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  1955­Skikda 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 :

COVID­19  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  Atia 1, , Sébastien  Jacques 3 , Médine  Hamiane
Amir  Benzaoui 2 4, Kaouther  El  Kourd  5,
Ayache  Bouakaz  6  et  Abdeldjalil  Ouahabi  6,*

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@univ­tours.fr ;  Tél. :  +33­2­4736­1323

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  K­means  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  
Citation :  Atia,  N. ;  Benzaoui,  A.; bases  de  données  IRM :  une  base  de  données  privée  fournie  par  le  centre  d'imagerie  de  Kouba  ­  Alger  (KICA)  ­  et  
Jacques,  S.;  Hamiane,  M.;  Kourd,  KE ;   la  base  de  données  multimodal  brain  tumor  segmentation  challenge  (BraTS)  2015.  Les  résultats  montrent  que  la  
Bouakaz,  A.;  Ouahabi,  A.  Optimisation  de   méthodologie  proposée  atteint  des  performances  impressionnantes,  par  rapport  à  plusieurs  approches  concurrentes.
l'essaim  de  particules  et  analyse  

bidirectionnelle  à  effets  fixes  de  la  variance   Résumé :  La  segmentation  des  images  de  tumeurs  cérébrales,  pour  affiner  la  détection  et  la  compréhension  des  
pour  une  segmentation  efficace  des  tumeurs  cérébrales.
masses  anormales  dans  le  cerveau,  est  un  sujet  de  recherche  important  en  imagerie  médicale.  Cet  article  propose  
Cancers  2022,  14,  4399.  https:// une  nouvelle  méthode  de  segmentation,  composée  de  trois  étapes  principales,  pour  détecter  les  lésions  cérébrales  
doi.org/10.3390/cancers14184399
à  l'aide  de  l'imagerie  par  résonance  magnétique  (IRM).  Dans  la  première  étape,  les  parties  de  l'image  délimitant  l'os  
Rédacteur  académique :  Andreas du  crâne  sont  supprimées,  pour  exclure  les  données  insignifiantes.  Dans  la  deuxième  étape,  qui  est  la  principale  
Stadlbauer 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  
Reçu :  12 juillet 2022
les  blocs  candidats,  est  basée  sur  une  analyse  de  variance  à  effets  fixes  bidirectionnelle  (ANOVA).  Dans  la  dernière  
Accepté :  7  septembre  2022
étape  de  l'algorithme,  la  méthode  de  segmentation  K­means  est  utilisée  dans  le  bloc  lésionnel,  pour  le  classer  
Publié:  10  septembre  2022
comme  tumeur  ou  non.  Une  évaluation  approfondie  de  l'algorithme  proposé  a  été  réalisée,  en  utilisant :  (1)  une  base  
Note  de  l'éditeur :  MDPI  reste  neutre  en  ce  qui  
de  données  IRM  privée  fournie  par  le  centre  d'imagerie  de  Kouba  ­  Alger  (KICA) ;  (2)  la  base  de  données  2015  du  
concerne  les  revendications  juridictionnelles  dans  
défi  de  segmentation  des  tumeurs  cérébrales  multimodales  (BraTS).  Les  estimations  de  la  fonction  de  fitness  
les  cartes  publiées  et  les  affiliations  institutionnelles
sélectionnée  ont  d'abord  été  comparées  à  celles  basées  sur  le  critère  de  dissemblance  de  la  somme  des  différences  
cations.
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  
Copyright :  ©  2022  par  les  auteurs. coefficient  de  corrélation  et  de  l'erreur  quadratique  moyenne  (RMSE),  ont  démontré  la  supériorité  de  l'algorithme  de  
Licencié  MDPI,  Bâle,  Suisse. segmentation  optimisé  proposé  par  rapport  aux  techniques  équivalentes.
Cet  article  est  un  article  en  libre  accès
distribué  selon  les  termes  et
Mots  clés :  tumeur  cérébrale ;  segmentation  d'images ;  OSP ;  ANOVA ;  K­signifie
conditions  des  Creative  Commons

Licence  d'attribution  (CC  BY)  ( https://
creativecommons.org/licenses/by/
4.0/).

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'est­ce  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'est­à­dire  
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'est­à­dire  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'est­à­
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,  est­il  homogène  ou  hétérogène ;  y  a­t  ­  il  un  œdème  
périlésionnel,  des  calcifications,  une  nécrose  ou  une  hémorragie  intratumorale ? ;
Machine Translated by Google

Cancers  2022,  14,  4399 3  sur  32

­  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  céphalo­rachidien  (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'est­à­dire
récupération  d'inversion  atténuée),  qui  est  une  séquence  d'inversion­récupération  bien  adaptée  à
l'imagerie  cérébrale,  dans  laquelle  le  signal  du  liquide  céphalo­rachidien  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  parenchymateuse­LCR.  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  T1 Pondération  T2 FLAIR

Matière  blanche Lumière Gris  foncé Gris  foncé

Gros Brillant Lumière Lumière
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.

Figure  
Figure   1(.  
1.   (A)  
A)   IRM  
du  cderveau :  
IRM   u  cerveau :  
coupe  
coupe   FaLAIR  
FLAIR   axiale.  
xiale.  U Une  
ne  image   image  ressemblant  
à  un  kyste  à  pàaroi  
semblable     un  
mkince  
yste  à  paroi  
(flèche)   mince  (flèche)  cohérente
compatible
avec  
un  
avec   ukn  
yste  
épendymaire  
kyste  épendymaire  peut  être  
vu  dêans  
peut   le  
tre   prolongement  
vu   occipital  du  ventricule  
dans  le  prolongement   latéral  
occipital   du  gvauche.  
(B)  Clatéral  
entricule   erveau 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)  compatible   4  sur  32

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).  avec  un  kyste  épendymaire  peut  être  vu  dans  le  prolongement  occipital  du  ventricule  latéral  
gauche.  (B)  Coupe  transversale  du  cerveau  (illustration).

La  figure  
figure   2  montre  
2  montre   un  exemple  
un  exemple   de  
stéquences  
de  trois   rois  séquences  
IRM :  IpRM :  
pondérée  
ondérée   en  
en  T1,   T1,  pondérée  
pondérée   een  
en  T2   t  T
F2  
et  la  
LAIR ;  
sur  la  
FLAIR;   figure  
sLa  fla  
ur   3,  
igure  2n  3ous  
figure   avons  
m,  ontre  
nous   représenté  
auvons  
n  e xemple   uutne  
de  
représenté   sséquence  
rois  
ne   IRM  
séquences  
équence   pp ondérée  
IRM :  
IRM   eTn  
pondérée  
ondérée  
en   T(enotée  
1   1  
(notée  
n  T1,   simplement  
pondérée   n   « T1 »)
«e T1 »)
simplement  
T2  et  avec  
FLAIR ;  
« T1 »)   sur  elt  
sfans  
a   produit  
igure   de  
3,  nous   acvons  
ontraste.   La  séquence  
représenté   T1  avec  
une  séquence   produit  
IRM   de  contraste  
pondérée   en  T1  (enotée  
st  notée   'pT1c'  
simplement   ­  
arfois  
«  sans  
Tnotée  
1Gd  p»'roduit  
T1­Gd',   de  
,  lorsque   lorsque  
clontraste.  
le  pL
e  produit   roduit  
da  
e  scéquence  
de  contraste  
ontraste   eTst  
1  a vec  
est  
le  
G plroduit  
e  Gadolinium.  
adolinium.   de   Ccette  
ontraste  
iC ette  
est  
mage   image  
repnotée  
  'rT1c'—parfois  
eprésente  
«  T1c  »  –  upn  
arfois  
naotée  
vec   ne'otée  
t  
T1
Gd',  lorsque  
métastatique.  
mélanome   l'agent  
malin   Lm'IRM   dpe  contraste  
ondérée  
étastatique.   eT
en  
L'IRM   st  ple  
1  mG adolinium.  
ontre  
ondérée   dee   Cmette  
mTultiples  
n   1   ilmage  
ésions  
ontre   représente  
secondaires  
plusieurs   signes  usn   qm élanome  
ui  
supportent  
econdaires   dm'un  
alin  
mm al  un  
élanome  
malin   métastatique.  
hypersignal.  
injection   Ap
de  près   dLe  
'IRM  
injection  
roduit   dpe  
ondérée  
produit  
contraste,   edn  
l'image  e  T 1  
cT montre  
ontraste,  
1c   montre  ldes  
e  
dm ultiples  
Tes  
1c   sont  slésions  
lésions   secondaires  
pontanément  
spontanément   en   hsypersignal.  
pontanément  
hypersignal.  
en   Après   en  
Après  
injection  
mieux  
nouvelles   de  produit  
visualisées,  
lésions   em dontre  
t  q e  contraste,  
ue   les  
que   les  ll'  
lésions   iomage  
ésions   oTnt  
nt  été  r1c  
ém ontre  
ehaussées,  
té   que  
et  lses  
rehaussées,   leésions  
ont  t  
dsonc   oonc  
ont  
m
d nt  été  
ieux   m rehaussées,  
visualisées,  
ieux   et  el'image  
visualisées,   t  sont  
et  dde  
donc  
es  
nouvelles  lésions  sont  détectées.  sont  détectés.  de  nouvelles  lésions  sont  détectées.

Figure  
2.  E2xemple  
Figure  
Figure   2.  .  
EExemple  
de  3d  se  
xemple   d3e  
  s3
équences   IRM :  
  séquences  
équences   IRM :   pondérée  
IRM :  
ep
pondérée   T1,  epn  
ondérée  
n   T1,  
epn  
ondérée  
ondérée  T 1,  
Tp
en   eFn  
T2  et  
2  ondérée  
et   LAIR. eFn  
LAIR.
T2  et  FLAIR.

Cancers  2022,  14,  4399 5  sur  
33  
Figure  3.  Comparaison  
Comparaison   entre  une  
entre  une  séquence   séquence  
IRM   IRM  
pondérée   en  pTondérée  
1  sans  peroduit  
n  T1  sdans   produit  d(e  
e  contraste   contraste  
T1)   (T1)  3e.  
et  la  Figure   t  C
la  
Figure  3.   entre  une  
omparaison  
séquence  T 1   Séquence   I RM  
p ondérée  s ans  
p roduit  
d e  
c ontraste   ( T1)  e t  
l a  
m ême   s équence   a
même  séquence  avec  un  produit  de  contraste  (T1c).  même  séquence  avec  un  produit  de  contraste  (T1c).vec  
p roduit   d e  
c ontraste  (T1c).  

La  figure  
figure  44    m
montre  
ontre  uun  
n  eexemple  
xemple  dde  e  sséquences  
équences  IIRM  
RM  dde  
e  lla  
a  bbase  
ase  dde  
e  ddonnées  
onnées  BBraTS  
raTS  22015  
015  [[16],  
16],  la  
représentant   d es   p athologies   t umorales   c érébrales.   C es  
s équences   s
représentant  des  pathologies  tumorales  cérébrales.  Ces  séquences  sont  FLAIR,  T1,  T1c  (ou   ont   F LAIR,   T 1,  
T 1c  
( ou  p lutôt  
plus  
précisément   T 1­Gd,   c ar   l e  
p roduit  
d e   c ontraste  u tilisé  
e st   l e  
G adolinium),   T 2,  
précisément,  T1­Gd,  car  l'agent  de  contraste  utilisé  est  le  Gadolinium),  T2,  et  Ground  Truth  formé  par   e t  G round   V érité  
des  
par   sspécialistes  
des   pécialistes   ssur  
lesquels  
ur  lesquelles   se  
superpose  
la  séquence   la  séquence  
FLAIR   FLAIR.  Les  L
est  superposée.   couleurs   représentent  
es  classes   réalisées  
de  couleurs   des  
tumeurs :   r ouge   p our  l a  
n écrose ;   v ert   p our  
l 'œdème;   e t  
j aune   p our  
classes  de  tumeurs :  rouge  pour  la  nécrose ;  vert  pour  l'œdème;  et  jaune  pour  la  tumeur. l a  
t umeur.   r eprésentent   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  devrions­nous  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  sur  
32  et  
Ground  Truth  superposées  à  la  séquence  FLAIR.

1.3.  Pourquoi  devrions­nous  nous  intéresser  à  la  segmentation  des  tumeurs  cérébrales ?
1.3.  Pourquoi  devrions­nous  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'action  de  grouper  des  pixels  selon  des  critères  prédéfinis,  afin  de  construire  des  régions  ou  classes  de  pixels.  Il  existe  plusieurs  
méthodes  de  segmentation  d'image  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  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  rapport  
l'IRM,  parincipalement   par  rapport  
ux  images  tumorales,   au  
afin   cerveau  
d'aider  le  psraticien  
on  automatisation   reste  aqujourd'hui  
dans  sa  pratique   l'un  
uotidienne,   des  
dans  enjeux  
le   majeurs  
présence   de  l'IRM,  
d'  images   principalement  
d'une   par  
tumeur  cérébrale,  
afin  
d'aider  le  épté  
longtemps   raticien  
dans  osu  
manuelles   a  spemid'un  
ratique  qéuotidienne,  
en  pdrésence  
norme  volume   dC'énormes  
'images.   volumes  
de  sdegmentation  
es  méthodes   'images.  Ces  
méthodes  
ont   de  ésté  
longtemps   egmentation  
manuelles  oont  
u  
automatiques  
mais,  avec  m ais,  avec  l'avènement  
l'avènement   de  
mnéthodes,  
de  nouvelles   ouvelles  cmertaines  
éthodes,  certaines  
sont   sont  edntièrement  
désormais   ésormais  ea
ntièrement  
automatisées.  semi­automatiques  
utomatisées.

La  segmentation  des  tumeurs  cérébrales  est  vitale,  car  la  vie  du  patient  en  dépend ;  l'implication  directe  de  nos  recherches  
est  dpatient  
e  proposer  
en  ddépend ;  
es  méthodes  
entièrement  
efficaces  
cette  
et  ospération  
ûres  pour  
délicate.  
répondre  
En  
àe  Lffet,  
a  segmentation  
la  segmentation  
des  dtumeurs  
es  tumeurs  
cérébrales  
cérébrales  
est  vàitale,  
  partir  
car  
d'images  
la  vie  du  
IRM,  
implication  
travail,   directe  de  notre  
a  des  implications   recherche  
pratiques   est  pdour  
directes   e  proposer  
établir  udne  
es  
om éthodes  
pération   efficaces  et  e
diagnostique   sûres   pour  
fficace   répondre  E
pleinement.  àn  
  celle  
présentée  
effet,   dans  notre  
la  segmentation  
des  
tumeurs  cpérébrales  
prescription   rescrite  dàans  
  partir  
d'images  
notre   travail,  IaRM,   die  
  des   prénose,  dpe  
mplications   suivi  de  
ratiques  dl'évolution  de  
irectes  pour   la  tumeur,  ou  dd'évaluation  
l'établissement   de  la  
dp'  ertinence  
'un  diagnostic,   de  la  
un  traitement  et  d'une  
ou  thérapeutique   efficaces.  
pour  évaluer  la   Il  edst  
pertinence   bien  
es   connu  
images   que  
IRM   la  segmentation  
thérapeutiques   manuelle  
prescrites   et  
tlumeurs  
des   'analyse  
cd es  structures  
érébrales   sont  sfastidieuses  
uivant  la  progression  
de  la  tumeur,  
et  chronophages ;   par  
conséquent,  
segmentation   ment  edt  es  
robuste   thérapie  
automatisés .  
tumeurs   Il  
cérébrales  a est  bien  
uront   un  icmpact  
onnu  qsue  
la  segmentation  
ignificatif   et  ld'analyse  
sur  l'homme   manuelles  
e  la  maladie   de  l'IRM  
­  les  images   sttructurelle  
de   et  la  
umeurs  cérébrales  
sont  
sur   fastidieuses  
la  nature,   et  prennent  
le  volume,   du  temps ;  
l'emplacement   par  
et  la   conséquent,  
mentation   un  segment  
des  tumeurs   automatisé  
cérébrales,   eut  n  
aura   robuste ,  
impact  seignificatif  
n  fournissant   des  
sur  la   informations  
gestion   essentielles  
de  la  maladie,  
en  
fournissant  la  forme  de  la  tumeur  [17,18].  informations  essentielles  sur  la  nature,  le  volume,  la  localisation  et  la  forme  de  la  tumeur  
[17,18].

La  
un   figure  5d
exemple     m ontre  
e   un  exemple  
segmentation   de  segmentation  
réussie.   réussie.  
La  segmentation   Le  segment  
Ground   Ground  
Truth  est   Truth  montre  
une  segmentation  
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

Figure  
5.  5
Figure   R.  
Résultat  
ésultat   dla  
de  e  sla  
segmentation  
egmentation   (voir  
(voir   Section  
Section   4) :  
4) :   Séquences  
Séquences   IRM :  
IRM :   T1,  
T1,   T2,  
T2,   T1c,  
T1c,   FLAIR,  
FLAIR,   Ground  
Ground   Truth,  
Truth,  
et  
segmentation.  et  segmentation.
La  figure  6  montre  le  résultat  de  détection  (image  centrale)  de  notre  approche,  à  partir  d'une  
séquence  IRM  
6  mT
figure   1  avec  
ontre  le  rbésultat  
inarisation  
produit  d(e  
de  détection   contraste  
image   (image  
de  dne  
centrale)   gauche)  
otre   et  segmentation  
approche,   (en  
à  partir  d'une   vert)  La  T1  
séquence  
Séquence  I(RM  
binarisation   (image  
de  dd
image   e  droite).  avec  produit  de  contraste  (image  de  gauche)  et  segmentation  (en  vert)  
roite).

Figure  6.  Résultat  
segmenta d6e  
  Figure   .  lR
a  segmentation  
ésultat   (voir  Section  
de  la  segmentation   4) :  T
(voir  S1c,  détection  
ection   automatique  
détection  adutomatique  
4) :  T1c,   es  tumeurs  
dces  
érébrales,  
tumeurs  cérébrales,  
segmentation,  tion  et  binarisation.  et  la  binarisation.

1.4.  
AAlgorithmes  
1.4.   lgorithmes  
dde  
e  
ssegmentation  
egmentation  
ddes  
es  tumeurs  
tumeurs  ccérébrales
érébrales  

Comme  dians  
indiqué   ndiqué  
dans  
les  a[19],  
[19],   les  algorithmes  
lgorithmes   de  segmentation  
de  segmentation   des  ctumeurs  
des  tumeurs   cérébrales  
peuvent  êptre  
érébrales   euvent  être  regroupés  
regroupés   en  trois  ceatégories  
n  trois  Comme  
principales :  
(1)  techniques  conventionnelles ;  
conventionnelles ;  (2)  techniques  d(e  
2)  
ctlassification  
echniques  dee  
t  cdlassification  
et  de  eregroupement;  
e  regroupement;   catégories  
t  (3)  des  techniques   principales :  
de  modèles   (1)  techniques  
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'est­à­dire  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'est­à­dire  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  intra­frontières.  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  K­means,  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  C­moyennes  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  non­tumoraux ;  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  segmentatio
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  U­Net.  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  sous­ensembles,  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  Kuba
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  K­means,  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  K­means  réside  dans  sa  simplicité  et  le  fait  
qu'il  est  utilisé  quotidiennement  dans  le  monde  socio­économique  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  sous­optimales,  
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  ma

3.  Dans  la  dernière  étape,  le  clustering  K­means  ­  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'est­à­dire  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  sous­jacentes ;  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  K­means  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  prometteu
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  pseudo­code  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  intra­classe  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  p­value  correspondant  à  Fk−1,N−k .
Machine Translated by Google

Cancers  2022,  14,  4399 10  sur  32

Au  final,  supposons  que  la  p­value  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  je=1   (3)
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 New  Jersey

2
RSS  = ∑ ∑  yij  −  yi
(4)
je=1  j=1

k
FSS  = ∑  ni(yi  −  y) 2 (5)
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'est­à­dire  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  
aux  
notés  yl·  et  y·J ,  ­  Les  nombres  marginaux   dm
des  éfinitions  
odalités  ddes  équations  
e  la   (v9)  
première   et  (10).  
ariable   scont  
et   respectivement  
eux  de  la  deuxième  
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

un b nij
1
y..  =  N  k=1 ∑
je=1  j=1  
∑   ∑ yijk (sept)

nij
1
yl  J
=
∑ yijk (8)
nij  k=1

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'est­à  ­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  F­value :  c'est  la  p­value.
Cette  p­value  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
∑  (yl·  −  y..) (14)
je=1

b
2
SSB  =  un ∑ y·J  −  y..   (15)
j=1

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

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

ASS SSA  
Facteur  A SSA  (attribuable  au  facteur  A) un  ­  1 a−1
un  ­  1 FA(a−1,ab(n−1))  = ESS
Pennsylvanie

ab(n−1)

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

SSAB   SSAB   SSAB  

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

2.3.  Technique  de  clustering  K­Means
K­means  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  K­means.

Algorithme  2.  Algorithme  K­means
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  pré­traitement  de  l'image  est  effectué,  pour  éliminer  toute  donnée  inutile.  Ensuite,  PSO  est  
appliqué  pour  identifier  la  ROI  et  K­means  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.  Schéma   Schéma  dpe  
de  l'approche   l'approche  proposée.
roposée.

Cancers  2022,  14,  4399 14  sur  33

Figure  
Figure  88.  
.  O
Organigramme  
rganigramme  dde  
e  lla  
a  m
méthode  
éthode  dde  
e  ssegmentation  
egmentation  pproposée.
roposée.

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,  
Figure  
8 .  
O rganigramme  
incomplètes  et  non   de  lp
a  ertinentes  
méthode  de  s[egmentation  
proposée.
57].  Plusieurs  approches  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
ou  
3.1.   stockage  
Prétraitement   [58].  On  citera  par  exemple  ceux  basés  sur  le  concept  de  détection  compressée,  où  le  
d'image
rehaussement   de  
essentiel  pour   l'image  est  
supprimer   réalisé  
les   lors  
les  dincohérences,  
bruits,   e  l'acquisition  l[es  
59–63].  
Un  prétraitement  
et  les  irréel.alter  image  est  
incomplets  
détection,  où  l'amélioration  de  l'image  est  effectuée  lors  de  l'acquisition  [59–63].  Une  approche  alternative  consiste  à  
effectuer  
données   un  débruitage  
pertinentes   simple  
[57].  Plusieurs   et  epfficace  
approches   euvent  a(méliorer  
proche   dqe  
la   l'optimalité)  
ualité   à  pdartir  
de  l'image  lors   e  sa  tdransmission
e
L'approche  
[58].  
On  citera   native   consiste   à  effectuer   un   débruitage   dse  
imple   et  efficace  (proche  de  l'optimalité)  à  partir  de  ou  de  stockage  
ondelettes   dpe  ar  exemple  
première   ocu  
eux   basés  sgur  
deuxième   le  
concept  
énération   compression
[64–66].
détection,  
ondelettes  
où  ld'amélioration  
e  première  odu   e  
dleuxième  
'image  est  
génération  
effectuée  [l64–66].  
ors  de  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  nL'effeuillage  
ative  consiste  à  
deu  
ffectuer  
un  
crâne   edst  
ébruitage  simple  
une  étape   ceruciale  
t  efficace  
p(proche   de  l'optimalité)  
our  éliminer   à  partir  dceérébrale  tous  les  tissus  non  cérébraux ,  
de  l'image  
tels  
q ue   l'os  du  crâne,  la  graisse,  la  peau,  etc.  [67].  Pour  cela,  plusieurs  approches  ont  été
ondelettes  de  première  ou  deuxième  génération  [64–66].
sue,  c omme   l 'os  
d u  
c râne,   l a  g raisse,  
l a  
p eau,   e tc.  
[ 67].  À   
c ette  
effeuillage  du  crâne  est  une  étape  cruciale  pour  éliminer  de  l'image  cérébrale   f in,  
p lusieurs   approches  
tous  les ont  été  développées .  L'  
développé  [68,69].  La  première  étape  de  la  technique  proposée  est  une  procédure  d'effeuillage  crânien,
comme  
développé  
dans   ll'os  du  
equel  [68,69].  
lc'image  
râne,  L
la  
ea  
gpraisse,  
n  nremière  
iveaux   la  
dépe  
tape  
eau,  
deee  
gris   tc.  
la  
c[t67].  
st   echnique  
Pour  
onvertie   ecn  
pela,  
roposée  
plusieurs  
une   est  bua
image   ne  
pproches  
procédure  
inaire,   ont  
ddé'effeuillage  
à  l'aide   té  dséeuil  fixe.
'un   du  crâne,  en  suite,  
développé  
dont  l [68,69].  Le
'image   a  
première  
n  
n étape  
iveaux   d dge  
e   la  technique  
ris   e st  
c proposée  
onvertie   e est  
n  
u une  
ne  i procédure  
mage   b d'effeuillage  
inaire,  à   
l crânien,  
'aide  d enseuil  fixe.
'un  
Ensuite,  deux  opérations  morphologiques  ­  remplissage  et  érosion  ­  sont  appliquées  à  l'image  binaire.
laquelle  l'image  en  niveaux  de  gris  est  convertie  en  une  image  binaire,  en  utilisant  un  seuil  fixe.
Ensuite,  deux  opérations  morphologiques  ­  remplissage  et  érosion  ­  sont  appliquées  au  binaire  im .  Enfin,  l'image  
originale  
deux  oepérations  
Ensuite,   st  masquée   par  l'image  
morphologiques   binaire  oebtenue ;  
—  remplissage   t  érosion  —l'image   générée  
  sont  appliquées   est
à  l'im
par  âge.  
l'image  
Enfin,  
l'image   binaire  
l'image  
crânienne   obtenue ;  
doépouillée  
riginale  
le  egst  
(énéré
masquée  
voir   Figure  p9ar   l'image  binaire  obtenue ;  l'âge  généré .  Enfin,  l'image  originale  est  masquée  
)  [60,70–72].
l'image   est  l'image  
l'image   du  crâne  cdrânienne  
est  l'image   épouillé  (voir  
dFépouillée  
igure  9)  [60,  
70–72].
(voir   Figure  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  pré­traitement.
3.2.  Détection  du  retour  sur  investissement

PSO  est  une  technique  métaheuristique  puissante,  conçue  pour  résoudre  des  optimisations  complexes
(un) utilise  PSO  pour  rechercher  le  bloc  optimal  contenant (b)  
des  problèmes.  L'algorithme  proposé  
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  pré­traitement.
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  b15  
sur  33
idirectionnelle,  
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 MSB  
  f  témoin   (18) (18)
=  +
MSE MSE

(un) (b)

(c) (ré)

Figure  
1a0.  
rouge)   Identification  
près   du  r  etour  
5  itérations sur  
Figure   investissement,  
10.   en  
Identification  du   utilisant  
retour   Pinvestissement,  
sur   SO  et  ANOVA :  
e(n  
a)  
ubtilisant  
locs  candidats  
PSO  et  A(NOVA :  
en   (a)  blocs  
candidats  (en  
itérations ;   rouge)  
(d)   après  
candidats   5  bitérations ;  
(b)   tions ;  
locs  candidats   (b)  b1locs  
après   candidats  
5  itérations ;   après  
(c)   15  
blocs   itérations ;  
candidats   (c)  b3locs  
après   candidats  
5  itérations ;   après  
les  b3locs  
(d)   5  
candidats  bloquent  après  50  itérations.  après  50  itérations.

Comme  
MM
Comme   SA  
ee
SA  t  t  
MM SB  
représentent  
SB   la  
représentent   variabilité  
la   ee
variabilité  ntre  
les  
ntre   mm
les   oyennes  
dd
oyennes  e  
gg
e  roupe,  
ee
roupe,  t  t  
MM SE  
représente  
SE  représente  la  variabilité  
au   sein  du  
groupe ,   groupe,  
divisé  par  dle  
ivisée  
par  
degré   le  
de   degré  adlors  
liberté,   e  liberté,  alors  les  
les  valeurs   valeurs  
élevées   éM
de   levées  
SA  et  rM
eprésentent   la  variabilité  
SB  correspondent   au  
à  une   sein  du  
variabilité  
significative   entre  le  
l'  image  cérébrale   bloc  
sans   candidat  
m aladie,  cee  
t  q
Mui  
SA  et  MSB  
signifie   correspondent  
qu'il   à  uane  
y  a  est  un  tissu   variabilité  
normal   scignificative  
dans   entre  
e  bloc.  Dans   le  bloc  
l'image   ccandidat  
du   erveau  et  
sans  
bloc  m aladie,  ceela  
candidat   signifie  
mots  dqu  
t  les   u'il  
y  a  un  stissu  
cerveau   anormal  
ans  m aladie,  dla  
ans  ce  bloc.  
grande   En  d'  aeutres  
variabilité   ntre  lte  
ermes,   la  grande  
bloc  candidat   et  vl'image  
ariabilité  entre  le  
d'image   du  
cerveau   s ans  
m aladie   s ignifie  q ue  c e  
b loc  
c andidat  
c ontient  
u ne  t umeur.   P ar  
c onséquent,   l e  
b loc  
c
ce  bloc  candidat  contient  une  tumeur.  Par  conséquent,  le  bloc  candidat  qui  correspond  à  la  valeur  maximale  de  la   andidat   s ignifie  
que  
fonction   de  fitness  
est  considéré   comme  est  cle  
onsidéré  
cbomme  
meilleur   le  meilleur  
loc  trouvé.   bloc  
trouvé.   correspondant  
Une   à  la  
fois  l'évaluation   valeur  
de   maximale  
la  fonction   de  la  feonction  
de  fitness   de  fitness  
t  les  meilleurs  
blocs  g lobaux   e t  
i ndividuels  U ne  
f ois  
l 'évaluation   d e  
l a  
f onction   d e  
f itness  
e t  
l es  
m eilleurs  
b locs  
g lobaux   e
mis  à  jour,  les  positions  des  blocs  candidats  sont  également  mises  à  jour,  en  utilisant  (1)  et  (2).  mises  à  jour,  les   t  
i ndividuels  
positions  des  blocs  candidats  sont  également  mises  à  jour,  en  utilisant  (1)  et  (2).  Les  processus  de  bloc  d'évaluation  et  
de  mise  à  jour  de  la  fonction  de  fitness  sont  répétés,  jusqu'à  ce  que  les  processus  de  bloc  d'évaluation  et  de  mise  à  
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
Cancers  22022,  
022,  114,  
4,  44399
399 16  ssur  
16   ur  3333
Cancers  
pour  évaluer  une  solution  déjà  évaluée,  sa  valeur  de  fitness  est  tirée  directement  de  la  matrice.
Cette  idée  a  diminué  la  complexité  de  calcul  des  problèmes  d'appariement  de  blocs  [69].

3.3.  
SS
3.3.  
3.3.  
S egmentation  
ttumorale
egmentation  
egmentation   umorale
tumorale
Pour  
Pour  
Pour   lla  
a  ssla  
egmentation   ttumorale,  
segmentation  
egmentation   umorale,   lla  
a  ttechnique  
echnique  
tumorale,   ddte  
la   e  
cclustering  
lustering  K
echnique   Kd ­means   eest  
st  aappliquée  
e  clustering  
­means   ppliquée   àà    llaa
K­means   est  appliquée  à  la
meilleur  b
meilleur  
meilleur   loc,  
bloc,  
bloc,   t rouvé  
d ans  
trouvé  
trouvé   l 'étape  
dlans  
dans   d e  
d
l'étape  
'étape   étection   R OI,  
de  détection  
de  détection   c ontenant   l a  
t umeur.  
ROI,  contenant  
ROI,  contenant   la  tumeur.  P P arce  
la   q
tumeur.  
arce   ue  
n ous   cclassons  
Parce  
que  nous   lassons  
que  nlleses
ous  classons  les
blocs  c omme   t umoraux  o u   n on  
t umoraux,   l a  
m éthode   K ­means   u tilise  
d eux  c lusters.  
blocs  comme  tumoraux  ou  non  tumoraux,  la  méthode  K­means  utilise  deux  clusters.  La  figure  11  illustre L a  
f igure   1 1  
i llustre
blocs  comme  tumoral  ou  non  tumoral,  la  méthode  K­means  utilise  deux  clusters.  La  figure  11  illustre
le  R
le  ROI  iidentifié  
dentifié  eet  
t  ssa  
a  segmentation  
egmentation  àà    ll'aide  
'aide  dde  
e  K
Kmeans.
means.
le  ROI  
OI  identifié   et  ssa  
segmentation  en  K ­means.

       
       

(a)  
(a) (b)
(b)
Figure  111.  
1.  Segmentation  
egmentation  ddu  
u  rretour  
etour  ssur  
ur  investissement  àà    ll'aide  
'aide  dde  
e  K­means :  
­means :  ((a)  
a)  rretour  
etour  ssur  
ur  iinvestissement  
nvestissement  iidentifié ;  
dentifié ;  ((b)  
b)  R
ROI  
OI  ssegmenté  
egmenté  aavec  
vec  K
K­means.
­means.
Figure  1S1.  
Figure   Segmentation   de  ilnvestissement  
a  ROI  à  l'aide  de   KK­means :   (a)  ROI   identifiée ;  (b)   ROI  segmenté   avec  K­means.

de  
Les  
Les  la  
rsésultats  
egmentation  
résultats   dde   e  la  
la  ssegmentation  
ont  
egmentation  
ensuite  ésvalués,  
sont  
ont  
eensuite  
nsuite  
en  méesurant  
évalués,  
valués,   lea  
en  
sn  
imilarité  
mmesurant  
esurant  
ou  
la  
la  
la  ssimilarité  
dimilarité  
issimi oou  
u  
la  
ddissemblance
la   issimi   Les  résultats  
larité  
larité  e e ntre  
ntre  e e
ux  
e ux  
t  
l e
a  v t  
l a  
érité   v
f érité   f ondamentale.  
ondamentale.   L a  f igure  
1 L
2  
ia   f igure  
llustre   l e  r 1 2  
i llustre  
ésultat  d e  
larité  entre  eux  et  la  vérité  fondamentale.  La  figure  12  illustre  le  résultat  de  la  segmentationl a  
sl e  r ésultat  
egmentation d e  la  segmentation  de
de  n otre  
notre   a a pproche  
pproche   e e t  
t  l d e  
a  
v l a  
v
érité  érité  
t
de  notre  approche  et  de  la  vérité  terrain. t errain.
errain.

       
       

(a)  
(a) (b)
(b)
Figure  
112.  
Figure  
Figure   2.  
1CC2.  
omparaison  
ddes  
es  pperformances  
Comparaison  
omparaison   erformances  
eentre  
ntre  lla  
a  ssegmentation  
des  performances   egmentation  
entre  ddes  
les  
a  tstumeurs  
umeurs  
ccérébrales  
érébrales  
egmentation   dppes  
roposée  
eet  
t  G
tumeurs  
roposée   Ground
round
cérébrales  proposée  et  Ground
Vérité :  ((a)  
a)  ssegmentation  
egmentation  àà    ll'aide  
'aide  dde  
e  nnotre  
Vérité :  
Vérité :   (a)  
segmentation   à  lotre   méthode ;  
éthode ;  ((b)  
'aide  
m de  notre  b)  V
Vérité  
mérité  dde  
e  tterrain.
éthode ;   errain.
(b)  Vérité  de  terrain.

Au  
Au  
Au   il  fddil  
ffil   des  
es  
es   aans,  
ns,  appns,  plusieurs  
lusieurs  
mesures  
lusieurs  
m mddesures  
esures   de  
e  ssimilarité  
e   imilarité  ees imilarité  
t  d
t  de   et  de  
e  ddissimilitude  
issimilitude   dissimilitude  
oont  
nt  éété   ormulées  o
té  fformulées   eetnt  
t été  formulées  et
rapporté  d ans   l a  l ittérature.   P our  
é valuer  n otre   a lgorithme,   n ous  
a vons  u tilisé  l es  
rapporté  dans  la  littérature.  Pour  évaluer  notre  algorithme,  nous  avons  utilisé  les  métriques  étriques  
rapporté   d ans   l a   l ittérature.  P our  
é valuer   n otre  a lgorithme,   n ous  
a vons   u m étriques  
tilisé  l es  
m ssuivantes  
uivantes  
s[[uivantes  
73] :
73] : [73] :
1.  C
1.  Coefficient  
oefficient  dde  
e  ssimilarité  
imilarité  ddes  
es  ddés :
és :

(19)
(19)
2  2    2        2  

2.  D
2.  Distance  
istance  JJaccard :
accard :