Académique Documents
Professionnel Documents
Culture Documents
Abstract— La segmentation des cellules sanguines est un enjeu de pathologique dépend principalement de la segmentation
recherche important en hématologie et dans d’autres domaines correcte de l’image.
connexe. Dans cet article, une technique de segmentation des
images microscopiques est proposée dans le but d’extraire les
composantes des cellules sanguines (noyau, cytoplasme, globule
rouge et plasma). L’image est représentée en couleur, les attributs
d’Haralick extraits des matrices de cooccurrences sont utilisées
pour caractériser les textures couleurs présentent dans ces
images. Un prétraitement est réalisé pour extraire le fond
(plasma) afin de réduire le temps d’exécution et le bruit. Les
machines à vecteurs de support (SVM) ont été appliquées pour
une segmentation par classification pixellaire supervisée. La
méthode proposée a été testée sur vingt sept images
microscopiques réelles avec des résultats prometteurs et des taux
de reconnaissances du noyau, globule rouge atteignant les 98% et
du cytoplasme 80%.
IV. EXPÉRIMENTATION
A. Base d’images
Notre base a été construite à partir d’images réelles
acquises au sein du service d’hémobiologie (CHU Tlemcen), Figure 4. Image étiquetée (vérité terrain)
sur des lames avec la coloration MGG (May Grunwald
Giemsa). L’environnement LEICA (caméra et microscope)
C. Étape de segmentation
permet d’obtenir des images couleur RGB de 24-bit sous
format Bitmap. Par la suite nous avons converti ces images Notre segmentation est basée sur une classification
couleur en images niveaux de gris afin d’extraire les indices pixellaire, et nous avons choisi SVM comme classifieur.
d’Haralick [1,2]. En premier lieu, nous construisons un SVM appliqué sur
toutes les caractéristiques (14 caractéristiques= niveaux de
Vingt sept images microscopiques ont été utilisées pour gris
l’évaluation de l’algorithme de segmentation proposé. Nos + 13 indices d’Haralick), obtenues des images du premier
images ont été divisées en 2 groupes disjoints: le premier pour ensemble d’apprentissage en prenant en considération que les
l’apprentissage (18images), le choix de ces images est basé sur pixels des noyaux, cytoplasme et globules rouges. Chaque
un critère de représentativité de toutes les classes, le deuxième pixel est représenté par 14 caractéristiques.
pour le test (9images). Dans nos précédents travaux [16,17],
Nous avons testé trois fenêtres (3x3, 5x5 et 7x7) notre
nous avons enregistré des taux de reconnaissances du plasma choix s’est porté sur la fenêtre 5x5 centré sur le pixel
(fond) atteignant les 99%. Aussi, le fond de l’image prend considéré, d’où δ, θ ∈ {0,1,2,-1,-2} en utilisant toutes
généralement une grande partie de l’image ce qui augmente le les
temps de traitement et contient même du bruit, pour cela nous directions possibles (0°,45°,90°,135°,180°,-45°,-135°,-
avons effectué un prétraitement sur la base d’images pour
90°).
extraire la partie fond (Fig. 3).
D. Résultats et discusions
Nous avons mesuré et quantifié les performances de
segmentation de l’ensemble des images de test par rapport aux
images vérité terrain, pour cela nous avons utilisé deux
critères: le taux de reconnaissance (rappel) et la précision.
Ensuite une comparaison de ces résultats avec ceux obtenus
dans un autre travail [16], sur la même base d’images
microscopiques, en utilisant une technique de fusion de
segmentation par SVM dans différents espaces couleur à
savoir RGB, HSL, HSV, LUV et YUV.
Quelques résultats visuels de notre segmentation sont
présentés sur les figures 5 et 6 (Fig.5 Fig.6). La table (I)
montre les taux de reconnaissances et de précisions obtenues.
Le temps moyen de classification des images (512x384 pixels)
par SVM appliqué sur les 14 caractéristiques est de 305
secondes.
Noyau Cytoplasme
Taux de reconnaissance 97.76% 65.08%