Académique Documents
Professionnel Documents
Culture Documents
microscopiques de cytologie
Résumé— Dans cet article, nous présentons une technique de L’article présente la première étape de la construction d’un
segmentation d’images microscopiques de cytologie dans le but système automatique de reconnaissance des cellules. Cette
d’extraire les composantes des cellules sanguines (noyau, démarche consiste à segmenter des images microscopiques de
cytoplasme, globule rouge et plasma). L’image est représentée cytologie, qui est une étape cruciale pour l’analyse automatique
dans différents espaces couleurs, une analyse discriminante des cellules; étant donné que le succès de la classification
linéaire (LDA) est réalisée pour extraire ses caractéristiques pathologique dépend principalement de la segmentation
discriminantes afin de réduire le temps d’exécution, les correcte de l’image.
redondances et le bruit. La segmentation est réalisée tout d’abord
en utilisant l’algorithme standard de classification non- Différents algorithmes et techniques ont été développés
supervisée C-Moyennes Floues (FCM) sur les caractéristiques pour résoudre le problème de la segmentation d’image.
sélectionnées. Le FCM conventionnel n’exploite pas l’information Cependant, il n’y a pas de solution générale pour résoudre ce
spatiale et le voisinage des pixels dans l’image. On propose deux problème. Ces techniques doivent être combinées avec les
techniques de prise en compte du contexte spatial : FCM S1 et connaissances du domaine afin de trouver une solution efficace
FCM S2, afin de donner des régions plus homogènes et réduire pour la segmentation d’image liée à un domaine.
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
Chen et al [1] ont utilisé Mean Shift pour extraire un
reconnaissances du noyau atteignant les 96%. nombre réduit d’exemples significatifs comme ensemble
d’apprentissage pour la classification pixellaire. Une approche
Mots cl´es : C-Moyennes Floues (FCM), Segmentation d’image, basée sur la texture a été présentée par Daniela et al [2]. Jiang
Information spatiale, image microscopique, espaces couleurs, et al [3] ont proposé un schéma de segmentation des leukocytes
Analyse discriminante lin´eaire (LDA). 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
I. INTRODUCTION cytoplasme. Leyza et al [4] ont utilisé les opérateurs
morphologiques et ils ont examiné les propriétés de l’operateur
L’analyse des cellules sanguines, particulièrement les toggle du scale-space pour améliorer la précision de la
globules blancs, dans les images microscopiques peut fournir segmentation. Pandit [5] et Keller [6] ont réalisé des travaux
des informations utiles concernant la santé des patients, cette remarquables sur la segmentation, l’extraction des
étape de lecture, le screening, est une activité manuelle qui caractéristiques et la classification des leukocytes sur les
consiste en une inspection et analyse visuelle par le images au niveau de gris et couleur de la moelle osseuse.
cytotechnicien de toutes les cellules présentes sur une lame Dans notre approche, l’image complète est segmentée en
dans le but de détecter des cellules anormales ou suspectes afin quatre régions: noyau, cytoplasme, globule rouge et fond. Nous
d’établir un diagnostic. appliquons une LDA pour extraire les composantes des
Cette analyse est d’un intérêt capital car le diagnostic différents espaces couleur, suivi d’une classification pixellaire
dépend de la bonne reconnaissance des cellules anormales ou non-supervisée avec l’algorithme C-Moyennes Floues FCM
suspectes. Or cela est difficile et reste toujours un processus standard, qui introduit la notion d’ensemble flou dans la
très long demandant concentration, expérience et compétence définition des classes en utilisant un critère de minimisation des
de l’expert, ce dernier risque souvent de se tromper dans le distances intra-classe et de maximisation des distances inter-
diagnostic. Pour pallier à ceci, une approche est indispensable classe.
pour aider le cytotechnicien en utilisant un système Cependant, l’algorithme FCM standard ne prend pas en
informatique s’appuyant sur l’analyse d’images afin de réduire considération le voisinage des pixels et l’information spatiale
le temps et augmenter la précision du diagnostic.
n’est pas intégrée dans les fonctions de calcul, malgré que les avec
pixels dans une image sont fortement corrélés et les pixels J(A) = tr((ASW At )−1 ASB At ) (2)
dans le voisinage immédiat possèdent par fois les mêmes
caractéristiques et attributs. De ce fait, nous allons utiliser deux SW est la matrice de covariance moyenne intra-classe
méthodes d’intégration et de prise en compte de l’information (W=”within”) et SB est la matrice de covariance inter-classe
spatiale, à savoir FCM s (C-Moyennes Floues Spatial) dans (B=”between”).
ses deux versions différentes [8] que nous avons notées Dans l’équation 2, ASW At et ASB At sont des matrices
FCM S1 [9] et FCM S2 [10]. d × d de covariance intra-classe et inter-classe des vecteurs
Cet article est organisé comme suit : une introduction et un caractéristiques après la réduction de la dimensionnalité des
aperçu sur le domaine de segmentation d’image cytologique données (d) à l’aide de la transformée linéaire A.
qui sont introduits dans la section 1, suivi d’une présentation Lors de la maximisation de l’équation 2, on minimise
des principales espaces couleurs utilisés et les composantes simultanément la covariance intra-classe et maximise la co-
extraites par la LDA dans la section 2. Dans la section 3 les variance inter-classe dans un espace de dimension inférieur
concepts de base du classifieur FCM sont exposés avec les qui est engendré par les lignes de A. Le critère cherche
modifications apportées afin d’intégrer les contraintes spatiales à déterminer une transformation L dont la projection des
sont détaillées (FCM S1 et FCM S2). Les principales étapes vecteurs caractéristiques appartenant à une même classe soit la
de la segmentation et des résultats sont présentés dans la plus proche possible entre eux, tout en essayant de maintenir
section 4. Les conclusions sont données dans la section 5. aussi loin que possible les vecteurs qui ne font pas partie
de la même classe. La matrice optimale, tel que définit par
II. E XTRACTION DES CARACT ÉRISTIQUES l’équation 2, est la transformée associée à la LDA.
A. Espaces couleur Une fois les matrices de covariances SW et SB ont été
Un espace couleur est un système de coordonnées couleurs estimées à partir des données d’apprentissage, le problème de
à 3 dimensions où les valeurs de l’image sont analysées et maximisation de l’équation 2, peut être résolu au moyen d’une
transformées particulièrement en trois stimulus. En d’autres décomposition aux valeurs propres, avec la maximisation du
termes, chaque espace s’intèresse à différents stimulus, par quotient Rayleigh des matrices SB et SW ( [12], [13], [14],
conséquent c’est toujours difficile de prédire le comportement [15]). Le problème des valeurs propres à résoudre est :
d’une méthode sur un espace couleur [7].
Initialement, sept espaces couleur ont été utilisés mais notre S B V = SW V Λ (3)
choix s’est focalisé sur cinq espaces couleur: RGB (espaces Ou équivalente à :
de primaire), HSL et HSV (espaces perceptuels), LUV (epace
−1
perceptuellement uniformes) et YUV (espaces de télévision), SW SB V = V Λ (4)
donnant des résultats remarquables.
L’espace LUV tente de produire un espace plus per- telque, V est une matrice n × n des vecteurs propres et
ceptuellement linéaire que les autres espaces. Perceptuellement Λ est une matrice diagonale n × n avec n valeurs propres
linéaire veut dire que le changement totale de la valeur de λi associées aux vecteurs propres vi de V . La matrice de
la couleur doit produire un changement visuel de la même transformation L de dimension d × n qui maximise le critère
importance. de Fisher est obtenue en définissant les lignes de L comme
Le modèle YUV définit un espace couleur en termes d’une la transposée des vecteurs propres vit correspondant aux plus
liminance et deux chrominances. YUV est utilisé dans le grandes valeurs propres.
système PAL du codage couleur dans la video analogique. III. C-M OYENNES F LOUES (FCM) EST SES VARIANTES
YUV se rapproche de la perception humaine de la couleur
mieux que le standard RGB, mais l’epsace HSL reste le plus A. FCM standard
indiqué. L’algorithme FCM attribue les pixels à chaque classe en util-
L’espace HSL (Hue, Saturation, Lightness/ Luminance) est isant un degré appartenance floue. Soit X = (x1 , x2 , · · · , xN )
un peu similaire à l’espace HSV connu aussi HSB (Hue, désigne une image avec N pixels à partitionnée en c classes
Saturation, Brightness). La difference est que la luminosité différentes, sachant que xi représente les caractéristiques
d’une couleur est égale à la luminosité du blanc tant que la colorimétriques des pixels. L’algorithme est une optimisation
luminance d’une couleur est égale à la luminance du niveau itérative qui minimise la fonction coût définis comme suit:
de gris moyen. N X
c
2
X
B. Analyse Discriminante Linéaire (LDA) J= um
ij kxj − vi k (5)
j=1 i=1
L’approche supervisée pour une réduction linéaire de la
dimensionnalité est basée sur la LDA. Cette approche définit la Où uij représente l’appartenance du pixel xj à la ieme
matrice de transformation optimale L qui maximise le critère classe, vi est le centre de la ieme classe Ci . k.k est une norme
de Fisher J: et m est l’indice flou. Le paramètre m contrôle le degré de
L = argmaxA J(A) (1) 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 avec le domaine spatial et la fonction d’appartenance spatiale
l’algorithme FCM standard. est calculée en utilisant les fonctions (16) et (17). L’itération
′
L’algorithme ci-dessus peut être résumé de manière uni- (b+1) procède avec la nouvelle fonction d’appartenance uij
forme dans les étapes suivantes : qui intègre la fonction d’appartenance spatiale hij .
1) initialisation de la matrice d’appartenance U (0) : U = L’algorithme ci-dessus peut être résumé de manière uni-
[uij ]. forme dans les étapes suivantes :
2) calculer l’image filtre moyen Xk , ∀k ∈ [1, n]. 1) initialisation de la matrice d’appartenance U (0) : U =
3) à l’itération (b) : calculer les centroı̈des V (b) = [vi ] en [uij ].
utilisant U (b) avec la fonction (15). 2) à l’itération (b) : calculer les centroı̈des V (b) = [vi ] en
4) mise jours de la
matrice U (b+1) avec la fonction (14).
à(b+1) utilisant U (b) avec l’équation (8) du FCM standard.
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, FCM standard.
la moyenne des composantes colorimétriques des voisins di- 4) calculer les degrés d’appartenances spatiales avec les
recte du pixel considéré et il l’intègre directement dans la équations
(16) et (17).
fonction objective J et les fonctions uij et vi . Dans le deuxième 5) si
U (b+1) − U (b)
< ǫ Arrêter sinon aller à l’étape 2).
algorithme FCM S2, l’information spatiale consiste en la
IV. E XP ÉRIMENTATION
somme des degrés d’appartenance uik des k voisins directe
du pixel considéré, cette somme est introduite seulement dans A. Base d’images
la fonction uij , tandis que les fonctions J et vi sont identiques Notre base a été construite à partir d’images réelles
au FCM standard. acquises au sein du service d’hémobiologie (CHU Tlem-
cen), sur des lames avec la coloration MGG(May Grunwald
C. FCM S2
Giemsa). L’environnement LEICA(caméra et microscope) per-
Pour exploiter l’information spatiale, une fonction spatiale met d’obtenir des images couleur RGB de 24-bit d’une
est définie comme suite : résolution (1024 x 768) sous format Bitmap.
X
hij = uik (16) B. Méthode d’étiquetage
k∈N B(xj ) Afin d’évaluer les résultats de segmentation nous devons
disposer d’une base étiquetée (image vérité terrain). Ce qui
Où N B(xj ) représente une fenêtre carrée centrée sur le
nous intéresse ici est de détecter les globules blancs (noyau et
pixel Xj dans le domaine spatial. Tout comme la fonction
cytoplasme), les globules rouges et le fond.
d’appartenance uij la fonction d’appartenance spatiale hij
représente la probabilité que le pixel Xj appartient à la classe A l’aide d’un programme développé sous Matlab et d’un
i. La fonction d’appartenance spatiale d’un pixel à une classe logiciel de traitement et de retouche d’image nous avons
est grande si la majorité de son voisinage appartient a la même effectué l’étiquetage des 27 images de notre base (voir fig.2),
classe. La fonction d’appartenance spatiale est intégrée dans sachant que le vert représente le noyau, le jaune pour le
la fonction d’appartenance comme suite [10] : cytoplasme, le rouge pour les globules rouges et le fond
(plasma) en noir.
′ upij hqij
uij = Pc p q (17)
k=1 ukj hkj
TABLE I
R ÉSULTATS OBTENUS POUR L’ ALGORITHME F CM
TABLE II
R ÉSULTATS OBTENUS POUR L’ ALGORITHME F CM S1
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)