FCM spatial pour la segmentation d’images
microscopiques de cytologie
Benomar Mohammed Lamine
Laboratoire Génie Biomédical
Dépt. Informatique
Université de Tlemcen, Algérie
benomaramine@gmail.com
Résumé— Dans cet article, nous présentons une technique de
segmentation d’images microscopiques de cytologie dans le but
d’extraire les composantes des cellules sanguines (noyau,
cytoplasme, globule rouge et plasma). L’image est représentée
dans différents espaces couleurs, une analyse discriminante
linéaire (LDA) est réalisée pour extraire ses caractéristiques
discriminantes afin de réduire le temps d’exécution, les
redondances et le bruit. La segmentation est réalisée tout d’abord
en utilisant l’algorithme standard de classification non-
supervisée C-Moyennes Floues (FCM) sur les caractéristiques
sélectionnées. Le FCM conventionnel n’exploite pas l’information
spatiale et le voisinage des pixels dans l’image. On propose deux
techniques de prise en compte du contexte spatial : FCM S1 et
FCM S2, afin de donner des régions plus homogènes et réduire
les taches parasites. Les trois méthodes proposées ont été testé
sur des images réelles de cytologie. Les résultats montrent que les
techniques proposées qui intègres l’information spatiale donnent
de meilleur performance de segmentation avec des taux de
reconnaissances du noyau atteignant les 96%.
Mots cl´es : C-Moyennes Floues (FCM), Segmentation d’image,
Information spatiale, image microscopique, espaces couleurs,
Analyse discriminante lin´eaire (LDA).
I. INTRODUCTION
L’analyse des cellules sanguines, particulièrement les
globules blancs, dans les images microscopiques peut fournir
des informations utiles concernant la santé des patients, cette
étape de lecture, le screening, est une activité manuelle qui
consiste en une inspection et analyse visuelle par le
cytotechnicien de toutes les cellules présentes sur une lame
dans le but de détecter des cellules anormales ou suspectes afin
d’établir un diagnostic.
Cette analyse est d’un intérêt capital car le diagnostic
dépend de la bonne reconnaissance des cellules anormales ou
suspectes. Or cela est difficile et reste toujours un processus
très long demandant concentration, expérience et compétence
de l’expert, ce dernier risque souvent de se tromper dans le
diagnostic. Pour pallier à ceci, une approche est indispensable
pour aider le cytotechnicien en utilisant un système
informatique s’appuyant sur l’analyse d’images afin de réduire
le temps et augmenter la précision du diagnostic.
Mourtada Benazzouz, Med Amine Chikh
Laboratoire Génie Biomédical
Dépt. Informatique
Université de Tlemcen, Algérie
{m_benazzouz,mea_chikh}@mail.univ-tlemcen.dz
L’article présente la première étape de la construction d’un
système automatique de reconnaissance des cellules. Cette
démarche consiste à segmenter des images microscopiques de
cytologie, qui est une étape cruciale pour l’analyse automatique
des cellules; étant donné que le succès de la classification
pathologique dépend principalement de la segmentation
correcte de l’image.
Différents algorithmes et techniques ont été développés
pour résoudre le problème de la segmentation d’image.
Cependant, il n’y a pas de solution générale pour résoudre ce
problème. Ces techniques doivent être combinées avec les
connaissances du domaine afin de trouver une solution efficace
pour la segmentation d’image liée à un domaine.
Chen et al [1] ont utilisé Mean Shift pour extraire un
nombre réduit d’exemples significatifs comme ensemble
d’apprentissage pour la classification pixellaire. Une approche
basée sur la texture a été présentée par Daniela et al [2]. Jiang
et al [3] ont proposé un schéma de segmentation des leukocytes
sur les espaces couleur utilisant le clustering sur l’espace des
caractéristiques, le filtrage scale-space pour l’extraction du
noyau et la Ligne de Partage des Eaux pour l’extraction du
cytoplasme. Leyza et al [4] ont utilisé les opérateurs
morphologiques et ils ont examiné les propriétés de l’operateur
toggle du scale-space pour améliorer la précision de la
segmentation. Pandit [5] et Keller [6] ont réalisé des travaux
remarquables sur la segmentation, l’extraction des
caractéristiques et la classification des leukocytes sur les
images au niveau de gris et couleur de la moelle osseuse.
Dans notre approche, l’image complète est segmentée en
quatre régions: noyau, cytoplasme, globule rouge et fond. Nous
appliquons une LDA pour extraire les composantes des
différents espaces couleur, suivi d’une classification pixellaire
non-supervisée avec l’algorithme C-Moyennes Floues FCM
standard, qui introduit la notion d’ensemble flou dans la
définition des classes en utilisant un critère de minimisation des
distances intra-classe et de maximisation des distances inter-
classe.
Cependant, l’algorithme FCM standard ne prend pas en
considération le voisinage des pixels et l’information spatiale
n’est pas intégrée dans les fonctions de calcul, malgré que les
pixels dans une image sont fortement corrélés et les pixels
dans le voisinage immédiat possèdent par fois les mêmes
caractéristiques et attributs. De ce fait, nous allons utiliser deux
méthodes d’intégration et de prise en compte de l’information
spatiale, à savoir FCM s (C-Moyennes Floues Spatial) dans
ses deux versions différentes [8] que nous avons notées
FCM S1 [9] et FCM S2 [10].
Cet article est organisé comme suit : une introduction et un
aperçu sur le domaine de segmentation d’image cytologique
qui sont introduits dans la section 1, suivi d’une présentation
des principales espaces couleurs utilisés et les composantes
extraites par la LDA dans la section 2. Dans la section 3 les
concepts de base du classifieur FCM sont exposés avec les
modifications apportées afin d’intégrer les contraintes spatiales
sont détaillées (FCM S1 et FCM S2). Les principales étapes
de la segmentation et des résultats sont présentés dans la
section 4. Les conclusions sont données dans la section 5.
II. E XTRACTION DES CARACT ÉRISTIQUES
A. Espaces couleur
Un espace couleur est un système de coordonnées couleurs
à 3 dimensions où les valeurs de l’image sont analysées et
transformées particulièrement en trois stimulus. En d’autres
termes, chaque espace s’intèresse à différents stimulus, par
conséquent c’est toujours difficile de prédire le comportement
d’une méthode sur un espace couleur [7].
Initialement, sept espaces couleur ont été utilisés mais notre
choix s’est focalisé sur cinq espaces couleur: RGB (espaces
de primaire), HSL et HSV (espaces perceptuels), LUV (epace
perceptuellement uniformes) et YUV (espaces de télévision),
donnant des résultats remarquables.
L’espace LUV tente de produire un espace plus per-
ceptuellement linéaire que les autres espaces. Perceptuellement
linéaire veut dire que le changement totale de la valeur de
la couleur doit produire un changement visuel de la même
importance.
Le modèle YUV définit un espace couleur en termes d’une
liminance et deux chrominances. YUV est utilisé dans le
système PAL du codage couleur dans la video analogique.
YUV se rapproche de la perception humaine de la couleur
mieux que le standard RGB, mais l’epsace HSL reste le plus
indiqué.
L’espace HSL (Hue, Saturation, Lightness/ Luminance) est
un peu similaire à l’espace HSV connu aussi HSB (Hue,
Saturation, Brightness). La difference est que la luminosité
d’une couleur est égale à la luminosité du blanc tant que la
luminance d’une couleur est égale à la luminance du niveau
de gris moyen.
B. Analyse Discriminante Linéaire (LDA)
L’approche supervisée pour une réduction linéaire de la
dimensionnalité est basée sur la LDA. Cette approche définit la
matrice de transformation optimale L qui maximise le critère
de Fisher J:
L = argmaxA J(A) (1)
avec
J(A) = tr((ASW At )−1 ASB At ) (2)
SW est la matrice de covariance moyenne intra-classe
(W=”within”) et SB est la matrice de covariance inter-classe
(B=”between”).
Dans l’équation 2, ASW At et ASB At sont des matrices
d × d de covariance intra-classe et inter-classe des vecteurs
caractéristiques après la réduction de la dimensionnalité des
données (d) à l’aide de la transformée linéaire A.
Lors de la maximisation de l’équation 2, on minimise
simultanément la covariance intra-classe et maximise la co-
variance inter-classe dans un espace de dimension inférieur
qui est engendré par les lignes de A. Le critère cherche
à déterminer une transformation L dont la projection des
vecteurs caractéristiques appartenant à une même classe soit la
plus proche possible entre eux, tout en essayant de maintenir
aussi loin que possible les vecteurs qui ne font pas partie
de la même classe. La matrice optimale, tel que définit par
l’équation 2, est la transformée associée à la LDA.
Une fois les matrices de covariances SW et SB ont été
estimées à partir des données d’apprentissage, le problème de
maximisation de l’équation 2, peut être résolu au moyen d’une
décomposition aux valeurs propres, avec la maximisation du
quotient Rayleigh des matrices SB et SW ( [12], [13], [14],
[15]). Le problème des valeurs propres à résoudre est :
S B V = SW V Λ (3)
Ou équivalente à :
−1
SW SB V = V Λ (4)
telque, V est une matrice n × n des vecteurs propres et
Λ est une matrice diagonale n × n avec n valeurs propres
λi associées aux vecteurs propres vi de V . La matrice de
transformation L de dimension d × n qui maximise le critère
de Fisher est obtenue en définissant les lignes de L comme
la transposée des vecteurs propres vit correspondant aux plus
grandes valeurs propres.
III. C-M OYENNES F LOUES (FCM) EST SES VARIANTES
A. FCM standard
L’algorithme FCM attribue les pixels à chaque classe en util-
isant un degré appartenance floue. Soit X = (x1 , x2 , · · · , xN )
désigne une image avec N pixels à partitionnée en c classes
différentes, sachant que xi représente les caractéristiques
colorimétriques des pixels. L’algorithme est une optimisation
itérative qui minimise la fonction coût définis comme suit:
N X
c
2
X
J= um
ij kxj − vi k (5)
j=1 i=1
Où uij représente l’appartenance du pixel xj à la ieme
classe, vi est le centre de la ieme classe Ci . k.k est une norme
et m est l’indice flou. Le paramètre m contrôle le degré de
flou de la partition obtenue.
 La matrice d’appartenance U vérifie les conditions suiv- Où Nk représente l’ensemble des voisins qui sont dans une
antes: fenêtre autour de xk et NR est sa cardinalité (nombre de
(  c
X

 XN
) voisin). Le paramètre α contrôle l’effet de la pénalisation.
U ∈ uik ∈ [0, 1] 

uik = 1, ∀k 0 <

uik < N, ∀i (6) L’ajout du second terme dans (eq.10) est équivalent a une

i=1

k=1 formulation d’une contrainte spatiale et vise à maintenir la
continuité des valeurs des pixels voisins autour xk .
La fonction J est minimisée lorsque des degrés
Par un moyen d’optimisation similaire à l’algorithme FCM
d’appartenances élevées sont attribués à des éléments proches
standard, la fonction objective J peut être minimisée sous la
des centroı̈des et des degrés d’appartenance faible aux
contrainte de U . Le calcul de uik et vi dans (eq.10) revient à
éléments éloignés des centroı̈des. Le degré d’appartenance
calculer :
représente la probabilité qu’un pixel appartient à une classe
spécifique. Dans l’algorithme FCM, la probabilité est en
 −1/(m−1)
fonction de la distance entre le pixel et les centroı̈des des 2
kxk − vi k + NαR r∈Nk kxr − vi k
P 2
classes. uik = −1/(m−1)
Les degrés d’appartenance uij et les centroı̈des des classes Pc  2 α
P 2
j=1 kx k − v j k + NR r∈Nk kx r − v j k
Ci sont calculés par les fonctions :
(11)
1
uij = Pc kxj −vi k 2/(m−1)
(7) Pn m

α
P 
k=1 ( kxj −vk k ) k=1 uik xk + NR r∈Nk xr
vi = Pn m (12)
PN (1 + α) k=1 uik
j=1 um
ij xj
v i = PN (8) Un inconvénient dans (eq.11) et (eq.12) est que le cal-
j=1 um
ij cul des termes des voisins xr prendra beaucoup plus de


temps que dans le FCM standard. Nous allons présenter
L’algorithme s’arrête lorsque
U (b+1) − U (b)
< ǫ , ǫ est
des modifications de faible complexités ou des variantes à
un seuil prédéfini par l’utilisateur (0 < ǫ < 1) avec (b) qui
(eq.10). Tout P d’abord, nous remarquons dans (eq.11) que
représente l’étape d’itération. 2
le terme N1R r∈Nk kxr − vi k peut être écrit comme suit
L’algorithme FCM peut être décrit par les étapes suivantes: 1
P 2 2
r∈Nk kxr − xk k + kxk − vi k Où xk est une moyenne
1) initialisation de la matrice d’appartenance U (0) : U = NR
des pixels voisins situés à l’intérieur d’une fenêtre autour du
[uij ].
pixel courant xk .
2) à l’itération (b) : calculer les centroı̈des V (b) = [vi ] en
Aussi, xk peut être calculé à l’avance, P donc le temps2
utilisant U (b) avec la fonction (8).
de classification peut être amélioré si N1R r∈Nk kxr − vi k
3) Mise jours de la
matrice U (b+1) avec la fonction (7).

à(b+1) 2
4) Si
U − U (b)
< ǫ Arrêter sinon aller à l’étape 2). Dans (eq.10) sera remplacé par kxk − vi k .
Ainsi, la fonction objective J (eq.10) simplifiée peut être
Après la fin d’exécution de l’algorithme nous avons comme
réécrite comme suit :
sortie la matrice d’appartenance finale U . une déffuzification
c X
N c X
N
est appliquée pour attribuer chaque pixel à une classe X 2
X 2
spécifique pour lequel le degré d’appartenance est maximal J= um
ik kxk − vi k + α um
ik kxk − vi k (13)
i=1 k=1 i=1 k=1
(eq. 9).
De même, on obtient :
∀k ∈ [1, n] xk ∈ Cj ⇔ (uik < ujk ∀i 6= j ∈ [1, c]) (9)
−1/(m−1)
L’algorithme FCM standard n’utilise pas l’information spa-

2 2
kxk − vi k + α kxk − vi k
tiale et ne prend pas en compte le voisinage des pixels dans uik = −1/(m−1) (14)
l’image. Pour exploiter ces informations, nous présentons deux Pc 
kx − v k
2
+ α kx − v k
2
j=1 k j k j
variantes de l’algorithme FCM standard notés FCM S1 et
FCM S2 (C-Moyennes Floues Spatial). Pn
um
k=1 ik (xk + αxk )
vi = Pn (15)
B. FCM S1 (1 + α) k=1 um ik

Ahmed et al [8] ont proposé une approche pour augmenter Par conséquent les formules (11) et (12) seront simplifiés
la robustesse de l’algorithme FCM au bruit en modifiant en (14) et (15) respectivement. De même à partir de (14)
directement la fonction objectif (J) défini en (eq.5) comme et (15), nous pouvons voir que α contrôle le compromis
suit : entre l’image originale et l’image filtre-moyen correspondante.
Lorsque α est mis à zéro, l’algorithme FCM S1 est équivalent
N
c X c N à l’algorithme FCM standard, tandis que si α approche
X 2 α XX m X 2 l’infinie, l’algorithme FCM S1 acquiert le même effet que
J= um
ik kxk − vi k + uik kxr − vi k
i=1 k=1
NR i=1 l’algorithme FCM standard appliquer sur l’image filtre-moyen
k=1 r∈Nk
(10) directement [9].
 Les paramètres m, c et ǫ restent les même que pour
l’algorithme FCM standard.
L’algorithme ci-dessus peut être résumé de manière uni-
forme dans les étapes suivantes :
1) initialisation de la matrice d’appartenance U (0) : U =
[uij ].
2) calculer l’image filtre moyen Xk , ∀k ∈ [1, n].
3) à l’itération (b) : calculer les centroı̈des V (b) = [vi ] en
utilisant U (b) avec la fonction (15).
4) mise jours de la
matrice U (b+1) avec la fonction (14).
à(b+1)
5) si
U − U (b)
< ǫ Arrêter, sinon aller à l’étape 3). 3) mise à jours de la matrice U (b+1) avec l’équation (7) du
L’algorithme FCM S1 utilise, comme information spatiale,
la moyenne des composantes colorimétriques des voisins di-
recte du pixel considéré et il l’intègre directement dans la
(16) et (17).
fonction objective J et les fonctions uij et vi . Dans le deuxième
U (b+1) − U (b)
< ǫ Arrêter sinon aller à l’étape 2).
algorithme FCM S2, l’information spatiale consiste en la
somme des degrés d’appartenance uik des k voisins directe
du pixel considéré, cette somme est introduite seulement dans
la fonction uij , tandis que les fonctions J et vi sont identiques
au FCM standard.
C. FCM S2
Pour exploiter l’information spatiale, une fonction spatiale
est définie comme suite :
X
hij = uik (16)
k∈N B(xj )
Où N B(xj ) représente une fenêtre carrée centrée sur le
pixel Xj dans le domaine spatial. Tout comme la fonction
d’appartenance uij la fonction d’appartenance spatiale hij
représente la probabilité que le pixel Xj appartient à la classe
i. La fonction d’appartenance spatiale d’un pixel à une classe
est grande si la majorité de son voisinage appartient a la même
classe. La fonction d’appartenance spatiale est intégrée dans
la fonction d’appartenance comme suite [10] :
′ upij hqij
uij = Pc p q (17)
k=1 ukj hkj
avec le domaine spatial et la fonction d’appartenance spatiale
est calculée en utilisant les fonctions (16) et (17). L’itération
′
(b+1) procède avec la nouvelle fonction d’appartenance uij
qui intègre la fonction d’appartenance spatiale hij .
L’algorithme ci-dessus peut être résumé de manière uni-
forme dans les étapes suivantes :
1) initialisation de la matrice d’appartenance U (0) : U =
[uij ].
2) à l’itération (b) : calculer les centroı̈des V (b) = [vi ] en
utilisant U (b) avec l’équation (8) du FCM standard.
FCM standard.
4) calculer les degrés d’appartenances spatiales avec les
équations
5) si
IV. E XP ÉRIMENTATION
A. Base d’images
Notre base a été construite à partir d’images réelles
acquises au sein du service d’hémobiologie (CHU Tlem-
cen), sur des lames avec la coloration MGG(May Grunwald
Giemsa). L’environnement LEICA(caméra et microscope) per-
met d’obtenir des images couleur RGB de 24-bit d’une
résolution (1024 x 768) sous format Bitmap.
B. Méthode d’étiquetage
Afin d’évaluer les résultats de segmentation nous devons
disposer d’une base étiquetée (image vérité terrain). Ce qui
nous intéresse ici est de détecter les globules blancs (noyau et
cytoplasme), les globules rouges et le fond.
A l’aide d’un programme développé sous Matlab et d’un
logiciel de traitement et de retouche d’image nous avons
effectué l’étiquetage des 27 images de notre base (voir fig.2),
sachant que le vert représente le noyau, le jaune pour le
cytoplasme, le rouge pour les globules rouges et le fond
(plasma) en noir.

Où p et q sont des paramètres pour contrôler l’importance

relative des deux fonctions (uij , hij ). Dans une région ho-
mogène, la fonction d’appartenance spatiale renforce simple-
ment l’appartenance originale et le résultat de classification
reste inchangé. Cependant, pour un pixel bruité, cette formule
permet de réduire la pondération d’un cluster bruité par les
étiquettes de ses pixels voisins. En conséquence, les pixels
mal classés des régions bruitées ou des taches parasites (arte-
facts) peuvent être facilement corrigées. Le FCM spatiale de
Fig. 2. Image étiquetée (vérité terrain)
paramètre p et q est notée sF CM(p,q) dans ce papier nous
l’avons noté FCM S2, sachant que sF CM(1,0) est équivalent
à l’algorithme FCM standard.
L’algorithme FCM S2 se déroule en deux passages (two- C. Etape de segmentation
pass process) à chaque itération (b). Le premier passage est le Vingt sept (27) images microscopiques ont été utilisées
même que celui dans le FCM standard pour calculer la fonc- pour l’évaluation des algorithmes de segmentation proposés
tion d’appartenance U . Dans le second passage, l’information (FCM, FCM S1 et FCM S2). Nous avons utilisé les neuf
d’appartenance de chaque pixel est mise en correspondance (09) premières images pour l’extraction des composantes avec
l’analyse discriminante linéaire (LDA), le choix de ces images
est basé sur un critère de représentativité de toutes les classes.
Après plusieurs expériences nous avons opté pour les
paramètres : m = 2, c = 4, ǫ = 0.001 pour les 03 algorithmes.
Nous avons testé trois fenêtres (3x3, 5x5 et 7x7) notre choix
s’est porté sur la fenêtre 5x5 centré sur le pixel considéré, d’où
NR = 24 est utilisé pour FCM S1 et FCM S2.
α = 8 pour FCM S1 [9] et (p = 0, q = 2) pour FCM S2
[10].
D. Résultats et discussions
Nous avons mesuré et quantifié les performances de seg-
mentation de l’ensemble des images en comparant les résultats
avec les images vérité terrain. Pour cela nous avons utilisé
deux critères: taux de reconnaissance et la précision.
Quelques résultats visuels de la segmentation sont présentés
sur la figure (3). La table (I), la table (II) et la table (III)
montrant les taux de reconnaissances et de précision obtenues
des trois algorithmes FCM, FCM S1 et FCM S2.
noyau cytoplasme G.rouge fond
Taux 96.49% 55.40% 32.14% 92.69%
Précision 50.70% 29.69% 46.67% 99.54%

TABLE I
R ÉSULTATS OBTENUS POUR L’ ALGORITHME F CM

noyau cytoplasme G.rouge fond

Taux 96.60% 55.61% 32.19% 92.85%
Précision 50.72% 29.96% 46.76% 99.55%

TABLE II
R ÉSULTATS OBTENUS POUR L’ ALGORITHME F CM S1

noyau cytoplasme G.rouge fond

Taux 96.25% 57.83% 32.32% 93.26%
Précision 54.32% 30.49% 47.65% 99.51%

TABLE III Fig. 3. Résultat visuel: (a) image originale, (b) FCM, (c) FCM S1, (d)
R ÉSULTATS OBTENUS POUR L’ ALGORITHME F CM S2 FCM S2, (e) Image étiquetée (vérité terrain)

A la lumière des résultats présentés et des résultats visuels,

nous constatons une amélioration remarquable de la segmenta- La segmentation de la région noyau est hautement sat-
tion entre l’algorithme FCM, FCM S1 et FCM S2 (voir table isfaisante cela est dû à la différence de configuration col-
IV) cela est due à l’intégration de l’information spatiale et orimétrique de cette classe par rapport aux autres classes.
la prise en compte des contraintes spatiales dans FCM S1 et Cependant il demeure toujours une petite confusion entre
FCM S2. le cytoplasme et les globules rouges, vu la ressemblance
Taux de reconnaissance Précision considérable de leurs caractéristiques colorimétriques; cela est
F CM S1 par rapport à F CM +0.20% +0.29% dû aussi à une mauvaise classification des pixels appartenant
F CM S2 par rapport à F CM +1.32% +2.98% à d’autres régions classés cytoplasme (faux positifs). Cette
confusion a été constatée même dans des travaux utilisant les
TABLE IV
R ÉSULTATS F CM S1 ET F CM S2 PAR RAPPORT À F CM CLASSIQUE algorithmes de segmentation supervisés [11].
De ce fait, un post traitement est nécessaire afin d’améliorer
la qualité de la segmentation en éliminant les petites régions
L’expérimentation a montré que les résultats sont parasites (artefacts) sur le fond et les petites zones rouge à
intéressants surtout avec l’ajout de l’information spatiale. l’intérieur de la région cytoplasme.
 Aussi, les images originales contiennent des régions claires
aux centres des globules rouges, ce qui mène à leur classifica-
tion comme fond (plasma) ceci peut être corrigé par un simple
remplissage dans l’étape de post traitement.
Puisque le diagnostic de l’expert médical est basé es-
sentiellement sur les leucocytes (noyau + cytoplasme) nous
avons trouvé utile d’ajouter quelques résultats de précision
concernant le noyau et cytoplasme (table V) ainsi que les
résultats visuels pour ce type de cellules (fig 4).
Noyau Cytoplasme
Taux de reconnaissance 96,51% 64,08%
Précision 60,18% 51,23%
TABLE V
R ÉSULTATS F CM S2 APR ÈS POST TRAITEMENT
Fig. 4. (a) résultat FCM S2 (b) résultat post traitement (c) vérité terrain
Les images originales sont bruitées et n’ont subi aucun
prétraitement, contiennent des chevauchements entre cellules
ainsi que des endroits très denses. Spécialement dans ces
scènes complexes, notre schéma de segmentation à donné
des résultats encourageant par rapport aux autres algorithmes
(seuillage, ligne de partage des eaux, croissance de région...)
qui divergent complètement dans ces cas.
V. C ONCLUSION
L’algorithme de classification non-supervisé C-Moyennes
Floues FCM est une technique qui segmente l’image en
régions qui possédant des propriétés colorimétriques simi-
laires. Il utilise la distance entre les pixels et les centres
des classes pour calculer le degré d’appartenance. Les pixels
dans une image sont fortement corrélés et cette information
spatiale est une caractéristique importante qui peut être utilisé
pendant la classification. Cependant, la relation spatiale n’est
pas utilisée par le FCM standard.
Dans cet article nous avons proposé deux algorithmes FCM
spatiale. FCM S1 où l’information spatiale consiste en la
moyenne des composantes colorimétriques des voisins directes
du pixel considéré en l’intégrant directement dans la fonction
objective J et les fonctions uij et vi , l’algorithme se déroule
en un seul passage (one-pass process) par itération. Dans
le FCM S2 l’information spatiale est la somme des degrés
d’appartenance uik des k voisins directe du pixel considéré,
cette somme est introduite seulement dans la fonction uij ,
tandis que les fonctions J et vi sont identiques au FCM
standard, dans ce cas chaque itération comprend deux passages
successifs (two-pass process).
Cette information de voisinage réduit et/ou élimine le nom-
bre de taches parasites et donne des zones plus homogènes.
Les deux nouvelles méthodes ont été testées sur des images
microscopiques de cytologie sanguine et évalués par rapport á
des images vérité terrain.
Les résultats obtenus ont été très convaincants et encour-
ageants, ce qui nous permettra de poursuivre l’étude et essayer
d’améliorer la méthode préconisée.
VI. R EMERCIEMENTS
Notre équipe a réalisé l’acquisition des images micro-
scopiques de cytologie ainsi que l’annotation (étiquetage) des
différentes régions (classes). Cette base n’aura pas vu le
jour sans la contribution de Mme N.Benmansour (Médecin
Hématologiste-C.H.U Tlemcen) qui nous a ouvert son service
et nous a permi l’accès au microscope LEICA et les lames des
patients. Nous tenons à la remercier vivement et témoignons
notre gratitude.
R EFERENCES
[1] Chen Pan, Huijuan Lu, Feilong Cao: Segmentation of Blood and Bone
Marrow Cell Images via Learning by Sampling. (Eds) ICIC 2009, LNCS
5754, 336-345 (2009)
[2] Daniela Mayumi Ushizima Sabino, Luciano da Fontoura Costa, Edgar
Gil Rizzatti , Marco Antonio Zago: A texture approach to leukocyte
recognition Elsevier, Real-Time imaging 10, 205–216 (2004)
[3] Kan Jiang, Qing-Min Liao, Sheng-Yang Dai: A novel white blood cell
segmentation scheme using scale-space filtering and watershed clustering.
International Conference on Machine Learning and Cybernetics, 5, 2820-
2825 (2003)
[4] Dorini LB, Minetto R, Leite NJ: White blood cell segmentation using
morphological operators and scale-space analysis. In SIBGRAPI ’07:
Proceedings of the XX Brazilian Symposium on Computer Graphics and
Image Processing. (2007)
[5] M. Pandit, H. Hengen: Image analysis of blood and bone marrow smears.
IEEE/BMESI BIOVISION, Bangalore, (2001)
[6] J. Park, J.M. Keller: Fuzzy patch label relaxation in bone marrow cell
segmentation. Proceedings, IEEE International Conference on Systems,
Man, and Cybernetics, Orlando, FL, 1133-1138, (October, 1997)
[7] Koschan Andreas, Abidi Mongi: Digital color image processing. John
Wiley and Sons, Inc, (2008)
[8] Ahmed MN, Yamany SM, Mohamed N, Farag AA, Moriarty T. A Mod-
ified fuzzy c-means algorithm for bias field estimation and segmentation
of MRI data. IEEE Trans Med Imaging 2002.
[9] Songcan Chen and Daoqiang Zhang. Robust Image Segmentation Using
FCM With Spatial Constraints Based on New Kernel-Induced Distance
Measure. IEEE Transactions on systems, MAN, and Cybernetics, 2004.
[10] Keh-Shih Chuang, Hong-Long Tzeng, Sharon Chen, Jay Wu and Tzong-
Jer Chen Fuzzy c-means clustering with spatial information for image
segmentation. ELSEVIER, Computerized Medical Imaging and Graph-
ics,2005.
[11] I. Baghli, M.Benazzouz and M.A. Chikh: ”Cytological image segmen-
tation based on fusion in two levels”. WOTIC’11 (The Fourth Workshop
on Information Technologies and Communication), Casablanca, Morroco,
October 2011
[12] T. Hastie, R. Tibshirani and J. Friedman: The Elements of Statistical
Learning. Springer Series in Statistics, Springer, New York, Berlin,
Heidelberg, (2001)
[13] K. Fukunaga: Introduction to Statistical Pattern Recognition. Academic
Press, New York, (1990)
[14] P.A. Devijver and J. Kittler: Pattern Recognition: a Statistical Approach.
Prentice-Hall, London, (1982)
[15] G. Strang: Linear Algebra and its Applications. third ed., Harcourt,
Brace and Jovanovich, New York, (1988)