Première Conférence Internationale en Imagerie Médicale :

de la Technologie à l’Application, ICMITA’09

La méthode du contour actif dans la segmentation des

séquences d’images échographiques mammaires
Ines NJEH1, Olfa BEN SASSI1,
Khalil CHTOUROU1,2 & Ahmed BEN HAMIDA1
E-mail : inesnjeh28@yahoo.fr
1
Unité de Recherche en Traitement de l’Information et en Electronique Médicale ‘TIEM’
ENIS, Université de Sfax Tunisie
2
Service de Médecine nucléaire, CHU, Hôpital Universitaire de Sfax, Tunisie

Résumé Nous présentons dans le cadre de
cet article une méthode de segmentation
spatio-temporelle d’une séquence d’images
d’échographie mammaire. Le but est
d’extraire la lésion. Il s’agit d’une étape
essentielle pour la conception d’un outil de
diagnostic assisté par ordinateur (CAD)
dans le cancer du sein. En effet, l’aspect
malin ou bénin d’une lésion peut ne pas
apparaître sur une seule coupe.
Nous avons détaillé le principe du contour
actif ainsi que sa mise en équation.
Ensuite, nous avons effectué des
simulations sur des images de contraste
différent pour montrer la nécessité d’une
étape de prétraitement
Mots clés : Cancer du sein, Echographie
mammaire, Contour actif
Abstract
We present within in this article a method
of spatio-temporal segmentation of
mammary echographic images with the
aim of extracting the region of interest. It is
the first step for the conception of a tool of
computer-aided diagnosis (CAD).
This work of segmentation is essentially
based on an analysis of a sequence of
echographic images for the diagnosis of
the breast cancer. Indeed, the aspect of
wickedness and kindness of a hurt cannot
appear on the first images.
We detailed the snake method. Then, we
made simulations on different contrast
images to show the necessity of a stage of
pretreatment.
Keywords: Breast cancer, Mammary
echography, snake
1 Introduction
Le cancer du sein est de nos jours l’un des
cancers les plus invasifs du monde. En
Tunisie, comme dans la grande majorité
des pays du monde, le cancer du sein est le
premier cancer féminin ; son incidence
standardisée a été estimée à 24,3 pour
100000 femmes, entre 1993-1997 [1]. En
Tunisie, le diagnostic reste encore
relativement tardif dans la majorité des cas,
avec des tumeurs assez volumineuses d’un
diamètre moyen de l’ordre de 4 cm et un
taux de métastases initiales de plus de 10
% [2].
L’objectif en traitement d’image est de
faire une analyse qui est souvent envisagée
comme une procédure de décomposition en
régions homogènes, qu’il s’agit ensuite de
les identifier ou de les reconnaître. Nous
parlons donc de la segmentation d'image
capable de séparer différentes zones
homogènes d'une image en utilisant des
1
 Première Conférence Internationale en Imagerie Médicale :
traitements informatiques. La segmentation
d’images médicales, en particulier les
images échographiques mammaires
n’échappe pas à cette règle. En effet,
plusieurs approches ont été développées
pour segmenter ce type d’image [3]-[5].
Parmi les approches de segmentation les
plus évoluées, on trouve l’utilisation de la
technique du contour actif [6], qui se base
sur une méthode semi-interactive dans
laquelle l’opérateur place dans l’image, au
voisinage de la forme à détecter, une
courbe initiale de contour. Cette courbe
sera amenée à se déformer sous l’action de
plusieurs forces : une force interne, une
force potentielle, et une force externe.
Dans les images échographiques, les
propriétés géométriques des formes sont
fortement détériorées, la continuité et la
connexité sont très souvent perdues lors de
l’acquisition. La technique des contours
actifs convient particulièrement bien à la
segmentation d’image échographique, par
l’apport de ces propriétés géométriques.
Ceci nécessite des connaissances à priori
sur l’objet que nous souhaitons détecter.
Dans cette étude, nous allons nous
intéresser à la présentation du modèle du
contour actif ainsi que ses différentes
énergies Ensuite nous expliquons la mise
en équation de cette approche. Une
exploration de l’algorithme sur une
séquence d’images échographiques sera
alors présentée avec tous les résultats
obtenus, et nous finissons par une
conclusion.
2 Contour actif
2.1 Principe du contour actif
Un contour actif « snake » est un ensemble
de points qu'on va tenter de déplacer pour
de la Technologie à l’Application, ICMITA’09
leur faire épouser une forme. Il s'agit d'une
technique d'extraction de données utilisée
en traitement d'images. L'idée de cette
méthode est de déplacer les points pour les
rapprocher des zones qui possèdent une
énergie minimale tout en conservant des
caractéristiques comme la répartition des
points ou d'autres contraintes liées à la
disposition des points.
Au démarrage de l'algorithme, le contour
est disposé uniformément autour de l'objet
à détourer puis il va se rétracter pour en
épouser au mieux ses formes (figure 1). A
chaque itération, l'algorithme va tenter de
trouver un meilleur positionnement du
contour qui est amené à se déformer sous
l’action de plusieurs forces.
Courbe
initiale
Courbe à
l’instant t
Objet
Courbe à
l’instant t+1
Figure 1. Principe du contour actif
2.2 Energies du contour actif
L’énergie totale, attachée au contour actif,
que nous cherchons à minimiser et qui
influe sur sa déformation, est composée de
(1)
trois énergies : une énergie interne, une
énergie potentielle et une énergie externe.
Energie interne (propre)
Cette énergie est assimilée à l’énergie
mécanique de tension et de torsion d’une
ligne matérielle qui dépend uniquement de
2
 Première Conférence Internationale en Imagerie Médicale :
de la Technologie à l’Application, ICMITA’09

la forme du contour actif. C’est une Avec

contrainte de régularité de la courbe. (3)
Cette énergie gère la cohérence de la
courbe. Elle maintient la cohésion des α et β représentent respectivement le
points et la raideur de la courbe. paramètre d’élasticité et le paramètre de
rigidité du contour actif.
Energie potentielle (image)
gσ est la gaussienne centrée d'écart type σ
Cette énergie dépend des caractéristiques
de l’image et du bon fonctionnement de
l’algorithme de segmentation. Elle Un minimum d’énergie vérifie donc les
correspond à la force qui dirige le contour équations d’Euler suivantes :
vers la position désirée dans l’image.
− (αv' )'+( βv' ' )' '+∇P(v) = 0
Plusieurs formes d’énergie ont été  (4)
appliquées dans la littérature telle que v(0), v' (0), v(1), v' (1) données
celles qui sont relatives au gradient [7], à
Cette équation peut avoir plusieurs
l’intensité [7], et au vecteur d’écoulement
solutions puisque l'énergie peut avoir
du gradient [9].
plusieurs minima locaux. La solution
Nous avons choisie dans ce travail
recherchée est localisée dans une région
d’appliquer le gradient pour modéliser
donnée et nous supposons posséder une
l’énergie potentielle.
valeur approchée de la solution v0 (à
Energie externe (de contraintes) l’instant t=0). Nous résolvons alors
Cette énergie correspond à l'adéquation l'équation (4) en lui ajoutant un terme
aux données, elle est définie par ∂v
d'évolution pour former le résultat
l’utilisateur selon les spécificités du ∂t
problème. Par exemple, imposer une suivant :
distance minimale ou maximale entre deux ∂v ∂ ∂v ∂ 2 ∂ 2v
− (α ) + 2 ( β 2 ) = f1 (v) + f 2 (v)
points consécutifs du contour actif. ∂t ∂s ∂s ∂s ∂ s (5)
Nous avons négligé cette énergie lors de la
modélisation de notre algorithme.
Où f1 la dérivée de l'image pour attirer la
courbe vers les contours et f2 est une force
3 Mise en équation du contour
interne qui simule une force de pression.
actif Nous considérons donc l'équation
d'évolution suivante :
Nous définissons un modèle déformable
∂ ∇I
2
∂v
comme un espace de déformations γ − (αv' )'+( βv' ' )' ' = (6)
admissibles Ad. Nous voulons donc ∂t ∂v
minimiser l'énergie E sachant que nous
La solution de cette équation quand v se
utilisons le gradient gaussien comme une
stabilise, est la solution du problème
énergie potentielle et que nous n’avons pas
statique. Le paramètre γ présente le pas
exercé une force externe.
temporel.
E : Ad → ℜ
Après avoir discrétisé la courbe avec un
(2) pas h du paramètre s, les dérivées figurant
v → Esnake (v) = ∫ (α v' ( s) + β v' ' ( s) + P(v( s)))ds
2 2

3
 Première Conférence Internationale en Imagerie Médicale :
de la Technologie à l’Application, ICMITA’09

dans l’équation (4) sont remplacées par des Où f (v) = − ∇I (v) , et Id est la matrice
différences finies.
identité de taille NxN.
Si F (v) = ( F1 (v), F2 (v)) = −∇P(v) + .... est
En prenant αi=α et βi=β constants, h=1, et
la somme des forces d’image, l’équation A une matrice circulante symétrique de
− (αv' )'+( βv' ' )' ' = − F (v) peut se taille NxN. Cette matrice n'est pas toujours
réellement pentadiagonale en raison des
discrétiser.
diverses conditions aux limites adoptées.
1 b Berger présente les différents cas [9] à
(a i (v i − v i −1 ) − a i +1 (v i +1 − v i )) + i −21 (v i − 2 − 2v i −1 + v i ) extrémités fixes, à extrémités libres et dans
h h
le cas d'un modèle fermé, elle se présente
b b
− 2 i2 (v i −1 − 2v i + v i +1 ) + i +21 (v i + 2 − 2v i + v i +1 ) (7) sous la forme :
h h
− ( F1 (v1 ), F2 (v i )) = 0  2α + 6β − α − 4β β 0 . . .. . . 0 β − α − 4β 
− α − 4β 2α + 6β − α − 4β β . . .. . . . . . ... β 

 β − α − 4β 2α + 6β − α − 4β . . .. . . . . . ... 0 
 
α (i ) h β (i ) h  0 β − α − 4β 2α + 6β ... 
Où vi = v(i ) h a, i = , bi = A= . . . − α − 4β ...  (10)
h h2  
 ... 0 
Ce système peut s’écrire sous la forme  0 β 
 
suivante : AV=F.  β 0 − α − 4β 2α + 6β − α − 4β 
 
− α − 4 β β 0 ... . . .0 β − α − 4β 2α + 6β 
Où A est une matrice "presque"
pentadiagonale, V représente les vecteurs
de positions vi et F les forces F (vi) en ces 4 Exploration du contour actif
points. V et F sont des matrices 2 colonnes,
la première colonne pour les composantes Pour réaliser la segmentation spatio-
en x et la seconde colonne pour y. temporelle, nous avons effectué des tests
Le terme d'évolution est aussi remplacé par sur des séquences d’images
des différences finies, la discrétisation échographiques de durées différentes et
s'effectuant dans le domaine temporel. présentant chacune une forme de lésion
L'équation (6) au point d'indice i devient : distincte. Le principe consiste à découper
la séquence en un ensemble de trames.
1
γ (vi (t ) − vi (t − 1)) + (α i (vi (t ) − vi −1 (t )) − Nous effectuons la segmentation de la
h2 première trame puis nous utilisons le
1 résultat de segmentation comme un
α i +1 (vi +1 (t ) − vi )) + 4 ( βi −1 (v i − 2 (t ) −
h (8) contour initial pour la seconde trame.
2vi −1 (t ) + vi (t )) − 2βi (vi −1 (t ) − 2vi (t ) + vi +1 (t )) + Dans cette partie, nous étudions deux types
∂ ∇I
2
d’images échographiques : des images
βi +1 (vi (t ) − 2vi +1 (t ) + vi + 2 (t ) = avec des lésions bien contrastées et des
∂v
images dont les lésions sont peu contrastée
Ceci peut s’écrire sous la forme: ayant des niveaux de gris très proches du
∂f tissu normal.
V (t ) = ( A + γId ) −1 (γV (t − 1)) − (V (t − 1))V (t )
∂v (9) Nous allons garder les paramètres de
∂f (V (t − 1))
= ( A + γId ) −1 (γV (t − 1)) − rigidité (β=0.0005), d’élasticité (α =0.05)
∂v
et le pas temporel (γ=1) constant dans
4
 Première Conférence Internationale en Imagerie Médicale :
de la Technologie à l’Application, ICMITA’09

toutes les simulations que nous avons avons effectué une égalisation
effectué. d’histogramme pour bien différencier les
Nous remarquons que le contour arrive à niveaux de gris. Le contour initial est placé
bien épouser la forme de la lésion dans le à l’intérieur de la lésion. Nous avons
cas où la lésion est bien contrastée obtenus les résultats suivants (figure3) :
(figure1).

Trame1

Trame1

Trame2 Trame3
Trame1
Trame2 Trame3

Trame4 Trame5
Trame4
Trame2 Trame6
Trame4 Trame3 Figure 3. Segmentation sur une séquence d’images
échographiques après Prétraitement
Figure 1. Segmentation d’ une séquence d’images
échographiques: lésions bien contrastées
Nous avons importés les résultats obtenus
sur notre image originale pour pouvoir
effectuer une comparaison (figure4).

Trame1

Trame1

Trame2 Trame3

Trame2 Trame3
Trame4 Trame5
Trame4 Trame5
Figure 2. Segmentation d’une séquence d’images
échographiques : lésions mal contrastées Trame4 Trame5

Dans le cas où le contraste est faible Figure 4. Exportation du résultat de Segmentation

(figure2), le contour peut ne pas bien sur une séquence d’images après prétraitement
épouser la lésion et donner des résultats
Nous remarquons que le contour arrive à
fausses.
bien épouser la forme de la lésion après
Comme solution à ce probléme, nous
égalisation d’histogramme.
avons réaliser un prétraitement de la
séquence d’images échographiques. Nous

5
 Première Conférence Internationale en Imagerie Médicale :
de la Technologie à l’Application, ICMITA’09

Tableau 1. Influence du contraste 6 Références

Nombre Temps de
d’itération de la simulation en [1].Ben Abdallah M, Hsairi M, Achour N
dernière trame secondes
(2004) Registre des cancers Nord-Tunisie
Image 1995-1998. pp. 89–93
18655 200.65
contrastée [2]. Maalej M, Hentati D, Messai T, et al
Image mal (2008) Breast cancer in Tunisia in 2004: a
79200 400.53
contrastée comparative clinical and epidemiological
Image après study. Bull Cancer 95:5–9
80000 904.4911
prétraitement [3]. Carier A.,Luthon F.,’Approche spatio-
temporelle pour l'analyse de séquences
d'images. Application en détection de
Nous remarquons que l’algorithme est plus mouvement’. Traitement du Signal-
rapide lorsque l’image est contrastée et le Volume 14 - n°2,1997
nombre d’itérations est plus petit. En [4]. GaliC S ., Lon CariC S.,’ Spatio-
ajoutant le prétraitement et en mettant le temporal image segmentation using optical
contour initial à l’intérieure de la lésion, on flow and clustering algorithm’, First Int'l
obtient des résultats meilleurs (figure4). En Workshop on Image and Signal Processing
and Analysis, June 14-15, 2000, Pula,
effet, le contour arrive à mieux épouser la
Croatia
forme demandée mais le nombre [5]. Galmar E.,Huet B.,’Méthode de
d’itération augmente. segmentation par graphe pour le suivi de
régions spatio-temporelles’,Département
Communications Multimédia,2008.
[6]. M. Kass, A. Witkin, D. Terzopoulos,
5 Conclusion “Snakes : Active contour models”,
International Journal of Computer Vision,
Au cours de cette étude, nous avons étudié vol. 1, pp. 321–332, 1988.
le contour actif comme une méthode de [7]. G. Aubert, M. Barlaud, O. Faugeras, S.
segmentation spatio-temporelle des Jehan-Besson, “Image segmentation using
séquences d’images d’échographie active contours : calculus of variations or
mammaire. shape gradients, SIAM, 2003.
Nous avons réalisé des simulations sur [8]. C., Prince J., ‘Snakes, shapes, and
gradient vector flow’, IEEE Trans. Image
plusieurs séquences avec des contrastes
Process. 7 (3), 359–369, 1998.
différents. La méthode du contour actif est [9].Berger M O., Les contours actifs :
fiable dans la délimitation des lésions modélisation, comportement et
mammaires. Toutefois, un prétraitement convergence. Thèse de doctorat de l'Institut
des images avec des lésions peu National Polytechnique de Lorraine,
contrastées est nécessaire. spécialité: Informatique, p.135, 6 février
1991.
L’extraction des lésions à partir des
séquences d’images d’échographie
mammaire est une étape primordiale dans
la conception d’un outil de diagnostic
assisté par ordinateur dans le cancer du
sein en boucle vidéo (CAD).