Académique Documents
Professionnel Documents
Culture Documents
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.
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
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.
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
b
ni· = ∑nij _ (11)
j=1
un
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.
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)
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 :