝛼(𝑠)|𝑣 ′ (𝑠)|2 𝑑𝑠 (2.4)
Pénalise la longueur du « snake » (augmenter 𝛼(𝑠) tend à éliminer les boucles en

réduisant la longueur du contour).
32
Le second terme
1
∫0 𝛽(𝑠)|𝑣 ′′ (𝑠)|2 𝑑𝑠 (2.5)
Pénalise la courbure1 (augmenter 𝛽(𝑠) tend à rendre le « snake » moins flexible).
II.5.2.4 L’énergie Externe :

L'énergie externe ou énergie image correspond à l'adéquation aux données. Cette
énergie externe prend en compte les caractéristiques de 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 ce qui concerne l’expression de l’énergie externe, plusieurs expressions liées à une

fonction potentielle sont à notre disposition. Les contours que l’on souhaite déterminer
sont :
– Soit assimilés aux points de fort gradient de l’image donnée I. L’expression de Ee fait
alors apparaitre la norme du gradient, par exemple :
1 1
𝐸𝑒 (𝑣) = ∫0 𝑃(𝑣 (𝑠))𝑑𝑠 ≔ −ʎ ∫0 |∇𝐼(𝑣 (𝑠))|2 𝑑𝑠 Avec ʎ > 0. (2.6)
– Soit assimilés aux points de dérivée seconde nulle (voir le détecteur de Hildrett-
Marr). Si G désigne un filtre gaussien, on peut choisir
1 1 2
𝐸𝑒 (𝑣 ) = ∫0 𝑃(𝑣 (𝑠))𝑑𝑠 ≔ ʎ ∫0 |𝐺𝜎 ∗ ∆𝐼(𝑣 (𝑠))| 𝑑𝑠 (2.7)
La modélisation du problème que l’on propose revient donc à trouver une fonction
𝑣̅ ∈ 𝜑 ∩ 𝑋
Min{𝐸𝑠 (𝑣)|𝑣 ∈ 𝜑 ∩ 𝑋 } (2.8)
Ici X est un espace fonctionnel adapté à la formulation du problème de minimisation.

En effet, nous avons décrit les choses formellement jusqu’à présent. Il est clair que pour
définir les différentes énergies, la fonction v doit être dérivable (au sens des
distributions) et de dérivées intégrables.
33
𝑋 = 𝐻1 (0,1) 𝑜𝑢 𝐻 2 (0,1) (2.9)
En pratique espaces de Sobolev. Il s’agit donc d’un problème de minimisation de

fonctionnelle (minimisation de l’énergie) que l’on peut résoudre au cas par cas en
utilisant les théorèmes et les méthodes classiques d’optimisation.
II.5.2. 5 Minimisation de la fonctionnelle d’énergies :

Plusieurs méthodes ont été proposées pour résoudre le problème de minimisation de la
fonctionnelle d’énergies E(C). On en compte trois principales, la famille des approches
reposant sur la programmation dynamique [Ami 88], la famille des approches
variationnelles [Kas 87], et l'algorithme de Greedy [Wil 92]. Dans ce mémoire, nous
nous intéressons aux algorithmes d’approches variationnelles.
II.5.2. 6 Le modèle dynamique :

La programmation dynamique est une méthode classique de résolution de problème
d’optimisation. Son application aux contours actifs peut être une alternative
intéressante. Dans [Ami88], l’auteur considère l’équation :
𝟏 𝟏 𝟏
𝑬𝒕𝒐𝒕𝒂𝒍 = ∫𝟎 𝑬𝒆𝒙𝒕 (𝒗(𝒔) ) + (𝜶(𝒔)|𝒗𝒔 |𝟐 + 𝜷(𝒔)|𝒗𝒔𝒔 |𝟐 ) 𝒅𝒔 = ∫𝟎 𝑬𝒆𝒙𝒕 + 𝑬𝒊𝒏𝒕 (2.10)
𝟐
Pour un contour actif constitue de n points, on aura :

𝑬𝒕𝒐𝒕𝒂𝒍 = ∑𝒏−𝟏
𝒊=𝟎 𝑬𝒊𝒏𝒕 (𝒗𝒊 ) + 𝑬𝒆𝒙𝒕 (𝒗𝒊 ) (2.11)
Le terme d’énergie interne est compose du terme du premier degré et du terme du

second degré. Après la discrétisation, cette énergie interne met en jeu un élément du
contour, son prédécesseur et son successeur :
𝟏
𝑬𝒊𝒏𝒕 (𝒗𝒊 ) = (𝜶𝒊 |𝒗𝒊 − 𝒗𝒊−𝟏 |𝟐 + 𝜷𝒊 |𝒗𝒊+𝟏 − 𝟐𝒗𝒊 + 𝒗𝒊−𝟏 |𝟐 (2.12)
𝟐
Il est possible d’exprimer Etot :
𝑬𝒕𝒐𝒕𝒂𝒍 (𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 ) =
𝑬𝟏 (𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 ) + 𝑬𝟐 (𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 ) + ⋯ + 𝑬𝒏−𝟐 (𝒗𝒏−𝟐 , 𝒗𝒏−𝟏 , 𝒗𝒏 ) (2.13)
On se ramène donc a un problème d’optimisation d’une fonction numérique a plusieurs
variables. Les variables seront ici les positions des différents points du snake. La
formulation standard sous forme récurrente de la programmation dynamique peut
s’écrire :
34
𝑺𝒊 (𝒗𝒊+𝟏 , 𝒗𝒊 ) = 𝐦𝐢𝐧𝑵𝒊−𝟏 (𝒗𝒊 , 𝒗𝒊−𝟏 ) + 𝜶 |𝒗𝒊 − 𝒗𝒊−𝟏 |𝟐 + 𝜷 |𝒗𝒊+𝟏 − 𝟐𝒗𝒊 + 𝒗𝒊−𝟏 |𝟐 +

𝑬𝒆𝒙𝒕 (𝒗𝒊 ) (2.14)
Chaque itération donne un contour optimal. La convergence de la minimisation de
l’énergie est garantie mais la complexité est élevée. Cette implémentation, d'autre part,
autorise l'introduction de différentes contraintes comme l'énergie ballon ou d'autres
énergies.
II.5.2. 7 Approches variationnelles :
En ne retenant que les deux premiers types d’énergie de l’équation 𝐸𝑒 (𝑣), c’est-à-dire
la régularisation (lissage + rigidité) et l’énergie du gradient, on aboutit à la formulation
des contours actifs introduite par Kass et al [Kas 87].
2
𝑏 𝜕𝑣(𝑠,𝑡) 2 𝑏 𝜕2 (𝑠,𝑡) 𝑏 2
𝐸 = 𝛼 ∫𝑎 | | 𝑑𝑠 + 𝛽 ∫𝑎 | | 𝑑𝑠 − 𝛾 ∫𝑎 |∇𝐼(𝑣 (𝑠, 𝑡 ))| 𝑑𝑠 (2.15)
𝜕𝑠 𝜕𝑠 2
Lissage Régidité Energie image
Energie interne
La minimisation de l’énergie totale E est effectuée en utilisant l’équation de Euler-

Lagrange ; elle permet d’aboutir à l’équation différentielle dynamique régissant
l’évolution du contour :
2
𝜕𝑣(𝑠,𝑡) 𝜕 𝜕𝑣(𝑠,𝑡) 2 𝜕2 𝜕2 (𝑠,𝑡) 2
𝑘 − 𝛼 [| | ]+𝛽 2
[| | ] − 𝛾|∇𝐼(𝑣(𝑠, 𝑡 ))| = 0 (2.16)
𝜕𝑡 𝜕𝑠 𝜕𝑠 𝜕𝑠 𝜕𝑠 2
Le snake se déplace alors suivant des forces dues à l’image (terme en ∇I), moyennant
les contraintes d’élasticité et de rigidité (termes en α et β), mais son évolution est freinée
par des forces de frottement visqueux (terme en k) i.e. tout se passe comme si le contour
actif était plongé dans une solution de viscosité k. En discrétisant l’équation précédente
grâce aux différences finies, et en appliquant une nouvelle fois Euler- Lagrange, on
aboutit à une représentation matricielle déterminant la position des pixels du snake
discrétisé à implémenter :
35
𝑿(𝒕) = (𝒌𝑰𝒅 + 𝑲)−𝟏 [𝒌𝑿(𝒕 − 𝟏) + 𝜸|𝛁𝑰(𝒗)|𝟐 (𝒕 − 𝟏)]

{ (2.17)
𝒀(𝒕) = (𝒌𝑰𝒅 + 𝑲)−𝟏 [𝒌𝒀(𝒕 − 𝟏) + 𝜸|𝛁𝑰(𝒗)|𝟐 (𝒕 − 𝟏)]
Dans cette expression, Id représente la matrice identité, et K la matrice de déformation,

qui ne dépend que des pondérations des énergies de lissage et de rigidité α et β, et qui
représente le poids de l’énergie interne (ou poids de déformation) par rapport aux autres
énergies [All 03].
Chaque position du contour actif donne une énergie interne et une énergie externe dont
la somme doit être minimisée et influencera les mouvements des points du contour actif.
La grande difficulté de l'utilisation des snakes réside dans le choix des pondérations à
donner à chaque énergie. Traditionnellement il est d'usage d'utiliser un paramètre pour
l'énergie interne et un autre pour l'énergie externe, mais un réglage plus fin peut s'opérer
en ajoutant des paramètres différents pour des aspects différents de l'énergie interne ou
de l'énergie externe.
II.5.3 Les Modèles Déformables en Imageries Cérébrales :
La principale motivation de l’utilisation des contours actifs est la localisation et le

suivi d’objets. Un des domaines qui a fortement contribué au développement des
contours actifs est l’imagerie médicale.
Olivier Colliot et al [Col 05] proposent une méthode de segmentation de structures

cérébrales des images IRM par les modèles déformables toute en intégrant les relations
spatiales.
 Tous d’abord pour décrire l’anatomie cérébrale en termes de relations spatiales,

ils décomposent l’image en un ensemble d’entités spatiales liées par des
relations, dans le but d’être formalisée par un graphe hiérarchique synthétique.
 Suivi d’une étape de représentation des relations spatiales par les ensembles
flous. Après de les introduire dans les modèles déformables, en remplaçant la
force externe classique dans l’équation d’évolution par une force intégrant à la
fois les informations de contours et les relations.
Les résultats obtenus (Figure II. 8) montrent que l’utilisation des relations spatiales
améliore significativement la segmentation des structures mal contrastées.
L’image à traiter est une portion d’une IRM simulée où l’on peut voir notamment
les ventricules latéraux (LV) et les noyaux caudés (Cd),
36
(a)
(b)
Figure II. 8 : Exemple de modèle déformable intégrant des relations spatiales. (a)
Évolution du modèle déformable (le contour initial est le rectangle blanc sur l’image de
gauche) : lorsqu’ils n’utilisent que le terme d’attache aux données, le modèle
déformable s’arrête sur les premiers contours significatifs rencontrés. (b) En revanche,
en ajoutant la relation spatiale, il converge correctement vers le noyau caudé. [Col 05]
Julien MILLE et al [Jul 07], proposent une technique de segmentation des images 2D,
3D par les modèles déformables en utilisant une énergie de région en bande étroite, dont
le but d’avoir un modèle qui soit capable de segmenter des structures de formes
complexes, d’autoriser l’adjonction de contraintes dans son évolution et finalement,
avoir temps de calculs réduit, en particulier dans la segmentation 3D.
Ils commencent par la définition des trois aspects fondamentaux des modèles
déformables qui sont la représentation, l’évolution et l’attache aux données.
 Au niveau de la représentation, ils développent un modèle de contour actif

unifier et généralisée pour la segmentation 2D et 3D.
 Au niveau de l’évolution, ils proposent une méthode de minimisation numérique

de la fonctionnelle d’énergie, qui permet de réaliser l’optimisation de toute la
courbe/surface par un ensemble d’optimisations locales. Ces améliorations
portent sur l’algorithme glouton.
 Concernant l’attache aux données, ils développent un nouveau terme basé

région, appelé énergie de région en bande étroite.
 Ce terme combine des caractéristiques locales et globales des structures d’intérêt

et présente des avantages tant au niveau calculatoire qu’au niveau de la
cohérence par rapport aux données.
37
(a) (b) (c)
Figure II. 9: Segmentation des ventricules en IRM cérébrale (coupe axiale). (a) Notre
modèle avec énergie de gradient (b) Notre modèle avec énergie de région en bande
étroite (c) Ensembles de niveaux avec terme de région. [Jul 07]
Il existe d’autres travaux qui ont été proposées dans le cadre de l’approche par
modèle citons : Lefohn et al. [Lef 03], ont introduit une méthode de segmentation semi-
automatique des images cérébrales par ensembles de niveaux. L’utilisateur sélectionne
dans un premier temps un objet d’intérêt, et adapte les paramètres d’un modèle
déformable au fur et à mesure de son évolution.
Xu et Prince [Pri 97, Pri 98] ont développé un nouveau type de snake qui permet
une initialisation éloignée de l’objet et arrive à segmenter de façon correcte en levant
l’écueil des concavités. Ce nouveau snake est basé sur un nouveau type de champ de
force externe, appelé gradient vector flow ou GVF. Ce champ est calculé comme la
diffusion spatiale du gradient d’une carte de bords (ou edge map). Combiné aux forces
usuelles, ce GVF amélioré grandement la qualité de la segmentation, notamment pour
les images de cœur et de cerveau où les frontières sont très complexes.
D’autres travaux se sont intéressés à l’utilisation de modes différents de

paramétrisation tels que les spline snakes de Leitner et coll. [Lei 91] ou les plus récents
B-splines [Men 90] ou bien encore les Gaussiennes rationnelles [Zag 07]. Les récents
travaux de Lecellier et coll. [Lec 06, Jeh 06], inspirée de ceux de Jehan-Besson [Jeh 03],
utilisent les contours actifs en y introduisant un a priori de forme.
38
II.6 les méthodes basées sur les régions:

Le principe de la segmentation en région est de décomposer l’image en des
régions homogènes. Une région est composée de l’ensemble de pixels connexes
possédant les même propriétés au sens d’un prédicat d’homogénéité donnée, le choix de
ces propriétés détermine ce qu’on appelle « le critère de segmentation », ces critères
peuvent être la valeur de niveau de gris, la couleur, la texture…etc [Bec 07].
Le problème fondamental associé à cette catégorie d’approche est justement lié à la

définition du critère d’homogénéité utilise dans le processus de segmentation de
l’image. Parmi les techniques existant dans cette classe, on peut citer les méthodes de
croissance de régions.
II. 6 .1 Les méthodes de croissance de régions :
Ces techniques consistent à regrouper itérativement des ensembles de points

connexes en régions plus importantes en utilisant des conditions dépendant de
propriétés d’homogénéité.
L’idée de base de ce type d’approche est de définir des critères de regroupement des
pixels permettant l’obtention de régions homogènes .la relation spatiales sont ainsi
utilisées tout au long du processus de segmentation [Hor 93].
On peut globalement classer ces méthodes en deux catégories : Celle qui font des
agrégations de points ou de germes et celles qui opèrent par fusion et /ou division
d’ensemble de points (Régions) [Ker 00].
II.6.1. 1 Méthodes par germes:
La méthode par germes est une méthode ascendante qui permet de regrouper un
ensemble de pixels selon un double critère d’homogénéité et d’adjacence.
Le processus peut être itératif en regroupant les pixels ayant un niveau de gris proche
de points germes. Ces méthodes donnent de bons résultats même si la localisation des
contours est moins précise que par les techniques de détection de contours.de plus, les
seuils d’agrégation influent beaucoup sur la qualité du résultat [Ros 99].
Ces algorithmes associent à chaque pixel un vecteur de propriétés. Deux pixels sont
regroupés si leurs vecteurs de propriétés sont « suffisamment similaires ». Le résultat de
la segmentation est constitué par les composantes connexes déterminées. Divers
vecteurs de propriétés et diverses mesures de similarité ont été proposés [Hor 93].
39
L’Algorithme :
1. 𝑖 = 0
2. 𝑘 = 0
3. − 𝑆𝑖 (𝑖 = 0) 𝑎𝑙𝑜𝑟𝑠 𝑆(𝑜) = 𝑆
−𝑆𝑖𝑛𝑜𝑛 , 𝑆(0) = 𝑆 − ⋃𝑖−1
𝑗=1 𝑅𝑗
4. 𝐶ℎ𝑜𝑖𝑠𝑖𝑟 𝑢𝑛 𝑔𝑒𝑟𝑚𝑒 𝑅𝑖 (0)
5. 𝑆(𝑘 + 1) = 𝑆(𝑘) − 𝑅𝑖 (𝑘)
6. −𝑆𝑖 𝑃𝑟𝑒𝑑(𝑅𝑖 (𝑘 + 1)) 𝑎𝑙𝑜𝑟𝑠
. 𝑆𝑖 𝑆(𝑘 + 1) = ∅ 𝑎𝑙𝑜𝑟𝑠 𝐴𝑟𝑟é𝑡
. 𝑆𝑖𝑛𝑜𝑛 𝑅𝑖 (𝑘 ) = 𝑅𝑖 (𝑘 + 1)
𝑖 =𝑖+1
𝐴𝑙𝑙𝑒𝑟 𝑒𝑛 2
.−𝑆𝑖𝑛𝑜𝑛
𝑆𝑖 𝑆(𝑘 + 1) = ∅ 𝐴𝑙𝑜𝑟𝑠 𝐴𝑅𝑅𝐸𝑇
𝑆𝑖𝑛𝑜𝑛 𝑘 = 𝑘 + 1
Figure II.10: Résultat de la segmentation par la méthode croissance de région, (a):

image originale, (b): image binaire, (c): image segmentée.
Thiran et al. [Thi 97], proposent une méthode de croissance de régions pour la
segmentation du cerveau sur des images IRM 3D. L’algorithme contient une procédure
de sélection automatique des germes. La croissance des régions est guidée, non pas par
une information de type gradient, mais par les niveaux radiométriques de l’image. La
segmentation obtenue permet la labellisation automatique de Sillon des lobes cervicaux.
II.6.1.2 Fusion de régions :
Son principe consiste à exploiter une partition initiale de l’image constituée de

petites régions. Puis ces régions sont fusionnées successivement jusqu'à ce que le critère
de fusion ne soit plus vérifié. 40
Plusieurs règles de regroupement ont été proposées. Certaines de ces règles mettent en
jeu :
 Des propriétés statiques telles que la moyenne ou la variance des niveaux de

gris des régions, le gradient moyen des frontières de régions, le contraste
maximum des régions, ou d’autres statiques locales qui expriment l’état de
surface des régions.
 Des propriétés géométriques ou morphologiques telle que l’élongation ou la

compacité des régions .deux régions sont regroupées si par exemple un facteur
de forme est conservé ou amélioré après leur fusion [Hor 93].
Algorithme de fusion : [Thi00]
Initialisation : - Partitionner l’image en petites régions
- Calculer - les attributs de chaque région
- les attributs des couples de régions
- Construire la liste ordonnée des régions fusionnables
Tant que il y a des régions fusionnables
- Sélectionner le meilleur couple
- Fusionner les 2 régions et mettre à jour les attributs
- Mettre à jour la liste des régions fusionnables
II.6.1.3 Les méthodes de type division :
Une autre approche pour réaliser la segmentation d’image est celle qui procède par
partitionnement. Cette méthode consiste à diviser l’mage, qui constitue la région
initiale, en région de plus en plus homogènes. Le processus est réitéré pour chacune des
régions produites jusqu'à ce qu’une certaine homogénéité soit atteinte. L’homogénéité
d’une région est souvent contrôlée par ca variance ou son contraste.
Ces techniques à caractère descendant ont une faiblesse liée à la nature souvent
régulière de découpage. Une région est divisée en sous-régions de niveau inferieurs, les
frontières d’une région sont alors représentées sur différentes niveaux. Leurs
délimitations exactes sont ainsi difficiles à obtenir.
41
Beaucoup d’algorithmes de division reposent sur l’utilisation des histogrammes de

niveaux de gris. Les régions sont alors définies à partir des intervalles entre les vallées
[Ker 00].
II.6.1.4 Les méthodes de type division/fusion (split and merge) :
Ces techniques combinent les deux méthodes précédentes, la division qui partitionne
l’image en zones localement homogènes, puis la fusion des régions similaires au sens
d’un prédicat de regroupement. Ces deux opérations sont répétées jusqu’à ce qu’elles ne
soient plus possibles [Ker 00].
Le split and merge et une méthode hybride (locale/globale), et ce sont deux phases qui
sont parallèles, ainsi que la méthode reste complexe et donne un découpage un peu
« carré » à cause de la topologie du quadtree, tel que l’image est représentée par un
arbre quaternaire (quadtree), ou chacun de ces nœuds et feuilles représente une région
Figure II .11 : (a): image initiale, (b): application de l’algorithme de division, (c):
image segmentée après l’étape de fusion. [Ker 00]
Parmi les travaux qui ont été proposées dans le cadre des méthodes par croissance de
région :
Berrichi et al [Ber 09] présentent un système de traitement des images scanographies
et IRM cérébrale qui est basée sur la méthode split & merge pour l’étape de
segmentation et l’application du réseau de neurone de type Perceptron
Multicouches(PMC) pour la détection des anomalies dans ces images. Le système
proposé effectue une tâche d’interprétation des images médicales.
Sophie et al. [Sop 02] présentent une méthode d’identification des tumeurs de la
matière blanche. Cette méthode suppose la segmentation préalable du cortex, de la
matière grise et de la matière blanche. En particulier, le cortex est segmenté par
croissance de régions, guidée par des connaissances anatomiques a priori sur la forme
de la structure, ainsi que par des contraintes d’intensité et de gradient.
42
Aussi bien d’être combinées avec d’autres méthodes de segmentation. Par exemple
[Sch01] les combinent avec des opérateurs de morphologie mathématique pour
segmenter le système ventriculaire ; [Ric 04] les combinent avec une approche par
mixture de gaussiennes pour segmenter les tissus.
Dans [Hoj 01], la croissance de régions est directement utilisée pour la segmentation
des lésions cérébrales. Le critère de croissance est basé sur une mesure de contraste. Le
taux de classification a était d’environ 90%.
(a) Image initiale (b) seuil=0.05 (c) seuil=0.3
Figure II.12 – Sensibilité de la croissance de région vis à vis d’un seuil –tiré de
[Jea 08].
La segmentation par croissance de régions est simple à mettre en œuvre. L’avantage

principal de cette technique se réside dans la prise en compte des informations
contextuelles par le mécanisme de croissance. Alors que la disposition des germes
initiaux représente un inconvénient. En effet, celle-ci nécessite quasi-systématiquement
l’intervention d’un opérateur, en particulier lorsqu’il s’agit de détecter des tumeurs, qui,
par définition, n’ont pas de localisation a priori dans le cerveau, et sur lesquelles nous
ne disposons d’aucune connaissance anatomique [Sop 02].
II.7 Les méthodes par Classifications :
Les méthodes par classification ont pour but de partitionner les images en plusieurs
classes, comme leur nom l’indique et constituent le plus souvent une étape dans la
segmentation d’objet à proprement parler.
Ces différentes classifications peuvent être séparées selon plusieurs critères :

probabilistes ou déterministes, paramétriques ou non, supervisées ou non.
43
Nous présenterons donc un panel de ces méthodes parmi lesquelles nous trouverons
les réseaux de neurones (méthode déterministe supervisée), les approches K-Moyennes,
Fuzzy C-Means, (déterministes non supervisées), les différentes mixtures de lois
(probabilistes paramétriques) et les approches markoviennes [Jér 08].
II.7. 1 Classification Déterministe Supervisée :

II.7. 1. 1 Réseaux de neurones :
Un réseau de neurones est constitué d’un grand ensemble d’unités ou neurones, ayant
chacune une petite mémoire locale. Ces unités sont reliées par des canaux de
communication les connexions, aussi appelées synapses d’après le terme biologique
correspondant, qui transportent des données numériques. Les unités peuvent
uniquement agir sur leurs données locales et sur les entrées qu’elles reçoivent par leurs
connexions.
La plupart des réseaux de neurones ont une certaine capacité d’apprentissage. Cela
signifie qu’ils apprennent à partir d’exemples, de même que les enfants apprennent à
distinguer les chiens des chats à partir d’exemples de chiens et de chats. Le réseau peut
ensuite dans une certaine mesure être capable de généraliser, c’est-à-dire de produire
des résultats corrects sur des nouveaux cas qui ne lui avaient pas été présentés au cours
de l’apprentissage.
Figure II. 13 : Structure d’un neurone artificiel. Le neurone calcule la somme de ses
entrées puis cette valeur passe à travers la fonction d’activation pour produire sa sortie.
Classiquement, en segmentation d’images médicales, les réseaux de neurones sont

utilisés comme classifieurs. Les poids synaptiques sont déterminés par apprentissage sur
une base d’image dont le résultat de segmentation est connu, on parle alors de réseau de
neurones supervisé. 44
Souvent, les neurones d’entrées sont les différentes IRM disponibles et les neurones
de sorties nous donnent alors les différentes classes recherchées [Hul 03], Dernièrement
Yeh et coll. [Yeh 08] ont créé une nouvelle méthode basée sur l'algorithmique
génétique(AG), la logique floue (LF) et les LVQ pour la segmentation des IRM
cérébrales.
II.7. 2 Classification Déterministe Non- Supervisée :

II.7. 2. 1 Les K-Moyennes :
L’algorithme K-Moyennes est l’algorithme de classification le plus utilisé pour sa
simplicité de mise en œuvre. Cette méthode partitionne les données d’une image en K
classes. C’est un algorithme itératif qui classe les pixels selon leur niveau de gris en K
classes [Bar 00a]. Le pixel est affecté dans la classe pour laquelle la distance de son
centre de pixel est minimale. Chaque élément de l’image est attribué à une classe et une
seule de façon certaine parmi les k proposées [Ban 02], [Bar 00].
Les étapes principales de l’algorithme K-Moyennes sont:
1. Choix aléatoire de la position initiale des K classes ;

2. affecter les objets à une classe suivant un critère de minimisation des
distances
3. Une fois tous les objets placés, recalculer les K centroïdes ;
4. Réitérer les étapes 2 et 3 jusqu’à ce qu’aucune réaffectation ne soit faite.
La classification des éléments de l’image se fait de manière itérative en alternant
l'étape de classification et l'étape de mise à jour des centres, jusqu'à la stabilisation de la
segmentation [Wal09].
Figure II. 14 : Le processus de l’algorithme K-Means. [Wal 09].
45
Dans la littérature Lachman et coll. [Lac 92] ont proposé d'utiliser les statistiques de
concurrence dans l'algorithme des k-means pour segmenter les tissus cérébraux. Une
version adaptative de cet algorithme a été utilisée par Yan et coll. [Yan 95] pour
segmenter le cerveau avec des résultats plus au moins satisfaisants. En 2002 Bustillo
[Bus 02] a appliqué les k-means sur une séquence coronale pondérée en T2 pour
calculer la variation de volume des noyaux caudés chez des patients atteints de
schizophrénie.
Figure II. 15 : Classification par K-moyennes d’image IRM. [Bus 02]
II.7. 2. 2 Les Algorithmes Génétiques :
Les algorithmes génétiques (AGs) sont des algorithmes d’optimisation stochastique

fondés sur les mécanismes de la sélection naturelle et de la génétique. Leur
fonctionnement est extrêmement simple. On part avec une population de solutions
potentielles (chromosomes) initiales arbitrairement choisies.
On évalue leur performance (fitness) relative. Sur la base de ces performances on

crée une nouvelle population de solutions potentielles en utilisant des opérateurs
évolutionnaires simples : la sélection, le croisement et la mutation. On recommence ce
cycle jusqu’à ce que l’on trouve une solution satisfaisante.
Un algorithme génétique recherche le ou les extrema d'une fonction définie sur un
espace de données. Pour l'utiliser, on doit disposer des cinq éléments suivants :
1. Un principe de codage de l'élément de la population.

2. Un mécanisme de génération de la population initiale.
3. Une fonction à optimiser.
4. Des opérateurs permettant de diversifier la population au cours des générations
et d'explorer l'espace d'état.
5. Des paramètres de dimensionnement.
46
(a) (b) (c)
Figure II. 16 : (a) Image IRM, (b) Initialisation des contours initiaux (5 chromosomes),
(c) Contour final (Convergence) par les algorithmes génétiques. [Nic08]
II.7. 2. 3 Les méthodes probabilistes :
Les méthodes probabilistes possèdent plusieurs techniques quand peut citer : les
champs de Markov, la distribution de Gibbs, les champs bayésiennes……etc.
Avant d’entamées dans les deux premiers techniques on va d’abord définir qu’est-ce
qu’un système de voisinage ?
Soit S={𝒔 = (𝒊, 𝒋) ; 𝟏 ≤ 𝒊 ≤ 𝑵 ; 𝟏 ≤ 𝒋 ≤ 𝑵} un ensemble de sites. Soit G= {𝑮𝒔 /𝒔 ∈ 𝑺}
Un système de voisinage défini sur la grille S, tel que :
 s∉ 𝑮𝒔 .
 s∈ 𝑮𝒓 ≡ 𝒓 ∈ 𝑮𝒔 .
Les éléments de 𝑮𝑺 definissent les sites voisins de s.
II.7. 2 .4 Les champs de markov [Gem 84] :
Soit E= {𝒆𝒔 , 𝒔 ∈ 𝑺} un ensemble de variable aléatoire indexée par s et a valeur dans

un ensemble fini A={0,1,…….,L-1} . E représente le champ des étiquètes ou des labels
à estimer.
Soit (E= 𝝎) un événement tel que { 𝒆𝟏 = 𝝎𝟏 , … … , 𝒆𝒏 = 𝝎𝒏 } avec 𝝎 =

{𝝎𝟏 , … . . , 𝝎𝒊 , … ..,𝝎𝒏 } et 𝝎𝒊 ∈ 𝑨.
Soit Ω, l’ensemble de toute la configuration possible de,
Ω ={𝝎 = (𝝎𝟏 , … … , 𝝎𝒊 , … … , 𝝎𝒏 ); 𝝎𝒊 ∈ 𝑨}.
Le vecteur aléatoire E est un champ de Markov, relativement au système de voisinage G

si : 47
- ∀𝝎 ∈ 𝜴 ; 𝑷(𝑬 = 𝝎) > 0.
- ∀𝒔 ∈ 𝑺,
𝑷(𝒆𝒔 = 𝝎𝒔 |𝒆𝒓 = 𝝎𝒓 ; 𝒓 ∈ 𝑺 − {𝒔}) = 𝑷(𝒆𝒔 = 𝝎𝒔 |𝒆𝒓 = 𝝎𝒓 ; 𝒓 ∈ 𝑮𝒔 )
Cette considération fait que chaque élément aura uniquement une interaction avec ces
voisins.
II.7. 2. 5 La distribution de Gibbs :
Le théorème de Hammersley-Clifford, relatif a la distribution de Gibbs, montre qu’un

champ aléatoire E est un champ Markovien associe au système de voisinage G, si et
seulement si sa distribution de probabilité 𝒑 (𝑬 = 𝝎) est une distribution de Gibbs
définie par :
𝟏
∀ 𝝎 ∈ Ω ; 𝒑(𝑬 = 𝝎) = 𝒆−𝑼(𝝎) .
𝒁
Où Z est une constante de normalisation appelée fonction de partition de Gibbs.
𝒁 = ∑𝒄𝝐Ω 𝒆−𝑼(𝝎) .
La fonction d’énergie U peut être définie de manière locale par :
𝑼 (𝑬 = 𝝎) = ∑𝒄∈𝑪 𝒗𝒄 (𝝎) .
Ou C est l’ensemble des cliques relatives au système de voisinage G ; 𝒗𝒄 est une

fonction définie sur Ω, dépendant uniquement des éléments 𝝎𝒔 tels que s∈ C.
Cette fonction est appelé fonction potentiel .Grace aux fonctions de potentiel, nous
pouvons définir de manier simple les propriétés locales du champ E.
Figure II. 17: Segmentation probabiliste en 3 classes.
II.8 Approche Coopérative en segmentation d’image :

Comme nous l’avons déjà précisé, il existe plusieurs approches de segmentation
d’images, chacune agit de manière différente et utilise des attributs différents.
48
De plus, chaque méthode ayant ses avantages et ses limites d’utilisation selon le
problème à résoudre.
De ce fait, l’utilisation des avantages de plusieurs méthodes en même temps est

réalisée grâce à la coopération. En effet, les méthodes coopératives apportent une
meilleure segmentation des images puisque les algorithmes émergents de la coopération
prennent en compte les différentes caractéristiques de ces images.
Il existe en grande partie trois types de coopération ; une coopération dite «
séquentielle » dans laquelle il existe une exploitation successive du résultat d’une
approche pour guider une autre. Un autre type de coopération est dit « itératif » fondé
sur une définition mutuelle de contraintes et qui permet une émergence de la solution
[Gar 00], et finalement une coopération Hybride, ou les deux types de segmentations
sont réalisés d’une façon parallèle et indépendante.
II.8 .1 Coopération séquentielle :
Les approches par coopération séquentielle sont principalement fondées sur des
principes de focalisations successives et de corrections de résultats intermédiaires.
L’objectif est de réduire progressivement la difficulté du problème en le décomposant
en sous-parties de plus en plus fines.
L’intérêt de la coopération réside dans le fait de pouvoir exploiter des complémentarités

.Il s’agit essentiellement de définir des modules permettant de générer automatiquement
des Contraintes et des informations exploitables par d’autres modules [Seb 06].
La coopération séquentielle peut se manifester dans la définition ou l’ajustement des

paramètres de segmentation.
L’information fournie par cette forme de coopération permet aussi d’éliminer les faux
segments et de gagner du temps de traitement [Seb 06].
PAVLIDIS et LIOW [Pav 90] proposent une approche différente combinant un

algorithme de division-fusion avec un processus de détection de contours. Ils utilisent
l’avantage de la technique de croissance de régions afin d’obtenir des contours fermés,
et corrigent ensuite leur position par une méthode de déformation de contours. La
méthode procède en trois phases :
1. Division-fusion par quadtree avec un seuillage qui produit une sur-segmentation.

2. Elimination des frontières ; chaque frontière entre deux régions est conservée ou
enlevée en fonction de son contraste, ses changements de direction et sa
longueur.
49
3. Modification des contours, les frontières conservées lors de la phase précédentes

sont considérés comme des contours significatifs. Leurs positions sont corrigées
à l’aide d’une approche par contour actif [Kas 88].
II.8 .2 Coopération itérative
Dans les approches par coopération itérative, plusieurs modules de segmentation

s’exécutent simultanément. L’objectif est de construire la segmentation
progressivement, en optimisant à chaque étape les résultats obtenus par chaque méthode
mise en jeu. Il existe relativement peu de travaux proposant un tel type de coopération
pour la segmentation [Lag 10].
II.8 .2 . 1 Coopération itérative par la théorie des jeux :
La coopération par intégration de la théorie des jeux donne un cadre de travail formel
et l’avantage de modéliser les interactions entre les différentes méthodes de
segmentation à coopérer.
les travaux de Duncan et al [Dun 94], et de son étudiant Amit Chakraborty [Ami
96],[Ami 99] ont proposés un système de segmentation d’image en intégrant la théorie
des jeux. Le système développer est un cadre bidirectionnelle pour l’intégration de deux
modules, Les modules qu’ils ont considérés sont les deux types de procédures de
segmentation un fondé sur région en utilisant le modèle de Markov et l’autre lié à base
de détection de contour en exploitant les modèles déformables.
Moez Kallel et al [Moe 11], ont proposés une approche fondée sur la théorie des
jeux rectangulaires pour reconstituer et segmenter les images bruyantes, Ils commencent
par la définition des deux joueurs .Tel que le premier joueur possède comme stratégie la
restauration avec l’intensité d’image, ainsi que la stratégie du deuxième est la
segmentation.
Figure II.18 : Image originale et bruyante avec le bruit gaussien (variance 0.2) et
résultat de la segmentation. [Moe 11]
50
II.8 .2 .2 Coopération itérative contour- région :
Moussa et Lyazid [Mou 07] proposent une approche qui coopère entre l’algorithme
FCM (Fuzzy CMeans) dont la somme des degrés d’appartenance d’un individu donné à
toutes les classes possibles étant égale à 1, et l’algorithme possibiliste PCM
(Possibilistic C-means) qui consiste à chercher des partitions qui sont basées sur l’idée
de typicalité. Afin de rendre l’algorithme plus robuste face aux imprécisions et aux
données ambiguës qui peuvent influencer considérablement sur les centres de classes,
ils introduient la notion de rejet d’ambiguïté qui concerne les individus situés entre les
frontières des différentes classes.
Figure II. 19 : Résultat de segmentation par coopération FPCME. [Mou 07]
II.8 .3 Coopération Hybride :
Dans la coopération Hybride ou dite des résultats, les deux types de segmentations sont
réalisés d’une façon parallèle et indépendante, et la coopération sera faite au niveau de
leurs résultats respectifs. Ils seront intégrés dans le but d’atteindre une meilleure
segmentation que celle obtenue par une seule des techniques. Cette intégration peut être
faite sous forme de complémentarité ou de recherche de consensus.
Cette catégorie de coopération exploite les résultats de plusieurs segmentations afin

d’aboutir à un meilleur résultat. Diverses formes de coopération se présentent :
complémentarité ou consensus entre les segmentations, définition ou ajustement des
paramètres de segmentation et évaluation des résultats de segmentation [Seb 06].
II.8 .3 . 1 Coopération hybride contour-region par approche multi-agents :
L’approche multi-agent pour effectuer une coopération région-contour semble naturelle

(chaque agent est un petit système expert autonome lié aux autres agents).
51
Baujard et Garbay [Bau 91] proposent un système de vision complet pour

l’identification de cellules biologiques, fondés sur la coopération entre le détecteur de
contours de Deriche et la technique de classification de Fisher appliquée aux régions,
précédée d’un filtrage de l’image. Un agent est dédié à chacun des processus.
Apres la détection des régions et des contours, les résultats sont analyser et comparés
par un agent spécifique. Lorsqu’il y a compatibilité entre la frontière des régions et les
contours, le résultat est validé et envoyé à un agent qui tente de classer la région à partir
de la forme de celle-ci. Si la compatibilité n’est pas vérifiée, les régions sont découpées
ou fusionnées.
Germond et Dojat [Ger 99] proposent une coopération de type bas-niveau/haut-niveau

entre un modèle statistique déformable et un système multi-agents pour initialiser et
contraindre des agents de segmentation région et permettre une segmentation adaptative
des tissus. L’approche intègre 2 types d’agents spécialisés (matière grise et matière
blanche) dynamiquement et permet un étiquetage automatique des tissus détectés.
Figure II.20 : Le processus coopératif de segmentation. (Gauche) Initialisation des

agents matière grise à partie de la position du modèle. (Milieu) Segmentation de la
matière grise puis initialisation des agents matière blanche. (Droite) Résultat final de
segmentation. [Ger 99]
Benoit Scherrer et Dojat [Ben 06], proposent une approche markovienne

coopérative qui se fonde sur le raffinement mutuel des segmentations en tissus et en
structures. La connaissance a priori nécessaire à la segmentation des structures est
apportée par une description floue de l’anatomie cérébrale. Elle est intégrée dans le
cadre markovien via l’expression d’un champ externe.
La segmentation des tissus intègre dynamiquement l’information structure via un
autre champ externe, permettant de raffiner l’estimation des modèles d’intensités. Cette
approche markovienne dynamique et coopérative est implémentée dans un
environnement multi agents : des entités autonomes distribuées dans l’image estiment
des modèles markoviens locaux et coopèrent pour assurer leur cohérence.
52
Figure II.21 : Evaluation visuelle : Image réelle 3T(a), Segmentation des structures (b-
c), Segmentation des tissus sans coopération (d) et avec l’approche SMA (e) . [Ger 99]
La distribution des rôles dans un univers multi-agents n’est donc pas remise en cause,
mais elle n’est pas très efficace si les processus coopérants sont trop indépendants. Cette
remarque reste valable pour les coopérations non fondées sur l’approche multi – agents
.Il est difficile de cerner les avantages théoriques de l’approche multi – agents pour la
coopération région – contours.
II. 9 Conclusion :
Dans ce chapitre, nous avons présenté un état de l’art sur les différentes approches de
segmentation, toute en s’intéressent sur la segmentation des images IRM cérébrales.
Nous avons cité à ce propos, l’utilité de mettre en œuvre et de définir un ensemble de

contraintes, aussi bien que des stratégies de résolution pour améliorer les prises de
décision, et guider les processus de segmentation.
Par la suite, on a entamé les différentes approches de segmentation par coopération.

Qu’elle soit séquentielle, mutuelle ou bien des résultats, la segmentation coopérative
intègre deux types d’information afin de permettre une meilleure prise en compte des
caractéristiques des objets de l’image.
La segmentation d’image est considérée comme l’étape fondamentale de plusieurs

processus d’analyse d’image dédiés à la détection ou l’identification des objets.
53
L’adoption de la coopération entre les techniques de segmentation dans ces processus

permettrait de renforcer la qualité et la fiabilité des analyses et des décisions
envisageables.
54
Chapitre 3 : La Théorie des Jeux
Chapitre 3
La Théorie des Jeux
III.1. Introduction:
Depuis la naissance de la discipline, et jusqu'à a aujourd'hui, la théorie des jeux est

très répandue et utilisée, non seulement en économie, mais également par toute une
classe d'autres sciences dans lesquelles l'étude des situations de conflits est pertinente,
surtout en informatique, et plus précisément en Intelligence Artificielle (IA).
Jusqu'à aujourd'hui, la théorie n'a cessée d'évoluer. Le but initial de ses fondateurs
était de donner un sens à la notion de rationalité, notamment en ce qui concerne les
interactions entre individus. C'est dans cet esprit que, dès le début, de nombreuses
améliorations ont été apportées à la théorie des jeux. [Bea 00]
Dans ce chapitre, nous décrivons, comment nous allons adapter une procédure
parallèle entre la théorie et les jeux avec une prise de décision à un problème de
l’image segmentée, pour cela nous nous intéressons à l’approche classique de la
théorie des jeux [Ami 99].
III. 2 La théorie des jeux :
La théorie des jeux est une discipline mathématique, elle permet une analyse
formelle des problèmes et de conflit posés par l’interaction stratégique, d’un groupe
d’agents rationnels, poursuivant des buts qui leur sont propres. [Kon 09]
Son champ d’application est l’individu intentionnel et rationnel qui est en interaction
avec au moins un autre individu. Elle sert donc surtout à modéliser des situations où
des individus sociaux prennent des décisions individuelles séparées, mais ayant un
impact combiné sur les autres individus [Oua 03].
On peut distinguer trois différentes approches en théorie des jeux, le but principal
de chacune d'entre elles consiste à étudier les situations de conflit qui peuvent exister
entre des individus en interaction. Cependant, chaque théorie est basée sur un
ensemble de différentes d'hypothèses et cherche à atteindre un but bien particulier.
55
III. 2. 1 La théorie des jeux Classique :
La première approche est la théorie des jeux classique qui est apparue au début des
années 40. Cette théorie prend comme hypothèse principale la rationalité forte des
individus. Chaque individu cherche à maximiser ses gains personnels en prenant en
considération le comportement de ses adversaires.
La théorie classique cherche à trouver une solution optimale pour résoudre les conflits.
Dans ce cadre, les théoriciens des jeux ont introduit la notion d'équilibre (Nash
notamment). Cette notion peut conduire chaque individu à une situation de non regret
mais elle ne peut pas lui garantir un gain optimal.
III. 2. 2 La théorie des jeux évolutionnaire :
La seconde approche est la théorie des jeux évolutionnaire. Cette théorie est apparue
suite aux expériences effectuées par des biologistes. Ces derniers ont constaté que le
comportement des espèces est peu rationnel au sens décrit par la théorie classique. En
théorie des jeux évolutionnaire chaque individu cherche à améliorer non pas son gain
personnel mais le gain total de la population dont il fait partie.
La théorie des jeux évolutionnaire cherche à étudier la dynamique de l'évolution. Elle

propose un ensemble de méthodes formelles pour pouvoir évaluer le comportement
des différentes stratégies (évolutionnaire ment stables notamment). Cependant, la
théorie évolutionnaire représente une simplification du monde réel et fournit une
approche purement théorique, dans un espace continu, qui peut être rarement
appliquée dans des domaines réels.
III. 2. 3 La théorie des jeux computationnelle :

La troisième approche en théorie des jeux est la théorie des jeux computationnelle. Le
but principal de cette théorie consiste à donner des outils efficaces pour étudier et
analyser et reproduire les différents comportements. Cette théorie étudie, à l'aide de
raisonnements mathématiques et des méthodes de simulation, les choix stratégiques
d'individus placés dans une situation de conflit.
La théorie des jeux computationnelle fournit des méthodes d'évaluation et

d'exploration permettant de mieux analyser les différentes stratégies. Cette évolution
permet non seulement de comparer les critères de qualité des différentes stratégies
mais aussi de mieux comprendre leur fonctionnement et, dans certains cas, de déduire
une bonne stratégie.
56
III.3 Définition d’un jeu:
Lorsque des personnes interagissent entre elles, on peut dire qu'il y a un « jeu ».
Lorsqu'un commerçant détermine le prix d'une boîte de petits pois, il joue un « jeu »
avec ses clients mais également avec ses concurrents. La négociation des salaires est
un « jeu » entre le patron, les employés et les syndicats[Van 03].
Un jeu est une situation ou des individus (les joueurs) sont conduits à faire des
choix parmi un certain nombre d’actions possibles, et dans un cadre défini à l’avance
(les règles du jeu), qui permet de déterminer qui peut faire quoi et quand. Les résultats
de ces choix constituent une issue du jeu à laquelle est associé un gain pour chacun des
participants. Ces résultats ne dépendent pas de la décision d’un seul joueur et ne
dépendent pas non plus uniquement du hasard, bien que celui-ci puisse intervenir [Oua
03].
Un jeu se réfère à un ensemble d’interactions entre des individus, appelés

joueurs ou agents. Chaque individu est rationnel, autrement dit, les décisions, ou
stratégies qu’il prend ont pour but la réalisation de ses propres objectifs.
En revenant à Von Neumann et Morgenstern qui démontrent que la rationalité

peut se modéliser par la maximisation d’une fonction de gains qui attribue des
récompenses aux décisions prises par un joueur, en fonction des décisions des autres
joueurs [Mat 06].
III.4 Les ingrédients d’un jeu :
Les ingrédients de base d’un jeu sont implicitement donnés par le

nom “théorie des jeux“ : il y a des joueurs (acteurs), des rétributions (gains et
pertes) et des règles du jeu. N’importe quelle unité poursuivant des buts d’une façon
autonome peut être joueuse, donc il peut s’agir d’Etats, d’organisation ou encore de
personnes.
Les règles définissent les variables qu’un joueur peut contrôler. Par exemple,
des possibilités de choix, d’information et de communication entre joueurs.
57
Elles déterminent également les rétributions, les bénéfices négatifs (pertes) ou

positifs qui résultent des choix de tous les joueurs. La notion de “Game“ est donc
plutôt utilisé pour décrire les règles d’un jeu (au sens large du terme), tandis que la
notion “Play “ définit la “partie“ (l’instance concrète d’un jeu).
III.5 Représentation des jeux :
III.5.1 Forme extensive :
Une forme extensive est un arbre de décision (appelé arbre de Kuhn) décrivant
les actions possibles des joueurs à chaque étape du jeu. Dans tous les jeux, les
décisions peuvent être représentées par un arbre, dont chaque nœud est associé au
joueur qui décide. Chaque option constitue une branche. Les gains de tous sont
associés aux terminaisons, lorsqu’il est possible de les représenter (fins de partie).
Un joueur n’a toutefois pas besoin de savoir comment il est parvenu à un

nœud : seul compte l’état présent du jeu, et les positions recherchées dans le futur.
Lorsque certains mouvements ne sont autorisés qu’après un événement donné, cet
événement n’est qu’un des éléments à matérialiser dans l’état présent du jeu plutôt que
dans un historique.
Nœuds
Actions (arcs du graphe)
Nœuds
Actions (arcs du graphe)
2
Nœuds terminaux
5((fins du jeux)
fins du jeux)
Fig. III.1 : Un arbre de décision (appelé arbre de Kuhn) [Mat 06]
Nœuds terminaux
(fins du jeux)
58
III.5.2 Forme normale :
Un jeu sous forme normale est la donnée de l'ensemble des joueurs, de

l'ensemble des stratégies pour chaque joueur et des paiements associés à toute
combinaison possible de stratégies.
Soit donc un ensemble fini P de joueurs indexés par {1, 2, ..., m}. Chaque joueur k
peut employer un nombre fini de stratégies pures choisies dans l’ensemble.
(3.1)
Un profil de stratégies est alors le m-uplet :
(3.2)
On note Σ l'ensemble des profils de stratégies.
Une fonction de paiements est une fonction F :
Cette fonction s'interprète comme le gain, éventuellement mesuré en termes d'utilité,

pour chaque joueur et pour tout résultat du jeu.
La forme normale d'un jeu est alors la donnée de :
Lorsque le jeu est à coups simultanés, la représentation par la forme extensive

devient particulièrement lourde et plus compliquée. Pour cela, la modélisation qui
apparaît comme la plus appropriée est la Forme normale, qui fait appel à un ou des
tableaux de nombres donnant les gains des joueurs pour chacune des issues possibles,
les lignes et les colonnes correspondant aux diverses stratégies.
Si le jeu ne comporte que deux joueurs et un nombre raisonnablement restreint de

stratégies possibles, on peut représenter le jeu sous la forme d'un tableau nommé
matrice des gains.
Il s'agit d'un tableau à double entrée qui énumère sur chaque côté les stratégies
possibles des joueurs respectifs. Dans la case à la croisée de deux stratégies, on note le
couple de gains des deux joueurs. C’est ce qu’on nomme (par convention) la matrice
des paiements.
59
On peut, avec un nombre réduit de stratégies, tenter de représenter avec une matrice
un jeu à trois ou quatre joueurs, mais cela pose souvent plus de problèmes
d’interprétation et de lecture que ça n’apporte de réponses.
III.6 Les différents types de jeux:
En théorie des jeux, l’interaction qui relie les joueurs est beaucoup plus
complexe. Tout d’abord, les joueurs se connaissent. Ensuite, ils ne peuvent pas se
contenter de choisir leurs propres plans d’actions, en négligeant ce que font les
autres. Pour cela, la théorie des jeux admet :
Que chaque joueur s’efforce de prendre les meilleures décisions pour lui-
même et sait que les autres joueurs font de même.
Que chaque joueur sait qu’il en va de même pour tous les autres et ainsi de
suite.
III.6.1 Les jeux de types informations :
On peut distinguer deux types d’informations : information complète et

information incomplète.
Un jeu est dit à information complète si chacun des participants connaît :
Ses possibilités d’actions (l’ensemble des choix qu’il peut faire).
L’ensemble des choix des autres joueurs.
Les issues possibles et la valeur des gains qui en résultent.
Les motifs des joueurs : chacun sait se mettre à la place des autres et sait ce
que l’autre déciderait s’il était dans la même situation. Cette hypothèse est la
rationalité, toujours supposée de l’adversaire : tous les joueurs tentent de
maximiser leurs gains et il n’y a que cela qui les intéresse.
Dans les jeux à information complète, l’ordre des coups permet de distinguer 2 types
de jeux :
S’il y a simultanéité des coups, comme dans le jeu des enfants où l’on
choisit simultanément ciseaux, pierre, feuille. On ne peut alors pas se
décider en fonction de ce que joue l’adversaire puisqu’on joue en même
temps. On dit qu’il y a information imparfaite.
60
Dans le cas du jeu d’échecs par contre, les coups n’étant pas simultanés,
mais successifs, vous disposez d’une information supplémentaire qui est le
coup de l’adversaire. On dit alors qu’il y a information parfaite.
On dit qu’un jeu est à information incomplète s’il manque de l’information (lorsqu’il
n’y a pas de connaissance des gains, ou de certaines règles…) [Van 03].
La construction et l’étude des jeux sous forme extensive offrent un moyen commode
de représenter des interactions stratégiques séquentielles dans des jeux à information
parfaite [Oua 03].
III.6.1.1 Les jeux à somme nulle:
Les jeux à somme nulle sont tous les jeux où la somme « algébrique » des
gains des joueurs est constante. Ce que gagne l’un est nécessairement perdu par un
autre, l'enjeu est la répartition du total fixé, qu'on peut supposer réparti à l'avance, ce
qui ramène au cas où les gains sont vraiment nuls (d'où la dénomination). Les échecs
ou le poker sont des jeux à somme nulle car les gains de l’un sont très exactement les
pertes de l’autre.
(3.3)
III.6.1.2 Les jeux à somme non nulle :
Les jeux à somme nulle ignorent le concept d’intérêt personnel ou collectif

(exemple : choix d’une solidarité basée sur l’intérêt collectif) ce qui revient alors à
faire intervenir un troisième joueur qui transforme alors le jeu à somme nulle en jeu à
somme non nulle. Lorsque les agents peuvent avoir des gains positifs simultanément.
Les situations d’affaires, la vie politique ou le dilemme du prisonnier sont des

jeux à somme non nulle car certaines issues sont globalement plus profitables pour
tous, ou plus dommageables pour tous. On a commencé historiquement par étudier les
jeux à somme nulle, plus simples. Au-delà de la matière-énergie avec la loi de la
conservation de la somme algébrique nulle, le jeu à somme non nulle est concevable,
dans lequel le gain de l'un peut profiter à l'autre. Tel est le cas avec l'information, la
communication et l'apprentissage.
61
On pourrait croire qu'il suffirait pour ramener un jeu à somme non nulle à un
jeu à somme nulle d'y ajouter un joueur simple, qui compenserait les pertes nettes des
joueurs. Ce n’est pas le cas : un joueur est censé défendre rationnellement ses intérêts
dans la mesure de ses possibilités; cet ajout formel, introduisant une dissymétrie entre
les « vrais » joueurs et le « joueur ajouté » complique l'analyse et celle-ci y perd plus
qu’elle n’y gagne.
Le résultat d’un tel jeu peut :
soit être positif-positif.
soit négatif-négatif.
III.7 Les jeux sous forme stratégique :
On peut conclure que l'aspect le plus intéressant de la théorie des jeux est celui
de la stratégie, c'est-à-dire la procédure de décision que doivent prendre les joueurs
pour optimiser leurs gains.
Le jeu stratégique se définit par une forme stratégique qui définit les joueurs, les
stratégies et le gain pour chaque joueur en fonction des différentes configurations de
jeu. Formellement, la représentation sous forme stratégique se définit de la manière
suivante :
 N ={𝟏 … … 𝒏} est l’ensemble des joueurs.

On suppose que les joueurs sont en nombre fini. Un joueur quelconque est désigné par
l’indice i. l’extension au cas d’une infinité de joueurs ne pose pas de problèmes
conceptuels particuliers.
 𝐬𝐢 désigne une stratégie du joueur i ∈ 𝑵.

Une stratégie décrit de manière précise tout ce qu’un joueur fait. Remarquons que 𝐬𝐢
n’est pas nécessairement un nombre ; ce peut être aussi un vecteur ou une fonction.
 𝑺𝒊 est l’ensemble des stratégies du joueurs i ∈ 𝑵.

Cet ensemble décrit toutes les stratégies disponibles pour le joueur i.
 s=(𝒔𝟏 … . , 𝒔𝒊 , … . . , 𝒔𝒏 ) ∈ 𝑺𝟏 × … . .× 𝑺𝒊 × … .× 𝑺𝒏 ≡ 𝑺 est une issue du jeu, c’est-

à-dire une combinaison de stratégies à raison d’une stratégie par joueur. On
désigne par 𝒔−𝒊 ∈ 𝑺−𝒊 toutes les stratégies choisies sauf celle du joueur i.
62
 𝝁𝒊 (𝒔)𝝐 𝑹 est la fonction de gain du joueur i ∈ 𝑵.

La fonction d’objectif du joueur i dépend non seulement de sa stratégie 𝒔𝒊 , mais aussi
de celles des autres joueurs résumées dans 𝒔−𝒊 . Le joueur i préfère strictement l’issue
s à l’issue 𝒔` si 𝝁𝒊 (𝒔) > 𝝁𝒊 (𝒔` ). Si 𝝁𝒊 (𝒔) = 𝝁𝒊 (𝒔` ) le joueur est indifférent entre les
deux issues.
Chaque joueur connaît les ensembles de stratégies et les fonctions de gains de tous les
joueurs, y compris donc les siens [Jac 03].
III.7.1 Les stratégies dominantes :
Une stratégie dominante pour un joueur est une stratégie qui lui donne toujours
un gain supérieur ou égal au gain qu’il peut attendre de toutes ses autres stratégies
quelles que soient les stratégies des autres joueurs [Oua06] et [Edo 01]. Ainsi, Une
stratégie dominante domine toutes les autres stratégies.
Soit un joueur i, Si l'ensemble de ses stratégies et S−i l'ensemble des stratégies de ses
adversaires.
Une stratégie s*  Si domine faiblement une autre stratégie s’  Si si :
(3.4)
De même, s * domine strictement si
(3.5)
Une technique de résolution des jeux est l'élimination répétée des stratégies
dominées. A la première étape, toutes les stratégies dominées sont éliminées du jeu,
puisque les joueurs ne vont pas les choisir à l'équilibre. Cela conduit à un nouveau jeu,
plus réduit. Des stratégies qui n'étaient pas auparavant dominées peuvent le devenir, du
fait de l'élimination de situations non pertinentes. On les élimine à leur tour, jusqu'à ce
qu'il n'existe plus de stratégie dominée dans le jeu.
Si on a éliminé ainsi uniquement les stratégies strictement dominées et qu'il ne reste

plus qu'une stratégie pour chaque joueur, on a déterminé l'équilibre de Nash du jeu.
63
Si on a éliminé aussi les stratégies faiblement dominées à chaque étape et qu'il ne reste
qu'une stratégie par joueur, on obtient également un équilibre de Nash. Toutefois, il
peut alors exister dans le jeu d'autres équilibres de Nash, et l'équilibre obtenu à la fin
du procédé peut être différent selon l'ordre d'élimination des stratégies retenu.
III.7.2. Les stratégies pures et mixtes :
Une stratégie pure ne contient aucune notion d’aléatoire et n’utilise pas des
fonctions de probabilité. Il existe un autre type de stratégies, dites stratégies mixtes,
qui consiste à donner une distribution de probabilité sur les différentes actions
possible.
Par exemple, dans le dilemme de prisonnier, chaque joueur peut choisir de

garder le silence avec une probabilité P et d’avouer avec une probabilité 1- P à chaque
étape du jeu, avec 0≤ 𝑷 ≤ 𝟏. Notons que les stratégies pures peuvent être
considérées comme étant un cas particulier des stratégies mixtes lorsque P=1.
Soit (A, C, u) un jeu stratégique, et i ∈ 𝑨 un joueur. On rappelle que 𝑪𝒊 =

{𝑪𝟏𝒊 , … … . , 𝑪𝒎𝒊
𝒊 } est l’ensemble des stratégies du joueurs i. On note par ∆(𝑪𝒊 )
l’ensemble des stratégies mixtes du joueur
𝒋 𝒋 𝒎𝒊 𝒋
∆(𝑪𝒊 ) = { (𝑷𝒊 )𝒋∈[𝟏:𝒎 ] |∀𝒋 ∈ [𝟏: 𝒎𝒊 ] 𝟎 ≤ 𝒑𝒊 ≤ 𝟏 ∧ ∑𝒋=𝟏 𝒑𝒊 = 𝟏} (3.6)
𝒊
Par analogie au terme « mixte », les éléments de 𝑪𝒊 sont appelés stratégies pures du
joueurs i. A la stratégie pure, 𝑪𝒌𝒊 ∈ 𝑪𝒊 est associée sa représentation mixte
𝒋
𝝈𝒊 = (𝑷𝒊 )𝒋𝝐[𝟏:𝒎 ] 𝝐 ∆(𝑪𝒊 ) (3.7)
𝒊
𝒋
Telle que 𝑷𝒌𝒊 = 𝟏 𝒆𝒕 𝑷𝒊 = 𝟎 pour 𝒋 ∈ [𝟏: 𝒎𝒊 ] , 𝒋 ≠ 𝒌. suivant le contexte, par abus
de notation 𝑪𝒌𝒊 pourra représenter soit la stratégie pure, soit la stratégie mixte associée.
On peut conclure les remarques suivantes :
∆(𝑪𝒊 ), l’ensemble des stratégies mixtes d’un joueur i, définit un simplexe sur
les stratégies pures 𝑪𝒊 de ce joueur.
Dans la suite, il sera référence aux stratégies mixtes d’un joueur i par la
lettre 𝝈𝒊 , qui représente donc un élément de ∆(𝑪𝒊 ).
64
La théorie des jeux est véritablement considérée comme une nouvelle discipline telle
que la solution qui a été proposée dans le cas particulier d’un jeu ou le gain d’un
joueur correspond exactement à la perte de l’autre. En se basant sur ces idées, une
théorie de l’équilibre, développée sous les termes « d’équilibre de Nash », est naît.
III.8 Equilibre de Nash :
Un jeu est un cadre formel où plusieurs agents décident d'une stratégie, sachant
que leur utilité dépend des choix de tous. Avant Nash, la détermination de situation
stable n'avait pas de méthode formelle. Même si la traduction courante d'un équilibre
de Nash peut paraître simpliste, les considérables possibilités de résolution ouvertes
par lui ont mérité le "Prix Nobel" d'économie en 1994, conjointement à Reinhard
Selten et John Harsanyi.
John Nash a défini une situation d'interaction comme stable si aucun agent n'a
intérêt à changer sa stratégie. La formalisation de ce constat simple a été essentielle
pour la théorie des jeux. Ce concept a été introduit en 1950.
Cette définition s'applique à des jeux avec n'importe quel nombre de joueurs. Nash
a démontré que tous les résultats trouvés avant lui conduisaient à des équilibres stables
dans son sens.
III.8.1 Définition d’un équilibre :
L’analyse d’un jeu permet de prédire l’équilibre qui émergera si les joueurs sont
rationnels.
Un équilibre est un état ou une situation dans laquelle aucun joueur ne souhaite
modifier son comportement une fois connu le comportement des autres joueurs. De
façon plus précise, un équilibre est une combinaison de stratégies telle qu’aucun des
joueurs n’a d’incitation à changer sa stratégie une fois connues les stratégies des autres
joueurs. Une fois que l’équilibre est atteint dans un jeu, il n’y aucune raison de quitter
[Oua 03].
III.8.2 Définition d’un équilibre parfait :
L’équilibre est parfait dans un jeu sous forme extensive en information parfaite.
Le résultat de l’algorithme de Kuhn est appelé équilibre parfait.
On remarque qu’il existe toujours au mois un équilibre parfait pour ce type de jeu :
l’algorithme de Kuhn converge toujours, et aussi que l’algorithme de Kuhn et
élimination des stratégies dominées sont deux procédures très similaires.
65
On peut montrer facilement qu’un équilibre par élimination des stratégies dominées
est un équilibre parfait. En revanche la réciproque n’est pas toujours vraie.
III.8.3 Définition d’un équilibre de Nash :
L’équilibre de Nash est l’un des concepts clés dans la théorie des jeux : il
permet en effet de trouver des solutions à un jeu lorsque l’on pose en forme normale
(sous forme de tableaux de gains) et lorsque l’on a un jeu à information imparfaite.
Sa définition est mathématique et complexe mais on peut retenir la définition

suivante : « ce sont les issues du jeu pour lesquelles aucun joueur ne regrettera a
posteriori son choix. Les issues sont alors des équilibres de jeux ».
Comme l’indique le titre ils peuvent être multiples [Van03]. Cet algorithme de
recherche de solutions correspond donc bien à la définition d’un équilibre de Nash.
Soit G = <A, C, µ> un jeu stratégique, soit 𝝈∗ ∈ ∆(𝑪) une configuration mixte. 𝝈∗
est un équilibre de Nash si seulement si :
) (3.8)
Des remarques :
On rappelle que (𝝈∗−𝒊 , 𝝈∗𝒊 ) = ( 𝝈𝟏∗ , … . . , 𝝈𝒊−𝟏

∗
, 𝝈∗𝒊 , 𝝈∗𝒊+𝟏 , … … , 𝝈∗𝒏 ) = 𝝈∗ .
De même, (𝝈∗−𝒊 , 𝝈𝒊 ) = ( 𝝈∗𝟏 , … . . , 𝝈𝒊−𝟏

∗
, 𝝈∗𝒊 , 𝝈∗𝒊+𝟏 , … … , 𝝈𝒏∗ ).
La configuration (𝝈∗−𝒊 , 𝝈𝒊 ) correspond donc à la configuration 𝝈∗ =(𝝈∗−𝒊 , 𝝈∗𝒊 ) ou

le joueur i choisit de jouer sa stratégie 𝝈𝒊 plutôt que sa stratégie 𝝈∗𝒊 , les autres
joueurs conservant leurs stratégies.
Algorithme de Lemke _ Howson :
Cet algorithme consiste à trouver un équilibre de Nash en stratégie mixte.
Soient :
𝑼𝒊 : La matrice des gains du joueurs i.
X : l’ensemble des stratégies mixtes du joueur 1.
66
Y : l’ensemble des stratégies mixtes du joueur 2.
Le paiement espéré du joueur 1 pour la paire de stratégie mixte (x,y)

x ∈ X, y ∈ Y est 𝒙𝑻 (𝑼𝟏 𝐲)
Le paiement espéré du joueur 1 pour la paire de stratégie mixte (x,y),

x ∈ X, y ∈ Y est (𝒙𝑻 𝑼𝑻𝟐 )𝒚
III.8.4 Existence d’un équilibre de Nash :
L’existence d’un équilibre de Nash dans un jeu est liée à l’existence d’un point fixe
dans la correspondance de meilleure réponse [Cas92]. Les théorèmes de points fixes
permettent ainsi de caractériser les situations dans lesquelles un équilibre existe. Le
résultat le plus communément utilisé est le suivant :
) (3.9)
Si les ensemble de stratégies sont des Convexes, compacts, et si les fonctions de

paiement sont quasi-concaves et continues alors il existe un équilibre de Nash.
Ce théorème permet d’assurer l’existence d’un équilibre de Nash si l’on autorise les
stratégies « mixtes » dans les jeux finis. On dit qu’un joueur joue une stratégie mixte
lorsqu’il tire au sort, selon une loi donnée, entre ses différentes stratégies, les
paiements associés étant simplement les espérances de paiement.
Si un joueur dispose de p stratégies, l’exemple des stratégies mixtes est l’ensemble

des p-uplets de nombres positifs et inférieurs à 1 dont la somme est 1. Cet ensemble
est un convexe compact.
Dans le jeu Pierre Ciseau Feuille, jouer avec une probabilité 1/3 P, C et F est un
équilibre de Nash.
III.9 Les applications de la Théorie des jeux et Imagerie Médicale :
Dans cette partie, on va présenter un état de l’art sur les différentes applications de la
théorie des jeux et imagerie médicale.
67
III.9 .1 L’intégration de la segmentation a base contour-région en utilisant la

théorie des jeux :
Les travaux de Duncan et al [Dun 94], et de son étudiant Amit Chakraborty [Ami
96], [Ami 99] ont proposés un système de segmentation d’image en intégrant la
théorie des jeux. Le système développer est un cadre bidirectionnelle pour l’intégration
de deux modules, Les modules qu’ils ont considérés sont les deux types de procédures
de segmentation un fondé sur région en utilisant le modèle de Markov et l’autre de
détection de contour par les modèles déformables.
Après avoir définit les joueurs (modules), et les stratégies associés (Les méthodes
citées), ils ont décrit les fonctions de couts tel que la fonction objectif du module
contour consiste à réaliser une carte contour 𝑰𝒄 en fonction de la méthode proposée, et
le principe de la fonction objectif du deuxième module est d’obtenir des régions
significatives et homogènes au sens d’un critère d’homogénéité.
Pour faire une motivation dans la théorie des jeux ils ont présentés un cadre
bayésien suivant la stratégie qui consiste à faire passer la production de chacun des
modules pour les autres, sous la forme d’une information préalable. Le jeu continue,
afin qu’un bon choix des coefficients de couplage 𝜶 et 𝜷 permettra le problème à
converger à un équilibre de Nash.
III.9 .2 Rencontre improbable entre tumeurs et théorie des jeux :
A. Habbal et ses collaborateurs de l’équipe OPALE [Abd 06] ont pensé à appliquer
la théorie des jeux à la modélisation de l’angiogenèse qui est un réseau sanguin créé
par les cellules cancéreuses avant quel meurt, ce réseau permet à la fois d’alimenter la
tumeur et de disperser les cellules cancéreuses via le système sanguin.
En effet, ce réseau sur mesure se crée grâce à l’action d’activateurs qui induisent la
migration des cellules endothéliales des vaisseaux sanguins vers la tumeur et la
destruction des tissus sur leur passage afin de faciliter la construction de nouveaux
capillaires.
L’angiogenèse peut donc être décrite comme l’affrontement entre une densité
d’activateurs, qui agissent pour munir la tumeur d’un réseau sanguin optimum, et une
densité d’inhibiteurs qui agissent pour minimiser la dégradation des tissus.
68
Ces densités (ou joueurs) agissent dans un contexte décrit par le couplage de deux
modèles physiques : un modèle issu de la physique des milieux poreux, représentant
les besoins en fluide de la tumeur, et un modèle d’élasticité linéaire, représentant le
besoin de bon comportement structural du tissu hôte. L’action combinée des
activateurs et des inhibiteurs aboutit à la création d’un réseau sanguin dont la forme est
obtenue par optimisation topologique.
Figure III.2 : Modèle 2D d’une tumeur circulaire avec un réseau vasculaire à

l’équilibre de Nash, Projet OPALE / INRIA
III.9 .3 La segmentation d’images par la théorie des jeux :
Cassell Elizabeth et al [Cas 07], ont effectués un système de segmentation

d’image, dans le cadre de la théorie des jeux toute on se basant sur les travaux de [Dun
94, Ami 96], ils ont adoptés la théorie des jeux au problème de la segmentation qui est
formulé par un jeu à deux joueurs.
Le premier module est une méthode de segmentation à base croissance de région,

telle que l'image est partitionné en régions connectées, en regroupant les pixels voisins
de niveaux d'intensité similaire. Les régions adjacentes sont ensuite fusionnées sous
certains critères impliquant l'homogénéité des limites de la région voire figure III.3 :
69
Figure III.3 : Algorithme de croissant de région. (a)image originale. (b) graine de

l’image. (c) pixels testes. (d) pixels admis. (e) pixels testes à la deuxième itération.
(f) pixels admis à la deuxième itération, pixels identifiés par un x sont rejetés. [Cas
07]
Le deuxième module se fond sur la détection de contour par la morphologie

mathématique en appliquant l’opération de fermeture ,
est une combinaison de dilatation suivi d’érosion ,telle que A est l’image et B
l’élément structurant comme illustré dans la figure ci-dessous :
Figure III.4 : Module de détection de contour - l'opération de fermeture

sur l’image binaire. [Cas 07]
70
Après avoir définit les joueurs (modules), et les stratégies associés (Les méthodes
citées), ils ont décrit les fonctions de couts tel que la fonction objectif du module
région consiste à réaliser une carte régions significatives et homogènes au sens d’un
critère d’homogénéité 𝑰𝒓, et le principe de la fonction objectif du deuxième module est
d’obtenir les frontières P en fonction de la méthode proposé tel que :
𝟐
𝑭𝟏 (𝒑𝟏 , 𝒑𝟐 ) = 𝐦𝐢𝐧𝒙 [∑𝒊,𝒋(𝒚𝒊,𝒋 − 𝒙𝒊,𝒋 )𝟐 + ⅄𝟐 ( ∑𝒊,𝒋(𝒙𝒊,𝒋 − 𝒙𝒊−𝟏,𝒋 ) + ∑𝒊,𝒋(𝒙𝒊,𝒋 −
𝟐 𝟐
𝒙𝒊,𝒋−𝟏 ) ] + 𝜶[∑𝒊,𝒋∈𝑨𝒑(𝒙𝒊,𝒋 − 𝒖)𝟐 + ⅄𝟐 ( ∑𝒊,𝒋∈𝑨𝒑(𝒙𝒊,𝒋 − 𝒗) ] (3.10)
𝑭𝟏 (𝒑𝟏 , 𝒑𝟐 ) = 𝒂𝒓𝒈 𝒎𝒂𝒙→ [ 𝑴𝒈𝒓𝒂𝒅𝒊𝒆𝒏𝒕 (𝑰𝒈 , →) + 𝜷 𝑴𝒓𝒆𝒈𝒊𝒐𝒏 (𝑰𝒓 , →)] (3.11)

𝒑 𝒑 𝒑
Le jeu continue, afin qu’un bon choix des coefficients de couplage 𝜶 et 𝜷 permettra
le problème à converger à un équilibre.
Figure III.5 : Exemple d'image synthétique. (a) image originale avec les bruit
supplémentaire. (b) Résultat de segmentation à base région avec l'intégration de la
théorie des jeux (c) Résultat du module à base région sans la théorie des
jeux.(d) graine de l’image . [Cas 07]
71
III.9 .4 La segmentation coopérative par la théorie des jeux :
Amit Chakraborty et al [Ami 99] considèrent un système de segmentation

comme un jeu à somme non nulle de deux personnes (modules), les modules utilisé
sont les deux types de procédures de segmentation un fondé sur région et en
particulier la technique d’agrégation de point et l’autre lié à base de détection de
contour par les méthodes dérivatives, où leurs fonctions de coût sont basés sur la
probabilité de Bayes
Figure III. 6 : Représentation des modules. [Ami 99]
Figure III. 7 : Exemple d’utilisation de l’information région dans le module

contour. [Ami 99]
72
Les deux modules du système fonctionnent séquentiellement à chaque étape. Les

sorties de chaque module sont mises à jour en utilisant les informations sur les sorties
des modules de l’interaction précédente. Le jeu progresse lorsque les deux modules
améliorent leur position à travers l’échange mutuelle d’information, et dans la théorie
des jeux l’information qui consiste à faire passer la production de chacun des modules
pour l’autre itérativement, sous la forme d’une information préalable, jusqu’à la
convergence vers des résultats cohérents et stable qui est définit par l’équilibre de
Nash.
Figure III. 8 : Exemple sur les résultats obtenus en utilisant la théorie des
jeux[Ami 99].
III.9 .5 Segmentation des gisements de poumon par la théorie des jeux et la

programmation dynamique :
Bulat Ibragimov et al [Bul 10], proposent un algorithme de segmentation dirigé

pour des gisements de poumon par la théorie des jeux et la programmation
dynamique, pour cela ils commencent par la définition d’un jeu, un ensemble de «
Joueurs », un ensemble de « Stratégies », et un ensemble de « Revenus ». Pour la
segmentation ces ensembles correspondent aux différents points anatomiques c à d
points de repère qui traitent des intensités et des relations géométriques avec la matrice
des revenus selon les caractéristiques de l’image.
Supposent un ensembleNdimages, avec des frontières notées des objets d'intérêt et les
points de repère sur ces frontières est donné dans le système par (x, y). Chaque point
de repère est caractérisé par des intensités d'image par rapport à son voisinage W de
taille q×r qui sont normalisés par l'intensité du point de repère, à ce niveau ils
calculent la matrice de normalisation d’intensité Mf, et la matrice de déviation Sf
(figure III.6) ,avec (x0, y0) définit les coordonnés du point de repère de l’image I :
73
(3.12)
Figure III. 9 : Génération du point de repère k. [Bul 10]
Ensuite, pour chaque image de l’ensemble définit, ils calculent la distance et l’angle
entre chaque paires des points de repères :
Figure III. 10 : (a) Exemple de distance d(P1,P2) et l’angle Ҩ(P1 ,P2), (b) Exemple
de distance d(P2,P1) et l’angle Ҩ(P2 ,P1). [Bul 10] 74
La notion d’arbitrage définit la solution du jeu, ou le plan donne les meilleures

positions des points de repères. En effet les segments de frontière entre les points de
repère adjacents sont alors détectés par la programmation dynamique.
Figure III. 11 : Exemple de résultat de segmentation du poumon en radiographie

de poitrine avec les points de repères en vert. [Bul 10]
III.9 .6 L’approche des jeux de Nash pour la restauration et la segmentation

d’image :
Moez Kallel et al [Moe11], ont proposés une approche fondée sur la théorie des
jeux rectangulaires pour reconstituer et segmenter les images bruyantes, Ils commence
par la définition des deux joueurs .Tel que le premier joueur possède comme stratégie
la restauration avec l’intensité d’image, ainsi que la stratégie du deuxième est la
segmentation, aussi bien que leurs fonctions de couts appropriées respectivement, avec
le but de chacun est de réduire au minimum cet fonctionnel définit respectivement
par :
(3.13)
Tel que est la fonction objectif du joueur 1, est la fonction

objectif du joueur 2.
75
Les deux joueurs jouent le jeu avec l’information incomplète, et considéré comme
solution après une négociation itérative entre les deux processus l’équilibre de Nash.
Pour le calculer ils présentent une méthode itérative avec la relaxation.
Figure III.12 : Rangée supérieure : image originale et bruyante avec le bruit gaussien
(variance 0.2) et contour initiale. Rangée moyenne : la restauration et la
segmentation del’image par algorithme proposé avec r = 0 (v = 0,2, μ= 0,01, s = 10). R
angée inférieure : restauration et segmentation d'image utilisant l’algorithme proposée
avec r = 10 ( v = 0.2, μ = 0.01, s = 10). [Moe 11]
III.9 .8 La segmentation d’image par la théorie des jeux rectangulaire

évolutionnaire :
Récemment les travaux de Jing Li et al [Jin 12], ont décrit un nouvel algorithme de
segmentation dans le cadre de la théorie des jeux évolutionnaire, ils ont adoptés la
technique d’investissement sélectif parmi différents graphiques.
Spécifiquement, ils proposent à résolvais le problème de la segmentation de m-label

étiquettes par l’intermédiaire des jeux qui se jouent sur les réseaux, avec chaque pixel
de l’image dénote un joueur, et simultanément un joueur joue les m indépendant PGG
(Public Good Game) sur chacun des graphiques. 76
Vu que un graphique est définit par couche, ainsi que le joueur assigné le label Li
coopérerait à la couche correspondante, elle déserterait également sur toutes les autres
couches.
En conséquence, le joueur i obtient des profits m à la même étape avec n’importe

quelle stratégie. Lors de la mise à jour le joueur i coopère avec la couche si dessus
avec le profit le plus élevé.
(3.14)
Tel que U est le profit de tous les joueurs, et L est la

distribution de stratégie dans la population.
est le profit du groupe Ci sur la couche Li
(3.15)
La quantité de Wj , i, Li , veut dire que le coopérateur j investit

au voisin i sur la couche Li dépend de l’étiquetage correspondant au pj, Li
l'entrée, aussi bien que la différence de couleur à investie.
Dans ce cas le modèle d’investissement est également considéré par des différences de
couleur.
77
Figure III.13 : La première colonne est l'image d'entrée redressée. Les colonnes
suivantes sont les résultats à l'aide de coupes de graphes, Base de PGG segmentation
2-étiquette et à base de PGG segmentation 3-étiquette. Les régions rouges sont les
objets segmentés avec géométrique incohérence, et les zones bleues dénotent
réfléchissante incompatible régions. [Jin 12]
III.5. Conclusion :
Nous avons présenté dans ce chapitre deux parties essentielles : commençant par la
définition des différentes approches en théorie des jeux. Le but principal de chacune
d'entre elles consiste à étudier les situations de conflits qui peuvent exister entre des
individus en interaction. Cependant, chaque théorie est basée sur un ensemble différent
d'hypothèses et cherche à atteindre un but bien particulier. Ensuite les notions de
bases de la théorie des jeux, classiques aussi bien que l’équilibre de Nash.
Dans la deuxième partie nous avons présenté les différentes applications de la
théorie des jeux en imageries médicales
Le prochain chapitre, sera consacré à notre méthode adoptée et aux résultats

expérimentaux.
78
Chapitre 4 : Conception et Implémentation
Chapitre 4
Conception et Implémentation
IV. 1 Introduction :
Nous proposons une méthode de segmentation par les modèles déformables fondée
sur un principe d’optimisation et de coopération itérative entre les énergies du modèle.
Les énergies sont itérées avec des critères de plus en plus tolérants, et en
optimisant à chaque étape les résultats obtenus par chaque énergie mise en jeu,
jusqu’à la convergence vers des résultats cohérents et stables,
La stratégie suivie, nécessite non seulement l’étude mais la maitrise des

interactions, cette dernière peut être résolue en intégrant la théorie des jeux de Nash
qui donne un cadre de travail théorique pour l’optimisation et la modélisation des
interactions.
IV. 2 Intégration de la théorie des jeux dans les modèles déformables :

Le problème de la segmentation est considéré comme un système complexe
puisque l’analyse de ce dernier demande une étude à la fois des composantes du
système ou modules et les interactions entre ces modules.
La stratégie proposée dans notre travail consiste à réaliser une intégration du
système complexe (le problème de la segmentation par les modèles déformables
classique) formalisée par la théorie des jeux qui offre un cadre de travail théorique
pour l’optimisation (énergies) et la modélisation d’interaction.
79
La formulation d’un tel problème par la théorie des jeux consiste à :

 Considérer le problème de la segmentation comme un jeu qui se joue sur un
ensemble de décideurs qui correspond dans notre cas aux deux modules de la
méthode des modèles déformable dont N = 1, 2, vu que chaque module
convient à l’énergie interne et externe du modèle, soit chacun de ces décideurs
assume le rôle d’un acteur individuel, à l'égard d’un autre joueur quand va le
considérer comme un arbitre c.-à-d. un joueur superviseur.
 Si P1, P2 et P3 sont les stratégies respectives du premier, deuxième et du

troisième décideur (joueurs), la modélisation des objectifs des modules comme
des fonctions de coût qui doivent être optimisé au sein d’une théorie des jeux
peut être écrite de la manière suivante :
𝑭𝟏 : P1× P2× P3 → R
𝑭𝟐 : P1× P2× P3 → R (4.1)
𝑭𝟑 : P1× P2× P3 → R
 Pour chaque module (joueur), les résultats de décision de l’autre module sont
utilisés a priori, et considérés comme une information transmise entre les
modules permettant ainsi de combiner les objectifs dans une théorie de jeux à
information complète et parfaite.
 Un module n’a pas le pouvoir de changer les résultats de l’autre module, mais
il peut l’utiliser pour mettre à jour ses résultats, et donc on peut considérer le
problème comme un jeu à somme non nulle dans lequel le gain de l’un peut
profiter à l’autre.
 Le jeu continue à moins que les décideurs (les modules) ne puissent pas
améliorer leurs positions de manière unilatérale (c'est-à-dire de minimiser leurs
fonctions de coût). Ce point d'arrêt naturel est appelé « l'équilibre de Nash ».
Formellement, un triplé de stratégies (𝑃′1 ∈ 𝑃1 , 𝑃′2 ∈ 𝑃2, 𝑃′3 ∈ 𝑃3 ) constitue la

solution d’équilibre de Nash si :
∀ 𝒑𝟏 , 𝒑𝟐 , 𝒑𝟑 𝑭𝟏 (𝑷′𝟏 , 𝑷′𝟐 , 𝒑′𝟑 ) ≤ 𝑭𝟏 (𝒑𝟏 , 𝑷′𝟐 , 𝒑′𝟑 )
𝑭𝟐 (𝑷′𝟏 , 𝑷′𝟐 , 𝒑′𝟑 ) ≤ 𝑭𝟐 (𝑷′𝟏 , 𝒑𝟐 , 𝒑′𝟑 )
𝑭𝟑 (𝑷′𝟏 , 𝑷′𝟐 , 𝒑′𝟑 ) ≤ 𝑭𝟐 (𝑷′𝟏 , 𝒑′𝟐 , 𝒑𝟑 ) (4.2)
Pour notre problème, les fonctions de coûts s’expriment de la manière suivante :
𝑭𝟏 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 ) = 𝒇𝟏 (𝑷𝟏 ) + 𝒂 𝒇𝟐𝟑𝟏 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 )

𝑭𝟐 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 ) = 𝒇𝟐 (𝑷𝟐 ) + 𝒃 𝒇𝟏𝟑𝟐 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 )
𝑭𝟑 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 ) = 𝒇𝟑 (𝑷𝟑 ) + 𝒂 𝒇𝟐𝟑𝟏 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 ) + 𝒃 𝒇𝟏𝟑𝟐 (𝑷𝟏 , 𝑷𝟐 , 𝑷𝟑 ) (4.3)
80
Avec 𝒂 et 𝒃 sont constants et appelés coefficients de couplage. Le choix judicieux de

ces constantes permet au problème de converger à un équilibre de Nash.
Les modules du système fonctionnent séquentiellement à chaque étape. Les sorties de
chaque module sont mises à jour en utilisant les informations sur les sorties des
modules de l’interaction précédente. Le jeu progresse lorsque les modules améliorent
leur position à travers l’échange mutuelle d’information.
Si on s’intéresse à un module, il est nécessaire d’améliorer la solution de l’autre
module parce que comme les objectifs sont liés, une meilleure solution pour un
module signifie automatiquement une meilleure solution pour les autres aussi.
IV. 3 Interaction entre les modules:

Nous allons décrire dans cette partie, les interactions entre les deux modules, cela
nécessite la définition d’influence entre eux, et consiste à comprendre certaines notions
telles que :
 Il existe des informations connexes depuis un module qui vont être réinjecté à
l’autre et vis versa.
 L’utilisation de l’information préalable fait un cadre bayésien convenable.
 L’échange des paramètres est effectué entre deux itérations.
 La conséquence directe est une simplification des algorithmes d’optimisation.
 Le découplage rend également le calcul plus facile.
IV. 4 Modélisation des modèles déformables paramétriques par la théorie

des jeux :
Dans notre cas, la technique des modèles déformable (contour actif) est
introduite par la notion de module. Deux modules sont utilisés où chacun représente
une énergie indiquées et expliqué dans la partie II. 4. 3. 1 du deuxième chapitre, et se
caractérise par ses propres tâches et objectifs étudiés dans les paragraphes suivants.
De ce fait, la démarche suivi consiste a considéré un snack ou contour actif comme un

contour paramétrique avec :
81
(𝑥, 𝑦) : Une image. 𝑉(𝑠) = (𝑥(𝑠), 𝑦(𝑠))𝑇 Un contour; 𝑥, 𝑦 les coordonnés de la fonction . Le
domaine de définition de la courbe est normalisé à 0,1] et le paramètre est l'abscisse
curviligne. Avec s le paramètre de position spatiale le long de la courbe dans l'image et t
l'évolution temporelle de la courbe dans l'image la courbe se représente comme sur la Figure
IV.1 :
Figure IV.1 : Exemple de coordonnées cartésiennes et abscisses curvilignes d’un contour

actif
Nous supposons que 𝜀 (𝑣 ) est la somme des énergies du modèle, ou 𝑆(𝑣 ), 𝑃(𝑣 )
correspondent respectivement aux deux énergies interne et externe :
𝜺(𝒗) = 𝜶 𝑬𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒊𝒕 + 𝜷 𝑬𝒄𝒐𝒖𝒓𝒃𝒖𝒓𝒆 + 𝒚 𝑬𝒈𝒓𝒂𝒅𝒊𝒆𝒏𝒕 + 𝝀 𝑬𝒊𝒏𝒆𝒓𝒕𝒊𝒆 (4.4)
Energie Interne Energie Externe
Pi : i=1..N les points du snake
α , β, y, λ Sont des coefficients attribués à chaque énergie.
𝜺(𝒗) = 𝑺(𝒗) + 𝑷(𝒗) (4.5)
De la sorte que le contour final de la forme satisfait le minimum d’énergie 𝜺(𝒗), la

modélisation de la résolution de ce dernier par la théorie des jeux sera comme suite :
82
Module 01 Module 02
Module 03
Figure IV.2 : Représentation des modules du système.
Avec la régularité du contour qui définit la tâche du premier module, la stratégie suivi
par celui du deuxième est d’attirer le contour vers l’objet d’intérêt, afin de calculer et
minimiser la somme de ces derniers reste la stratégie du troisième module, ces
derniers atteindront leurs objectifs à l’aide des fonctions de couts 𝑭𝟏 , 𝑭𝟐 , 𝑭𝟑 qui sont
définit par :
𝑭𝟏 (𝑺, 𝑷, 𝑬) = 𝒇𝟏 (𝑺) + 𝒂 𝒇𝟐𝟏𝟑 (𝑺, 𝑷, 𝑬) (4.6)
𝟐
𝑭 (𝑷, 𝑺, 𝑬) = 𝒇𝟐 (𝑷) + 𝒃 𝒇𝟏𝟐𝟑 (𝑷, 𝑺, 𝑬) (4.7)
𝑭𝟑 (𝑬, 𝑺, 𝑷) = 𝒇𝟑 (𝑬) + 𝒂 𝒇𝟐𝟏𝟑 (𝑺, 𝑷, 𝑬) + 𝒃 𝒇𝟏𝟐𝟑 (𝑷, 𝑺, 𝑬) (4.8)
Le choix judicieux des constantes 𝒂 et 𝒃 permet au problème de converger à un

équilibre de Nash après plusieurs itérations.
Simultanément, on suppose que 𝒌 est un indice de temps alors la motivation du modèle

déformable par rapport aux temps ainsi que le procédé de prise de décision parallèle
s’effectue comme suite :
Concernant le Module 01 :
𝑷𝟏𝒌+𝟏 = 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟏 (𝑺, 𝑷, 𝑬)
𝑷𝟏𝒌+𝟏 = 𝑺𝒌+𝟏 = 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟏 (𝑺, 𝑷𝒌 , 𝑬) (4.9)
83
Concernant le Module02 :
𝑷𝟐𝒌+𝟏 = 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟐 (𝑷, 𝑺, 𝑬)
𝑷𝟐𝒌+𝟏 = 𝑷𝒌+𝟏 = 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟐 (𝑷, 𝑺𝒌 , 𝑬) (4.10)
Concernant le Module03 :
𝑷𝟑𝒌+𝟏 = 𝑷𝟏𝒌+𝟏 + 𝑷𝟐𝒌+𝟏
𝑷𝟑𝒌+𝟏 = 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟏 (𝑺, 𝑷𝒌 , 𝑬) + 𝒂𝒓𝒈𝒎𝒊𝒏 𝑭𝟐 (𝑷, 𝑺𝒌 , 𝑬) (4.11)
IV.5 La modélisation probabiliste des modules :

L'approche statistique est par essence formelle (ou mathématiquement structurée)
parce qu'elle repose sur une formalisation poussée de la réalité objective de chaque
joueur ou module. En particulier, nous insistons ici sur leur interprétation décisionnelle
parce que, tout d'abord, les analyses et prédictions mentionnées ci-dessus sont la
plupart du temps motivées par un but objectif ayant des conséquences mesurables
(résultats), et d’autre part la tâche d’influence entre les modules.
Evidemment la modélisation probabiliste d’influence entre les modules repose sur :
- La fonction objective du joueur 1 par rapport au deux autres joueurs (joueur2,

joueur3) traduit le fait d’avoir un modèle S (énergie interne) connaissant non
seulement l’image Y mais aussi l’information préalable (Potentiel), en plus
l’information sur l’énergie totale qui sont définis par la probabilité :
𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝑷(𝑺/ 𝒀, 𝑷𝒐𝒕, 𝑬) (4.12)
- Le principe de la fonction objective du joueur 2 est la probabilité d’estimer un

modèle P (énergie externe) en utilisant en plus l’information du gradient G,
mais aussi l’information d’énergie interne S du joueur 1, qui est définit par une
maximisation de la probabilité en plus l’information sur l’énergie totale décrit
par le superviseur:
𝒂𝒓𝒈𝒎𝒂𝒙 𝑷(𝒑/ 𝑮, 𝑺, 𝑬) (4.13)
En appliquant le théorème de bayes, l’équation (3.10) peut être résolu comme :
𝑷(𝒀/𝑺) 𝑷(𝑷𝒐𝒕/ 𝑺)𝑷(𝑬/ 𝑺) 𝑷(𝑺)

𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝑷(𝑺/ 𝒀, 𝑷𝒐𝒕, 𝑬) =
𝑷(𝒀, 𝑷𝒐𝒕, 𝑬)
84
𝑷(𝑺/𝒀) 𝑷(𝑷𝒐𝒕/ 𝑺)𝑷(𝑬/ 𝑺) 𝑷(𝒀)

= (4.14)
𝑷(𝒀,𝑷𝒐𝒕,𝑬)
Ou S est le modèle du contour selon énergie interne, Y l’image en donnée, Pot énergie
externe potentiel, E énergie totale.
Nous allons ignorer la dépendance d’énergie total par rapport au modèle ainsi que
potentiel Pot par rapport à l’image Y parce que le potentiel est obtenue comme un
préalable c-à-d une information préalable pour ce module et il n’est pas modifier dans
ce dernier pour cela l’équation (4.14) devient :
𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝑷(𝑺/ 𝒀, 𝑷𝒐𝒕, 𝑬) = 𝑷(𝑺/𝒀) 𝑷(𝑷𝒐𝒕/ 𝑺) (4.15)
𝑷(𝑺/𝒀) : La probabilité d’avoir un modèle S connaissant l’image Y.
𝑷(𝑷𝒐𝒕/ 𝑺): Décrit l’influence de la potentiel 𝑷𝒐𝒕 énergie externe issues du module 2
sur l’énergie interne.
Pour simplifier et faciliter les calculs, on introduit sur l’équation précédente le

logarithme qui s’écrit de la façon suivante:
𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝒍𝒏 𝑷(𝑺/ 𝒀, 𝑷𝒐𝒕, 𝑬) = 𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝒍𝒏 𝑷(𝑺/𝒀) + 𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝒍𝒏 𝑷(𝑷𝒐𝒕/ 𝑺)
𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝒍𝒏 𝑷(𝑺/𝒀) = −𝒘𝟏 𝒗" (𝒔) + 𝒘𝟐 𝒗𝟒 (𝒔)
= ∑𝑵−𝟏 " 𝟒
𝒊=𝟎 −𝒘𝟏 𝒗 (𝒊𝒉) + 𝒘𝟐 𝒗 (𝒊𝒉)
= −𝒘𝟏 𝒗" 𝒊 + 𝒘𝟐 𝒗𝟒 𝒊
= A. V
Après avoir passée par l’étape de discrétisation 𝑎𝑟𝑔𝑚𝑎𝑥𝑢 𝑙𝑛 𝑃(𝑃𝑜𝑡/ 𝑆) devient égale
1 𝟏
à𝑙𝑛 [ 𝑒𝑥𝑝 (−𝑃(𝑣 ))], ou est une constante de normalisation, donc l’équation finale
𝑧 𝒛
devient :
𝟏
𝒂𝒓𝒈𝒎𝒂𝒙𝒖 𝒍𝒏 𝑷(𝑺/ 𝒀, 𝑷𝒐𝒕, 𝑬) = [−𝒘𝟏 𝒗" 𝒊 + 𝒘𝟐 𝒗𝟒 𝒊 ] + 𝒍𝒏 [ 𝒆𝒙𝒑 (−𝑷(𝒗))]
𝒛
𝟏
= [−𝒘𝟏 𝒗 » 𝒊 + 𝒘𝟐 𝒗𝟒 𝒊 ] + (−𝑷(𝒗𝒊 ))
𝒛
85
On met −𝑷(𝒗) = 𝑭(𝑽(𝒔)) alors
= [−𝒘𝟏 𝒗 » 𝒊 + 𝒘𝟐 𝒗𝟒 𝒊 ] + 𝜶 [−ʎ |𝛁𝑰(𝒗(𝒔))|𝟐 ]

= [−𝒘𝟏 𝒗 » 𝒊 + 𝒘𝟐 𝒗𝟒 𝒊 ] + 𝜶 𝑭(𝑽(𝒔))
= 𝒇𝟏 (𝑺) + 𝒂 𝒇𝟐𝟏 (𝑺, 𝑷, 𝑬) (4.16)
Nous constatons que la forme de la fonction objective obtenue dans (4.16) est posée
sous forme d’une procédure de la prise de décisions comme nous l’avons indiqué dans
(4.6).
Identique dans ce qui concerne la fonction objectif du deuxième joueur En appliquant

le théorème de bayes, et après avoir passé par plusieurs étapes de résolutions on
aboutit à :
𝒂𝒓𝒈𝒎𝒂𝒙 𝑷(𝒑/ 𝑮, 𝑺, 𝑬) = 𝒇𝟐 (𝑷) + 𝒃 𝒇𝟏𝟐𝟑 (𝑷, 𝑺, 𝑬) (4.17)
Nous constatons que la forme des fonctions objectives obtenue est posée sous forme
d’une procédure de la prise de décisions.
IV.6 Environnement de travail :

Nous avons expérimenté nos algorithmes sur une machine ayant un processeur
Intel(R) Core (TM) 2 Duo, CPU T5870, 2.00GHz, doté d’une mémoire vive de 2,00
GO. Disque dure 500GO.
L’environnement de notre travail est Microsoft Windows Seven (7) avec l’EDI Java
(Environnement Intégré de Développement) JBuilder 9, NetBeans IDE 7.0.1.
IV.6 .1 Environnement logiciel :
Java est un langage de programmation à usage général, évolué et à objet

dont la syntaxe est proche du langage C. Ses caractéristiques ainsi que la
richesse de son écosystème et de sa communauté lui ont permis d'être
très largement utilisé pour le développement d'applications de types très
disparates.
NetBeans est un environnement de développement intégré (EDI),

placé en open source par Sun en juin 2000 sous licence CDDL et
GPLv2 (Common Development and Distribution License).
86
En plus de Java, NetBeans permet également de supporter différents autres langages,

comme Python, C, C++, JavaScript, XML, Ruby, PHP et HTML. Il comprend toutes
les caractéristiques d'un IDE moderne (éditeur en couleur, projets multi-langage,
refactoring et éditeur graphique d'interfaces).Conçu en Java, NetBeans est disponible
sous Windows, Linux, Solaris (sur x86 et SPARC), Mac OS X ou sous une version
indépendante des systèmes d'exploitation (requérant une machine virtuelle Java).
IV.7 Approche proposée :

Notre système de segmentation se fonde sur les images médicales plus précis des
séquences d’images MRI du cerveau, et comme tout système de traitement d’images
on va commencer par un prétraitement de l’image pour l’améliorer et quel soit prête à
être segmenté afin d’aboutir à une segmentation prometteuse.
 Parmi les prétraitements on a conçu certain filtres surtout dans le cas

d’image bruité on applique le filtre gaussien, et d’autres techniques comme
le lissage et effet net puisque ces derniers nous aident à mieux guider le
processus de la segmentation, surtout dans l’étape de l’initialisation du
contour actif dont on a le choix automatique.
 En même temps on apercevait la technique de seuillage qui a comme

objective de mieux donnée le contour de l’objet d’intérêt bien sur tout
dépend de la valeur du seuil, en plus les résultats obtenue aide à mieux
guidée le processus de segmentation.
 Et par la suite ont configure sur la plateforme JADE, les deux joueurs avec
leurs arbitre c.-à-d. un autre joueur superviseur qui donne et guide les règles
du jeu et expose la convergence des résultats finale après avoir calculé
l'énergie globale dégagée par le contour et par son positionnement sur
l'image.
 Il est nécessaire que le contour possède toujours suffisamment de points

pour être sûr de bien calculer son énergie globale qui est la stratégie utilisée
par l’arbitre, en particulier son énergie externe qui définit la tâche du
deuxième joueur qui sera plus précise en tenant compte des points.
 C'est la raison pour laquelle il peut s'avérer pertinent de rajouter 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.
87
 Outre le fait de calculer plus efficacement les énergies exploités par chaque
joueur et respecter l’échange d’informations et l’interaction entre eux,
l'ajout de points est nécessaire dès lors que le snake change de taille. Nous
ne connaissons pas a priori la taille de l'objet à extraire au début de
l'algorithme, il n'est donc pas totalement absurde de revoir le nombre de
points au cours de son déroulement.
IV.7 .1 Initialisation du Snake :
Une initialisation d’un snake est effectuée automatiquement sous forme d’un cercle, cette
initialisation est réalisée par la détermination d’un rayon et d’un point du centre de
coordonnée (xc, yc).
Le cercle est divisé en certain nombre de points N afin d'obtenir des angles similaires à
cette division garantie l'équidistance entre les points tel que :
Xi = xc - sin(i × a) × rayon
Yi = yc - cos(i × a) × rayon
avec i=0...N
La position du snake et sa taille sont déterminées de telle sorte qu'il englobe l'objet qu'on
veut segmenter ou bien qu'il se positionne à l'intérieur de cet objet (voir figure IV. 4).
Figure IV. 4 : Initialisation du Snake.
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.
88
Exemple 1 : cas de rétraction du snake (Initialisation a l’extérieur de l’objet):
Exemple 2 : cas de dilatation du snake (Initialisation à l’interieur de l’objet):
Figure IV. 5 : Rétraction et dilatation du contour actif
IV.7 .2 Evolution du Snake :
IV.7 .2 .1 Joueur 1 (Energie Interne𝑺) :
La stratégie suivie par le joueur 1 regroupe des notions comme la courbure du contour
ou la régularité d'espacement des points. En effet l’objectif de ce module est de
conserver le contour à 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. à l’aide d’une
fonction de cout 𝑭𝟏 qui est posée sous forme d’une procédure de prise de décisions, le
joueur 1 atteint l’objectif prévue qui est définit par :
𝑭𝟏 (𝑺, 𝑷, 𝑬) = 𝒇𝟏 (𝑺) + 𝒂 𝒇𝟐𝟏𝟑 (𝑺, 𝑷, 𝑬) (4.18)
IV.7 .2 .2 Joueur 2 (Energie Externe𝑷) :
La stratégie suivie par celui du deuxième Joueur est d’attirer le contour vers l’objet
d’intérêt, pour cela, il faut considérer l'opposé de la valeur du gradient (ou de toute
autre représentation mettant en jeu les contours à épouser) en chaque point du contour.
En effet la fonction objective de ce module doit théoriquement être minimale si le
contour épouse parfaitement la forme à extraire qui est posée sous forme d’une
procédure de prise de décisions définit par :
𝑭𝟐 (𝑷, 𝑺, 𝑬) = 𝒇𝟐 (𝑷) + 𝒃 𝒇𝟏𝟐𝟑 (𝑷, 𝑺, 𝑬) (4.19)
89
IV.7 .2 .3 Joueur Arbitre (Energie Globale𝑬) :
Chaque position du contour actif donne une énergie interne calculer par le joueur1et
une énergie externe calculer par le joueur2, dont la somme doit être minimisée et
influencera les mouvements des points du contour actif, reste la stratégie du troisième
module qui définit l’énergie globale ; ça fonction objectif est :
𝑭𝟑 (𝑬, 𝑺, 𝑷) = 𝒇𝟑 (𝑬) + 𝒂 𝒇𝟐𝟏𝟑 (𝑺, 𝑷, 𝑬) + 𝒃 𝒇𝟏𝟐𝟑 (𝑷, 𝑺, 𝑬) (4.20)
Snake avec les Snake avec les paramètres de

paramètres couplage de la théorie des jeux
classiques 𝒂 𝒆𝒕 𝒃
α, β, y, λ
Le choix judicieux des constantes 𝒂 et 𝒃 permet au problème de converger à un

équilibre de Nash après plusieurs itérations.
Avec :
𝒇𝟑 (𝑬) = 𝒇𝟏 (𝑺) + 𝒇𝟐 (𝑷)
𝒇𝟑 (𝑬) = 𝜶 𝑬𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒊𝒕 + 𝜷 𝑬𝒄𝒐𝒖𝒓𝒃𝒖𝒓𝒆 + 𝒚 𝑬𝒈𝒓𝒂𝒅𝒊𝒆𝒏𝒕 + 𝝀 𝑬𝒊𝒏𝒆𝒓𝒕𝒊𝒆 (4.21)
Energie Interne Energie Externe
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 (figure IV. 6).
Figure IV. 6 : Les pixels voisins du point courant du contour Vi+1 (voisinage utilisé : 3x3).
90
IV.7 .2 .4 La convergence à l’équilibre de Nash Critère d'arrêt du Snake :
Comme nous l'avions déjà discuté, le snake s'arrête en vérifiant un critère d'arrêt, qui est
définit par la minimisation de l’énergie globale calculer par le superviseur, Autrement dit
Le jeu continue à moins que le superviseur ne puisse pas améliorer sa position de manière
unilatérale (c'est-à-dire de minimiser sa fonction de coût) bien sûr en interaction avec les
deux joueurs expliqué au paravent. Ce point d'arrêt naturel est appelé « l'équilibre de Nash ».
Algorithm d’équilibre de Nash
1: Initial : E (0) = (S(0),P (0)). Set k = 0.

2: repeat
3: S (k) = 𝑎𝑟𝑔𝑚𝑖𝑛 𝐽1 𝐹1 (𝑆, 𝑃𝑘 , 𝐸)
4: P (k) = 𝑎𝑟𝑔𝑚𝑖𝑛 𝐽2 𝐹 2 (𝑃, 𝑆𝑘 , 𝐸)
5: E (k+1) = (S (k+1), P (k+1)) = 𝑎𝑟𝑔𝑚𝑖𝑛𝐽1 𝐹1 (𝑆, 𝑃𝑘+1 , 𝐸) + 𝑎𝑟𝑔𝑚𝑖𝑛𝐽2 𝐹 2 (𝑃, 𝑆𝑘+1 , 𝐸)
6: k = k + 1
7: until E (k) converges
Si cette condition d'arrêt n'est pas vérifiée, le snake continu alors à ce déformé jusqu'à
atteindre un certain nombre d'itération.
IV.8 Résultats Expérimentaux :

Nous avons testé notre approche sur des images synthétiques et sur des séquences
d’images réelles 2D (images MRI du cerveau). Dans un premier temps, nous
appliquons les méthodes du prétraitement et le seuillage. Ensuite, on passe à
l’initialisation automatique du contour actif sur l’image traitée aussi bien que les
paramètres de couplages puisque le choix judicieux des constantes 𝒂 et 𝒃 permet au
problème de converger à un équilibre de Nash après plusieurs itérations. Puis vient le
rôle des joueurs, autrement dit on lance les joueurs afin d’aboutir à des résultats
prometteuses après avoir arrivé à un équilibre dans le cadre de la théorie des jeux de
Nash. Comme nous pouvons le remarquer ou une amélioration de la qualité de la
segmentation est observée dans les images tests, et pour mieux situer notre travail,
nous nous plaçons par rapport à une démarche classique qui consiste à régler par essai-
erreur les retenues de la combinaison linéaire d'énergies. L'instabilité liée aux valeurs
de ces coefficients montre la difficulté qu'il y a à déterminer les valeurs optimales.
Nous montrons, sur quelques exemples, les points que l'on peut considérer comme des
points inexacts sur le contour final.
91
IV.8 .1 Image test 1 :
(a) (b)
(c)
Figure IV. 14 : (a) Initialisation automatique sur image synthétique traiter par
le filtre gaussien Sigma= 0.95, (b) Convergence après 25 itérations , (c) Résultat par la
méthode des modèles déformables paramétriques après 35 itérations.
Les paramètres du Snake utilisés pour la détection de l’objet sont :
(X, Y) Centre Rayon Nbre d’itérations
(110 ,108) 99 24
92
Coefficients des énergies :
Continuité Courbure Gradient Inertie
1.1 1.2 1.5 3.0
Nous montrons, sur l’exemple traité dans la figure IV. 14, les points que l'on peut
considérer comme des points inexacts sur le contour final et cela dépend des valeurs
des coefficients des énergies.
Maintenant, on va passer à appliquer l’approche proposé des snakes en intégrant la

théorie des jeux toute en conservant la même image et coefficients utilisés au-par-
avant, en plus on fixe les paramètres de couplage égal à a=0.6 et b=0.4, Voici le
résultat final par la théorie des jeux :
(a) (b)
gaussien Sigma= 0.95, (b) Convergence des résultats en appliquant la théorie des jeux
avec un équilibre de Nash= 0.095.
(110 ,108) 99 35
93
1.1 1.2 1.5 3.0
Coefficients de Couplage :
Joueur 1 (a) Joueur 2 (b)

0.6 0.4
Dans la figure IV. 15 on remarque que le contour final converge bien sur le contour
de l’objet en question et après avoir atteindre l’équilibre de Nash en intégrant la
théorie des jeux au snake paramétrique.
IV.8 .3 Images réelles (MRI du cerveau) :

Après avoir expliqué les différentes étapes du système, et afin d’aboutir à une
segmentation fiable, on passe aux images réels dans notre cas on utilise des séquences
d’images médicales plus précis (images MRI du cerveau), avec laquelle le traitement
ce fait sur chaque image de la séquence a part.
Dans un premier temps, on a utilisé des images et séquences d’images seins et par la
suite on passe aux images et séquences pathologiques.
IV.8 .3 .1 Image sein Coupe Transversal :
(a)
94
(b) (c)
transversal traiter par le filtre gaussien Sigma= 0.95, (b) Résultat par la méthode des
(129 ,136) 99 16
0.4 1.0 0.9 0.1

0.6 0.4
considérer comme des points inexacts sur le contour final on appliquant les snakes
classique par rapport au résultat de l’approche proposée.
95
IV.8 .3 .2 Image sein Coupe Coronale :
(a)
(b) (c)
coronale traiter par le filtre gaussien Sigma= 0.96, (b) Résultat par la méthode des
(113 ,91) 20 10
96
0.13 0.9 1.0 0.1

0.6 0.4
considérer comme des points inexacts sur le contour final on appliquant les snakes
classique par contre les résultats obtenue par l’approche proposée on remarque que le
contour final converge bien sur le contour de l’objet en question en intégrant la théorie
des jeux au snake paramétrique.
97
On constate dans ces exemples et après avoir fait plusieurs tests, que l’approche
proposée, ne nécessite pas forcement de faire un jeu des coefficients d’énergies pour
trouver les combinaisons idéal, donc ces derniers ont été négligés par rapport au
coefficients de couplage de la théorie des jeux, et qui nécessite dans notre travail deux
coefficients de couplage 𝒂 et b, ce qui décrit l’avantage principale de la théorie utilisé
d’intégrer , coopérer les informations et finalement optimisé les résultats.
Quant au contour final, il converge sur l’objet d’une façon parfaite et rigoureuse,
puisque la théorie des jeux dépend beaucoup plus sur les interactions entre les joueurs
ce qui signifie qu’un bon choix des coefficients de couplage 𝒂 et b permettra le
problème à converger à un équilibre de Nash.
IV.9 Comparaison des deux méthodes de segmentation :
La segmentation du ventricule latéral a été étudiée en utilisant deux approches. Les

algorithmes proposés diffèrent considérablement dans le fondement méthodologique,
la performance et la précision des résultats, le temps de calcul, etc.
Dans la littérature, les méthodes les plus classiques sont basées sur une technique
simple de seuillage, ou des techniques un peu plus sophistiquées tel que le seuillage
hiérarchique. D’autres méthodes sont fondées sur la technique de croissance de
régions, de contour actif, etc.
Dans notre cas, les méthodes de segmentation qu’on a choisie sont :
Méthode 1 : dans cette méthode on a commencé par l’application d’un filtrage le filtre
gaussien pour la phase de prétraitement puis pour la phase de segmentation on a
appliqué un seuillage afin de binariser l’image. Puis on a utilisé la méthode des snakes
classique.
Méthode 2 : dans cette deuxième méthode, on a appliqué directement un snake en

intégrant la théorie des jeux afin d’éliminer les inconvénients du snake traditionnel
comme la sensibilité d’initialisation des paramètres et la non convergence dans les
zones concaves de l’image.
98
Pour résumer la comparaison de ces deux méthodes de segmentation on a proposé une

comparaison sous forme d’un tableau (Voir figure IV. 18)
Critère de comparaison Méthode 1 Méthode 2
Résultat de segmentation -Séquences d’images IRM -Séquences d’images IRM

seins. seins.
- Les tumeurs Cérébrales - Les tumeurs Cérébrales
Vitesse d’exécution Vitesse d’exécution Rapide Lente (utilisations des agents

(peu de calcul) Lente beaucoup de calcul)
(beaucoup de calcul)
Initialisation du contour Automatique Automatique
Paramètres à régler
Moins de paramètres (par Beaucoup de paramètres (
exp : les paramètres de par exp : les paramètres de
contour actif) contour actif + les paramètres
de couplages )
convergence du snake Problème de convergence à Converge sur une concavité

une concavité d’une zone d’une zone d’intérêt
d’intérêt.
Figure IV.23 : Comparaison de méthodes de segmentation.
IV. 10 Conclusion :
Dans cette partie, nous avons proposé une approche de segmentation à base
coopérative combinant entre deux énergies des modèles déformables dans un cadre de
théorie des jeux. La modélisation du problème est séduisante et les résultats obtenus
sont prometteurs.
Cependant, de nombreux facteurs peuvent influer sur les résultats de la segmentation :

le prétraitement de l’image prise au départ, le choix des coefficients d’énergies dans
les modèles déformables. La théorie des jeux contribue à aider à trouver un équilibre
entre les énergies et nous donne la possibilité de modélisé chaque action d’interaction
ce qui est un grand avantage.
99
Conclusion générale
V. Conclusion générale :
Nous avons présenté dans ce mémoire une méthode de segmentation par la théorie
des jeux, cette dernière est intégrer dans les modèles déformables paramétrique fondée
sur un principe de coopération itérative entre les énergies qui sera formalisé et
optimisé par la théorie d’aide à la décision, qui a comme avantage la puissance de
l’intégration.
Le principe de la coopération proposée introduit un mécanisme de vérification de

la cohérence par comparaison des résultats des énergies utilisées inclues dans la
coopération dans un cadre fondée sur la théorie des jeux.
De ce fait, Nous avons considère notre système de segmentation comme un jeu à

somme non nulle de personnes (modules), les modules que nous utilisons sont les
deux types d’énergies de la méthode de segmentation par les modèles déformables, un
fondé sur l’énergie interne et en particulier la continuité et la courbure et l’autre lié à
base de calcul du potentiel c’est l’énergie externe, à l'égard d’un autre joueur qui est
considérer comme un arbitre c.-à-d. un joueur superviseur qui a comme stratégie de
calculer et minimiser la somme des énergies issues des deux joueurs définit
précédemment ; où leurs fonctions de coût sont basés sur la probabilité de Bayes.
La conception de notre système qui constitue une hybridation entre les modules en
assurant en plus de l’étude une interaction entre eux. Autrement dit, dans la théorie
des jeux l’information qui consiste à faire passer la production de chacun des modules
pour l’autre itérativement, sous la forme d’une information préalable, jusqu’à la
convergence vers des résultats cohérents et stable qui est définit par l’équilibre de
Nash.
Le concept de joueurs ou agents donne la possibilité d’utiliser des plateformes de

développement libres telles que JADE (Java Agents DEvelopement Framework).
L’hybridation et donc réalisée en utilisant la plateforme JADE, codée entièrement en
JAVA.
Les premiers résultats obtenus sur des données MRI anatomiques sont très
encourageants. Nous sommes tout à fait conscients aussi que les résultats obtenus
restent à confirmer sur une population plus importante.
Les travaux réalisés dans ce mémoire ouvrent diverses perspectives de recherche.
Effectuer une segmentation multi objets, faire une segmentation 3D du volume

entier, et appliquer notre approche à d’autres types d’images médicales.
115
Bibliographie
VI. Bibliographie:
[Ans10]:S. U. Ansari, Validation of FS+LDDMM by Automatic Segmentation of

Caudate Nucleus in Brain MRI, FIT’10 December 21-23, 2010, Islamabad,
Pakistan.2010
[Ale01] : A.Roche, Recalage d’images médicales par inférence statistique, Thèse de

doctorat, l’Université de Nice Sophia Antipolis. 2001.
[Ami88] A.A. Amini, S. Tehrani, T.E. Weymouth. Using Dynamic Programming for
Minimizing the Energy of Active Contours in the Presence of Hard Constraints. 2nd Int.
Conf. Comput. Vision, décembre 1988, Tampa, FL, p. 95-99.
[Ami 96] : A. Chakraborty “Feature and module Integration for image segmentation
“,Thèse de doctorat ,Yale University 1996.
[Ami 99] : A. Chakraborty and S. Duncan “Integration of boundary finding and region
based segmentation using game theory “,Thèse de doctorat ,Departement of Elect. Engg
and Diag ,Yale University 1999.
[All 03] B. Allier. Contribution à la numérisation des collections : Apport des contours
actifs. Thèse de doctorat, Institut National des sciences appliquées de Lyon, 2003.
[Abd 06] : A. Habbal et de ses collaborateurs de l’équipe OPALE : Rencontre

improbable entre tumeurs et théorie des jeux, Université de Nice Sophia Antipolis
(UNSA), 2006.
[Bea 00]: B. Beaufils, Modèles et simulations informatiques des problèmes de

coopération entre agents, Thèse de doctorat, Université des Sciences et
Technologies de Lille, Laboratoire d'Informatique Fondamentale de Lille.2000.
[Ban 02]: S. Bandyopadhyay, U. Maulik, “An evolutionary technique based on K-

means algorithm for optimal clustering in IRN”, Information Sciences, Vol 146, pp 221-
237, 2002.
[Bus 02]: J. Bustillo, L. Rowland et W. Brooks : « High choline concentrations in the

caudate nucleus in antipsychotic-naive patients with schizophrenia ». American Journal
of Psychiatry, 2002.
[Bar 00] : V. Barra, J. Y. Boire, “Tissue Segmentation on MR Images by a possibilistic

Clustering on a 3D Wavelet Representation”, Journal of Magnetic Resonance Imaging,
11:267-278, 2000.
Bibliographie
[Bul10] : I.Bulat, Tomaž Vrtovec, Boštjan Likar et Franjo Pernuš , Segmentation of

Lung Fields by Game Theory and Dynamic Programming, University of Ljubljana,
Faculty of Electrical Engineering, Slovenia, 2010.
[Bai01] : C. Baillard, P. Hellier et C. Barillot : Segmentation of brain 3D MR images

using level sets and dense registration. Medical Image Analysis, 5(3):185 – 194, 2001.
[Bai00]: C. Baillard, C. Barillot et P. Bouthemy : Robust adaptative segmentation of 3D

medical images with level sets. Rapport de Recherche 4071, INRIA, novembre 2000.
[Bou09] R. Boudermine. Détection des cavités cardiaques en utilisant les contours

actifs. Ecole National Supérieure d’Informatique (E.S.I) Oued-Smar, Alger. Soutenu
Septembre 2009.
[Bou10] : L. Boumghar, H. Laguel, « Déploiement sur une plateforme de visualisation,

d’un algorithme coopératif pour la segmentation d’images IRM basé sur les systèmes
multi-agents. », USTHB, Faculté électronique et informatique, 2010.
[Blo46] : F. Bloch. Nuclear induction. Physical review, 70 :460–474, 1946.
[Ber08] : O. Bernard, « Segmentation des images par la méthode Level-set »,

CNRS.2008
[Bel 09] : M. Beladgham, F. Derraz, M. Khélif . « Segmentation d’images médicales

IRM par la méthode d’ensembles de niveaux (Level_Sets) » , Université Abou- Bekr
Belkaid –Tlemcen. 2009.
[Ber 02] : B. Mazoyer «L’imagerie cérébrale : IRM et TEP » CNRS CEALRC36V

Page 42 et 43, Pour la science N°302 Décembre 2002.
[Bet 05]: J. Betser, S. Delest et R. Bon : Unbiased watershed hierarchical 3D

segmentation. Dans Visualization, Imaging, and Image Processing, 2005.
[Bul 02]: S. Ho, E. Bullitt, and G. Gerig. Level set evolution with region competition :
Automatic 3D segmentation of brain tumors. In International Conference on Pattern
Recognition, pages 532–535, 2002.
[Cas07] : E. Cassell, S. Kolar and A. Yakushev, Using Game Theory for Image
Segmentation, 21st March 2007.
Bibliographie
[Cea03 ] : Commissariat à l’Énergie Atomique, L’imageries médicales ,Direction de la

communication Bâtiment Siège - 91191 Gif-sur-Yvette cedex, 2003
[Cha01] : T. Chan et L. Vese : Active contours without edges. IEEE Transactions on

Image Processing, 10(2):266–277, février 2001.
[Cio04]: C. Ciofolo, C. Barillot et P. Hellier : Combining fuzzy logic and level set
methods for 3D MRI brain segmentation. Dans IEEE International Symposium on
Biomedical Imaging : Macro to Nano, volume 1, pages 161–164, avril 2004.
[Cio05]: C. Ciofolo et C. Barillot : Brain segmentation with competitive level sets and
fuzzy control. Dans Information Processing in Medical Imaging, volume 3565 de
Lecture Notes in Computer Science, pages 333–344. Springer Berlin / Heidelberg,
2005.
[Cio05] : C. Ciofolo : Segmentation de formes guide par des modles en neuro-imagerie

– Intgration de la commande floue dans une méthode de segmentation par ensembles de
niveau. Thèse de doctorat, Universit de Rennes I - IFSIC - Ecole doctorale Matisse,
décembre 2005.
[Col05]: O. Colliot, O.Camara, « Un modèle déformable intégrant des relations

spatiales pour la segmentation de structures cérébrales », École Nationale Supérieure
des Télécommunications, Paris, 2005.
[Can86] : J.F Canny. « A computational approach to adage detection “.IEEE

Transmission or PAMI.vol8, n°6,679.698.1986.
[Cas92] : S.Castan J.Shen. « An optimal linear operator for step edge detection.
CVGIP, 54/112-133, 1992.
[Dem08] : H. Demirdjian , Les origines de l'IRM : la résonance magnétique nucléaire,

2ième Edition du colloque " La chimie et la santé, ensemble au service de l'homme ,1er
octobre 2008.
[Dug06] : G. Dugas-Phocion. « Segmentation d’IRM Cérébrales Multi-Séquences et

Application à la Sclérose en Plaques». PhD thesis, École des Mines de Paris, 2006.
[Dun94] : J .S. Duncan “Deformable boundru finding influenced by region

homogeneity “, Departement of Elect. Engg and Diag ,Yale University 1994.
Bibliographie
[Dri87] : R.Deriche. « Using canny’s criteria to derive a recursively implemented

optimal edge detector. International Journal of computer Vision, 1(2) :167-187,1987.
[Der88] : R.Deriche, Using Canny’s criteria to derive an optimal edge detector

recursively implemented , IJCV1(2)pp.167,187,1988.
[Edo01] : E..Duchesnay « Agents situés dans l’image et organisés en pyramide

irrégulière, contribution à la segmentation par une approche d’agrégation coopérative et
adaptative » Laboratoire du traitement du signal et de l’image/ groupe de recherche en
architecture intelligentes distribuées, RENNES1 (13-12-2001).
[Fek11] : A. Fekir, N. Benamrane, Détection et suivi d'objets dans une séquence

d'images par contours actifs, laboratoire SIMPA, Département d’informatique, USTO
Oran,2011.
[Far91] : F.Farrokhinia and A.K.Jain. A multi Channel filtering approach to texture

segmentation. In Computer Vision and Pattern Recognition, LAHAINA, MAUI, Juin
1991.
[Gui12] : L. Gui, R.Lisowski, T. Faundez, P. S. Hüppi, François Lazeyras,Michel

Kocher. Morphologydriven automatic segmentation of MR images of the neonatal brain
Elsevier Volume 16, Issue 8, December 2012, Pages 1565_1579
[Gol01]: R. Goldenberg, R. Kimmel, E. Rivlin et M. Rudzsky : Fast geodesic active

contours. IEEE Transactions on Image Processing, 10(10):1467–1475, octobre 2001.
[Ger99] : L. Germond. « Trois principes de coopération pour la segmentation en

imagerie de résonance magnétique cérébrale». PhD thesis, Université Joseph
FOURIER Grenoble 1, 1999.
[Gem84] : S.Geman and D.Geman, Stochastic relaxation, Gibbs distribution, and the
Bayesian restoration of image, T.PAMI, 6(6) pp, 721 741, Novembre 1984.
[Gar00] :C. Garbay, L. Germond, « Trois principes de coopération pour la

segmentation en imagerie de résonance magnétique cérébrale », UNIVERSITE
JOSEPH FOURIER .2000.
[Hug10] : D. Huglo , P. Dubois, M. Vermandel, Principes et techniques de scintigraphie

et tomographie par simple photon.2010
Bibliographie
[Hor93] : R.Horaud et O.Monga « vision par ordinateur : outils fondamentaux ».Edition

Hermès, Paris ,1993.
[Hsi 05] : Y.-T. Hsiao, C.-L. Chuang, J.-A. Jiang et C.-C. Chien : A contour based
image segmentation algorithm using morphological edge detection. Dans IEEE
International Conference on Systems, Man and Cybernetics, volume 3, pages 2962–
2967, 10-12 Oct. 2005.
[Hoj01]: A. Hojjatoleslami and F. Kruggel. « Segmentation of large brain lesions ».

IEEE Transactions on Medical Imaging, 20(7):660–669, July 2001.
[Hul03]: R. Hult : Grey-level morphology combined with an artificial neural networks

aproach for multimodal segmentation of the hippocampus. Dans International
Conference on Image Analysis and Processing, pages 277–282, 2003.
[Jin12] : L. Jing, Gang Zeng, Rui Gan, Hongbin Zha, et LongWang , A Game-
Theoretical Approach to Image Segmentation Key Laboratory of Machine Perception
Peking University, Beijing, 100871, China, 2012.
[Jua03] : O. Juan, R. Keriven et G. Postelnicu : Stochastic mean curvature motion in

computer vision : stochastic active contours. Dans 2nd IEEE Workshop on Variational,
Geometric and Level Set Methods in Computer Vision, October 2003.
[Jac03] : J.Françoise « théorie des jeux : introduction », Thèse PHD , Université de

Nice - Sophia Antipolis, janvier 2003.
[Jeh 03] : S. Jehan-Besson : Modèles de contours actifs base régions pour la

segmentation d’images et de vidéos. Thèse de doctorat, Université de Nice - Sophia
Antipolis, janvier 2003.
[Jeh 06] : F. Lecellier, S. Jehan-Besson, M. Fadili, G. Aubert et M. Revenu : Statistical

region- based active contours with exponential family observations. Dans International
Conference on Acoustics, Speech and Signal Processing, volume 2, pages 113–116, mai
2006
[Jea08] : R. Jean-Loïc « Croissance de région variationnelle et contraintes géométriques

tridimensionnelles pour la segmentation d‟image » thèse doctorat INS de Lyon ,2008.
[Jul07] : M.Julien et al « Modèles déformables pour la segmentation et le suivi en

imagerie 2D et 3D », » thèse doctorat, Université François Rebelais de tours, 2007.
[Kon09] : S. Konieczny, Introduction à la Théorie des Jeux, CRIL-CNRS, Université

d’Artois – Lens, 2009.
Bibliographie
[Kau10] : R. Kaushik, Prabir Bhattacharya , Ching Y. Suen et Jane You,Recognition of

unideal iris images using region-based active contour model and game theory ,
Proceedings of 2010 IEEE 17th International Conference on Image Processing
September 26-29, 2010, Hong Kong;
[Kas06] : B. Kastler, D. Vetter, Z. Patay et P. Germain, Comprendre l'IRM Manuel

d'auto-apprentissage, 6eédition, 2006.
[Kas87] M. kass, A. Witkin, D. Terzopoulos. Snakes : Active contour models. In

proceedings of the first International Conference on computer vision, Juin 1987, p.259-
268.
[Kou09] : V. El kouby, M. Perrin, C. Poupon, « Les principales techniques d’imagerie

médicale », CEA, 2009.
[Ker00] : C.Kermad : « segmentation d’image : recherche d’une mise en œuvre

automatique par coopération de méthodes, Thèse en ligne : CCDS, France.2000.
[Kas88] : M.Kass , A. witkin, and D.Terzopoulos « snakes :Active contours

models»IJCV1, pp. 321-331, 1988.
[Lev84] : M.D.Levine and A.Nazif : « An optimal set of image segmentation rules. »

PR, 2pp. 1984
[Luc89] : R.D. Luce , H. Rai , Games and decisions-introduction and Critical Survey.
Dover Publications, 1989.
[Lef 03]: A. Lefohn, J. Cates, and R. Whitaker. Interactive, GPU-based level sets for
3D brain tumor segmentation. Technical report, University of Utah, April 2003.
[Lei 91] : F. Leitner, I. Marque, S. Lavalle et P. Cinquin : Dynamic segmentation :

finding the edges with snakes splines. Curves and Surfaces. Londres Academic Press,
1991.
[Lec 06] : F. Lecellier, S. Jehan-Besson, M. Fadili, G. Aubert, M. Revenu et E. Saloux :

Region-based active contours with noise and shape priors. Dans International
Conference on Image Processing, pages 1649–1652, 2006.
[Lac 92]:F. Lachmann et C. Barillot : « Brain tissue classication from mri data by
means of texture analysis ». Dans Medical Imaging VI : Image Processing, 1992.
Bibliographie
[Moe11] : K. Moez Rajae Aboulaichb, Abderrahmane Habbalc, et Maher Moakher, A

Nash-game approach to joint image restoration and segmentation ,Laboratoire
J.A.Dieudonné, Université de Nice, France.2011.
[Mir07] : S. Miri , Segmentation des structures cérébrales en IRM : intégration de

contraintes topologiques, LSIIT, UMR 7005 CNRS/ULP (Laboratoire des Sciences de
l’Image, de l’Informatique et de la Télédétection), Université Louis Pasteur Strasbourg.
2007.
[Mou10] : S. Moussa, T. Lyazid, M. Abdelouaheb, « Un Système Multi-agents pour

La Classification Coopérative D’images IRM Cérébrales », Université Ferhat Abbas-
SETTIF, 2010.
[Mat06] : Matthieu Manceny «une extension de la théorie des jeux pour la

modélisation des interactions locales » Université d’Evry-Val d’Essonne U.F.R.
Sciences fondamentales et appliquées, l’équipe dynamic du laboratoire IBISC,
29/11/2006.
[Med 08]: Pr. Meder , Imagerie cérébrale actuelle du sujet âgé, Service d’imagerie
Morphologique et Fonctionnelle, CH Sainte-Anne Paris 2008.
[Mey 88]: F. Meyer : Skeletons in digital spaces. Image Analysis and Mathematical
Morphology, 2:257–296, 1988.
[Men 90]: S. Menet, P. Saint Marc et G. Medioni : B-snakes : Implementation and

application to stereo. Dans Image Understanding Workshop, pages 720–726, 1990.
[Mor13]: http://www.podcastscience.fm/tag/clara-moreau
[Nic04] : N. Ayache, L’analyse automatique des images médicales , Institut national de

recherche en informatique et en automatique .2004
[Nic08]: N. Cladel et R. Seghier, « Optimisation multicritères de contour actifs par

algorithmes génétiques », ´Equipe SCEE ( Supelec - IETR) Cesson-Sévigné Cedex,
France. 2008
[Nas96] : J .F. Nash. Essays on Game Theory. Edward Elgar Publishing Limite, 1996.
[Nas12] :M. Nassima « Une approche hybride pour la segmentation d’images

Application aux images médicales »,Thèse de Magister, Université de Mentouri –
Constantine. 2012.
Bibliographie
[Oli13]: M. A. OLIVA ,La scintigraphie cérébrale: apports et évolution, Associate

Medical Director, GE Health Care Belgium. 2013.
[Oua06] : S. Ouadfel , «contribution à la segmentation d’Image Basées sur la

résolution collective par Colonie de Fourmis, Thèse de Magister Université Hadj
Lakhdar de Annaba, le 04/07/2006.
[Pav90] : T.Pavalidis and Y.T.lion « Integration region growing and edge

detection »T.PAMI-12(3) pp, 225-233,1990.
[Pap01] : C.H. Papadimitriou. Game theory and mathematical economics: a theoretical

computer scientist’s introduction. In 42nd IEEE Symposium on Foundations of
computer Science: proceedings, 2001.
[Pen 05]: S. Peng et L. Gu : A novel implementation of watershed transform using

multi-degree immersion simulation. Dans International Conference of the Engineering
in Medicine and Biology Society, pages 1754–1757, septembre 2005.
[Pri 97]: C. Xu et J. Prince : Gradient vector flow : a new external force for snakes.
Dans International Conference on Computer Vision and Pattern Recognition, pages 66–
71, juin 1997.
[Pri 98]: C. Xu et J. Prince : Snakes, shapes, and gradient vector flow. IEEE
Transactions on Image Processing, 7(3):359–369, mars 1998.
[Ric04] : N. Richard, M. Dojat, , C. Garbay: Automated segmentation of human brain

MR images using a multi-agent approach. Artificial Intelligence in Medicine 30, 153–
175. 31, 45, 2004.
[Ric 04] : N. Richard. Une approche située, coopérative et décentralisée pour

l’interprétation d’images cérébrales par RMN. PhD thesis, Ecole Doctorale «
Mathématiques, Sciences et Technologie de l’Information », 2004.
[Ros 99] : C . Rosenberger : « Mise en œuvre d’un système adaptatif de segmentation

d’images »Laboratoire d’analyse des systèmes de Traitement de l’Information -
ENSSAT. Thèse, RENNES1 (7-12-1999).
[Rit 98] : E. Ritz, T. Marszal « Epaisseur et localisation des contours des détecteur par
dérivation (Sobel , Prewitt, Roberts) ou par gradient morphologique » Projet du module
MTI, école de Télécommunication (Mars 1998).
Bibliographie
[Ram 07] : R. Moreno Roa . «Simulations Numériques Vasculaires, Spécifiques et

Réalistes », PhD , Université de toulouse III- Paul Sabatier , 2007.
[Roe 00]: J. Roerdink et A. Meijster : The watershed transform : Definitions, algorithms

and parallelization strategies. Fundamenta Informaticae, 41(1-2):187–228, 2000.
[Seb12] : D.Sébastien Ronze, Images médicales. l’Université de Nice Sophia

Antipolis.2012
[Sch01] : H. Schnack,,P. Hulshoff,: Automatic segmentation of the ventricular system

from MR images of the human brain. NeuroImage 14 (1), 95–104. 31. 2001
[Sta 88] : S. Osher et James A. Sethian. Fronts propagating with curvature dependent
speed : Algorithms based on hamilton-jacobi formulations. Journal of Computational
Physics 79, 12_49 (1988).
[Set 99] :J. A. Sethian. Level Set and Fast Marching Methods, Evolving Interaces in
Computational Geometry, Fluid Mechanics, Computer Vision and Material Science.
Dept. of Mathematics, University of California, Berkeley, (1999).
[Sta 92] : S. Duncan, H. Bozma : Model –Based Recognition of Multiple Deformable

Objects Using A Game-Theoretic Framework, Department of Diagnostic Radiology,
Yale University, New Haven. 1992 .
[Sop02] : S. Capelle : « Segmentation d‟images IRM multi-échos tridimensionnelles

pour la détection des tumeurs cérébrales par la théorie de l‟évidence », thèse doctorat
Faculté des Sciences Fondamentales et Appliquées univ de Poitiers, 2002
[Sam96]: R. Sammouda, N. Niki et H. Nishitani : A comparison of Hopfield neural

network and Boltzmann machine in segmenting MR images of the brain. IEEE
Transactions on Nuclear Science, 43(6):3361–3369, décembre 1996.
[Sci14]: http://www.vulgaris-medical.com/encyclopedie-medicale/scintigraphie
[She92] : J.Shen and S. Casten, An optimal linear operator for step edge detection.
CVGIP, 54(2) pp, 112, 133, March 1992
[Seb06] : I .Sebari , « les approches de segmentation d’image par coopération régions-

contours», Centre d’applications et de recherches en télédétection (CARTEL), 2006.
Bibliographie
[Tsa03]: A. Tsai, A.. Yezzi,W.Wells, C. Tempany, D. Tucker, A. Fan,W. Grimson et

A.Will- sky : A shape-based approach to the segmentation of medical imagery using
level sets. IEEE Transactions on Medical Imaging, 22(2):137–154, février 2003.
[Thi00] :http://www.lasmea.univbpclermont.fr/Personnel/Thierry.Chateau/IsimaF4/Cou
r3Visionbw.pdf
[Thi 97]: J. Thiran, V. Warscotte et B. Macq : A queue-based region growing algorithm

for accurate segmentation of multi-dimensional digital images. Signal Processing,
60(1):1–10, 1997.
[Vin08] : S.Vincent, Imagerie morphologique et neuropsychologie, Université de Caen

Basse Normandie, Pages 183 – 193.2008.
[Vin06] : V. Noblet, Recalage non rigide d'images cérébrales 3D avec contrainte de

conservation de la topologie, Laboratoires des Sciences de l'Image, de l'Informatique et
de la Télédétection, l'Université Louis Pasteur – Strasbourg, 2006
[Van03] : S. vanacker « quelques résultats et applications surprenants de la théorie

des jeux » Ecole de mines de Douai, 2003.
[Vac 97] : C. Vachier, S. Muller et S. Bothorel : Analyse morphologique des clichs

mammo- graphique en vue de la dtection des opacits du sein. Dans Proceedings of
ADEBIO, 1997.
[Vin 91] :L. Vincent et P. Soille : Watershed in digital spaces, an efficient algorithm
based on immersion simulation. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 13(6):583–598, juin 1991.
[Wil 92] D. Williams et M. Sham. A fast algorithm for active contour and curvature
estimation. Computer vision graphic image process : Image understanding, vol. 55, n°1,
pp 14-26, 1992.
[Wro 87] : B.Wrobel and O.Manga. « Segmentation d’images naturelles : Coopération

entre un détecteur contour et un détecteur région. In GRETSI, 1987.
[Wal 09]: A.Walid et al « Évaluation de Techniques Pyramidales de Fusion

Multimodale (IRM/TEP) d’Images Cérébrales », Unité de Recherche : Sciences Et
Technologies de l'Image et des Télécommunications (SETIT), Tunisie, 2009.
Bibliographie
[Yan 95]: M. Yan et J. Karp : Segmentation of 3D brain MR using an adaptive K-

means clustering algorithm. Dans Nuclear Science Symposium and Medical Imaging
Conference, pages 1529– 1533, 1995.
[Zar 11] : D. Zarpalas, A. Zafeiropoulos, Brain Structures Segmentation using

Optimum Global and Local Weights on Mixing Active Contours and Neighboring
Constraints, ISABEL ’11, October 26-29, Barcelona, Spain. 2011.
[Zhu 97]: Y. Zhu and H. Yang. Computerized tumor boundary detection using a
Hopfield neural network. IEEE Transactions on Medical Imaging, 16(1) :55– 67, 1997.
[Zag 07]: L. Zagorchev, A. Goshtasby et M. Satter : B-snakes. Image and Vision

Computing, 25(6):945–959, 2007.
Bibliographie
Résumé :
Nous proposons dans ce travail une méthode de segmentation par la théorie des jeux, cette dernière
est intégrée dans les modèles déformables, fondée sur un principe d’optimisation et de coopération
itérative entre les énergies du modèle.
Les énergies sont itérées avec des critères de plus en plus tolérants et en optimisant à chaque étape
les résultats obtenus par chaque énergie mise en jeu jusqu’à la convergence vers des résultats
cohérents et stables, qui est définit par l’équilibre de Nash dans le cadre de la théorie des jeux.
L'approche statistique est par essence formelle ou mathématiquement structurée par la théorie des
jeux, parce qu'elle repose sur une formalisation poussée de la réalité objective de chaque joueur ou
module. En particulier, nous insistons sur leur interprétation décisionnelle parce que, tout d'abord, les
analyses et prédictions sont la plupart du temps motivées par un but objectif ayant des conséquences
mesurables (résultats), et d’autre part la tâche d’influence entre les modules.
Finalement, le but est de fournir une solution optimale au sens de compatibilité entre les énergies,
dont il existe relativement peu d’approches proposant un tel type de coopération et optimisation pour
la segmentation en intégrant « la théorie des jeux de Nash ».
Mots clés : Modèle déformable, La théorie des jeux, Segmentation coopérative,IRM.
Abstract
We propose in this work a method of segmentation by game theory, the latter is incorporated into the
deformable models, based on the principle of optimization and iterative cooperation between the
energies of the model.
The two energies are iterated with criteria more tolerant and optimizing each step the results
obtained by each energy involved until convergence to consistent and stable results, which is defined
by the Nash equilibrium in the framework of game theory.
The statistical approach is essentially mathematically formal or structured by the game theory,
because it is based on a thorough formalization of the objective reality of each player or module. In
particular, we insist on interpreting their decision because, firstly, analyzes and predictions are mostly
motivated by an objective goal with measurable outcomes (results) and secondly the task of influence
between modules.
Ultimately, the goal is to provide an optimal solution in the sense of compatibility between the two
energies, of which there are relatively few approaches offering this type of cooperation and
optimization for segmentation by integrating "game theory Nash."
Keywords: Model deformable, Game theory, Cooperative segmentation,IRM.

Langue

Mémoir Magister

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Mémoir Magister

Titre original :

Transféré par

Droits d'auteur :

République Algérienne Démocratique et Populaire

‫وزارة التعـــلــيــــم العـــالـــــــي والبـــحــــــث الـعـلــمـــــــي‬

Faculté des Mathématiques et de l’Informatique

Spécialité : Informatique Option : Imagerie, Vision

Mme. BEKKAR DJELLOUL SAIAH Ikram

La Segmentation des images par la théorie des

Soutenu le Lundi 09 / 02 / 2015 à 14h :00

Devant la commission d’examen composée de :

Qualité Nom et Prénom Grade Etb. D’origine

Année Universitaire : 2014/2015

Ce mémoire est le fruit de longues heures de recherche, de lecture et de réflexion.

Louange a Allah de m’avoir donné deux petites filles et un mari, compréhensifs et

Je voudrais commencer par remercier Mademoiselle Nacéra Benamrane, Professeur

Je tiens aussi à exprimer mon profond respect et ma gratitude envers Monsieur

Je remercie également Monsieur Bachir Djebbar, Professeur à l’U.S.T.O, et

C’est certainement grâce à cet environnement humain et scientifique que j’ai pu

Mme. Ikram BEKKAR DJELLOUL SAIAH

Melle. Nacéra Benamrane

Figure I.1: Principales structures anatomiques cérébrales [vin 08].

Figure II.1 – Approches duales de la segmentation : modèles orientées régions (Image

Figure III.1 : Un arbre de décision (appelé arbre de Kuhn).

Figure IV.1 : Exemple de coordonnées cartésiennes et abscisses curvilignes d’un

II.5.1.1Les méthodes différentielles…………………...………………………27

II.5.1.2 Les méthodes morphologiques………………………………………..28

Chapitre 4 – Conception et Implémentation……………………………………....79

IV.7 .2 .1 Joueur 1 (Energie Interne𝑆)………………………………………..90

L’objectif de la plupart des systèmes de vision est de décrire l’importante

Cette étape fondamentale et souvent incontournable dans le processus d’analyse

La segmentation des IRM cérébrales présente des particularités par rapport à

A ce titre, une variété de méthodes de segmentation d’images a été proposée ayant

Parmi les méthodes proposées, nous nous intéressons particulièrement à la

Dans le premier chapitre nous présentons les différentes méthodes de traitement

Le troisième chapitre nous introduisons les notions fondamentales de la théorie des

La première partie du dernier chapitre présente la stratégie d’optimisation et de

Dans ce contexte, et à travers ce chapitre, nous présentons les différentes méthodes de

Figure. I.1: Principales structures anatomiques cérébrales [vin 08].

(a) (b) (c)

I .3 Techniques d’imagerie médicale :

Figure I .3 : La radiographie Cérébrale[Cea 03] .

À son apparition, il a révolutionné la neurologie en offrant la possibilité de « voir » le

Figure I .4 : Images de coupe de la tête effectuée par scanner [Jea 06].

Figure I .5 : La scintigraphie Cérébrale [Oli 13].

I .4 Imagerie par résonance magnétique IRM :

Disposera-t-on un jour d’un dispositif qui, sans traumatisme pour la personne

Néanmoins, les neurobiologistes disposent d’une panoplie de techniques d’imagerie

Le principe consiste à mesurer l’aimantation des tissus biologiques et à reconstruire une

L’atome d’hydrogène est à la base de la plupart des applications médicales de l’IRM.

Le principe de la résonance magnétique nucléaire consiste en l’application d’une onde

L’onde magnétique oscillante, notée ⃗⃗⃗⃗

Figure I.7: Déroulement de l’expérience RMN. [Dem 08]

I .4 .1 Séquence et qualité des images acquises par IRM :

En fonction de la région anatomique étudiée, de la pathologie recherchée, et des préférences

I .4 .2 Les apports de l’IRM à l’étude du cerveau :

 En permettant l’observation de l’évolution des anomalies de la substance blanche dans la

 Apportant plus de précision dans la visualisation de l’atrophie progressive de la partie

 Les épilepsies sont étudiées en détail par la visualisation de lésions microscopiques.

 L’appréciation du degré d’agressivité des tumeurs cérébrales, de leur sensibilité aux

Figure I.9: Images de coupes obtenues par IRM [Jea 06].

I .5 Les méthodes de traitement d’images médicales cérébrales :

 Le type de transformation géométrique recherchée : rigide / non rigide.

I .5. 2 La segmentation d’images médicales cérébrales :

La segmentation des structures anatomiques du cerveau est un domaine émergent de

II. 2 Définition d'une segmentation:

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