Machine Translated by Google

Consultez les discussions, les statistiques et les profils des auteurs de cette publication sur : https://www.researchgate.net/publication/363514499

Optimisation de l'essaim de particules et analyse bidirectionnelle à effets fixes de la variance pour une segmentation efficace

des tumeurs cérébrales

Article dans Cancers ∙ Septembre 2022

DOI : 10.3390/cancers14184399

CITATIONS LIT

0 32

7 auteurs dont :

Amir Benzaoui
Sébastien Jacques
Université 20 août 1955-
Skikda Université de Tours

37 PUBLICATIONS 548 CITATIONS 84 PUBLICATIONS 452 CITATIONS

VOIR LE PROFIL VOIR LE PROFIL

Médine Hamiane A. Ouahabi

30 PUBLICATIONS 147 CITATIONS Université de Tours

180 PUBLICATIONS 1 944 CITATIONS

VOIR LE PROFIL

VOIR LE PROFIL

Certains des auteurs de cette publication travaillent également sur ces projets connexes :

COVID-19 Voir le projet

Imagerie médicale et projet Deep Learning View

Tout le contenu suivant cette page a été téléchargé par Madina Hamiane le 16 septembre 2022.

L'utilisateur a demandé l'amélioration du fichier téléchargé.

Machine Translated by Google
cancers
Article
Optimisation de l'essaim de particules et effets fixes bidirectionnels
Analyse de la variance pour une segmentation efficace des tumeurs cérébrales
Naoual 1 , Amir Benzaoui
Atia 2
Ayache Bouakaz 6 et Abdeldjalil Ouahabi 6,*
Citation : Atia, N. ; Benzaoui, A.;
Jacques, S.; Hamiane, M.; Kourd, KE ;
Bouakaz, A.; Ouahabi, A. Optimisation de
l'essaim de particules et analyse
bidirectionnelle à effets fixes de la variance
pour une segmentation efficace des tumeurs cérébmralaess.ses
propose
Cancers 2022, 14, 4399. https://
doi.org/10.3390/cancers14184399
Rédacteur académique : Andreas
Stadlbauer
Reçu : 12 juillet 2022
Accepté : 7 septembre 2022
Publié: 10 septembre 2022
Note de l'éditeur : MDPI reste neutre en ce qui
concerne les revendications juridictionnelles dans
les cartes publiées et les affiliations institutionnelles
cations.
Copyright : © 2022 par les auteurs.
Licencié MDPI, Bâle, Suisse.
Cet article est un article en libre accès
distribué selon les termes et
conditions des Creative Commons
Licence d'attribution (CC BY) ( https://
creativecommons.org/licenses/by/
4.0/).
, Sébastien Jacques 3 , Médine Hamiane 4 , Kaouther El Kourd 5,
1
Département de Génie Electrique, Université Mohamed Khider de Biskra, Biskra 07000, Algérie
2
Département de génie électrique, Université de Skikda, BP 26, El Hadaiek, Skikda 21000, Algérie
3
Université de Tours, 60 rue du Plat D'Etain, CEDEX 1, 37020 Tours, France
4
Collège d'ingénierie, Université royale des femmes, West Riffa 37400, Bahreïn
5
Département de Physique, Université Benyoucef Benkhedda d'Alger, Alger 16000, Algérie
6
UMR 1253, iBrain, INSERM, Université de Tours, 37000 Tours, France
* Correspondance : ouahabi@univ-tours.fr ; Tél. : +33-2-4736-1323
Résumé simple : La segmentation des images de tumeurs cérébrales à partir de l'imagerie par résonance
magnétique (IRM) est un sujet difficile dans l'analyse d'images médicales. La tumeur cérébrale peut prendre de
nombreuses formes et les images IRM varient considérablement en intensité, ce qui rend la détection des lésions
difficile pour les radiologues. Cet article propose une approche en trois étapes pour résoudre ce problème : (1) un
prétraitement, basé sur des opérations morphologiques, est appliqué pour supprimer l'os du crâne de l'image ; (2)
l'algorithme d'optimisation de l'essaim de particules (PSO), avec une fonction de fitness basée sur l'analyse de la
variance à effets fixes (ANOVA), est utilisé pour trouver le bloc optimal contenant la lésion cérébrale ; (3)
l'algorithme de clustering K-means est adopté, pour classer le bloc détecté comme tumoral ou non tumoral. Une
analyse expérimentale approfondie, comprenant des évaluations visuelles et statistiques, a été menée à l'aide de
deux
bases de données IRM : une base de données privée fournie par le centre d'imagerie de Kouba - Alger (KICA) -
et la base de données multimodal brain tumor segmentation challenge (BraTS) 2015. Les résultats montrent que
la
méthodologie proposée atteint des performances impressionnantes, par rapport à plusieurs approches
concurrentes.
Résumé : La segmentation des images de tumeurs cérébrales, pour affiner la détection et la compréhension des
anormales dans le cerveau, est un sujet de recherche important en imagerie médicale. Cet article
une nouvelle méthode de segmentation, composée de trois étapes principales, pour détecter les lésions cérébrales
à l'aide de l'imagerie par résonance magnétique (IRM). Dans la première étape, les parties de l'image délimitant l'os
du crâne sont supprimées, pour exclure les données insignifiantes. Dans la deuxième étape, qui est la principale
contribution de cette étude, la technique d'optimisation par essaim de particules (PSO) est appliquée, pour détecter
le bloc qui contient les lésions cérébrales. La fonction de fitness, utilisée pour déterminer le meilleur bloc parmi tous
les blocs candidats, est basée sur une analyse de variance à effets fixes bidirectionnelle (ANOVA). Dans la dernière
étape de l'algorithme, la méthode de segmentation K-means est utilisée dans le bloc lésionnel, pour le classer
comme tumeur ou non. Une évaluation approfondie de l'algorithme proposé a été réalisée, en utilisant : (1) une base
de données IRM privée fournie par le centre d'imagerie de Kouba - Alger (KICA) ; (2) la base de données 2015 du
défi de segmentation des tumeurs cérébrales multimodales (BraTS). Les estimations de la fonction de fitness
sélectionnée ont d'abord été comparées à celles basées sur le critère de dissemblance de la somme des différences
absolues (SAD), afin de démontrer l'efficacité et la robustesse de l'ANOVA. Les performances de l'algorithme
optimisé de segmentation des tumeurs cérébrales ont ensuite été comparées aux résultats de plusieurs techniques
de pointe. Les résultats obtenus, en utilisant les mesures du coefficient de Dice, de la distance de Jaccard, du
coefficient de corrélation et de l'erreur quadratique moyenne (RMSE), ont démontré la supériorité de l'algorithme de
segmentation optimisé proposé par rapport aux techniques équivalentes.
Mots clés : tumeur cérébrale ; segmentation d'images ; OSP ; ANOVA ; K-signifie
Cancers 2022, 14, 4399.
https://doi.org/10.3390/cancers14184399
https://www.mdpi.com/journal/cancers
Machine Translated by Google

Cancers 2022, 14, 4399 2 sur 32

1. Introduction
1.1. Qu'est-ce qu'une tumeur cérébrale?

Une tumeur au cerveau est un groupe de cellules cancéreuses incontrôlées qui se développent dans ou
autour du cerveau. Les tumeurs cérébrales se divisent en deux catégories : les tumeurs primitives, d'origine
cérébrale ou médullaire, et les tumeurs secondaires, également appelées métastases cérébrales, qui se
développent ailleurs dans l'organisme et se propagent au cerveau [1]. Dans la première catégorie (c'est-à-dire
les tumeurs primitives), la probabilité qu'une personne développe ce type de tumeur au cours de sa vie est
inférieure à 1 % [2]. Cette probabilité est faible ; or en 2020, par exemple, il représentait encore un peu plus de
308 000 personnes diagnostiquées dans le monde [3]. Un chiffre qui devrait également nous alerter, c'est
l'augmentation de l'incidence des tumeurs cérébrales à tous les âges au cours des 20 dernières années. Par
exemple, l' incidence a augmenté de plus de 40 % chez les adultes. Dans la deuxième catégorie (c'est-à-dire les
tumeurs secondaires ), les cancers qui se propagent le plus souvent au cerveau sont les cancers du sein, du rein
et du poumon, ainsi que la leucémie, le lymphome et le mélanome [4].
Une tumeur au cerveau peut prendre plusieurs formes; il est donc difficile pour les radiologues et les
médecins de le diagnostiquer de manière indiscutable, car les images d'imagerie médicale peuvent varier en intensité.
Plusieurs approches de détection et de segmentation des tumeurs cérébrales à partir d'images d'imagerie par
résonance magnétique (IRM) ont été proposées dans la littérature, pour aider les praticiens à poser leur
diagnostic [5,6].
Outre l'IRM, l'échographie fonctionnelle est une modalité de plus en plus reconnue en médecine.
L'échographie fonctionnelle peut permettre l'imagerie de l'activité neuronale du cerveau chez les petits animaux
éveillés et mobiles. Néanmoins, une telle modalité nécessite de longues acquisitions ultrasonores à haute
fréquence, pour avoir une sensibilité acceptable ; d'où d'éventuelles contraintes matérielles [7].

Lors de la chirurgie d'une tumeur cérébrale, deux types de difficultés peuvent survenir : (i) identification de
la tumeur et de ses limites liées au cerveau sain ; (ii) identification des régions cérébrales fonctionnelles , c'est-à-
dire celles impliquées dans les fonctions neurologiques (compétences, sensibilité, langage, vision, cognition,
etc.). La méthode de référence actuellement utilisée pour améliorer la qualité de la résection des tumeurs
cérébrales, tout en minimisant le risque neurologique, est la chirurgie dite « de secours » avec stimulation
cérébrale électrique directe. Les praticiens utilisent couramment les ultrasons pour localiser la tumeur dans le
cerveau ; cependant, à ce jour, il n'existe pas d'outils d'imagerie pré- ou peropératoire permettant d' identifier les
régions cérébrales fonctionnelles [8] ; d'où la nécessité d'une imagerie innovante dans ce domaine, comme
l'échographie Doppler haute fréquence, dans la prise en charge chirurgicale des patients atteints de tumeurs
cérébrales éveillées. L'ultra haute fréquence atteint une résolution spatiale de 30 µm, et est donc plus de cinq
fois meilleure que l'IRM. Le mode Doppler [9–12] détecte les flux microvasculaires à des vitesses inférieures à 1
mm/seconde.
Les gliomes sont les tumeurs cérébrales primitives les plus fréquentes chez l'adulte. Près de 3000
nouveaux cas sont diagnostiqués chaque année en France. Les hommes sont plus fréquemment touchés. La
plupart des cas sont sporadiques, mais dans de rares cas, ils sont associés à certains cancers familiaux [13,14].
Environ 75 % des gliomes diagnostiqués sont de haut grade (Classification III ou IV de l'Organisation
Mondiale de la Santé (OMS)) [15].
Les gliomes peuvent se développer dans n'importe quelle région du cerveau. Ils infiltrent progressivement le cerveau
parenchyme, et provoquer un effet de masse.
Aujourd'hui, si l'examen clinique doit faire évoquer un processus tumoral, le diagnostic d'une tumeur
cérébrale repose sur l'imagerie par résonance magnétique (IRM), du fait de sa prise de vue dans toutes les
orientations, de sa 3D intrinsèque, de sa non utilisation de rayonnements ionisants, et de sa précision .

1.2. Séquences IRM des tumeurs cérébrales

L'IRM cérébrale, avec ou sans injection de produits de contraste comme le gadolinium, est
systématique en cas de suspicion de tumeur cérébrale. L'IRM cérébrale permet : -

la localisation du processus expansif de la tumeur, et la spécification de son

extension locale ;
- la spécification de ses caractéristiques, par exemple, est-il homogène ou hétérogène ; y a-t - il un œdème
périlésionnel, des calcifications, une nécrose ou une hémorragie intratumorale ? ;
Machine Translated by Google

Cancers 2022, 14,

3 sur 32
4399

- l'établissement d'un diagnostic différentiel entre une tumeur cérébrale et une

circoncision lésion tracée d'une autre nature, par exemple un abcès ;
- l'établissement du diagnostic de certaines complications tumorales évolutives (hémorragie
rhage, hydrocéphalie, méningite tumorale, etc.).
- l'établissement du grade histologique, en cas de tumeur gliale ;
- la définition de la qualité de l'exérèse tumorale, et la poursuite de la stratégie thérapeutique après le
temps opératoire.

Les séquences IRM les plus courantes sont les séquences pondérées en T1 et T2, où T1 et T2
sont des constantes de temps spécifiques aux tissus.

Les images pondérées en T1 sont produites en utilisant des temps TE et TR courts, et vice versa pour
Images pondérées en T2, où TR est le temps de répétition, défini comme l'intervalle de temps entre
deux excitations, et TE est le temps d'écho, défini comme l'intervalle entre l'excitation et
l'apparition du signal IRM. Généralement, les images pondérées en T1 et T2 peuvent être facilement
différenciée, en observant le liquide céphalo-rachidien (LCR). Le LCR est sombre en pondération T1
images, et clair sur les images pondérées en T2.
Une troisième séquence que nous utiliserons dans notre travail est la séquence FLAIR (c'est-à-dire
récupération d'inversion atténuée), qui est une séquence d'inversion-récupération bien adaptée à
l'imagerie cérébrale, dans laquelle le signal du liquide céphalo-rachidien est supprimé ou fortement atténué,
et un TE long est utilisé, pour lui donner une pondération T2 solide. La séquence FLAIR a considérablement
amélioré la détection des lésions parenchymateuses cérébrales, en particulier celles situées au
interface parenchymateuse-LCR. Pathologies de la substance blanche (ramollissement, processus de démyélinisation,
etc.) apparaissent hyperintense. Cette séquence est particulièrement intéressante pour le diagnostic précoce
d'événements ischémiques ; il nous permet d'obtenir une image d'excellente définition en quelques minutes
et peut, contrairement aux séquences de diffusion ou de perfusion que nous n'utiliserons pas dans ce
travail, être effectuée sur tous les appareils IRM. Actuellement disponible en acquisition volumique 3D, il
fait partie du bilan IRM de base du cerveau.
Le tableau 1 compare les séquences T1, T2 et FLAIR dans le contexte du tissu cérébral constitué
de matière grise, de LCR et de matière blanche.

Tableau 1. Analyse des séquences IRM de base dans le cadre des tumeurs cérébrales.

Tissu
Pondération Pondération FLAIR
Matière blanche T1
T2 Gris foncé Gris foncé
Gros
Lumière Lumière Lumière
Brillant
FSC Sombre
Brillant Sombre

Inflammation Sombre Brillant Brillant

Cortex Gris Gris clair Gris clair

La figure 1A montre un exemple de séquence FLAIR IRM où un kyste est mis en évidence (voir
Cancers 2022, 14, 4399 4 sur 33
La Flèche); La figure 1B illustre une coupe transversale dans le plan axial du cerveau humain. De façon intéressante,
la séquence FLAIR est très « sensible » à la pathologie et détecte clairement le kyste.

FFigiguurere1.1(.A()AIR) MIRdMu cdeurvceearuv:ecaouup: ecoFuLpAeIRFaLxAiaIlRe.

Uaxniealime.aUgeneseimmbalagbelereàsusnekmysbtleanà tpàaruoni mkiynscete(fàlècphaer)oci ommipnacteib(leflèche) cohérente
aavveec cunuknysktyesétpeenédpyemnadiryempeauirt
eêtrpeevuut dêatnrse levuprdolaonngselmeepntroolcocnipgitaelmduenvet notrciccuilpeitlaatlédraul gvaeunchtreic. (uBle)
Claertvéeraaul gauche. (B) Cerveau
coupe transversale (illustration).
coupe transversale (illustration).
 La figure 2 montre un exemple de trois séquences IRM : pondérée en T1, pondérée en T2 et
FLAIR; sur la figure 3, nous avons représenté une séquence IRM pondérée en T1 (notée simplement « T1 »)
avec et sans produit de contraste. La séquence T1 avec produit de contraste est notée
« T1c » - parfois noté « T1Gd », lorsque l'agent de contraste est le gadolinium. Cette image représente
souffre d'un mélanome malin métastatique. L'IRM pondérée en T1 montre de multiples
Machine Translated by Google

Cancers 2022, 14, 4399 Figure 1. (A) IRM du cerveau : coupe FLAIR axiale. Une image ressemblant à un kyste à paroi mince (flèche) 4 sur 32
compatible avec un kyste épendymaire peut être vue dans l'extension occipitale du ventricule latéral gauche. (B)
Cerveau Figure 1.
(A) IRM du cerveau : coupe FLAIR axiale. Une image en forme de kyste à paroi mince (flèche) en coupe transversale
cohérente (illustration).
latéral gauche. avec transversale
(B) Coupe un kyste épendymaire
du cerveaupeut être vu dans le prolongement occipital du ventricule
(illustration).

figuLraefi2gumreon2trme ounntreexeumn pelxeedmeptlerodisestéroqiusesnécqeuseInRcMes:

IpRoMnd:éproénedeénréTe1e, npoTn1d,éproénedeénréTe2eent TF2LAeItRla;
FLsAuIRr ;lasLuafirgfluaigrfueigre3ur,e2n3om,uonsonuatrsveoaunvnosnersexpreermpérspéeslenetndéteéuutnrno
eeissséésqqéuuqeeunneccneecIeRIRsMMIRppoMnodn:édprééorenédeeénerTén1eT(en1no(tnéTeo1t,séipmeops
nliedmmépreléenetm«eeTnn1t «»)T1 »)
«
TFT1L2A»eI)tRa;vesucreltasfaignusrepr3o,dnuoituddseaccvooonnnttsrarsetper.éLLsaaensstéééquuneencse
éqTTu11eaanvvceeecIRpprrModpuoitndddeeérccéooenetrnasTt1e (eenssottnnéooetésiem'pTal1ercfmo' i-
esnt
« sTna1onGtésdep»'rTo, 1dlo-uGristdqd'u,e elocrloesnqpturraeosdlteuei.pt
LrdoaedscuéoitqndutreeancscoteenteTrsa1tsalteeveGecsatdplreoliGdnuiauidtmod.leiCncieuotmntet.riaCmse
atetgteeesimrtenapogteé'erTe1«pcrTé'—1scepna»tre–foupisnanrafoovteiéscene'oTtt1ée
méGmldaé'nt,aolosmtrasetqimquueaelli.'naLgm'IeRénMttadspetaoctnioqdnuéterréa.
esLt'eeIRneMTst1pleomnGodnaétdrréeoelidneeiunmmTu.1lCtimpelotetnestrilméesapioglunessireesuperrcsé
ossneidgnantieeresussneqmcuoiénslaudnpaopirmoersetedmn'utanmlinmaléulannome
hymipneajerliscnitgiomnnaéldt.aeAstpparrtoèiqdsuuienit.jedLce'ItRicooMnndtpreoansptdreoé,drléu'imeit
aedgneeTcTo1n1mtcroamnsotterne,trldeeesdmTe1suclltéispsolieonsnt
sslépssopionontnastnasénemécmeonnetdneatnierenhsyhpsypeporesnrigtsaingnanéla.mlA.epAnrptèresèns
miinenoujeuxcvtveioilslneusadleliéspséireoosnd,sueimt
qdouenetcreolenqsturlaéessltieeos,nlsl'éiomsnioatngésetéoTnr1etchéamtéuosrnestéhreeasuq,sueseét
leseoss,nletétdssoioonnncstmdooinentucéxtméviirseeuuhaxaliuvsisésseuésae,lises,ét eel'itsms, aoegnt
etddedoensc
nouvelles lésions sont détectées. sont détectés. de nouvelles lésions sont détectées.

FigFFuiigrgeuu2rre.eE2x2. e.EmExpexlmeempdelep3ldeseéd3qeuse3énqcsueéesqnIuRceeMsn:cIRpeoMsndI:RéprMéoen:d
epénroTén1ed, eépnorénTde1é,erépneonTedn1é,Trp2éoeenteFdnLéTAr2éIRee. teFnLTAI2Re. t FLAIR.

Cancers 2022, 14, 33 Figure 3. Comparaison entre une séquence IRM pondérée en T1 sans produit de contraste (T1) et la
Figure 5 sur
4399
Comparaison entre une séquence IRM pondérée en T1 sans produit de contraste (T1) et la Figure 3. Comparais3o. n entre une
sémquêemneceséTq1ueSncéequaevnecceunIRpMrodpuoint ddéeréceonstaransstepr(oTd1uci)t .dme êcmonetrsaésqteue(nTc1e)
eatvleacmuênmperosdéuqitudeencceonatvraesctepr(oTd1uci)t .de contraste (T1c).

Lafigure 4 montre un exemple de séquences IRM de la base de données BraTS 2015 [16], la
reprreépserénstaennttadnetsdpeasthpoaltohgoileosgiteusmtourmaolersalceésrécébrréablersa.leCse.
sCseésqsuéeqnuceenscseosnst oFnLtAFILRA, ITR1,,TT11,cT(1ocu(poluutpôltus
précpirséécmiseénmt,eTn1t -TG1d-G, cda,
rcla'argleenptroddeucitodnetracsotnetruatsilitseéuetislitséle eGsat dleoGlinaiudmol)in, iTu2m, )e,
tTG2,roeutnGdroTuruntdh Vfoérrmitéé par pardes spécialistes sur
lelessqquueelsllesselasuspéeqrupeonsceelaFLséAqIRueensctesuFpLeArIpRo.sLéees.
Lcoeuslecluarsssreespdréesceonutelenut rrséadleissées clastusemseduerstu: mroeuugres p: orouur
glae npéocurrolsaen;évcerrotspeo;uvr el'rœt pdoèumr el';œedt èjamuen;eeptojauur nlae tpuomuerular.
truempreéusre. ntent des

Figure 4. Séquences IRM de tumeurs cérébrales : FLAIR, T1, T1 contrastées par injection de
Gadolinium, T2, Figure 4. Séquences IRM de tumeurs cérébrales : FLAIR, T1, T1 contrastées par injection de
Gadolinium, T2, et Ground Truth superposées au FLAIR séquence.
Ground Truth superposé à la séquence FLAIR.
1.3. Pourquoi devrions-nous nous intéresser à la segmentation des tumeurs cérébrales ?

La segmentation d'image est l'action de regrouper des pixels selon des critères prédéfinis, afin de construire des régions
ou des classes de pixels. Il existe plusieurs méthodes de segmentation d'images : méthodes basées sur les contours, les
régions, la classification ou hybrides. La segmentation et son automatisation restent aujourd'hui l'un des enjeux majeurs de
l'IRM,
principalement en relation avec le cerveau.
Machine Translated by Google

Cancers 2022, 14, 4399

Figure 4. Séquences IRM de tumeurs cérébrales : FLAIR, T1, T1 contrasté par injection de Gadolinium, T2, 5 su3r2
et Ground Truth superposées à la séquence FLAIR.

1.3. Pourquoi devrions-nous nous intéresser à la segmentation des tumeurs cérébrales ?

1.3. Pourquoi devrions-nous nous intéresser à la segmentation des tumeurs cérébrales ?
La segmentation d'image est l'action de grouper des pixels selon des critères prédéfinis, La segmentation d'image est
l'actiondedesegmentation
méthodes grouper des d'image
pixels selon
afin des critères prédéfinis,
de construire afinoudedes
des régions construire
classes des régionsIl existe
de pixels. ou classes de pixels.
plusieurs Il existe
méthodes de plusieurs
segmentation
d'images : méthodes basées sur les contours, les régions, la classification ou hybrides. La segmentation et sa tation : méthodes basées
sur les contours, les régions, la classification ou l'hybride. La segmentation et l'automatisation restent aujourd'hui l'un des enjeux majeurs
de rla'IRppMo,rtpariunxcipimaalegmees ntut mpaorraralepsp,oartfinaud'caeidrveer aleu

psroanticaiuetnomdaantissastaiopnraretisqtueeaquujooutirddi'ehnuni el'u,
ndadnessleenpjeréusxemncaejedu'rismdaegel'IsRdM'u, nperintucmipeaulermcéernétbpraarle, afinlodn'gatiedmerplse

éptréatmicaiennudeallenss osua
speramtiiqdu'uenqéunootirdmieenvnoel,uemnepdré'imseangcees.dC'éensormméetshovdoelusmdeessde'igmmaegnetsa.tiConesonmtéloth
nogdteems pdse ésteégmmaennutaetliloens oonut autmomaiast,iqauveesc ml'aavièsn,
eamveecnlt'adveènnoeumveenlltedsemnéotuhvoedleless, cmeérttahiondeesss, ocnetrtdaéinseosrmsaoinst
ednétsièorremmaeisnteanutiètormemateisnét easu.tomatisées. semi-automatiques

La segmentation des tumeurs cérébrales est vitale, car la vie du patient en dépend ; l'implication directe de nos recherches
est dpeaptireonptoesnerddéepsenmdé;theondtieèsreemffeicnatcceestteetospûérerastipoonudrérélicpaotned.
rEenàeLffaets,elagmseegnmtaetinotnatdioens dtuems etuumrsecuérsrécbérarélebsraelesst vàitaplaer,ticr adr'imlaavgieesduIRM,
travimaipl,liacadtieosnimdirpelicctaetidoensnoptrraetiqreucehsedrcirheecteesst pdoeupr réotpaobslier
rudneesompéértahtoiodnesdieafgfincoascteiqsueet esûffriceascpeopulrerinéepmonednrte. Eànceelflfeetp,

rléasseengtémeednatantsionnodtrees pretsucmrieputirosncpérreésbcrraitleesdàanpsarntoirtrde'imtraavgaeisl,
IaRdMe,sdiempprléicnaotisoen,sdperastuiqivui edsedl'iérevcotleustiopnoudrel'léatatubmlisesuerm, oeuntdd'é'uvnaludaiatgionnodsteicl,adp'

eurntintreanitceemdeentlaet d'une ou tphoéurar péevuatliuqeurelaefpfiecratcineesn. cIleedset

sbiiemnacgoensnIuRMqutehélaraspeegumtieqnuteastiopnremscarnitueeslldeeest tlu'amneaulyrssecdéerésbsratrluecstusroenst
sfausivtiadniet ulasepsroegt rcehsrsoionnopdhealgaetsum; peaurr,
segcmonesnétaqtuioenntr,ombuesntteedt ethsétruampieeuarsutcoémréabtirsaéless. aIluersotnbt iuenn icmopnancut qsuigenliaficsaetigf
msuernlt'ahtoiomnmeet ld'aenlaalymsealmadaienu-elellessimdeagl'eIRs Mdestturumcetuurresllecéertélbarales

sursloannt afatusrteid,ieleusveosluemt ep,rle'enmnepnlat cdeumteemntpest ;lapamrecnotnastiéoqnudeenst,tuumn

eseugrsmceénrtéaburatolems,aatisuéraeut nroibmupsatect,seignnfiofiucrantiifsssaunr
tladegsesintifoonrmdeatliaonmsaelassdeien,tieenlles
[17f,o1u8r]n. issant la forme de la tumeur [17,18]. informations essentielles sur la
nature, le volume, la localisation et la forme de la tumeur

La fi g ur e 5 m o n t re u n e x e m
un ex e m p le d e s e g m e nt a ti o n
p le d e s e g m e n ta ti o n ré u s s ie . L e se g m e n t G
ré us s ie . L a s e g m e n ta ti o n G r o u nd T r ut h e s t
r o u nd T r ut h m o n t re
u n e se g m e n ta ti o n manuelle effectuée par des experts, et globalement elle
correspond à la segmentation est une
segmentation manuelle effectuée par des experts, et globalement elle correspond à la segmentation
automatique proposée (voir section 4 sur l'analyse expérimentale). La visu la segmentation
automatique proposée (voir section 4 sur l'analyse expérimentale). Les séquences IRM visualisées
sont issues de la base de données BraTS 2015, et correspondent aux séquences T1, T2, T1c, les
séquences IRM visualisées sont issues de la base de données BraTS 2015, et correspondent aux
séquences T1, T2, T1c et FLAIR. et les séquences FLAIR.

Cancers 2022, 14, 4399 6 sur 33

FigFuigreur5e. 5R.éRsuélstautltadtedlae slaegsemgemnetanttioantio(nvo(ivroSireScteiocntio4n) 4:

)S:éSqéuqeunecensceIRs MIRM: T:1T, 1T,2T, 2T,1Tc,1Fc,LFALIRA,IRG,rGouronudnTdruTtrhu,the,t segmentation. et
segmentation.
La figure 6 montre le résultat de détection (image centrale) de notre approche, à partir d'une
séquefingcuereIR6MmTo1ntarevelec
rbéisnualrtiastadtieondéptreocdtuioitnd(eimcaognetracsetnetr(aimlea)gdeedneotgreauacphper)oecht ese,
gàmpeanrttiar tdio'unn(eensévqeuret)nLcae T1 bSinéaqruiseanticoen I(RimMa(gime adgeeddroeitder)o. ite). avec
produit de contraste (image de gauche) et segmentation (en vert)
sFeiggmureen6ta. RéFsiuglutarted6e. lRaésseugltmatednetaltaiosne(gvmoier nSteactitoionn(v4o)ir: TS1ecc,tidoénte4c)
t:ioTn1ca,udtoémteacttiiqouneaduetosmtuamtiqeuuersdceésrétubmraeleusrs, cérébrales, segmentation, tion et
binarisation. et la binarisation.

11.4.4. .AAlglgoorirtihthmmeessddeesseeggmmeenntatatitoionnddeesstutummeeuursrsccéérérébbraraleless

iCndoimquméedianndsiq[u1é9]d, alenss a[1lg9o],riltehsmaelsgodreithsmegems ednetasteiognmdeenstattuiomneduerss

ctuémréeburraslecsépréeburvaelenst êptereuvreengtroêutrpeérseegnroturopiéssceantétgrooirsieCs opmrinmceipales :
c(o1n)vteenchtionniqnueellsesco; n(v2e) nteticohnnnieqluleess ;d(e2)ctlaescshinfiicqauteiosndeet cdleasrseigfircoautipoenmeet ndte; eret
g(3ro) udpeesmteecnhtn; icqauteésgodreiems opdriènlceipsadleésfo:rm(1a)btelecsh[n2iq0u,2e1s]. Les techniques à seuil, qui
comparent l'intensité des pixels à un ou plusieurs seuils d'intensité, appartiennent à la première catégorie : les
techniques conventionnelles [22,23]. Par exemple, une approche de seuillage Otsu, combinée à certaines opérations
morphologiques (c'est-à-dire la dilatation et l'érosion), a été proposée dans [24], pour détecter les maladies tumorales cérébrales à
partir d'images IRM. Une méthode étendue qui donnerait plus de précision
Machine Translated by Google

Cancers 2022, 14, 4399 6 sur 32

et (3) des techniques de modèles déformables [20,21]. Les techniques à seuil, qui comparent l'intensité des
pixels à un ou plusieurs seuils d'intensité, appartiennent à la première catégorie : les techniques
conventionnelles [22,23]. Par exemple, une approche de seuillage Otsu, combinée à certaines opérations
morphologiques (c'est-à-dire la dilatation et l'érosion), a été proposée dans [24], pour détecter les maladies
tumorales cérébrales à partir d'images IRM. Une méthode étendue qui donnerait des performances de
seuillage plus précises a été proposée dans [25]. De plus, les techniques basées sur les régions, dans
lesquelles des régions disjointes sont formées en fusionnant des pixels voisins, sur la base d'un critère de
similarité, sont également classées dans la première catégorie [26] ; ces techniques comprennent des
techniques de croissance régionale et de segmentation des bassins versants. Par exemple, une approche
adaptative de croissance de région a été proposée dans [27], pour résoudre le problème de la sélection
manuelle du seuil et de la faiblesse contre le bruit ; cette approche était basée sur les variances et les
gradients des courbes inter et intra-frontières. Dans un autre travail, [28], les auteurs ont présenté une
approche de croissance de région basée sur une valeur seuil fixe pour la segmentation IRM, renforcée par
un cadre de prétraitement efficace. Dans les travaux présentés par Biratu et al. [29], les auteurs ont modifié
le principe de la méthode classique de segmentation par croissance de région ; ils l'ont appliqué à la
détection de régions anormales dans des images cérébrales. L'initialisation du point de départ, dans la
méthode suggérée, a été conçue pour être générée automatiquement pour toutes les images cérébrales
d'entrée, contrairement à l'approche classique, où le point de départ doit être initialisé manuellement.
Khosravanian et al. [30] ont proposé une technique de segmentation par ensembles de niveaux, basée sur la
méthode de super pixel fuzzy clustering et lattice Boltzmann pour segmenter de manière autonome les
tumeurs cérébrales, qui est fortement résistante à l'intensité de l'image et au bruit.
La deuxième catégorie d'algorithmes de segmentation des tumeurs cérébrales - les techniques de
classification et de clustering - comprend plusieurs algorithmes efficaces [31], tels que les K-means, les
machines à vecteurs de support (SVM), les champs aléatoires de Markov, les réseaux de neurones artificiels,
les réseaux de neurones convolutifs (CNN). , et les C-moyennes floues. Par exemple, un schéma de
classification SVM, combiné à une méthodologie de sélection de caractéristiques dans l'espace du noyau, a été
proposé dans [32] pour la segmentation des tumeurs cérébrales. Un cadre non supervisé, basé sur des forêts
aléatoires, a été proposé dans [33], pour extraire la localisation de la tumeur, suivi d'une phase de classification
des motifs. Pour définir la zone tumorale, 86 caractéristiques ont été utilisées pour créer un ensemble de
données d'apprentissage, à présenter comme entrée au classificateur. Actuellement, les CNN, ou modèles basés
sur l'apprentissage en profondeur, ont obtenu des résultats impressionnants dans plusieurs applications
d'imagerie médicale [34–36],
car ils aident à comprendre avec précision des modèles complexes . Par exemple, un système entièrement
supervisé pour la segmentation des tumeurs cérébrales, basé sur une architecture CNN qui exploite les
caractéristiques contextuelles locales et globales, a été proposé dans [37]. Dans un article récemment publié
[38], des réseaux de neurones à convolution rapide ont été utilisés pour entraîner, classer et distinguer les
schémas tumoraux des non-tumoraux ; formation axée sur des patchs et des tranches de vues cérébrales
axiales, coronales et sagittales. Hussain et al. [39] ont créé une architecture de corrélation d'une couche CNN
parallèle et d'une couche CNN linéaire, en incluant une structure d'induction. La segmentation d'images IRM
de tumeurs cérébrales, à l'aide de cette structure, a produit des résultats positifs. En utilisant une formation
contradictoire non appariée, Li et al. [40] ont développé le cadre innovant appelé TumorGAN, pour fournir une
segmentati
Ils ont ajouté une perte de perception régionale, pour améliorer les performances du discriminateur et la
qualité des images de sortie. De plus, ils ont créé une perte localisée de L1, pour limiter la couleur du tissu
cérébral observé. Arora et al. [41] ont proposé un système automatique pour s'attaquer à la tâche de
segmentation des gliomes à partir d'examens IRM, basé sur un modèle d'apprentissage en profondeur basé
sur U-Net. Avant de présenter l'image d'entrée au modèle profond, le système l'a transformée en appliquant
diverses approches, notamment la mise à l'échelle des caractéristiques, la division de sous-ensembles, la
région d'objet restreinte, le découpage du cerveau par catégorie et la segmentation des bassins versants.
Une approche de segmentation automatique , basée sur la texture et le contour, a été proposée par Nabizadeh et Kub
Le classificateur d'apprentissage automatique a été formé à l'aide de points de repère, après avoir
déterminé les fonctionnalités de haut niveau. Dans le présent travail, nous avons opté pour K-means, qui
est un modèle d'apprentissage non supervisé appliquant un partitionnement non hiérarchique des données.
Cet algorithme
catégorise les données en plusieurs clusters, en respectant le principe d'exclusivité d'appartenance : une même
observation ne peut appartenir qu'à un seul cluster. L'avantage du K-means réside dans sa simplicité et le fait
qu'il est utilisé quotidiennement dans le monde socio-économique pour la segmentation des données.
Machine Translated by Google

Cancers 2022, 14, 4399 7 sur 32

La troisième catégorie d'algorithmes de segmentation des tumeurs cérébrales consiste en des

techniques de modèles déformables, y compris des modèles déformables paramétriques et géométriques.
Ces techniques ont été proposées, entre autres, pour favoriser l'interaction intuitive et la grande variabilité
des mécanismes. Par exemple, des techniques métaheuristiques ont également été utilisées pour la
segmentation des tumeurs cérébrales, exploitant leur capacité à résoudre des problèmes d'optimisation
difficiles en un minimum de temps, tout en évitant les optima locaux. Plusieurs techniques de segmentation
des tumeurs cérébrales basées sur des métaheuristiques ont été rapportées dans la littérature [43,44].
Dans [43], l'algorithme de recherche de coucou, un modèle d'optimisation efficace, a été appliqué à la
segmentation des tumeurs cérébrales, à partir d'images IRM. La métaheuristique d'optimisation des
colonies de fourmis et une approche de classification floue ont été combinées dans [44], pour segmenter
et extraire la région suspecte de l'image IRM cérébrale contenant la position de la tumeur. Dans un
article récent [6], les auteurs ont proposé une nouvelle méthode de segmentation des tumeurs
cérébrales basée sur la région d'intérêt (ROI). La région d'intérêt a d'abord été identifiée à l'aide de la
décomposition en grille, puis seule la région d'intérêt a été segmentée à l'aide de la méthode de
regroupement spectral.
Segmenter la tumeur cérébrale à partir d'une région d'intérêt, plutôt qu'à partir de l'image entière, est un
concept attrayant . Néanmoins, cette approche était limitée par la complexité de calcul accrue résultant
de l'étape d'identification du retour sur investissement. Dans cette étude, nous avons effectué une
analyse de variance (ANOVA) sur les données, pour quantifier les différences entre les résultats.
L'ANOVA est une méthode statistique généralement utilisée pour évaluer la similarité des moyennes
dans différents groupes, en comparant les variances [45,46]. Les principaux avantages de l'ANOVA par
rapport aux autres méthodes statistiques résident dans les quatre points suivants :
1.
Il est facile à mettre en œuvre, en utilisant une algèbre simple.
2.
Il peut être utilisé pour comparer plus de deux échantillons.
3.
Il peut être appliqué à des groupes avec différents nombres d'observations.
4.
Il a été largement utilisé et s'est avéré efficace dans divers domaines de recherche, tels que la pharmacologie et
la médecine.

1.5. Principaux apports

Cet article propose une méthode originale de segmentation des tumeurs cérébrales, basée sur la
technique d'optimisation par essaim de particules (PSO) qui utilise une ANOVA bidirectionnelle fixe
comme fonction de fitness. La segmentation d'une tumeur cérébrale est vitale, car la vie du patient en
dépend, et donc la motivation fondamentale de notre travail était d'identifier des méthodes efficaces et
sûres pour répondre pleinement à cette opération délicate. Cet objectif a été atteint par notre choix de
PSO avec ANOVA. L'algorithme proposé consistait en trois étapes principales : 1. La première étape
consistait à supprimer les os du crâne de l'image, afin d'éliminer les

informations.
2. Dans la deuxième étape, qui était la principale contribution de cette étude, la technique PSO a été
appliquée, pour détecter le bloc d'image cérébrale de la lésion. La technique ANOVA fixe
bidirectionnelle a utilisé une fonction de fitness pour déterminer le meilleur parmi tous les blocs
candidats, ce qui a entraîné une segmentation automatique des tumeurs cérébrales comparable à
la vérité terrain effectuée par les radiologues. Tous les blocs d'images ont été testés et celui qui a
donné la variance minimale a été considéré. Pour surmonter la complexité de calcul, PSO a été
utilisé comme technique métaheuristique, qui a identifié le meilleur bloc en un minimum de temps.
Le choix de PSO était basé sur les hautes performances de cette technique d'optimisation,
lorsqu'elle est appliquée à de nombreuses applications du monde réel. La solution satisfaisante à
un problème d'optimisation complexe , qui comprend de nombreuses solutions sous-optimales,
justifiée à l'aide d'une métaheuristique puissante, comme PSO. L'algorithme PSO, simple à
comprendre, à programmer et à utiliser en un minimum de temps, est particulièrement efficace
pour des problèmes pratiques d'optimisation, comme la segmentation d'images [47]. Par
conséquent, le problème a été posé comme une maximisation d'une fonction de fitness, et la
méthode bien connue ANOVA a été choisie pour mesurer la variance entre le bloc candidat et le bloc non m

3. Dans la dernière étape, le clustering K-means - une technique de partition efficace et simple - a été appliqué au bloc
lésionnel, pour le classer comme tumoral ou non tumoral.
Machine Translated by Google

Cancers 2022, 14, 4399 8 sur 32

Notre approche était originale ; à ce jour, aucune autre recherche ne s'est penchée sur les techniques
qui ont été choisies, pour apporter une réponse satisfaisante à la segmentation des tumeurs cérébrales.
Par conséquent, les points forts de notre approche ont été l'originalité et la qualité des résultats obtenus.
Pour illustrer le rôle essentiel de l'ANOVA dans l'algorithme proposé, les résultats
expérimentaux obtenus avec la fonction de fitness basée sur l'ANOVA ont été comparés à ceux
obtenus avec le critère de dissemblance bien connu, la somme des différences absolues (SAD).
Les résultats de la comparaison - comparés à des algorithmes de segmentation classiques et à
des articles récemment publiés (c'est-à-dire des approches de pointe), et à l'aide d'une base de
données privée fournie par le centre d'imagerie de Kouba, Alger (KICA), et le défi de segmentation
multimodale des tumeurs cérébrales (BraTS) 2015 — a démontré l'efficacité et la robustesse de l'ANOVA
Le reste de l'article est organisé comme suit : la section 2 présente le contexte de la méthode que nous
proposons ici ; dans la section 3, l'algorithme proposé est présenté en détail, ainsi que les raisons d'utiliser
PSO et ANOVA comme techniques sous-jacentes ; les résultats expérimentaux et une comparaison avec
l'état de l'art sont présentés dans la section 4 ; une conclusion, résumant le travail, est donnée dans la section
5.

2. Examen du contexte de l'approche proposée

L'algorithme utilisé a utilisé différentes méthodes pour segmenter l'image de la tumeur cérébrale.
La technique métaheuristique PSO a été appliquée pour identifier le retour sur investissement, et la fonction de fitness
qui a déterminé le meilleur bloc pouvant être considéré comme un retour sur investissement a été basée sur l'ANOVA.

Enfin, la méthode K-means a été utilisée pour segmenter le ROI. Cette section présente en détail les principaux
concepts de ces méthodes.

2.1. Optimisation de l'essaim de particules

Des techniques métaheuristiques ont été développées pour résoudre des problèmes d'optimisation
complexes , lorsque les techniques mathématiques échouent ou nécessitent un temps de calcul élevé. Le
processus de toute technique métaheuristique commence par une ou plusieurs solutions aléatoires
initialisées dans l' espace de recherche. Ensuite, des outils puissants, inspirés des phénomènes naturels,
sont utilisés pour faire converger itérativement la ou les solutions vers la solution optimale. Le succès d'une
technique
métaheuristique repose sur sa capacité à explorer l'espace de recherche en profondeur et à exploiter les zones promette
Les métaheuristiques sont regroupées en trois catégories, basées sur le type de phénomène naturel inspiré : (1)
les algorithmes évolutionnaires inspirés de l'héritage génétique pour la survie, tels que les algorithmes génétiques (AG)
[48] ; (2) l'intelligence de l'essaim qui imite le comportement social d'un groupe d'animaux, comme l'optimisation de
l'essaim de particules (PSO) [49] ; (3) les techniques basées sur la physique, qui reposent sur des règles physiques,
telles que le recuit simulé (SA) [50].
Parmi les nombreuses métaheuristiques développées dans la littérature, PSO a prouvé son efficacité dans de nombreuses
applications [51,52].
PSO est une technique d'intelligence en essaim proposée par Eberhart et Kennedy en 1995 [49], inspirée du
comportement de vol des oiseaux. Il a été utilisé avec succès dans de nombreux domaines d'application, en raison de
sa simplicité de mise en œuvre et de son efficacité.
Dans PSO, de nombreuses particules ou solutions candidates sont initialisées aléatoirement dans l'
espace de recherche, puis chaque particule ajuste itérativement sa position, en fonction de sa propre
expérience de vol et de celle de ses collègues [49, 53, 54]. Le concept fondamental de PSO est d'initialiser
aléatoirement Np solutions candidates dans l'espace de recherche. Leurs vitesses et positions sont ensuite
mises à jour, en utilisant (1) et (2) :

Vi = ω × Vi + c1 × R1 × (Pi − Xi) + c2 × R2 × (G −
Xi) (1)

Xi = Xi + Vi (2)

où Vi et Xi sont la vitesse et la position de la particule i, et Pi et G sont les solutions

individuelles et globales ; R1 et R2 sont deux nombres aléatoires, et ω, c1 et c2 sont
respectivement les poids des influences physiques, cognitives et sociales - ils contrôlent les
phases d'exploration et d'exploitation dans PSO.
Machine Translated by Google

Cancers 2022, 14, 4399 9 sur 32

Chaque solution candidate est évaluée par une fonction de fitness. L'individu et
les meilleures solutions candidates globales sont mises à jour, sur la base des valeurs de la fonction de fitness.
Un pseudo-code pour PSO est décrit dans l'algorithme 1 :

Algorithme 1. Algorithme PSO 1 : Initialise

le nombre total de solutions candidates Np, et le nombre maximum d'itérations tmax 2 : Initialisation aléatoire des solutions
candidates

3 : pour t = 1 : tmax faire 4 :

Mettre à jour les vitesses V avec (1)

5: Mettre à jour les positions X avec
(2)
6: Evaluer les positions X avec la fonction fitness
sept:
Mettre à jour les solutions individuelles (Pi) et globales
(G) 8 : Fin pour

2.2. Analyse de variance (ANOVA)

L'analyse de variance (ANOVA) est une méthode statistique développée par Larson en
2008 [45], pour analyser la variation d'une variable de réponse déterminée dans différentes
conditions, définies par des facteurs discrets. Plus précisément, le principe de l'ANOVA est de
déterminer, à l'aide d'un test statistique, si la part de dispersion attribuable au facteur étudié est
significativement supérieure à la part résiduelle. Si la dispersion factorielle est significativement
plus grande que la dispersion résiduelle, cela signifie que la dispersion des données autour des
moyennes de chaque modalité est faible, comparée à la dispersion des moyennes autour de la
moyenne globale. Dans ce cas, si les moyennes relatives à chaque modalité sont très dispersées,
alors que la variabilité intra-classe est faible, cela signifie que les moyennes sont globalement
différentes. A l'inverse, si la dispersion factorielle est du même ordre de grandeur que la
dispersion résiduelle, cela signifie que les moyennes ne sont pas globalement différentes. Enfin,
l'ANOVA permet de tester l' égalité des moyennes des différents groupes, en comparant leurs variances.
La technique ANOVA comporte deux modèles que nous détaillerons : l'ANOVA à effets fixes
à un facteur et l'ANOVA à effets fixes à deux facteurs [46].

2.2.1. ANOVA à effets fixes à un facteur

Les résultats d'une ANOVA unidirectionnelle ne sont significatifs que si les trois hypothèses suivantes
conditions sont remplies :

- Chaque échantillon provient d'une population normalement distribuée.

- Les variances des populations dont sont issus les échantillons sont égales.
- Les observations dans chaque groupe sont indépendantes, et les observations dans les groupes
ont été obtenues par échantillonnage aléatoire. Les hypothèses nulle et alternative définies
dans une ANOVA à un facteur sont les suivantes : - Hypothèse nulle ou H0 : les moyennes
des
k groupes de la population étudiée sont égales.
-
Hypothèse alternative ou H1 : au moins une moyenne de groupe diffère des autres.
Un test statistique, par exemple le test F de Fisher , avec (k − 1) [partie factorielle] et (N − k)
[partie résiduelle, où N est la taille de la population étudiée] degrés de liberté (à condition que la
normalité et l'homogénéité des résidus sont respectées), à un risque α donné (généralement 5%) -
permet de rejeter ou non l'hypothèse nulle. Les éléments clés de la méthode ANOVA à un facteur
sont résumés dans le tableau 2. Les principales définitions associées à ce tableau sont définies ci-
dessous :

- La somme totale des carrés (SST) est la somme des distances au carré entre chaque valeur
observée et la moyenne globale ; c'est la somme du poids attribuable au facteur (SSF) et
du poids attribuable aux résidus (SSE); il peut donc être résumé par (3).
- La somme factorielle des carrés (SSF), qui mesure les différences entre le
groupe moyennes et la moyenne générale, est défini en (4).
- La somme des carrés résiduelle (SSR) est définie en (5). -
p est la p-value correspondant à Fk−1,N−k .
Machine Translated by Google

Cancers 2022, 14, 4399

10 sur 32

Au final, supposons que la p-value soit inférieure à la valeur seuil qui a été définie
(généralement 5%) : dans ce cas, l'hypothèse nulle peut être rejetée, impliquant qu'au moins
une des moyennes dans un groupe de population diffère des autres.

k New Jersey

2
SST = SSF + SSE = ∑ ∑ yij − y (3)
je=1 j=1

- SSF : somme factorielle des carrés.

- SSE : erreur somme des carrés.
-
i : indice des modalités (groupes), soit de 1 à k. j : indice
-
d'observation dans une modalité. yij : observations. y :
-
moyenne globale des observations.
-

k 2
∑
New J ers ey

RSS = ∑ yij − yi (4)

je=1 j=1

k
FSS = ∑ ni(yi − y) (5)
2

je=1

-
ni : nombre de données pour chacune des
-
modalités. yi : moyenne des ni -valeurs de la modalité considérée.

Tableau 2. Éléments clés des calculs ANOVA unidirectionnels.

Source de variation Somme des carrés Degrés de liberté Carrés moyens Valeur F Valeur p

Facteur k-1 FSS

SSF (attribuable au facteur)
k-1
FSS
Résidus ou erreur N-k ESS
SSE (attribuable aux résidus) k−1 p
N-k Fk−1,N−k =
ESS
N-k
Total SST = SSF + SSE N-1

2.2.2. ANOVA à effets fixes bidirectionnels

Le principe du modèle ANOVA à effets fixes à deux facteurs est, dans un premier
temps, de décomposer la dispersion totale des données en quatre sources : la
contribution attribuable au premier facteur, noté A ; la contribution attribuable au second
facteur, noté
B ; la contribution attribuable à l'interaction des deux facteurs; et la part inexpliquée ou
résiduelle. Dans cette méthode, chaque niveau d'un facteur est combiné avec l'autre
facteur : les deux facteurs sont dits croisés. Puis, dans un deuxième temps, il faut
évaluer, à l'aide d'un test statistique, si les parts factorielles, et celle liée à l'interaction,
sont significativement supérieures à la part résiduelle.
Avant d'entrer dans les détails de la méthode, il est nécessaire de définir les paramètres
suivants : - La première variable catégorielle étudiée (souvent appelée facteur A) a des
modalités a (on dit aussi que le facteur A contient des niveaux a ). L'indice des modalités
de cette première variable catégorielle, noté i, va de 1 à a. De même, la deuxième
variable catégorielle étudiée (souvent appelée facteur B) a b modalités. L'indice des
modalités de cette deuxième variable catégorielle, noté i, va de 1 à b.
- Le nombre total d'observations est toujours noté N, mais le nombre d'observations dans chaque
cellule du plan factoriel est noté nij. L'équation (6) définit la relation entre N et nij. Dans ce qui
suit, n est le nombre de répétitions.
Machine Translated by Google

Cancers 2022, 14, 4399 11 sur 32

- Les observations dans chaque cellule du plan factoriel (c'est-à-dire dans chaque combinaison
factorielle) sont désignées par yijk, où k est l'indice de réplication dans chaque croisement.
La moyenne globale des réponses est définie en (7), où les deux points (« .. ») correspondent
aux indices des première et seconde variables catégorielles.
- Les moyennes de chaque croisement de modalités sont notées yl J (voir (8)).
- Les moyennes marginales des modalités de la première variable et celles de la seconde variable et
répondent notés yl∙ et y∙J , - Les nombres marginauxaduexsdméfoindiatiolitnéss
ddeeslaéqpureamtioiènrse(v9a) reiat b(1le0)e.tscoenutxredsepleacdtiveeumxièemnte
variable sont respectivement notés ni∙ et n∙j , et répondent aux définitions des Équations (11) et (12 ).

un b
N= ∑ ∑ nij (6)
je=1 j=1

1 un b
nij
y.. = N kje==11 ∑j=1∑ ∑ yijk (sept)

nij
=
1
yl J
nij k=1
∑ yijk (8)

1 yl∙ = b ∑ yl J (9)
j=1
un

1
y∙J = ∑ yl J (dix)
un je=1

b
ni∙ = ∑nij _
(11)
j=1
un

n∙j = nij ∑ (12)

je=1

Comme la méthode ANOVA unidirectionnelle, et comme indiqué dans le tableau 3, la technique ANOVA
bidirectionnelle mesure d'abord la dispersion totale des données en calculant la somme totale des carrés (SST),
comme défini dans (13). Ensuite, la dispersion totale est décomposée en la part attribuable au premier facteur,
notée SSA (voir (14)), la part attribuable au second facteur, notée SSB (voir (15)), la part attribuable à l'interaction
entre les deux facteurs, noté SSAB (voir (16)), et enfin, la part attribuable aux résidus, notée SSR (voir (17)).

Après avoir calculé les variances des facteurs, l'interaction et les résidus, appelés carrés moyens
dans le tableau 3, des tests d'hypothèses statistiques, c'est-à -dire des tests F du rapport de deux
variances, sont effectués pour évaluer si chacun des trois les parts de variance sont nettement
supérieures à la variance résiduelle. Sous les hypothèses de normalité et d'homogénéité des
résidus, la statistique du test F suit une distribution de Fisher avec :
-
(a − 1) et ab(n − 1) degrés de liberté pour les tests liés au facteur A ; (b − 1) et ab(n − 1)
-
degrés de liberté pour les tests liés au facteur B ; (a − 1)(b − 1) et ab(n − 1) degrés de
-
liberté pour les tests liés à l'interaction entre les deux facteurs, A et B.

Enfin, comme dans la section précédente, et de façon classique, il faut calculer

la probabilité, sous l'hypothèse nulle H0, d'observer une telle F-value : c'est la p-
value. Cette p-value est comparée au seuil de signification choisi (généralement fixé à 5%). Si la
valeur de p est inférieure au seuil de signification, nous concluons que l'effet est significatif. Sinon,
Machine Translated by Google

Cancers 2022, 14, 4399

12 sur 32

la conclusion n'est pas qu'il n'y a pas d'effet, mais qu'il n'y a aucune preuve d'un effet. Il est
possible, par exemple, que la taille des échantillons soit trop petite pour montrer une différence
significative.

un b nij 2
SST = ∑∑ ∑ yijk − y.. (13)
je=1 j=1 k=1

un
2
ASS = milliards (14)
∑ (yl∙ − y..)
je=1

b
2
SSB = un ∑ y∙J − y.. (15)
j=1

un b
2
SSAB = ∑∑ n yl J − y..
– SSA − (16)
SSB
je=1 j=1

un b 2
RSS = ∑ ∑ yijk − yl (17)
J
je=1 j=1

Tableau 3. Éléments clés des calculs ANOVA à deux facteurs.

Source de variation
Somme des carrés Degrés de liberté Carrés moyens Valeur F Valeur p
Facteur A
SSA
un - 1 ASS
SSA (attribuable au facteur A) a−1
un - 1 FA(a−1,ab(n−1)) = ESS
Pennsylvanie

Facteur B ab(n−1)

BLU
b-1 BLU
SSB (attribuable au facteur B) b−1 pB
b-1 FB(b−1,ab(n−1)) = ESS
Interaction AB ab(n−1)

SSAB SSAB SSAB

(une - 1)(b - 1) (a−1)(b−1) pAB
(attribuable à l'interaction AB) (a − 1)(b − FAB((a−1)(b−1),ab(n−1)) ESS
=
1) ab(n−1)
SSE
Résidus ou erreur ab(n −
F p
(attribuable aux résidus) 1)
ESS
ab(n−1)

2.3. Technique de clustering K-Means

K-means est une technique de clustering non supervisée qui sépare toutes les données en K clusters.
Chaque point de données est affecté à l'un des clusters K qui minimisent la distance euclidienne entre
le point de données et le centre du cluster. Les centres sont ensuite mis à jour et les points de données
sont réaffectés au centre le plus proche sur plusieurs itérations. Les itérations sont répétées, jusqu'à ce
que les centres ne bougent pas ou que les points de données ne changent pas le cluster auquel ils sont
affectés [55,56]. L'algorithme 2 décrit la technique de clustering K-means.

Algorithme 2. Algorithme K-means

1 : Initialiser le nombre de clusters
2 : Choisissez les centres de grappe initiaux
3 : Tant que le critère d'arrêt n'est pas satisfait, faites 4 :
Attribuez chaque point de données à un cluster 5 :
Mettre à jour le centre de chaque cluster
6 : Fin pendant

3. Méthode de segmentation proposée

La méthode de segmentation proposée comprend trois étapes principales. Dans un premier
temps, un pré-traitement de l'image est effectué, pour éliminer toute donnée inutile. Ensuite, PSO est
appliqué pour identifier la ROI et K-means est utilisé pour segmenter la ROI. Un schéma illustratif est
représenté sur la figure 7, et un organigramme simple de la méthode proposée est présenté sur la figure
8 où la détection et la localisation de la tumeur sont marquées par le carré rouge.
Machine Translated by Google 3. Méthode de segmentation proposée
La méthode de segmentation proposée comprend trois étapes principales. Dans la première étape,
un prétraitement de l'image est effectué, pour éliminer toute donnée inutile. Ensuite, OSP
est appliqué, pour identifier le ROI, et Kmeans est utilisé, pour segmenter le ROI. Un illustratif
Cancers 2022, 14, 4399 13 sur 32
schéma est illustré à la figure 7, et un organigramme simple de la méthode proposée est
présenté sur la figure 8 où la détection et la localisation de la tumeur sont marquées par le carré
rouge.

Cancers 2022, 14, x POUR ÉVALUATION PAR LES PAIRS 14 sur 33

Figure Figure 7. 7. Schédmeal'aSpcphréomchaedperol'appopsréoec.he proposée.

Cancers 2022, 14, 4399 14 sur 33

FFiigguurree 88.. OOrrggaanniiggrraammmmee ddee llaa mméétthhooddee ddee

sseeggmmeennttaattiioonn pprrooppoossééee..

3.1. Prétraitement des images

3.1. Prétraitement des images
Le prétraitement des images est essentiel pour supprimer les données bruyantes, incohérentes, incomplètes et
non pertinentes Le prétraitement des images est essentiel pour supprimer les données bruyantes, incohérentes,
Figiunreco8.mOprglèanteigsrametmneodne lpa emrétitnhoednetedess[e5g7m]e. nPtaltuiosniepurorpsosaépe.proches peuvent améliorer la
qualité de l'image lors de sa transmission données pertinentes [57]. Plusieurs approches peuvent améliorer la
qualité de l'image lors de sa transmission ou de son stockage [58]. On citera par exemple ceux basés
sur le concept de compression
3.1.oPurétsratitoemckenat gd'eima[g5e8].
On citera par exemple ceux basés sur le concept de détection
compressée, où le reheassuesnsetieml epnotudr esul'ipmparigmeeer slet srébarluisités,lolerss
dinecol'ahcéqreunisciteiosn, l[e5s9i–n6c3o]m. Uplnetpsréettraleitseimrreénetl.alter image est détection,
où l'amélioration de l'image est effectuée lors de l'acquisition [59–63]. Une approche alternative consiste à
donenféfeescptueretirneunnteds é[5b7r].uPitluasgieeurssimappprloecheetsepfefiucvaecnet
a(mpérloiocrehreladqeuall'iotépdteiml'iamlaitgée) loàrspdaertsiar tdraensmission
L].'aOpnprcde
[58ondelettes oicpremière
tehrea npou
aatdeuxième
riveexecom npsliestcee
génération àuxefbfeacstéusesr uurnledécbornuciteapgtedseimcopmleperet
[64–66].
sesffiiocnace (proche de l'optimalité) à partir de ou de stockage
détoencdtieolne,ttoeùs ld'aempérleiomraiètiroenoduedle'imuxaiègme esgtéenfféercattuioéne[l6o4rs–6d6e].l'acquisition [59–63].
Une alter
L'effeuillage du crâne est une étape cruciale pour éliminer de l'image cérébrale tous les éléments non cérébraux.
L'approche nLa'teivfefecuonilslaisgteeàdeuffecctruâenr eunedsétbruunitaegeétsaimppelecertuecffiicaalecep(poruocrhée ldime li'nopetirmdaelitél)'imà
paagrteir dceérébrale tous les tissus non cérébraux ,
t e ls q u e l' o s d u c râdneeux,ièlameggraénisésraeti,onla[6p4e–6a6u]., etc. [67]. Pour cela, plusieurs approches ont été
ond e le tte s d e p r e mi èr e ou

dsuéeevf,efecluooimpllapmgée [ld6'ou8sc,d6râu9n]ce.râLenaset
, ul na eg érat a isp s ee,c lra u cp iea aleu p, oeut c r. é [6 lim7 ] i.n Àe r cde et tel'i mfi na ,g pe luc sé ier éubr
p r e m i è r e é t a p e d e l a t e ch n iq u e p r o p o s é e
sra al ep pto rou csh lee ss on t é té d év e lo p p é e s . L'
e s t u n e p r oc é d u re d 'e f fe u i ll a g e crânien,
comddaémnveselllo'eopqspuédeul[6lc'8irm,â6an9ge].e, Llaeangprnraeivismesaieèu,rxeladépetaegpareuis,deeetsclta.

c[t6oe7nc]vh. enPrioqtiueureecnperluoanp,
e opsl u ése ie eus rts ua n pe p pr oro cch ée d s u o rne td é' et éf fed uéeilulailgfeixdeu. crâne, en suite,
i m[68,69].
a Lagpremière
e étape
b i de
n la technique
a ir e proposée
, àest lune' a i d d'effeuillage
e d ' ucrânien,
n en s
développé procédure
dont l'image
Ensuite, en niveaux
deux de grismorphologiques
opérations est convertie en une image binaire, àetl'aide
- remplissage d'un seuil
érosion - sont appliquées à l'image binaire.
fixe.l'image en niveaux de gris est convertie en une image binaire, en utilisant un seuil fixe.
laquelle
Ensuite, deux opérations morphologiques - remplissage et érosion - sont appliquées au binaire im . Enfin, l'image
originale
Ensuite, est masquée
deux opérations par l'image
morphologiques binaire obtenue
— remplissage et érosion;—l'image générée
sont appliquées à l'im
paest
lrâ'ilmg'imea.gaEegnecfirbnâi,nnla'iiemirneangoeebdtoeérnpiguoienuai;lllléeeegs(évtnoméirraéFsqiguuéree p9a)
r[6l'0im,7a0g–e7b2i]n. aire obtenue ; l'âge généré . Enfin, l'image originale est masquée
l'ima g
l' ime easgt el'imeasgtel'dimu carâgnee cdréâpnouieillné n(veoidr Féipguorue i9ll)é[e60(, v7o0–ir7F2]i.gure 9) [60,70–72].
 (un) (b)

Figure 9. Étape de prétraitement : (a) image cérébrale originale ; (b) image cérébrale après prétraitement.
Figure 9. Étape de prétraitement : (a) image cérébrale originale ; (b) image cérébrale après pré-traitement.
3.2. Détection du retour sur investissement

PSO est une technique métaheuristique puissante, conçue pour résoudre des optimisations complexes
des problèmes. L'algorithme pro(upno)sé utilise PSO pour rechercher le bloc optimal contenant (b)
la tumeur dans l'image IRM. Le concept principal de cette étape est décrit comme suit
bas.Figure 9. Étape de prétraitement : (a) image cérébrale originale ; (b) image cérébrale après pré-traitement.
Machine Translated by Google

Cancers 2022, 14, 4399 14 sur 32

3.2. Détection du retour sur investissement

PSO est une technique métaheuristique puissante, conçue pour résoudre des problèmes
d'optimisation complexes. L'algorithme proposé utilise PSO pour rechercher le bloc optimal contenant
la tumeur dans l'image IRM. Le concept principal de cette étape est décrit comme suit.
Tout d'abord, plusieurs blocs candidats sont initialisés de manière aléatoire dans l'image IRM,
et chaque bloc candidat est évalué avec une fonction de fitness, pour déterminer les meilleurs blocs
Cancers 2022, 14, 4399 (voir Figure 10). La fonction de fitness de l'algorithme proposé est basée sur l'ANOVA b1i5dsiruer
c33tionnelle, pour analyser la variance. Les données utilisées sont le bloc candidat et l'image IRM
d'un cerveau sain. La fonction de fitness utilisée est donnée par (18).

MSA f
=+ (18) (18)
MSE téM
mS o
Bin
MSE

(un) (b)

(c)
(ré)

Frioguugree)1a0p. rIèdsen5tiiftiécaratitoionndsu reFtioguurresu1r0i.nIvdeesntitsifsiceamtioenntd,

uenreuttoiluisrasnutrPinSvOesetitsAseNmOeVnAt, :e(na)ubtilloiscasnct aPnSdOidaettsA(NenOVA : (a) blocs
ciaténrdaitdioantss (;e(nd)rocuagned)idaaptrsè(sb5)
bitléorcasticoannsd;idtiaotnssa;p(rbè)sb1lo5cistécraantidoindsat;s(ca)pbrèlosc1s 5caitnédraidtiaotnssa;p(rcè)sb3lo5cistécr
aantidoindsat;s(da)plreèss b3l5ocs candidats bloquent après 50 itérations. après 50 itérations.

CCoommmmeeMMSSAAeet tMMSSBBrerepprérésesenntetennt
tlalavavariraiabbiliitléitéeenntrtereleles smmooyeyennnnees sddeeggrorouuppee, ,eet tMMSSEErerepprérésesenntete
la variabilité agurosuepined,udigvrioséuppea,rdleividseégerépadrelelibdeergtéré,
adleorlsibleerstév,aalelourrssleéslevvaéleesurdseéMleSvAéeest rMepSrBésceonrtreenstploanvdaerniat
bàiluiténeauvasreiainbidlitué sli'gimnifaicgaeticvéeréebnrtraelelesabnloscmcaanladdidiea,tceet qMuSi Asigent
iMfieSqBuc'iloyrreasepsotnudnentist sàuuanneovrmaraial
bdialitnésscigenbifliocca.tiDveanesntlr'iemlaegbelodcuccaenrdveidaaut et sbalnosc mcaanladdidiea,t ceet
llaessimgnoitfsiedquuc'ileyrvaeauun stiasnsus manaolarmdiael, dlaangsracnedeblovac.riEabnildit'éaeuntrteres
lteerbmloecsc, alandgirdaantdeet vl'aimriaabgielitdé'iemnatrgeeledu cceervbeloacu csaanndsidmaat
lcaodnietiesnigtnuifniee qtuume ecuer.bPloacr ccaonndsiédqaut econnt,tileenbtloucnecatunmdieduart.qPuai
rccoorrnessépqounednàt, llae vbalolecucramndaixdimatasleigndiefielaque
foensct tcioonnsdiedéfirténecsosmemset
cleonmsiediélleréurcbolmocmteroluevmé.etirlloeuuvréb.loUcnceofroriesslp'éovnadluaanttioànladevalalefuornmctaioxnimd
aelefitdneeslas feotnlcetsiomn ediellefuitnrsess
bmloicssàgjlooubra, ulexsept oinsditiivoindsuedlessUbnloecfsoicsaln'édviadlautastisoonndt
eéglaalfeomncetniot nmdiseefsitnàejsosure, telnesumtiliesiallnetu(r1s)belot c(2s )g. lmobisaeusxàetjoinudr,ivleidsuels
positions
de mise àdesjourblocs
de la candidats sont
fonction de également
fitness mises àjusqu'à
sont répétés, jour, en
ceutilisant
que les (1) et (2). Les
processus de processus de blocetd'évaluation
bloc d'évaluation de mise à et
jour de la fonction de fitness maximum soient répétés, jusqu'à ce que le nombre maximum d' itérations soit atteint.
Comme certaines solutions peuvent être évaluées plus d'une fois dans une technique métaheuristique, la valeur de la
fonction de fitness et les positions de chaque solution candidate sont stockées dans une matrice, afin de réduire le
temps de calcul. Ensuite, si l'algorithme PSO tente d'évaluer une solution déjà évaluée, sa valeur de fitness est tirée
directement de la matrice. Cette idée a réduit la complexité de calcul des problèmes d'appariement de blocs.
Machine Translated by Google

Cancers 2022, 14, 4399 15 sur 32

itérations sont atteintes. Comme certaines solutions peuvent être évaluées plus d'une fois dans une
technique métaheuristique, la valeur de la fonction de fitness et les positions de chaque solution candidate sont
stocké dans une matrice, pour réduire le temps de calcul. Ensuite, si l'algorithme PSO tente
CCaanncceerrss 1166 ssuurr 3333
pour évaluer une solution déjà évaluée, sa valeur de fitness est tirée directementde la
22002222,, 1144,,
matrice.
44339999
Cette idée a diminué la complexité de calcul des problèmes d'appariement de blocs [69].

33.3.3. .SSegemgmenetanttiaotniottnumtuomraolerale
PPouorullaar slaegsmeegntmatieonntttauummtiooorrnaletu, lma
c l u s t e r i n g e s a p p l
toecrahnleiq,uleadteec cl u hs nt e irq i n ug eKd-meeacnlus se ts et ra ip np gliqKué-me àel aa ns est
m e il le ur bb lo c ,
appliquée à la m e i lle u r b lo
tcletrrROI
o,ouu trvvoéudetdvsa
identifié aasegmentation
énsdlal''éénttasen
app e e dd ee dd ét e cti o n RR OO II ,, cc on te n a n t
l ' é ta p e d e d é t e ct i o n R O I , c
K-means.
ll aa tt uu mm e euu rr . P P a r ce qq uu ee n noo uu s c cll as s o ns llee ss
o n t e n a n t l a t u m e u r . P a r c e q u e n o us classons les
bblolocscscocmommemttuuemtourmauoxroaouul
onnuonnttouumnmooturraamuuxxo, rllaa lm,mlééathmodéethKKo-mdmeeaKns-
muutetiillaiissneesdeuutixlisccleluussdtteeerruss.x. Lcaluffiigsgutuerreers11.1Liilallluusfsittgrreeure 11 illustre
llee RROOII iiddeennttiiffiiéé eett ssaa sseeggmmeennttaattiioonn àà ll''aaiiddee dde KKmmeeaannss..

(a)
(b)

FFFiiggiuugrreue r11e11..1SS1eeg.gmmSeeenngttaamttiiooennnddutuarreteittooounurr sdsuuerr

iilnnavveeRssttOiissssIeemàmeeln'natt iààdlel''aaiidddeeeddKee K-Km--mmeeeaaannnsss:: (:(aa())arree)ttooRuurOr

ssIuurirdiinnevvenessttitifissiséseeemme;enn(tbt iid)deeRnnttOiiffiiééI ;;s((ebb))gRRmOOeII snseetggémmaeenvntteéécaavvKeecc-mKK--

m e ann ss ..
em ae a n s .

LdLeeeslsarérsésesgultmltatestnsdtadeteiloalnassseoegngmtmeeennntsatuatiiotieonnésvsoaonlntuteéensn,sus
euinteitmeéeévsvaualurlauénésts, ,leaensnmimmeieslasururitaréannot
tulala sismdimiislaislarimirtéitiéoouulaladdisissesimmbi lanLcees résultats lalarirtéitéenetrne teerueuxxeeeut lxlaa
evvéét rlitaé vffooénnrddiataémefonntadlea.
mLLaaeffniiggtuuarrelee11.2Liillusfitgreullreeeré1s2ultialltuddseetrllaea sleegrméesnutalttiaotn de la
segmentation de dneonntrooetraepaappprpporrcoohccheheeeeet tladevlélaarivvtéértietérrtteaerirnrraa. in.

(a) (b)
 FF i gi ug r ue r 1e 2 .1 C2 o .mC p ao r am i s po na dr ae sis po e nr f o dr me as n cp e es
F ig u r e 1 2 . C o m p a ra is o n d e s p e r fo r m a n c e s
reefnnottrrreemllaaassneecggmemseennettaanttiiotornneddeleass tstuuemmgeeumurrsseccnéétrréaébbtriroaallneessdpperroosppootsuséémee
et G r o u n d
ee t uG rrs o u cn éd rébrales proposée et Ground
V é ri t é : ( a ) s e g m e n t a ti o n à l' a i d e d e n o t r e m é t h o d e ; ( b )
V Vé ré i t ré it: é( a :) s( ea g )m se en gt a mt i o en nà tla ' a ti di oe nd e àn ol 'ta r ei dm eé td h eo d en o; (t b r)e
V ér it é d e t e rr a i n .
V mé r ié t é thd eo td e er r a ;i n (. b) Vérité de terrain.

AAu ufil fddilesdeaansnss,a, pnluss,iepulrussmmieeeussurusrems deesssuiimmreiillsaridtéeest didme

iddlaiissrssiiitmméilietutddeeondt iéséttsééimffoorrimlmituuullédéeees oeetnt t été formulées et
rraappppoortrétédadnasnlslaa lllaittélitrtaéturaretu. rPPeoo. uPr oééuvvraléuvear
lnnuooettrrenaoalltggroeorriaitthhlgmmoeer,i,tnhnomouuess,anvoounss uautvtiilloiissnéésleustimlmisééétrliequsems
éssuturiiivvqaaunnettesesss[[u77i33v]]a::ntes [73] :
1. Coefficient de similarité des dés :

222 2 (19)

2. Distance Jaccard :