Académique Documents
Professionnel Documents
Culture Documents
UNIVERSITE DE LUBUMBASHI
FACULTE POLYTECHNIQUE
Département d’électromécanique
dptelectromecanique@polytechunilu.ac.cd
Février 2023
REPUBLIQUE DEMOCRATIQUE DU CONGO
UNIVERSITE DE LUBUMBASHI
FACULTE POLYTECHNIQUE
Département d’électromécanique
dptelectromecanique@polytechunilu.ac.cd
EPIGRAPHE
- Amit Ray -
~ II ~
REMERCIEMENTS
Nous adressons nos remerciements les plus sincères aux personnes qui nous ont apporté
leur aide et qui ont contribué à l’élaboration de ce mémoire ainsi qu’à la réussite de cette année
universitaire.
Nous tenons à remercier sincèrement le Professeur Lagouge Tartibu, le Chef des travaux
Innocent Muheme et l’Assistant Bienvenu Masompe qui, en tant que Directeur et Codirecteurs
de ce mémoire, pour l’inspiration, l’aide et le temps qu’ils ont bien voulu nous consacrer.
A mon Père Jean-Paul Karoge, pour tous les sacrifices consentis dans la préparation
de mon avenir. Pour tant d’efforts qu’il n’a jamais cessé de faire pour ma formation, de m’avoir
donné le goût des études ainsi que le courage dans les souffrances et l’attachement à mon égard,
voici le fruit de notre travail.
RESUME
L’identification automatique des tumeurs cérébrales dans les images médicales est motivée par
la nécessité d'une grande précision lorsqu'il s'agit d'une vie humaine. Aussi, l'assistance
informatique est demandée dans les établissements médicaux dans la mesure qu'elle pourrait
améliorer les résultats des humains dans un tel domaine où les cas des fautes professionnelles
doivent être à un taux très faible. De ce fait, avec les progrès actuels, il existe une multitude des
méthodes proposées pour la segmentation des tumeurs cérébrales à partir des images IRM et
ces dernières exigent des ressources matérielles sophistiqués ayant un grand pouvoir de calcul
d’une part. D’autres part la complexité de ces méthodes dont certaines qui sont hybrides rend
difficile d’appréhender ce domaine de recherche sans une connaissance appropriée des notions
de base. Ainsi l’objectif de ce travail est la détection des tumeurs cérébrales par la segmentation
des images IRM par une approche automatique basée sur les méthode de morphologie
mathématique intégrant les caractéristiques de l’image IRM comme un élément clé dans le
processus de segmentation pour évaluer l’apparition des tumeurs, la variabilité de l’anatomie
normale ainsi que l’analyse de la symétrie bilatérale du cerveau ; considérées comme les
caractéristiques majeures par les experts en radiologie. Ce manuscrit illustre à travers deux
méthodes (algorithmes) comment détecter et extraire stratégiquement une tumeur cérébrale
homogène à partir des images d'IRM des patients à contraste amélioré puisées dans une base de
données. Le premier processus de détection des tumeurs comprend le prétraitement, la
segmentation de seuil, la segmentation des bassins versants, l'opération morphologique et la
détermination de l'emplacement de la tumeur pour un seuil de 0,6. Pour améliorer le traitement
et faciliter la détection de la tumeur cérébrale sur l’image IRM, une deuxième méthode est
utilisée incluant le filtre anisotropique qui élimine les artefacts sur les images IRM. Un
détecteur de symétrie (pour la boite englobante) et un détecteur de périmètre sont utilisés pour
mettre en surbrillance le contour de la tumeur détectée sur l’image IRM filtrée.
ABSTRACT
The automatic identification of brain tumors in medical images is driven by the need for high
accuracy when dealing with human life. Also, IT support is in demand in medical institutions
as it could improve human outcomes in such a field where malpractice cases must be at a very
low rate. Therefore, with current progress, there is a multitude of methods proposed for the
segmentation of brain tumors from MRI images and these require sophisticated hardware
resources with high computing power on the one hand. On the other hand, the complexity of
these methods, some of which are hybrid, makes it difficult to understand this field of research
without an appropriate knowledge of the basic concepts. Thus, the objective of this work is the
detection of brain tumors by the segmentation of MRI images by an automatic approach based
on the method of mathematical morphology integrating the characteristics of the MRI image as
a key element in the process of segmentation to evaluate the appearance of tumors, the
variability of the normal anatomy as well as the analysis of the bilateral symmetry of the brain;
considered to be the major characteristics by radiology experts. This manuscript illustrates
through two methods (algorithms) how to strategically detect and extract a homogeneous brain
tumor from contrast-enhanced patient MRI images drawn from a database. The first tumor
detection process includes preprocessing, threshold segmentation, watershed segmentation,
morphological operation, and tumor location determination for a threshold of 0.6. To improve
the treatment and facilitate the detection of the brain tumor on the MRI image, a second method
is used including the anisotropic filter which eliminates artifacts on the MRI images. A
symmetry detector (for the bounding box) and a perimeter detector are used to highlight the
contour of the tumor detected on the filtered MRI image.
Figure III-2:Histogramme d'une image IRM (en fond noire sur la figure), en abscisse l’intensité
et en ordonné le nombre des pixels. .................................................................................. 62
Figure III-3: Rendu d'une image IRM d'une Tumeur Bégnine en utilisant l'algorithme d'Otsu
pour un seuil de 0,2902 ; difficile de voir la Tumeur ....................................................... 63
Figure III-4:Rendu d'image IRM d'une Tumeur Bégnine en utilisant la segmentation manuelle
pour un seuil de 0,6 ; facile de voir la Tumeur ................................................................. 63
Figure III-5:Segmentation par bassin versant d'une IRM avec le seuil de 0,2902 et celui de 0,6
qui est optimal pour la détection du contour de la Tumeur .............................................. 66
Figure III-6:Détection de la région de la Tumeur après l'opération morphologique en c. ....... 67
Figure III-7: Schéma bloc d'extraction d'une tumeur cérébrale en huit étapes ........................ 68
Figure III-8: Rendu de l'image IRM en utilisant le filtre anisotropique en b ........................... 69
Figure III-9: Boite englobant la tumeur sur l'image IRM filtrée d'une Tumeur bénigne ......... 70
Figure III-10:Erosion et dilation d'une image binaire en utilisant un élément structurant ....... 72
Figure III-11:Rendu de l’image IRM après les opérations de dilation érosion pour la détection
la Tumeur en b et c. ........................................................................................................... 72
Figure III-12: Le périmètre de la Tumeur est mis en valeur sur l'image IRM filtrée par un
contour en couleur rouge................................................................................................... 73
Figure IV-1:Premier échantillon (image IRM cérébrale en coupe axiale) ............................... 75
Figure IV-2:Deuxième échantillon (image IRM cérébrale pour une Tumeur déformante) .... 75
Figure IV-3: Troisième échantillon (image IRM cérébrale pour Tumeur déformante) ........... 76
Figure IV-4: Quatrième échantillon (Image IRM cérébrale en coupe axiale) ......................... 76
Figure IV-5: Cinquième échantillon (image IRM cérébrale pour une grande Tumeur
déformante) ....................................................................................................................... 76
Figure IV-6: Sixième échantillon ............................................................................................. 77
Figure IV-7: Septième échantillon ........................................................................................... 77
Figure IV-8: Premier échantillon traité par la deuxième méthode ........................................... 78
Figure IV-9:Deuxième échantillon d’image IRM traitée par la deuxième méthode ................ 78
Figure IV-10:Troisième échantillon d’image IRM traitée par la deuxième méthode ............. 79
Figure IV-11: Cinquième échantillon d’image IRM traitée par la deuxième méthode ........... 79
Figure IV-12:Sixième échantillon d’image IRM traitée par la deuxième méthode ................ 79
Figure IV-13:Septième échantillon d’image IRM traitée par la deuxième méthode .............. 80
Figure IV-14: Résultats de traitement d’un échantillon d’image IRM présentant une tumeur
avec l'œdème et la nécrose traitée par la deuxième méthode............................................ 80
~X~
Tumeur
cérébrale
Les symptômes
variant avec la
localisation de
la Tumeur
L’analyse et l’interprétation de l’image IRM dans le but d’en extraire des informations
pertinentes pour le diagnostic posent cependant des problèmes complexes. En effet, l’étude
manuelle de clichés est fastidieuse et souffre de la variabilité d’interprétation, du fait que le
volume des données à traiter est devenu rapidement beaucoup plus important. La structure de
~2~
ces données est nettement plus complexe et sans oublier que pendant l’acquisition des images
un bruit important d’origine mécanique est généré et dont il faut en tenir compte lors de
l’interprétation. Dans le but d’aider le médecin lors du diagnostic, ou le chirurgien lors de la
réalisation d’un geste opératoire, la mise en place de systèmes de traitement automatique
d’images s’impose. Une aide précieuse peut être garantie par des systèmes automatisés à travers
la détection et la localisation de tumeurs. Or, du fait de la limitation du système visuel de l’être
humain et pour voir ce qu’il ne voit pas directement, nous pouvons alors parler de segmentation
(Badreddine, 2015).
La segmentation est le processus par lequel on va identifier les régions les plus importantes
d’une image. Ce processus est extrêmement difficile à mettre en œuvre sur des images
fortement texturées à l’exemple des images obtenues par la résonnance magnétique. La
segmentation de tumeurs au cerveau consiste à séparer les tissus tumoraux (tumeur solide ou
active, œdème et nécrose) des tissus cérébraux normaux (la matière grise, la matière blanche et
le liquide céphalo-rachidien) (Mohamed, 2018).
Le prétraitement des images IRM est la première étape de l'analyse d'image qui effectue des
techniques d'amélioration de l'image et de réduction du bruit qui sont utilisées pour améliorer
la qualité de l'image, puis certaines opérations morphologiques sont appliquées pour détecter la
tumeur dans l'image. Les opérations morphologiques sont essentiellement appliquées sur
certaines hypothèses en rapport avec la taille et la forme de la tumeur puis à la fin, la tumeur
est mappée sur l'image originale en niveaux de gris avec une intensité de 255 pour rendre plus
visible la tumeur dans l'image. Nous exécuterons les algorithmes avec le logiciel Matlab
(version R2022a) sur un certain nombre de données d'images cérébrales de patients pour en
extraire les tumeurs (Naren & Srikari, 2019).
d’images IRM, ce travail propose un récapitulatif des notions de base nécessaire à cette fin. Et
illustre à travers deux algorithmes basés sur la méthode de segmentation morphologique,
comment effectuer la segmentation automatique des tumeurs cérébrales homogènes et présente
également les différentes limites de ces derniers. Ainsi il servira de canevas à tout chercheur
désirant connaitre la file d’idée sur les méthodes de segmentation des tumeurs cérébrales,
l’utilisation des méthodes morphologique et servir de base pour des recherches plus complexes
comme celles qui font intervenir l’intelligence artificielle pour segmenter des tumeurs
hétérogènes.
Dans ce travail nous illustrerons comment s’effectue la segmentation automatiques des images
IRM en se basant sur deux méthodes, la première plus rapide mais dépourvue de filtre et la
seconde contentant un filtre anisotropique pour éliminer les bruits mécaniques (artefacts) qui
accompagne les images IRM et les rendant difficile à traiter.
mortelles, cette dernière est devenue un domaine de recherche comme sans pareil et
indispensable dans le domaine de la neurochirurgie.
II.1.1 Introduction
Cette section, nous discuterons de certaines des caractéristiques utiles pour détecter et
distinguer les tumeurs cérébrales de leurs tissus environnants dans les images par résonance
magnétique. Nous commencerons par discuter de l'anatomie du cerveau et du fonctionnement
de l'IRM avant de passer à une discussion plus détaillée sur les tumeurs cérébrales. La section
II.1.4 donne une définition d'une tumeur cérébrale et des composants qui l'accompagnent. Dans
la section II.1.5, la classification des tumeurs cérébrales sera présentée et la section II.1.6
décrira les caractéristiques de la plupart des tumeurs cérébrales. Nous présenterons une
classification des tumeurs en fonction de leur localisation, de leur aspect radiologique et de leur
altération sur les structures environnantes dans les sections II.1.7, II.1.8 et II.1.9. Enfin, dans la
section II.1.11, quelques conclusions sont données.
Daessle, 2009). Certains sillons plus profonds, les scissures, facilitent la division de chaque
hémisphère en 4 lobes dont le lobe frontal, le lobe pariétal, le lobe temporal et le lobe occipital.
Cerveau
Lobe pariétal
Lobe frontal
Lobe occipital
Lobe temporal
Cervelet
Tronc cérébrale
Moelle épinière
Matière grise
Matière blanche
Le liquide
céphalo-rachidien
Figure II-2: Les principales substances présentes dans l’encéphale (Neuroblog, 2018)
Les images obtenues selon chacune des modalités ci-dessus ont des caractéristiques
propres telles que la résolution, le contraste, les artéfacts, l’acquisition deux dimensions (2D),
trois dimensions (3D) ou à un instant précis (3D+t) (Henkel, 1995). Les modalités d’acquisition
d’imagerie médicales sont généralement regroupées selon deux familles dont la première est
l’imagerie anatomique et la seconde l’imagerie fonctionnelle.
• Acoustiques (ultrasonographie),
• D’atténuation des rayons X (scanner-X),
• Optiques (imagerie optique) ou des propriétés magnétiques (IRM).
Le scanner-X donne des bons résultats pour l’observation des tissus durs, alors que l’IRM est
adaptée pour l’observation des tissus mous. L’ultrasonographie fournit des images de faible
qualité mais est suffisante pour un grand nombre d’applications (Bricq, 2008). La figure II.3
~9~
illustre l’aspect des images obtenues par les techniques d’imagerie médicales citées dans ce
paragraphe.
d'utiliser des scanners IRM pour évaluer la bio-physiologie des tumeurs. L'avantage le plus
important de l'imagerie par résonance magnétique peut être la capacité de recueillir des
informations fonctionnelles et anatomiques sur la tumeur au cours du même examen (Ricci &
Dungan, 2001).
interrompue, les protons se réalignent et libèrent de l'énergie radiofréquence, qui est localisée
en variant rapidement les champs magnétiques dans l'espace. L'antenne radio du scanner (ou
bobine) capte le signal et produit l'image. Vous pouvez en apprendre davantage sur les
mécanismes de l'IRM dans (Busherg, Seibert, Leidholdt, & Boone, 2012), (Dale, Brown, &
Semelka, 2015), (Brown, Cheng, Haacke, Haacke, & Venkatesan, 2014), (Stark, Bradley, & G,
1999), (Cercignani, Dowell, & Tofts, 2018) et (Kastler, Vetter, Patty, & Germain, 2011).
Figure II-4: Principes de l’IRM. (a) Signal RMN : le spin d’un noyau aligné sur un champ
magnétique peut être basculé par une impulsion radiofréquence. Il revient ensuite à son état
initial en émettant un signal RF qui permet de mesurer des propriétés physiques de l’objet, (b)
Formation de l’image : un champ de gradient permet de sélectionner une position dans une
direction spatiale, (c) Vue d’ensemble d’un système d’acquisition IRM (Hornak, 1996)
Les protons se comportent différemment dans divers tissus, ce qui entraîne des
variations dans l'apparence des tissus. Le nombre de protons d'hydrogène mobiles, leur vitesse
de mouvement et les durées de relaxation T1 et T2 du tissu affectent tous la quantité de signal
produite par un certain type de tissu (Armstrong, Cohen, Weinberg, & Gilbert, 2004), (Lee,
~ 12 ~
Brazis, Garrity, & White, 2004) (Les mots utilisés pour définir les procédures d'IRM sont inclus
dans le tableau II.1.). La synchronisation de l'impulsion radiofréquence (RF) et la mesure de
l'énergie RF rayonnée affectent l'apparence de l'image puisque les temps de relaxation T1 et T2
dépendent du temps. L'intervalle entre les applications de séquence d'impulsions RF est appelé
période de répétition (TR). Le délai jusqu'à ce que l'énergie RF émise par le tissu cible soit
mesurée et appelé temps d'écho (TE). Pour optimiser l'impact des variations de T1 ou T2, la
séquence d'impulsions décrite par le TR et le TE ; indique la méthode utilisée pour administrer
l'énergie RF. Par conséquent, une image IRM est appelée pondérée T1 ou T2 (Stark, Bradley,
& G, 1999).
Tableau II-1: Plusieurs noms pour les procédures utilisant l'imagerie par résonance
magnétique (Armstrong, Cohen, Weinberg, & Gilbert, 2004)
Termes Description
La période nécessaire aux protons du tissu pour revenir à leur état
T1
magnétique initial
La durée nécessaire aux protons dont l'oscillation cohérente a été
T2
perturbée par l'impulsion RF
L'intervalle entre les applications répétées de séquences d'impulsions
TR
radiofréquence est appelé temps de répétition
Temps d'écho : la durée qui s'écoule avant que l'énergie radiofréquence
TE
émise par le tissu cible ne soit mesurée.
Image
pondérée en TE et TR courts et améliorent les détails anatomiques
T1
Image
TE court, TR long pour la différenciation améliorée des lésions du liquide
pondérée en
céphalo-rachidien
T2
TE court avec un TR long pour distinguer avec une plus grande clarté les
Image FLAIR
lésions et le liquide céphalo-rachidien.
Une séquence d'écho de spin est la séquence d'impulsions IRM typique pour les
informations anatomiques et pathologiques. Les images pondérées en T2 (TR long, TE long),
plus sensibles à la teneur en eau, sont plus sensibles à la pathologie, tandis que les images
pondérées en T1 (TR court, TE court) offrent des informations anatomiques supérieures. Le
contraste entre les lésions et le liquide céphalo-rachidien est meilleur dans les images de densité
intermédiaire ou de protons (TR long, TE court).
Une autre séquence d'impulsions utile pour identifier les lésions à faible contraste est
l'image FLAIR (Fluide-Attenuated Inversion Recovery). Le signal du LCR peut être éliminé à
l'aide de FLAIR (T1 long, TR long et TE variable), qui génère une image IRM fortement
~ 13 ~
pondérée en T2 et sans LCR qui permet de voir plus clairement la maladie à côté du LCR. De
nombreuses études confirment les avantages de la séquence FLAIR par rapport aux séquences
d'écho de spin (SE) traditionnelles en matière de détection de maladies (Saleh, Wenserski, &
M. Cohnen, 2004). Cette méthode, qui est censée être capable de rendre les lésions cérébrales
plus visibles que les séquences d'écho de spin pondérées en densité de protons et pondérées en
T2, a pris une place importante dans l'imagerie cérébrale de routine (Herskovits, Itoh, &
Melhem, 2001). Par rapport aux images pondérées en T2, les images FLAIR améliorent la
précision de détection des lésions corticales, sous-corticales et périventriculaires et permettent
une évaluation plus productive. Mieux que l'imagerie pondérée en T2 et en densité de protons,
les images FLAIR peuvent séparer le LCR d'un composant kystique ou nécrotique et peuvent
distinguer l'œdème de la tumeur (Tsuchiya, Mizutani, & Hachiya, 1996).
T1 est proportionnel à l'œdème dans les tumeurs cérébrales. L'imagerie pondérée en T1,
cependant, ne sera pas suffisante pour une estimation précise de l'œdème tumoral car un petit
changement de la pression partielle d'oxygène est suffisant pour affecter radicalement T1. Dans
certains cancers, les résultats des images IRM pondérées en T2 (également FLAIR) montrent
également une corrélation directe avec le volume d'eau extracellulaire, la teneur en eau totale
et une corrélation inverse avec la teneur en eau intracellulaire. Par conséquent, l'œdème est en
fait imagé par des images IRM pondérées en T2 (également FLAIR) (Steen, 1992).
Pour attirer l'attention sur une anomalie, des agents de contraste paramagnétiques, tels
que le gadolinium, peuvent être administrés lors des acquisitions IRM. Le gadolinium reste
dans le système vasculaire du cerveau après l'injection, à l'exception des zones où la barrière
hémato-encéphalique a été rompue. La barrière hémato-encéphalique peut être endommagée
par une gamme de conditions, des tumeurs cérébrales aux traumatismes crâniens (Armstrong,
Cohen, Weinberg, & Gilbert, 2004). La barrière hémato-encéphalique n'est pas complètement
intacte dans certaines régions du cerveau, notamment l'hypophyse, la glande pinéale,
l'infundibulum hypophysaire, le plexus choroïde et les veines, qui présentent généralement une
amélioration du contraste. En conséquence, les images pondérées en T1 à contraste amélioré
(CE-T1w) montrent les subtilités anatomiques du cerveau et peuvent faire la distinction entre
les tumeurs et les œdèmes. Une illustration des images pondérées en T1, pondérées en T1 avec
contraste, FLAIR et pondérées en T2 d'un gliome de haut grade peut être trouvée dans la figure
II.5.
L'IRM développe rapidement de nouvelles séquences d'imagerie, telles que l'IRM écho
planaire, qui raccourcissent les temps d'examen et améliorent les informations contenues dans
~ 14 ~
les images (Wen, Jeremy, & Black, 2001). En moins de 100 millisecondes, l'IRM écho planaire
peut numériser une image et fournir des données sur la diffusion et la perfusion tumorales. En
mesurant le mouvement des molécules d'eau, l'IRM pondérée en diffusion peut aider à identifier
les cancers à partir d'œdèmes, d'anomalies kystiques et de substance blanche saine.
Une technique non invasive appelée spectroscopie par résonance magnétique (SRM)
permet un examen direct du métabolisme tumoral et offre des détails sur la nature et la
distribution géographique des métabolites cellulaires. L'utilité de la SRM pour le diagnostic
non invasif des tumeurs malignes, l'évaluation du grade de la tumeur et la distinction entre les
tumeurs et les effets des rayonnements sont actuellement examinées avec un intérêt
considérable (Wen, Jeremy, & Black, 2001).
Figure II-5 : IRM cérébrale. Image pondérée en T1 en (a) sans accentuation du contraste. (b)
Une image pondérée en T1 avec un contraste amélioré. Image pondérée en T2 (c). d) Image
FLAIR (Armstrong, Cohen, Weinberg, & Gilbert, 2004)
Grâce à l'imagerie par résonance magnétique fonctionnelle (IRMf), qui enregistre les
modifications de la composition chimique des différentes régions du cerveau en raison des
variations du flux sanguin qui se produisent en quelques secondes ou minutes, il est possible de
voir comment fonctionne le cerveau. Actuellement, la planification chirurgicale pour l'ablation
des lésions qui empiètent sur les centres visuels ou de la parole du cerveau utilise cette
technologie, qui offre à la fois une image anatomique et fonctionnelle du cerveau (Armstrong,
~ 15 ~
Cohen, Weinberg, & Gilbert, 2004). Une méthode non invasive pour voir les artères sanguines
dans le cerveau est l'angiographie IRM (ARM), elle est de plus en plus utilisée à sa place (Wen,
Jeremy, & Black, 2001).
La majorité des tumeurs cérébrales et leurs composants, tels que l'œdème et la nécrose,
semblent être détectables et segmentables à l'aide des images CE-T1w et FLAIR, selon cette
revue et notre expertise. Mais dans le cadre de notre travail, les images T2 constituent les entrées
du système dans les chapitres III et IV lorsque nous proposons un système de segmentation des
tumeurs cérébrales.
Figure II-6:Exemple d'une Tumeur cérébrale et de son rendu après un IRM (Klatt, 2022)
Les tumeurs cérébrales qui ont leur origine dans le cerveau sont qualifiées de tumeurs
primaires (ou « vraies ») et portent les noms des types de cellules à partir desquelles elles se
sont formées. Elles peuvent ou ne pas s'infiltrer dans les tissus voisins si elles sont bénignes
(non cancéreuses). Elles peuvent également être agressives et cancéreuses (se propageant à la
zone voisine). Les tumeurs cérébrales qui se sont propagées au cerveau à partir d'une autre
partie du corps sont considérées comme des tumeurs secondaires ou métastatiques. Le plus
souvent, les tumeurs malignes qui se propagent au cerveau et entraînent des tumeurs cérébrales
~ 16 ~
Chaque tumeur cérébrale primaire peut également présenter un œdème et une nécrose,
comme le montrent la figure II.7, en plus de la section de la tumeur solide. L'œdème est l'une
des variables les plus importantes contribuant à la mort par tumeur cérébrale. Selon la
définition, l'œdème cérébral est une rupture localisée de la barrière hémato-encéphalique qui
provoque une augmentation du volume cérébral en raison de l'augmentation de la teneur en
sodium et en eau. L'œdème affecte principalement les zones de la substance blanche et se
développe autour de la tumeur (Prastawa & Gerig, Synthetic Ground Truth for Validation of
Brain Tumor MRI Segmentation, 2005). Dans les images pondérées en T1, l'œdème associé à
la tumeur peut être considéré comme hypo-intense (plus foncé que le tissu cérébral), iso-intense
(rarement de la même intensité que le tissu cérébral) ou hyper-intense (plus clair que le tissu
cérébral) en pondération T2 et en IRM FLAIR. En imagerie pondérée en T1, la nécrose,
constituée de cellules mortes au centre de la tumeur cérébrale, apparaît comme hypo-intense
(Figure II.7).
Dans ce texte, les cancers primitifs du cerveau sont discutés et la tumeur cérébrale elle-
même est considérée comme la tumeur cérébrale primaire.
Œdème
Matière
Blanche Nécrose
Tumeur
Solide
Figure II-7: Coupe axiale d'une image IRM cérébrale montrant les régions tumorales
(Mahmoud-Ghoneim, Toussaint, Constans, & Certaines, 2003)
~ 17 ~
Ici, nous examinons les traits et les caractéristiques des tumeurs les plus répandues selon la
classification de l'OMS (voir le tableau II.2). L'apparence des tumeurs dans les images IRM
(images T1w, CE-T1w, T2w et FLAIR), le grade des tumeurs et certaines informations
générales qui seront utiles dans la détection et la segmentation des tumeurs cérébrales dans
l'IRM sont les thèmes principaux de ce mémoire.
II.1.5.2 L’astrocytome
Les cellules gliales en forme d'étoile appelées astrocytes, qui sont des cellules du tissu
conjonctif, sont la principale source de tumeurs cérébrales appelées astrocytomes. Ils
représentent environ 40 % de toutes les tumeurs cérébrales primaires et sont le type de tumeur
cérébrale le plus répandu. L'atypie, les mitoses, la croissance endothéliale et la nécrose sont des
caractéristiques utilisées par le système de classification de l'OMS et de St-Anne pour classer
les astrocytes comme des tumeurs malignes (Daumas-Duport, 2008), (Lopes & Laws, 2002), et
(Smirniotopoulos, 1999). Ces caractéristiques démontrent le potentiel de malignité de la tumeur
en termes d'invasion et de taux de croissance. Les cancers de grade I sont ceux qui ne présentent
aucune de ces caractéristiques, les tumeurs de grade II sont celles qui présentent l'une de ces
caractéristiques (souvent atypie), les tumeurs de grade III sont celles qui répondent à deux
critères et les tumeurs de grade IV sont celles qui répondent à trois ou quatre critères. En
conséquence, les astrocytomes de grade I et de grade II sont de bas grade, tandis que les
astrocytomes de grade III et de grade IV sont de haut grade.
Cette forme de tumeur est bien différenciée, se développe relativement lentement, mais a le
potentiel de se propager aux tissus voisins. L'astrocytome pilocytique et l'astrocytome diffus
sont les deux formes de cette tumeur les plus fréquentes chez les enfants et les jeunes (Wen,
Jeremy, & Black, 2001), (EMedicine, 2017), (Henson, Gaviani, & Gonzalez, 2005).
~ 18 ~
Les gliomes de bas grade en IRM ont un signal réduit par rapport au cerveau environnant
sur les séquences T1 (Figure II.8 et II.9). Les kystes sont fréquemment présents dans les
~ 19 ~
Figure II-8:Astrocytome de bas grade. a) Une coupe axiale d'une image pondérée en T1. b)
Une coupe axiale d'une image pondérée en T2. c) Une coupe sagittale d'une image pondérée
en T1 avec contraste (EMedicine, 2017).
Figure II-9:Astrocytome diffus de bas grade (Grade II). a) Coupe coronale de l'image pondérée
en T1 à contraste amélioré. Aucune amélioration n'est présente avec l'amélioration du
~ 20 ~
II.1.5.3 Le Gangliogliome
Les enfants et les jeunes adultes peuvent développer des tumeurs à développement lent appelées
gangliogliomes. Les localisations les plus typiques de ce type de tumeur sont les lobes
temporaux et les hémisphères cérébelleux. Aucun œdème environnant n'est présent dans cette
forme de tumeur (Figure II.10), bien que des kystes soient également fréquemment présents.
II.1.5.4 L’Oligodendrogliome
On estime généralement que le deuxième type de gliome le plus répandu, les
oligodendrogliomes, représente 4 % à 15 % des gliomes et 2 % à 5 % des tumeurs cérébrales
primaires. On pense que de nombreuses tumeurs qui étaient des oligodendrogliomes dans le
passé ont été diagnostiquées à tort comme différents types d'astrocytomes. De plus, les gliomes
sont identifiés avec plus de précision que par le passé grâce à l'imagerie cérébrale améliorée
offerte par l'IRM. Ils se développent généralement dans les lobes frontaux, temporaux ou
pariétaux et sont généralement des tumeurs à croissance lente. Les hémorragies et les œdèmes
sont peu fréquents, bien que la dégénérescence kystique soit répandue. Les oligodendrogliomes
Figure II-10: Gangliogliome. (a) IRM axiale pondérée en T1 avec injection de contraste
montrant la tumeur frontale hypo-intense sans rehaussement. (b) La même lésion apparaît
hyper-intense en IRM pondérée en T2 (Wen, Jeremy, & Black, 2001).
~ 21 ~
se distinguent car ils sont composés de cellules sphériques uniformes, compactes, aux contours
saillants, au cytoplasme transparent et au noyau central concentré, leur donnant l'apparence d'un
« œuf au plat » (Figures II.11 et II.12) (Engelhard, Stelea, & Mundt, 2003).
Figure II-12:Un oligodendrogliome kystique. a) Axiale pondérée en T1, montrant divers degrés
d'hyposignal. b) Image pondérée en T2 montrant un hypersignal, en particulier du kyste central.
c) Image pondérée en T1 avec contraste amélioré montrant la formation d'anneaux aux
interfaces tumeur-kyste et tumeur-cerveau (Engelhard, Stelea, & Mundt, 2003)
~ 22 ~
Figure II-13 : Médulloblastome. a) Coupe axiale pondérée en T1 avec contraste montrant une
tumeur se rehaussant irrégulièrement dans le vermis cérébelleux. b) L'IRM axiale pondérée en
T2 du même patient a montré une augmentation du signal dans la tumeur (Wen, Jeremy, &
Black, 2001)
II.1.5.7 Le Lymphome
Habituellement, les lymphomes se forment dans la substance blanche sous-épendymaire
et sous-corticale. Le bord inégal de la tumeur longe les lacunes périvasculaires dans le matériel
cérébral. Le lymphome secondaire affecte généralement la moelle épinière (Plotkin &
T.Batchelor, 2001).Le plus souvent, des schémas de renforcement en forme d'anneaux sont
observés chez les patients atteints du SIDA (Figure II.14). On constate fréquemment qu'il y a
peu ou pas d'œdème vasogénique environnant (Plotkin & T.Batchelor, 2001) et (Wen, Jeremy,
& Black, 2001).
II.1.5.8 Méningiome
La majorité des tumeurs bénignes, soit 25 à 30 % de toutes les tumeurs cérébrales
primitives, sont des méningiomes. La zone para-sagittale est celle où on les trouve le plus
fréquemment. Ils affectent les personnes d'âge moyen et avancé et sont plus fréquents chez les
femmes. Bien que les méningiomes soient des tumeurs bénignes, les œdèmes les accompagnent
fréquemment (Engelhard, Stelea, & Mundt, 2003). Les méningiomes se présentent
différemment sur l'imagerie pondérée en T2 (Figure II.15), ce qui peut être lié à la consistance
de la tmeur. (Engelhard, Stelea, & Mundt, 2003), (Wen, Jeremy, & Black, 2001).
~ 23 ~
Figure II-14:Tumeur de lymphome. a) L'image pondérée en T1 avec contraste axial montre une
tumeur rehaussée en anneau. b) Vue sagittale du même patient (EMedicine, 2017)
II.1.5.9 Craniopharyngiome
L'hypothalamus, une région du cerveau près de l'hypophyse, est l'endroit où se forment les
craniopharyngiomes. Il représente environ 1% de toutes les tumeurs cérébrales et est
généralement rencontré chez les enfants ou les jeunes adultes. Sur les IRM, le caractère mixte
solide et kystique de la tumeur est visible. La tumeur présente un signal T1 fluctuant en IRM,
souvent hyper-intense. Habituellement, la concentration élevée en protéines du liquide du kyste
provoque l'hypersignal T1 (Figure II.16) (Curran & O’Connor, 2005).
Figure II-15: Tumeur méningiome. a) Coupe axiale de l'image pondérée en T1. b) La même
tumeur sur l'image pondérée en T1 avec contraste. c) Coupe coronale en pondération T2
(EMedicine, 2017).
II.1.5.10 . Adénome hypophysaire
Environ 7 % des cancers primitifs du cerveau sont des adénomes hypophysaires. Ils proviennent
du lobe antérieur de l'hypophyse. La technique d'imagerie privilégiée est l'IRM. En séquence
pondérée en T1, les micro-adénomes (moins de 1 cm de diamètre) apparaissent comme des
lésions de faible intensité. La tumeur est mise en évidence et la glande normale adjacente à
l'adénome est rehaussée de gadolinium (Figure II.17) (Bonneville, Bonneville, & Cattin, 2005).
~ 24 ~
II.1.6 Résumé
Tableau II-3 Propriétés des tumeurs cérébrales. Ici, CR désigne l'hémisphère cérébral, CL est
le cervelet et BS est le tronc cérébral. Pour le nom de la tumeur, les quatre premiers caractères
ont été choisis.
Ces tumeurs cérébrales, qui représentent environ 90 % de toutes les tumeurs cérébrales
primaires, ont été abordées dans cette section. Les caractéristiques de ces tumeurs sont données
dans le tableau II.3 (ci-haut).
Cervelet
Astrocytome
Médulloblastome
Tronc cérébral
Astrocytome
En revanche, sur les images pondérées T1 et pondérées T1 rehaussées, les tumeurs de ce type
ne retiennent pas les produits de contraste et apparaissent hypo-intenses (plus foncées que GM)
(Figure II.19). Ils ont généralement peu ou pas d'œdème et les plus répandues de cette catégorie
comprennent les oligodendrogliomes, les gangliogliomes et les astrocytomes de bas grade.
~ 26 ~
Figure II-19:Une tumeur non rehaussée. a) Coupe axiale en pondération T1. b) La même coupe
en pondération T1 avec injection de contraste. c) Image FLAIR.
Avec l'administration de contraste, ces tumeurs deviennent plus prononcées sur les images T1w,
et presque tous leurs voxels montrent une hyper-intensité sur les images CE-T1w (Figure II.20).
Ce groupe comprend plusieurs formes de méningiomes, d'épendymomes, de lymphomes, de
craniopharyngiomes et d'adénomes hypophysaires.
Figure II-20:Une tumeur rehaussée sans œdème. a) Coupe axiale de l'image pondérée en T1.
b) La même tranche d'image pondérée en T1 à contraste amélioré. c) Image pondérée en T2.
Figure II-21:Tumeur rehaussée avec œdème. a) Coupe axiale de l'image pondérée en T1. b) La
même tranche d'image pondérée en T1 à contraste amélioré. c) Image FLAIR
Figure II-22:Une tumeur rehaussée en anneau. a) Coupe axiale de l'image pondérée en T1. b)
La même tranche d'image pondérée en T1 à contraste amélioré. c) Image FLAIR
~ 28 ~
Les tumeurs principalement infiltrantes, non rehaussées, nécrotiques ou de petite taille sont
incluses dans cette catégorie. Selon leurs diamètres, leur distance au plan interhémisphérique
et selon qu'elles comportent ou non des noyaux gris foncé, les tumeurs sont ensuite divisées en
tumeurs sous-corticales (PD-SC) (Figure II.23.b) ou périphériques (PD-P) (Figure II.23.a).
Figure II-23:Classification basée sur les altérations tumorales. a) Coupe axiale d'une tumeur
PD-P. b) Tumeur PD-SC. c) Tumeur GD.
II.1.15 Conclusion
Dans cette section, nous avons d'abord abordé la classification des tumeurs cérébrales, les
techniques d'imagerie des tumeurs cérébrales et l'anatomie cérébrale. La découverte
fondamentale de cette section est qu'un paramètre clé pour les tumeurs malignes est
l'amélioration des tumeurs dans les images pondérées en T1 par le contraste. De plus, les images
pondérées en T1 ne sont pas la meilleure modalité pour une segmentation précise de l'œdème ;
les images pondérées FLAIR ou T2 sont de meilleures options. Ensuite, en utilisant les systèmes
de classification de l'OMS, nous avons examiné les caractéristiques des tumeurs cérébrales.
Pour différencier les cancers les uns des autres dans les IRM, nous avons énuméré leurs
propriétés radiologiques. Ensuite, en fonction de l'emplacement, de l'apparence dans les images
IRM et de la modification des structures voisines, nous avons établi trois catégories
supplémentaires pour les tumeurs cérébrales. Afin de segmenter les tumeurs cérébrales,
~ 29 ~
d'identifier les régions cérébrales internes et d'interpréter les tumeurs cérébrales, nous
utiliserons ces classifications pour fournir un cadre général.
II.2.1 Introduction
La variété des formes, des localisations et des intensités d'image possibles des différents
types de tumeurs fait que la segmentation et la caractérisation précises et reproductibles des
anomalies restent des tâches exigeantes, malgré de multiples efforts et des réalisations
encourageantes dans le domaine de l'imagerie médicale. Certains d'entre eux peuvent également
altérer les structures environnantes, ou être liés à un œdème ou à une nécrose, ce qui modifie
l'intensité de l'image environnante de la tumeur (voir la section II.1). L'automatisation,
l'applicabilité et la précision des procédures actuelles pourraient toutes être considérablement
améliorées. Les approches d'identification et de segmentation des tumeurs cérébrales dans les
images IRM sont classées et examinées dans cette section de ce chapitre.
Les approches basées sur les régions recherchent des clusters de voxels quelque peu
similaires. En automatisant certaines applications de tâches de bas niveau, telles que la sélection
de seuil, l'analyse d'histogramme, la classification, etc., ces systèmes minimisent l'intervention
de l'opérateur. Ils peuvent être surveillés ou non. Afin de définir la limite de l'anatomie ou de
la pathologie cérébrale, les approches basées sur les limites (frontières) utilisent l'évolution
d'une courbe basée sur des forces internes (telles que la courbure) et des forces externes (telles
que le gradient d'image). De plus, ces techniques peuvent être supervisées ou non supervisées.
~ 30 ~
Ils peuvent également être divisés en deux groupes : (1) le modèle géométrique déformable et
(2) le modèle paramétrique déformable (serpent classique) ou (level sets).
La fusion des techniques de segmentation tumorale basée sur les régions et les limites
constitue la troisième classe de techniques de base. En raison du fait que cette technique tire
des données des sources d'une région et d'une frontière, cette classe a été la plus réussie. Il a
récemment attiré beaucoup d'attention en raison de son succès significatif. Sur la base de la
catégorisation proposée, qui est présentée à la figure II.24 et le tableaux II.1 listes les différentes
techniques de pointes utilisées pour la segmentation des Tumeurs cérébrales basées sur les
réseaux des neurones artificiels (voir la section II.2.8), le réseau de neurones convolutifs (CNN)
et le réseau de neurones à convolution profonde parallèle (PDCNN). Nous discuterons des
techniques de base utilisées pour la segmentation des tumeurs cérébrales dans les images IRM
dans les sections suivantes de ce chapitre.
Les techniques basées sur la classification sont supervisées et attribuent chaque pixel à
une certaine classe. Ces techniques reposent sur une approche statistique. Les approches de
classification non supervisées qui utilisent des méthodes d'appartenance floue pour segmenter
les tumeurs cérébrales sont connues sous le nom de techniques basées sur le regroupement. Le
terme "méthodes basées sur la morphologie mathématique" fait référence à des techniques qui
utilisent des éléments de morphologie mathématique comme modèles pour convoluer avec
l'image, tels que des éléments structurants (SE), des masques ou des noyaux, suivis d'une
~ 31 ~
II-1: Différentes Techniques pointes utilisées pour la segmentation des Tumeurs cérébrales
No Auteurs Méthodologie Année Jeu de Exactitude
données
(Afshar, Plataniotis, & Figshare
1 Réseaux de capsules 2019 90,89%
Mohammadi, 2019) Dataset-II.
(Lamrani, Cherradi, Jeu de
2 Gannour, Bouqentar, & CNN 2020 données 96, 08%
Bahatti, 2020) binaires-I.
Redimensionnement +
(Sultan, Salem, & Al- Augmentation + CNN + Figshare
3 2019 96, 13%
Atabany, 2019) Réglage des Dataset-II.
hyperparamètres
Jeu de
(Irsheidat & Duwairi, Gris + Redimensionner +
4 2020 données 96, 70%
2020) Aplatir + CNN
binaires-I.
(Minarno, Kantomo, Redimensionnement +
Kaggle
5 Sumadi, Nugroho, & Augmentation + CNN+ 2021 96, 00%
Dataset-III.
Ibrahim, 2021) Réglage Hyperparamètre
Resnet-50-
Transfert basé sur CNN Jeu de 95%, VGG-
(Saxena & Maheshwari,
6 Approche 2021 données 16- 90%,
2021)
d’apprentissage binaires-I. Inception-
V355%
Redimensionner + Gris + Jeu de
7 (ZainEldin, et al., 2022) Augmentation + CNN 2022 données 96,90%
binaire binaires-I.
Jeu de
données 97.33%
Redimensionner +
8 binaires-I.
Conversion en niveaux
(Rahman & Islam, 2023 Figshare
de gris+ 97.60%
2023) Dataset-II.
Augmentation + PDCNN
Kaggle
98.12%
Dataset-III.
Classement Atlas
Basée sur la
Morph. KNN
Math. Bayes.
Basée sur la
Basée sur la SVM
classification
région
Texture+ Classement
MRF
EM + MRF
Basée sur le EM
réseau neuronal
Savoir. + Classement
Basée sur la
texture K. Mean
Savoir. + Regroupement
AFCM
Paramétrique Ballon
GVF
Basée sur la
frontière
Géométrique
FCM + Serpents
Paramétrique +
Région Gibbs + Serpents
Basée sur la région
+ la frontière Amas flou. +
Ensembles de niveaux
Géométrique +
Région Seuil+ Ensembles de
niveau
images de patients. Les méthodes basées sur la fusion combinent les données d'images
multimodales (provenant d'un ou plusieurs appareils) en utilisant une méthodologie de fusion
pour la classification ou le regroupement. Les méthodes floues sont celles qui segmentent les
données en utilisant la théorie de la logique floue. Cette classe peut chevaucher d'autres classes,
c'est pourquoi nous prenons en considération la connexité floue. La notion de fractale est
utilisée par les techniques basées sur les fractales pour identifier les cancers du cerveau dans
les images IRM.
Ici, nous allons donner un aperçu rapide des principes, avantages et inconvénients de chaque
classe de techniques utilisées spécifiquement pour la segmentation des tumeurs cérébrales.
L'algorithme KNN est une technique de classification multi-classe simple et efficace qui peut
simuler des distributions non linéaires. C'est la première technique qui sépare chaque partie de
la tumeur (sections solides, œdème et nécrose). Puisqu'il n'y avait pas de régularisation spatiale
utilisée dans cette procédure, le bruit et l'inhomogénéité de la tumeur ont été facilement
détectés. Afin de corriger les résultats de la classification KNN (Kaus M. R., et al., 586-91) ,
(Kaus M. R., et al., 1999) et (Warfield, Kaus, Jolesz, & Kikinis, 2000) ont proposé une méthode
automatique pour segmenter les tumeurs cérébrales homogènes dans les images IRM qui
utilisaient un atlas segmenté manuellement comme information spatiale.
fonction de vraisemblance, 𝑃 (𝐶) est la probabilité a priori de la classe 𝐶 qui est calculée à
l'aide de la distribution de différents types de tissus et 𝑃 (𝑋) est la probabilité de pixel/voxel.
Une technique de segmentation des tumeurs cérébrales et des œdèmes été proposée par (Corso,
Sharon, & Yuille, 2006) basée sur un mélange de modèle bayésien et d'affinité sur les graphes.
Les distributions gaussiennes avec covariance complète donnent 9 paramètres qui sont tirés des
données segmentées manuellement pour représenter quatre classes (non-données, matière
cérébrale, tumeur et œdème). Ces modèles gaussiens sont utilisés pour calculer la
vraisemblance des classes de voxels, P (X|C). Pour intégrer le modèle bayésien basé sur
l'affinité des voxels de voisinage, l'affinité entre deux nœuds (voxels) a été définie comme étant
la probabilité :
𝑃(𝑋𝑢𝑣 |𝑢, 𝑣 ) = ∑𝐶𝑢 ∑𝐶𝑣 𝑃 (𝑋𝑢𝑣 |𝑢, 𝑣, 𝐶𝑢 , 𝐶𝑣 ) 𝑃(𝑢|𝐶𝑢 )𝑝(𝑣|𝐶𝑣 )𝑝(𝐶𝑢 , 𝐶𝑣 ) de l'événement
binaire 𝑋𝑢𝑣 entre deux voxels 𝑢 et 𝑣 dans les deux classes 𝐶𝑢 et 𝐶𝑣 .
~ 35 ~
Ici 𝑃(𝑋𝑢𝑣 |𝑢, 𝑣, 𝐶𝑢 , 𝐶𝑣 ) = exp(−𝐷(𝑢, 𝑣; 𝜃[𝐶𝑢 , 𝐶𝑣 ])) est une affinité sensible au modèle, et
𝜃[𝐶𝑢 , 𝐶𝑣 ] est défini manuellement entre les classes. L'image a finalement été segmentée à l'aide
d'une technique de segmentation multiniveaux (Sharon, Brandt, & Basri, 2001), où chaque
nœud du premier niveau est un voxel. La segmentation des tumeurs GBM à l'aide d'images
pondérées en T1, pondérées en T1 à contraste amélioré et FLAIR est réalisée à l'aide de cette
technique.
Cette approche segmente en outre l'œdème et intègre un algorithme basé sur des graphes
et un modèle bayésien. De plus, il peut être étendu pour fonctionner sur des images
multimodalités à l'aide de variables vectorielles. Cependant, il se déplace très lentement et ne
peut diviser que des tumeurs complètement amplifiées, comme le GBM. Étant donné que la
probabilité de tumeur et d'œdème ne suit pas toujours les distributions gaussiennes, l'autre
problème de cette méthode est la modélisation de la tumeur par un modèle gaussien.
classe et avec les dernières estimations (à partir de la répétition précédente ou des valeurs
initiales) de 𝑃𝑖 (𝑥𝑗 ), µ𝑖 et σ𝑖 . Dans l'étape de maximisation (M), les paramètres suivants sont
1 1 1
calculés : 𝑃𝑖 (𝑥𝑗 ) = ∑𝑗 𝑃(𝐶𝑖 |𝑥𝑗 ), µ𝑖 = 𝑁𝑃 (𝑥 ) ∑𝑗 𝑃(𝐶𝑖 |𝑥𝑗 )𝑥 et σ𝑖 2 = 𝑁𝑃 (𝑥 ) ∑𝑗 𝑃(𝐶𝑖 |𝑥𝑗 )(𝑥𝑗 −
𝑁 𝑖 𝑗 𝑖 𝑗
µ𝑖 ) . Les étapes E et M sont itérées jusqu'à ce que les estimations des paramètres deviennent
stables.
Dans le but de segmenter les tumeurs cérébrales, (Moon, Bullitt, Leemput, & Gerig,
2002) et (Prastawa, Bullitt, Moon, Leemput, & Gerig, 2003) a été la première équipe à utiliser
l'algorithme EM. Cette technique a été créée en utilisant les travaux de (Leemput, Maes,
Vandermeulen, Colchester, & Suetens, 2001) sur la segmentation normale du cerveau comme
base. Cette technique ne segmente que les tumeurs complètement augmentées, et elle échoue
lorsqu'il y a des déformations cérébrales importantes. Les déformations du cerveau doivent être
suffisamment légères pour figurer dans l'atlas probabiliste du cerveau. Bien que nous ne
puissions pas toujours tenir compte de cette proportion, les auteurs, dans le cas de l'œdème, ont
supposé une partie de la probabilité de substance blanche pour l'œdème. De plus, la distribution
de probabilité d'une tumeur et d'un œdème a été supposée suivre une distribution normale, ce
qui n'est pas toujours vrai.
~ 36 ~
Une technique plus générique basée sur l'algorithme EM a été présentée par ce groupe
(Prastawa, Bullitt, Ho, & Gerig, 2004). Les pixels anormaux dans cette méthode sont considérés
comme des valeurs aberrantes de trois groupes normaux. Dans la première des trois étapes de
cette procédure, la région d'anomalie est identifiée à l'aide de l'algorithme EM, et les a priori
spatiaux pour les classes de MW, GM, CSF et non cérébrales correspondent à un atlas spatial
enregistré d'images de patients. Une partie de la probabilité totale de la matière blanche et grise
de l'atlas a été utilisée pour la classe anormale. Cette approche, qui ne nécessite pas d'image à
contraste amélioré, peut identifier l'œdème mais ne fonctionne pas avec des déformations
sévères, tout comme la précédente.
Les MRF ont été utilisés dans diverses études pour améliorer les résultats de la
segmentation EM, comme (Gering, 2003), dans le domaine de la segmentation des tumeurs
cérébrales. Cette méthode a amélioré les résultats EM à l'aide d'un MRF, a ajouté une restriction
structure-à-limite à l'aide d'un MRF multicouche et a fourni un mécanisme permettant de
distinguer les pixels tumoraux des pixels de volume partiel en développant un a priori spatial
adaptatif pour les pixels qui sont aux limites des structures normales. Malheureusement, cela
n'est pas souvent applicable aux tumeurs hétérogènes et ne s'applique qu'aux tumeurs
suffisamment homogènes pour être séparées en une seule classe de tissus normaux. Une
approche de segmentation tumorale utilisant la MRF a été proposée (Solomon, Butman, &
Sood, 2006). Pour améliorer la procédure de segmentation, un modèle MRF supplémentaire
(exprimé sous la forme d'une distribution de Gibbs) a été ajouté au contexte EM. Cette approche
ne divisait que les tumeurs entièrement augmentées ; l'œdème et la nécrose n'ont pas été pris en
compte.
~ 37 ~
Un système simple pour la segmentation des tumeurs cérébrales a été proposé par
(Jianguo, Ma, Er, & Chong, 2004) et (Zhou, Chan, Chong, & Krishnan, 2005). Des images
pondérées en T1 et pondérées en T1 à contraste amélioré ont été utilisées dans cette méthode
pour diviser le cerveau en classes tumorales et non tumorales. (Lee, et al., 2005) ont segmenté
des tumeurs cérébrales à l'aide d'une combinaison MRF et SVM (qui est extrêmement sensible
au bruit car il suppose que les voxels sont indépendants et également répartis). Ce problème
peut être résolu en utilisant SVM et MRF conjointement. Leur approche a segmenté la partie
solide et l'œdème des tumeurs GBM à l'aide d'images pondérées en T1, pondérées en T2 et
pondérées en T1 à contraste amélioré.
La méthode FCM a été employée pour la segmentation des tumeurs cérébrales GBM
par (Phillips, et al., 1995). Leur approche a segmenté le cerveau pathologique en MW, GM,
~ 38 ~
CSF, tumeur et œdème en utilisant une IRM pondérée en T1, pondérée en T2 et pondérée en
PD avec un FCM vectoriel. Même si la méthode FCM est simple, rapide et non supervisée, le
chevauchement d'intensité des tissus l'empêche de segmenter avec précision la tumeur et
l'œdème. De plus, FCM est extrêmement sensible aux valeurs d'initialisation et au bruit. Un
seul exemple a été testé avec cette méthodologie, qui n'a pas été validée.
Selon (Gibbs, Buckley, lackband, & Horsman, 1986), les tumeurs cérébrales rehaussées
peuvent maintenant être segmentées dans des images IRM post-contraste pondérées en T1 en
utilisant la première méthode basée sur la morphologie. En utilisant cette technique, une région
d'intérêt choisie manuellement est d'abord soumise à un seuil d'intensité (l'utilisateur détermine
la valeur du seuil) (ROI). Les régions seuillées sont ensuite étendues jusqu'à ce qu'elles
atteignent les bords définis par un filtre de Sobel à l'aide d'un algorithme de croissance de
région. La dilatation et l'érosion ont été utilisées à plusieurs reprises pour améliorer les résultats
de croissance de la région. Grâce à l'utilisation d'étiquettes de pixels environnantes, ces deux
procédures modifient les étiquettes données à des pixels spécifiques. La méthodologie
représentée par cette technique peut être utilisée pour séparer des éléments d'image dont les
intensités diffèrent de celles des tissus qui les entourent. Le principal inconvénient est que le
choix du retour sur investissement et de la valeur seuil implique une entrée de l'utilisateur. De
plus, la sensibilité au bruit dans la croissance des régions peut entraîner des régions extraites
non connectées ou trouées. De plus, la fuite du volume divisé dans les structures voisines en
raison de la frontière fragile de la tumeur est un autre problème important avec la croissance de
la région.
Pour la segmentation des tumeurs cérébrales basée sur la transformée du bassin versant,
diverses recherches ont été publiées dans (Letteboer, et al., 2004) et (Mancas, 2004). Pour
obtenir une segmentation précise, de nombreuses interventions de l'utilisateur sont nécessaires
pour toutes ces approches semi-automatiques. De plus, ces techniques ne segmentent que la
partie solide de la tumeur ; la segmentation des autres composants de la tumeur, tels que
~ 39 ~
l'œdème et la nécrose ne sont pas prisent en considération. Cette méthode sera développée au
troisième chapitre III dans la section III.2.4.
La deuxième classe est basée sur les atlas déformables, qui peuvent être spécifiés par un
seul atlas individuel, une collection d'atlas individuels, ou des structures d'atlas de forme
moyenne (Rohlfing, Brandt, Menzel, & Jr, 2004) . Dans cette classe, un atlas comprend
généralement une représentation implicite des positions, des formes et des connexions spatiales
des caractéristiques anatomiques. Les méthodes de cette classe tentent de segmenter une
nouvelle image en déformant une image d'atlas segmentée existante en une nouvelle image en
niveaux de gris et en enregistrant physiquement correctement l'espace de coordonnées de la
nouvelle image sur celui de l'atlas. Ces techniques n'ont été que marginalement utiles pour
~ 40 ~
modifier la position et la forme des structures cérébrales causées par de grandes tumeurs ou
lésions occupant de l'espace. Dans cette partie, nous examinons l'utilisation de ce type de
stratégie pour la segmentation tumorale.
(Kyriacou, Davatzikos, Zinreich, & Bryan, 1999) ont présenté la première méthode
d'inscription de l'atlas anatomique aux cerveaux malades. L'approche suggérée utilisait un
modèle biomécanique de croissance cérébrale et tumorale. Tout d'abord, une contraction
simulée de l'emplacement de la tumeur à l'aide d'éléments finis et de la connaissance des
positions du crâne, des ventricules, de la faux et de la tente donne une estimation de l'anatomie
avant la croissance tumorale. Ensuite, à l'aide d'un modèle élastique déformable, un atlas et
l'estimation du patient sain sont enregistrés de normal à normal. L'atlas enregistré est ensuite
soumis à l'estimation du processus de croissance tumorale. Bien qu'elle donne de bons résultats,
cette approche présente des lacunes importantes. Puisque les modèles d'infiltration ne sont pas
pris en compte, le modèle de développement tumoral a une propension à une croissance
uniforme. De plus, la réalisation de l'estimation par régression linéaire nécessite la segmentation
précise préalable de plusieurs structures. Un processus très long est nécessaire pour
l'implémenter en 3D car il est plutôt lent en raison des exigences informatiques élevées pour la
génération et la visualisation du maillage. D’autres travaux de recherche peuvent être trouver
dans (Dawant, Hartmann, Pan, & Gadamsetty, 2002) ; (Thirion, 1998) ; (Cuadra, et al., 2004).
segmentation est alors améliorée à l'aide de critères supplémentaires, et les voxels résiduels sont
regroupés. Les règles sont utilisées pour supprimer les clusters qui ne contiennent pas de traits
tumoraux au fur et à mesure que l'algorithme progresse du clustering de l'image complète au
clustering de régions très étroites. En modifiant les critères du système expert, (Fletcher-Heath,
Hall, Goldgof, & Murtagh, 2001) ont ensuite créé cette technique pour segmenter les tumeurs
cérébrales non rehaussées dans les images IRM.
Les règles peuvent ne pas résister à une intensité non standard dans ce type d'approche,
et les erreurs peuvent se propager si les présomptions des règles antérieures de la séquence sont
brisées. La forte dépendance de cette stratégie à l'ingénierie manuelle est un autre inconvénient.
En effet, il est difficile de convertir des informations anatomiques complexes et une analyse
visuelle en une série d'opérations et de règles séquentielles de bas niveau. Les directives peuvent
ne pas s'appliquer correctement en cas de tumeurs hétérogènes ou de bruit également.
Les premières recherches sur le thème de la segmentation des tumeurs cérébrales dans
les images IRM à l'aide de l'analyse de texture ont été publiées par (Kjaer, Ring, Thomsen, &
Henriksen, 1995) et (Lerski, et al., 1995). Ces études ont démontré que l'analyse de texture est
une méthode utile pour identifier les caractéristiques de base (contraste, intensité, homogénéité)
et les composants spécifiques (micro ou macro-textures) des tissus cérébraux et des tumeurs
malignes, telles que le glioblastome et les métastases. Ces techniques ont utilisé des images
calculées T1w et T2w de métastases et de tumeurs cérébrales hétérogènes comme le
glioblastome multi-écho, séquence multi-coupe a été utilisée pour évaluer T1 et T2 dans chaque
pixel avec une incertitude ne dépassant pas 10 %.
l'entoure, mais aucune distinction n'a été détectée entre les sections solides et kystiques ou
nécrotiques. Une autre stratégie basée sur la texture pour segmenter les astrocytomes de bas
grade, une forme particulière de tumeur homogène non rehaussée, en images CT pondérées en
T1, pondérées en T2 et Co-enregistrées a été proposée par (Busch, 1997). Pour calculer les
caractéristiques, cette méthode a utilisé cinq techniques d'extraction de texture. Parmi les cinq
techniques d'extraction de texture, les textures de second ordre (co-occurrence spatiale) avaient
les performances de classification les plus faibles.
L'analyse de texture basée sur la matrice de cooccurrence (COM) a été proposée par
(Zizzari, Seiffert, Michaelis, Gademann, & Swiderski, 2001) et (Mahmoud-Ghoneim,
Toussaint, Constans, & Certaines, 2003) pour la détection et la segmentation des tumeurs
cérébrales. (Mahmoud-Ghoneim, Toussaint, Constans, & Certaines, 2003) a converti l'approche
2D en 3D et montré comment la méthode 3D-COM, lorsqu'elle est utilisée avec des images
pondérées en T1, pondérées en T2 et pondérées en T1 à contraste amélioré, peut améliorer la
segmentation tumorale résultat. En conséquence, les algorithmes basés sur la texture, comme
les méthodes supervisées, nécessitent un processus d'apprentissage et peuvent segmenter des
types de tumeurs spécifiques. Il est difficile de généraliser ces techniques à des formes
tumorales de plus en plus diverses. De plus, il semble que ces techniques soient sensibles au
bruit et à l'inhomogénéité et soient incapables de segmenter tous les composants tumoraux.
Un autre article basé sur les transformations a été publié en 2001 par Soltanian - Zadeh
et al. Dans un espace de fonctions IRM normalisé, où les tissus normaux sont concentrés autour
de sites cibles prédéfinis, ils ont proposé une transformation non linéaire (polynomiale) pour
réduire la dispersion des points de données autour des grappes de tissus normaux. Les
connexions non linéaires entre les intensités des pixels IRM et les caractéristiques intrinsèques
des tissus sont à l'origine de cette transition (par exemple, pondérée en T1, pondérée en T2 et
~ 43 ~
Les résultats sont influencés par la qualité des IRM et la quantité d'images dans la
séquence, même si les méthodes proposées réduisent la dimensionnalité des données tout en
augmentant les caractéristiques de regroupement. Afin de minimiser les artefacts, de compenser
les non-uniformités, de réduire le bruit et d'optimiser les protocoles de collecte de données IRM,
qui sont tous extrêmement difficiles à réaliser sur des données réelles, ces tâches doivent être
accomplies. Ces techniques ont également le défaut de ne pas pouvoir distinguer les composants
d'une région aberrante des tissus normaux lors de la détection de tissus anormaux. Ces
techniques ne fonctionnent pas vraiment comme des méthodes de segmentation ; ils sont plutôt
utilisés pour visualiser la région aberrante.
(Dickson, Thomas, & Goddard, 1997) ont créé une technique de segmentation des
tumeurs des neurinomes auditifs à l'aide de réseaux de neurones. Ils ont deux ANN en cours
d'utilisation. La segmentation initiale a été faite en utilisant le premier. Des réseaux de neurones
à perceptron multicouche ou Multi-Layer Perceptron (MLP) ont été créés pour catégoriser les
images au niveau du pixel à l'aide d'une base de données d'images IRM de 50 individus (avec
des neurinomes acoustiques classés manuellement). Bien que ce système n'applique pas de
~ 44 ~
formation spécifique au patient, il peut segmenter un certain type de tumeur et est assez lent
(névromes de l'acoustique).
La publication (Chaplot, Patnaik, & Jagannathan, 2006) a un autre travail basé sur ANN.
Pour l'extraction de caractéristiques, cette approche a utilisé la transformation en ondelettes.
Une carte auto-organisée ou Self-Organizing Map (SOM) utilise la sortie de la transformée en
ondelettes comme entrée. SOM est un réseau de neurones non supervisé qui présente des
avantages par rapport aux autres réseaux en ce sens qu'il peut générer automatiquement des
abstractions et des diagrammes de similarité. Les images pondérées en T2 ont été classées en
normales et pathologiques à l'aide de cette technique. SVM produit des résultats supérieurs à
ANN, selon une comparaison entre les deux techniques.
modalités d'IRM d'un patient sont combinées pour prendre une décision sur l'emplacement,
l'extension, le pronostic et le diagnostic des tumeurs (Ruan, Lebonvallet, Merabet, & Constans,
2007).
En utilisant la fusion floue, (Dou, Ruan, Chen, Bloyet, & Constans, 2007) ont rapporté
une méthode plus courante pour la segmentation tumorale. Une fonction d'appartenance floue
à la tumeur est définie pour chaque image de modalité en combinant des données issues de
connaissances a priori (certains critères d'intensité tumorale dans les modalités IRM) et des
intensités d'images. Les fonctions d'appartenance ont été fusionnées à l'aide d'une fusion floue
à l'aide d'opérateurs tels que des opérateurs de norme t ou de moyenne. Enfin, le résultat est
affiné par la croissance de la région floue. Cette technique est extrêmement rapide pour détecter
et segmenter les tumeurs car elle fusionne les informations de nombreux types d'IRM.
L'une de ces techniques est la connexité floue, qui a été utilisée avec succès pour
segmenter les cerveaux sains (Udupa & Samarasekera, 1996) et (Saha & Udupa, 2001) . La
force de la relation entre deux pixels 𝑐 et 𝑑 est définie par les auteurs comme µ𝑘 (𝑐, 𝑑), qui est
une fonction d'appartenance floue. Les auteurs construisent une relation floue locale 𝑘 appelée
affinité. Cette fonction est nulle pour les pixels qui ne sont pas côte à côte, une pour les pixels
identiques, et dans toutes les autres circonstances, elle est déterminée par les intensités des
pixels. Un chemin est juste une série de voxels proches qui commence en 𝑣1 et se termine en
𝑣2. L'examen des appariements ultérieurs de voxels le long du chemin nous permet d'attribuer
une force de connexion à chaque chemin. Tout au long du voyage, l'affinité entre chaque paire
de voxels proches est déterminée. L'affinité la plus faible entre les éléments appariés le long
~ 46 ~
d'un chemin détermine sa force. La force du chemin le plus fort reliant deux éléments, 𝑣1 et
𝑣2, détermine le degré de connectivité entre eux. Le degré de connectivité entre chaque paire
potentielle de voxels dans l'image doit être calculé afin de générer un objet connexe flou.
(Moonis, Liu, Udupa, & Hackney, 2002) et (Hata, et al., 2005) proposent une méthode
semi-automatique de segmentation tumorale basée sur la connexité floue. L'utilisateur doit
choisir l'emplacement de la tumeur dans cet algorithme pour que le calcul de la connectivité s'y
déroule. La tumeur est ensuite délimitée en 3D sous la forme d'un objet 3D à liaison floue
contenant les points de départ fournis pour donner suite à la spécification par l'utilisateur d'un
certain nombre de points de départ dans la région de la tumeur. Enfin, l'utilisateur supprime les
points et régions erronés de la tumeur segmentée. Le système prend en entrée des images
pondérées en T1, pondérées en T1 à contraste amélioré et FLAIR. Étant donné que l'utilisateur
de cette approche doit choisir le résultat, il doit être un expert. De plus, il faut beaucoup de
temps de calcul pour déterminer à quel point un chemin est connecté, ce qui rend l'algorithme
relativement lent. Ce système a ensuite été développé (Liu, Udupa, Odhner, Hackney, &
Moonis, 2005) pour segmenter les tumeurs rehaussées et non rehaussées ainsi que les œdèmes
potentiels. Dix photos de patients ont été utilisées pour valider la précision, l'exactitude et
l'efficacité du système.
II.2.2.11 Méthode de segmentation des Tumeurs cérébrales basée sur les fractales
La théorie fractale de Mandelbrot, qu'il a inventée (Mandelbrot & Freeman, 1982), offre
une méthode pratique pour modéliser une gamme d'événements naturels. Une forme
géométrique irrégulière connue sous le nom de fractale a une superposition infinie de structures
à toutes les échelles. L'autosimilarité, le chaos et la dimension fractale non entière sont
quelques-unes des caractéristiques fractales ou fractal dimension (FD) les plus importantes. Un
ensemble qui a une dimension fractale supérieure à sa dimension topologique est désigné
mathématiquement comme ayant une structure fractale. La complexité morphométrique et la
variabilité de l'objet étudié sont mesurées par FD. De nombreuses analyses d'images médicales
ont montré l'intérêt du modèle fractal (Iftekharuddin, Jia, & Marsh, 2002) . Étant donné sa
structure extrêmement complexe, l'IRM est une possibilité de caractérisation par analyse
fractale. La segmentation des tumeurs cérébrales en IRM n'a pas reçu beaucoup d'attention,
malgré les recherches fractales en cours sur le cerveau.
Quatre méthodes pour créer une image FD ont été conçues par (Uemura, et al., 2000) et
utilisées avec l'IRM cérébrale. Pour estimer la dimension fractale, des méthodes classiques de
~ 47 ~
Les techniques proposées pour l'identification des tumeurs en sont encore à leurs
balbutiements et il reste encore beaucoup de problèmes à résoudre. Par exemple, une difficulté
avec la taille de sous-image est que différentes tailles de sous-image conduisent à des variations
de FD. Le deuxième problème est le choix des images de référence, car les images IRM ont des
tailles et des propriétés variables, et une image de référence comparable à l'image du patient est
nécessaire pour la détection de la tumeur.
soient nécessaires pour segmenter efficacement toutes les zones de la tumeur. Ces approches
ont un haut niveau d'automatisation, bien que certaines d'entre elles nécessitent également une
intervention de l'utilisateur. Malheureusement, il n'y a pas de procédure acceptée pour valider
les méthodes de segmentation, mais certains systèmes ont atteint cet objectif en segmentant
manuellement les tumeurs.
paramétriques, parfois appelés serpents (snackes). Les courbes et les surfaces sont
explicitement représentées dans leurs formes paramétriques lors de la déformation dans les
modèles paramétriques déformables. Cette représentation permet d'interagir directement avec
le modèle et peut aboutir à une petite représentation qui peut être rapidement mise en œuvre en
temps réel. L'utilisation de ces modèles peut compliquer l'adaptation de la topologie du modèle
tout au long de la déformation (Beutel, et al., 2000).
En revanche, les modèles géométriques déformables aussi appelés level sets peuvent
s'adapter sans difficulté aux changements topologiques. Ces modèles, qui sont basés sur
l'approche des ensembles de niveaux et la théorie de l'évolution des courbes, décrivent
implicitement les courbes et les surfaces comme un ensemble de niveaux d'une fonction scalaire
de dimension supérieure. Leurs paramétrisations ne sont calculées qu'après déformation
complète, ce qui simplifie la prise en compte de l'adaptabilité topologique. Les principes
fondamentaux des deux approches sont assez similaires malgré cette différence de base. La
segmentation de l'image médicale a largement utilisé et recherché les modèles déformables. Il
existe peu de recherches sur la segmentation de la pathologie en IRM et la segmentation des
tumeurs ne fait l'objet que de quelques articles.
(Luo, Li, & Ourselin, 2003) ont présenté une méthode utilisant deux forces externes
chez les serpents traditionnels pour segmenter les tumeurs cérébrales. La plage de capture du
flux vectoriel de gradient GVF (gradient vector flow) a été étendue à l'aide de la force adaptative
du ballon (Xu & Prince, 1988) . Le rythme de la convergence du modèle est également accéléré
par cette force de ballon. L'initialisation manuelle de cette méthode nécessite beaucoup
d'interaction de l'utilisateur lorsqu'elle est utilisée dans des applications 3D. Le système
segmente la partie de la tumeur solide en utilisant une image pondérée en T1 comme entrée.
~ 50 ~
Une autre technique de segmentation et de quantification des tumeurs cérébrales a été décrite
par (Jianguo, Ma, Er, & Chong, 2004). La dérivée d'un filtre gaussien est utilisée pour calculer
l'amplitude du gradient en tant que force externe. La surface de départ doit être déterminée
manuellement dans de nombreux scénarios 3D car cette méthode ne peut pas segmenter
correctement les malignités lisses.
Mieux que les méthodes basées sur la région, les techniques basées sur les contours
paramétriques identifient les limites tumorales, mais elles présentent deux inconvénients
majeurs. Tout d'abord, le modèle doit être reparamétré afin de récupérer complètement la limite
d'objet lorsque la limite d'objet requise et le modèle de départ présentent des différences de
taille et de forme importantes. Les techniques de reparamétrisation demandent un temps de
calcul assez important (Niu, 2006). Pour cette raison, dans les techniques suggérées, le premier
contour a été produit manuellement, nécessitant beaucoup d'intervention humaine. Le deuxième
inconvénient de l'approche paramétrique est qu'elle peine à gérer l'adaptation topologique,
comme le découpage ou la fusion des composants du modèle (Beutel, et al., 2000) . Enfin, les
serpents classiques qui utilisent la magnitude du gradient comme force d'image ont souvent le
problème de fuite lorsque la limite de l'objet à segmenter est mal définie.
Une autre méthode semi-automatique basée sur des level sets pour la segmentation des
tumeurs cérébrales est proposée dans (Cates, Lefohn, & Whitaker, 2004) et (Lefohn, Cates, &
Whitaker, 2003). La fonction vitesse 𝐷(𝐼) = ǫ − |𝐼 − 𝑇| a été utilisé dans l'évolution des
ensembles de niveaux où 𝐼 est la valeur d'intensité de chaque point. Ici, 𝑇 contrôle la luminosité
de la région à segmenter et ǫ contrôle la plage de valeurs de niveaux de gris autour de 𝑇 qui
~ 51 ~
pourrait être considérée à l'intérieur de l'objet. Ainsi, lorsque le modèle repose sur un voxel
avec un niveau de gris entre 𝑇 − ǫ et 𝑇 + ǫ, le modèle se dilate et sinon il se contracte. Pour
dépasser la vitesse de mise en œuvre des niveaux, une unité de traitement graphique (GPU) a
été conçue dans ce système. Pour segmenter une tumeur, l'utilisateur sélectionne une région de
la tumeur en une ou plusieurs tranches, et la valeur moyenne et la variance de cette région sont
calculées. L'autre paramètre ǫ de la fonction vitesse est également déterminé par l'utilisateur.
L'ensemble de niveaux est initialisé par la région sélectionnée de la tumeur. Pour avoir un bon
résultat, l'utilisateur peut répéter l'évolution du level set en changeant les paramètres et la région
sélectionnée. Ce système a été évalué pour la segmentation tumorale en contraste avec l'image
pondérée en T1 (uniquement la section améliorée de la tumeur).
(Xie, Yang, Zhang, & Zhu, 2005) ont proposé une autre méthode semi-automatique de
segmentation tumorale utilisant des ensembles de niveaux. L'initialisation de ce système est
également réalisée à la main. En comparant les résultats de 10 tumeurs non rehaussées sur des
images pondérées en T1 avec une segmentation manuelle, l'approche est évaluée. Bien que
l'adaptation topologique ait de nombreuses applications, elle peut parfois produire des résultats
défavorables. Les modèles géométriques déformables peuvent générer des structures avec une
topologie incohérente par rapport à l'objet réel lorsqu'ils sont utilisés sur des images bruitées
avec des frontières mal définies (Beutel, et al., 2000). Dans ces situations, la réalisation d'une
topologie précise est souvent indispensable pour de nombreuses applications ultérieures, mais
dans le cas de la segmentation tumorale, c'est extrêmement difficile, voire impossible. La
vitesse de traitement 3D quelque peu lente des ensembles de niveaux est un autre défaut qui les
rend inadaptés aux applications en temps réel.
II.2.3.3 Résumé des méthodes de segmentation Tumorale basées sur les frontières
Cette section a discuté des techniques de séparation des tumeurs cérébrales dans les
IRM basées sur des modèles déformables géométriques et paramétriques. Bien que des
techniques déformables aient été utilisées pour contourner certains des inconvénients des
techniques basées sur la région, il est évident qu'elles ne peuvent pas être utilisées pour traiter
uniquement les problèmes de segmentation associés aux tumeurs cérébrales. L'automatisation
des méthodes est le premier enjeu. Toutes les approches envisagées nécessitaient beaucoup
d'engagement des utilisateurs, en particulier dans les applications 3D, et étaient initialisées
manuellement. Par conséquent, pour que ces méthodes aient cette propriété, les méthodes
basées sur la région doivent être utilisées conjointement avec elles. La segmentation des
~ 52 ~
différents composants tumoraux, le bruit et les diverses tumeurs sont des problèmes
supplémentaires.
Certaines techniques basées sur la région sont plus efficaces pour gérer le bruit et les
tumeurs hétérogènes, et elles peuvent être utilisées conjointement avec des modèles
déformables pour produire des résultats supérieurs. Le contour ou la surface de la tumeur peut
fuir vers d'autres zones si sa bordure est faible ou présente une fissure. Ce problème pourrait
être résolu en utilisant des informations régionales ou mondiales sur la tumeur. Les stratégies
qui combinent des approches basées sur les régions et sur les frontières seront examinées plus
en détail dans la section suivante.
II.2.4 Fusion des méthodes basées sur les régions et les frontières
La troisième classe de méthodologies de segmentation des tumeurs cérébrales, qui
combine des techniques basées sur les régions et les frontières, a été développée en tenant
compte des avantages des approches basées sur les frontières et les régions. En raison du fait
que cette technique tire des données de deux sources distinctes - la frontière et la région - cette
classe s'est avérée la plus efficace. Ces techniques utilisent la déformation des limites pour
capturer la topologie des régions tumorales dans des modèles déformables paramétriques ou
géométriques en utilisant des informations de forme locales et globales. La combinaison des
méthodes basées sur les régions avec des serpents et des méthodes basées sur les régions avec
des ensembles de niveaux sont deux catégories dans lesquelles ce type de méthode est examiné
en raison de sa popularité (Khotanlou, 2009).
cette imprécision se propage à toutes les tranches suivantes, entraînant une segmentation
incorrecte à la fin.
Une autre approche a été proposée par (Law, et al., 2001) en fusionnant le clustering
FCM et les serpents conventionnels. Cette technique, qui est semi-automatique, commence par
choisir l'une des tranches qui contient la tumeur. Cette tranche 2D est regroupée par l'algorithme
FCM en deux étapes, puis la tumeur est extraite à l'aide de plusieurs techniques
morphologiques. Une étude différente (Law A. K., 2002) a utilisé la GVF comme force externe
et a obtenu des résultats supérieurs. Cette approche fonctionne en deux dimensions plutôt qu'en
trois. Les tumeurs homogènes rehaussées peuvent être détectées et initialement segmentées par
FCM car elles sont particulièrement sensibles au bruit et aux valeurs initiales des centres de
cluster.
intègre les autres régions qui sont augmentées d'un agent de contraste car la classification
initiale du regroupement d'origine était incorrecte (comme les vaisseaux). Cette technique ne
sépare que la partie accrue des tumeurs dans une image pondérée en T1 à contraste amélioré,
laissant les gros types de tumeurs, l'œdème et la nécrose non détectés.
Une approche a été présentée dans (Taheri, Ong, & Chong, 2007), combinant la
méthode basée sur les seuils et les ensembles de niveaux. Cette méthode est similaire à la
méthode de (Chen & Metaxas, 2005) mais elle fonctionne en 3D et utilise une méthode de seuil
pour construire la fonction de vitesse dans les ensembles de niveaux. L'algorithme est lancé en
sélectionnant une ou plusieurs ROIs dans la région tumorale. Une valeur de seuil initiale est
calculée à l'aide de ces ROI et un ensemble de niveaux avec la fonction de vitesse basée sur un
seuil proposée est déformé à l'aide de ROI(s) comme ensemble de niveaux zéro. La valeur de
seuil est mise à jour par cette équation : 𝑇𝑖 + 1 = µ𝑖 − 𝑘𝜎𝑖 où µi et σi sont les valeurs de
moyenne et de variance de la région segmentée et k est un paramètre modifié par l'utilisateur.
Ce processus est répété, en atteignant la limite de la tumeur. Du fait du contraste entre les
intensités tumorales et non tumorales, la variation du seuil diminue de sorte que le processus
s'arrête. Ici, les auteurs ont supposé que l'histogramme des régions tumorales et non tumorales
se chevauchent légèrement alors que quelques tumeurs ont cette condition. De plus, cette
méthode est très sensible à la valeur de seuil initiale qui est calculée à partir du ROI et du
paramètre k dans l'équation de mise à jour du seuil.
II.3 Conclusion
Ce chapitre a passé en revue les techniques disponibles pour la segmentation des IRM
des tumeurs cérébrales. Les trois principaux groupes de méthodes basées sur les régions, basées
sur les frontières et fusion de méthodes basées sur les régions et les frontières, ont toutes été
étudiées. Les approches basées sur la région segmentent les cas de tumeurs difficiles avec un
haut niveau d'automatisation, mais elles présentent une faiblesse significative à la limite de la
tumeur. L'effet de volume partiel entraîne une classification incorrecte des voxels utilisés dans
les approches basées sur la région, ce qui rend difficile l'identification d'un emplacement
tumoral distinct. Les approches basées sur les frontières ont été suggérées comme une solution
à ce problème, mais elles ont également eu des problèmes d'initialisation. Ils doivent être
correctement initialisés afin de produire de bons résultats. L'initialisation manuelle nécessite
une grande interaction humaine. Afin de résoudre les problèmes associés à chaque type, la
troisième classe de méthodes de base a utilisé les avantages des approches basées sur les
frontières et basées sur les régions. Ils ont surmonté le problème de la mauvaise classification
des frontières tumorales en automatisant les approches basées sur les régions, en initialisant
automatiquement les méthodes basées sur les frontières et en utilisant les fortes capacités de
segmentation des méthodes basées sur les frontières. Malheureusement, il n'existe pas encore
de cadre complet qui segmente une grande variété de tumeurs (y compris celles non rehaussées,
rehaussées en anneau et entièrement rehaussées), d'œdème et de nécrose. Dans les deux
chapitres suivants sera une fournie une technique de segmentation efficace seulement sur les
Tumeurs solides des clichés IRM à contrastes améliorer comme évidence de notre travail.
~ 56 ~
III.1. Introduction
Ce chapitre traite de deux méthodes de segmentation morphologique d’image qui ont été
retenues dans le cadre de ce mémoire pour illustrer la segmentation des tumeurs cérébrales à
partir d’images IRM. Ensuite les différentes étapes constitutives de ces dernières sont
également expliquées.
Il sied de dire que le pré-traitement des images IRM est la principale étape de l'analyse
d'image. Ce processus applique des techniques de réduction du bruit qui sont utilisées pour
améliorer la qualité de l'image, puis certaines opérations morphologiques sont utilisées pour
détecter la tumeur dans l'image et la tumeur est mappée sur l'image d'origine en niveaux de gris
~ 57 ~
avec une intensité de 255 pour rendre visible la tumeur dans l'image (Rajesh & Bhalchandra,
2019). Pour mieux comprendre le fonctionnement de l’algorithme, voici quelques explications
de ses blocs constitutifs comme illustré ci-haut à la figure III.1:
Pour importer l’image à segmenter vers le logiciel Matlab à partir de la base de données,
nous avons utilisé la syntaxe d’appel [I, path] = uigetfile('*.jpg','select a in put image'); qui
renvoie la commande vers le chemin d’accès du dossier contenant la base de données. Les
formats d’images courants prisent en charge par Matlab sont repris dans le tableau III.1.
Tableau III-1:Formats d'image courants prisent en charge dans Matlab et leurs propriétés
associées (Solomon & Breckon, 2011)
Nom du Extensions
Description Propriétés
Format reconnues
Format très flexible, détaillé et
TIFF Tagged Image File Format adaptable ; il existe des variantes .tif, .tiff
compressées/non compressées
Dans l’utilisation la plus courante
aujourd’hui ; compression avec
JPEG Joint Photographic Experts Group .jpg, jpeg
perte ; des variantes sans perte
existent
Limité à seulement 256 couleurs (8
GIF Graphics Interchange Format .gif
bits) ; compression sans perte
Format d’image de base ;
compression limitée
BMP Windows Bitmap .bmp
(généralement) sans perte ; des
variantes avec perte existent
Nouveau format de compression
PNG Portable Network Graphics sans perte ; conçu pour remplacer .png
GIF
XWD X Windows Dump .xwd
1
URL : http://med.harvard.edu/AANLIB/
2
URL : http://www.oasis-brains.org/
~ 58 ~
D’une manière générale, les images en niveaux de gris renferment 256 teintes de gris. Par
convention la valeur zéro représente le noir (intensité lumineuse nulle) et la valeur 255 le blanc
(intensité lumineuse maximale), et le nombre 256 est lié à la quantification de l’image. En effet
chaque entier représentant un niveau de gris est codé sur 8 bits. Il est donc compris entre 0 et
28 − 1 = 255. C’est la quantification la plus courante. On peut coder une image en niveaux de
gris sur 16 bits (0 ≤ 𝑛 ≤ 216 − 1) ou sur 2 bits : dans ce dernier cas le « niveau de gris » vaut
0 ou 1 : il s’agit alors d’une image binaire ou une image Noire et Blanc (Bergounioux, 2015).
Les images par résonance magnétique (images IRM) peuvent être obtenues sur ordinateur
lorsqu'un patient est scanné par un appareil IRM. Généralement, lorsque nous voyons des
images IRM sur ordinateur, elles ressemblent à des images en noir et blanc. Lorsque nous
faisons une comparaison pratique, l'imagerie en niveaux de gris est parfois appelée "noir et
blanc", mais techniquement, ce terme est impropre. En vrai, le noir et le blanc, également appelé
demi-teinte, les seules nuances possibles sont le noir pur et le blanc pur comme l’explique le
premier paragraphe. L'illusion d'un dégradé de gris dans une image en demi-teinte est obtenue
en restituant l'image sous la forme d'une grille de points noirs sur fond blanc (ou vice-versa), la
taille des points individuels détermine la luminosité apparente du gris (Pranjal, Harshita, &
Shivim, 2017).
Dans le cas de la lumière transmise (par exemple, l'image sur un écran d'ordinateur), les
niveaux de luminosité du rouge (R), du vert (V) et bleu (B) sont chacun représentés par un
nombre de 0 décimal à 255, ou binaire de 00000000 à 11111111. Pour chaque pixel dans une
image en niveaux de gris rouge-vert-bleu (RVB), R = V = B, la luminosité du gris est
directement proportionnelle au nombre représentant les niveaux de luminosité des couleurs
primaires. Le noir est représenté par R = V = B = 0 ou R = V = B = 00000000, et le blanc est
représenté par R = G = B = 255 ou R = G = B = 11111111. Parce qu'il y a 8 bits dans le binaire
représentation du niveau de gris, cette méthode d'imagerie est appelée échelle de gris 8 bits. Les
niveaux de gris ont une gamme de nuances sans couleur apparente. La teinte la plus foncée
possible est le noir, ce qui correspond à l'absence totale de lumière transmise ou réfléchie et la
teinte la plus claire possible est le blanc, la transmission ou la réflexion totale de la lumière à
toutes les longueurs d'onde visibles. Donc, pour les raisons ci-dessus, nous convertissons
d'abord notre image IRM pour qu'elle soit prétraité en image en niveaux de gris (Rajesh &
Bhalchandra, 2019).
~ 59 ~
La méthode la plus simple de segmentation d'images est appelée méthode de seuillage. Cette
dernière est basée sur un niveau d'écrêtage (ou une valeur seuil) pour transformer une image en
niveaux de gris en une image binaire. Cette méthode consiste à sélectionner la valeur seuil (ou
les valeurs lorsque plusieurs niveaux sont sélectionnés). Il existe plusieurs méthodes de
seuillage d’images qui sont utilisées dans l'industrie, notamment la méthode d'entropie
maximale, la méthode d'Otsu ou de variance maximale, le clustering k-means et le Seuil itératif
(Thiruvikraman, 2020) qui peut également être utilisé. En vision par ordinateur, la segmentation
est le processus de partitionnement d'une image numérique en plusieurs segments que l’on appel
ensembles de pixels ou super pixels. Le but de la segmentation est de simplifier et/ou de changer
la représentation d'une image en quelque chose de plus significatif et plus facile à analyser
(Gonzalez, 2008).
La segmentation d'images est généralement utilisée pour localiser des objets et des limites
(lignes, courbes, etc.) sur une image. Plus précisément, la segmentation d'image est le processus
d'attribution d'une étiquette à chaque pixel d'une image de telle sorte que les pixels avec la
même étiquette partagent certaines caractéristiques visuelles. Le résultat de la segmentation
d'image est un ensemble de segments qui couvrent collectivement l'ensemble de l'image, ou un
ensemble de contours extraits de l'image. Chacun des pixels d'une région est similaire en ce qui
concerne une caractéristique ou une propriété calculée, telle que la couleur, l'intensité ou la
texture. Les régions adjacentes sont significativement différentes en ce qui concerne la ou les
mêmes caractéristiques. Lorsqu'ils sont appliqués à une pile d'images, typique de l'imagerie
médicale, les contours résultants après segmentation d'images peuvent être utilisés pour créer
des reconstructions 3D à l'aide d'algorithmes d'interpolation comme les cubes de marche
(Rajesh & Bhalchandra, 2019).
Nous avons utilisé dans un premier temps la méthode de Nobuyuki Otsu qu’il a formulé en
1979 dans son article intitulé : « A Threshold Selection Method from Gray-Level Histograms »
(Otsu, 1979) afin d’estimer le seuil de segmentation le plus de la valeur du seuil optimal à
utiliser dans l’algorithme. Dans son article, Otsu propose une méthode de sélection de seuil à
partir d'histogrammes de niveau de gris dont l’algorithme est basé sur la formulations suivante :
Soit les pixels d'une image donnée représentés en 𝐿 niveaux de gris [1, 2, … , 𝐿]. Le nombre de
pixels au niveau 𝑖 est noté 𝑛𝑖 et le nombre total de pixels 𝑝𝑎𝑟 𝑁 = 𝑛1 + 𝑛2 + ⋯ + 𝑛𝐿 . Afin
~ 60 ~
Supposons maintenant que l'on dichotomise les pixels en deux classes 𝐶0 et 𝐶1 (fond et objets,
ou inversement) par un seuil au niveau 𝑘 ; 𝐶0 désigne les pixels de niveaux [1, . . . , 𝑘], et 𝐶1
désigne les pixels de niveaux [𝑘 + 1, . . . , 𝐿]. Ensuite, les probabilités d'occurrence de classe et
les niveaux moyens de classe, respectivement, sont donnés par
𝑘
Où
𝑘
𝜔(𝑘) = ∑ 𝑝𝑖 (𝐼𝐼𝐼. 6)
𝑖=1
Et
𝑘
Sont respectivement les moments cumulatifs d'ordre zéro et de premier ordre de l'histogramme
jusqu'au niveau 𝑘, et
𝐿
Est le niveau moyen total de l'image originale. On vérifie facilement la relation suivante pour
tout choix de 𝑘 :
µ𝑇 = 𝜔0 µ0 + 𝜔1 µ1 , 𝜔0 + 𝜔1 = 1 (𝐼𝐼𝐼. 9)
Les variances de classe sont données par
~ 61 ~
𝑘 𝑘
Ceux-ci nécessitent des moments cumulatifs de second ordre (statistiques). Afin d'évaluer la
« qualité » du seuil (au niveau k), nous allons introduire les mesures de critères discriminants
(ou mesures de séparabilité de classe) suivantes utilisées dans l'analyse discriminante
(Fukunaga, 1990) :
𝜎𝐵 2 𝜎𝑇 2 𝜎𝐵 2
𝜆= , 𝑘= , 𝜂= 2 (𝐼𝐼𝐼. 12)
𝜎𝑊 2 𝜎𝑊 2 𝜎𝑇
Où
𝜎𝑊 2 = 𝜔0 𝜎0 2 + 𝜔1 𝜎1 2 (𝐼𝐼𝐼. 13)
𝜎𝐵 2 = 𝜔0 (µ0 − µ𝑇 )2 + 𝜔1 (µ1 − µ𝑇 )2 = 𝜔0 𝜔1 (µ1 − µ0 )2 (𝐼𝐼𝐼. 14)
Compte tenu de l’équation (III.9), nous avons
𝐿
𝜎𝑇 = ∑(𝑖 − µ𝑇 )2 𝑝𝑖
2 (𝐼𝐼𝐼. 15)
𝑖=1
Figure III-2:Histogramme d'une image IRM (en fond noire sur la figure), en abscisse l’intensité
et en ordonné le nombre des pixels.
~ 63 ~
topologique ou « paysage » dans laquelle l'emplacement est donné par les coordonnées d'image
x et y et la hauteur à cet emplacement correspond à l'intensité de l'image ou au niveau de gris
qui est la valeur d'échelle.
La pluie qui tombe sur le paysage s'écoulera naturellement vers le bas, sous l'action de
la gravité, jusqu'à son point minimum le plus proche. Un bassin versant définit la région ou la
zone connectée pour laquelle les précipitations s'écoulent vers le même point bas ou minimum.
En termes d'image numérique, le bassin versant est donc constitué d'un ensemble de pixels
connectés. En conservant l'analogie avec un paysage physique, on note qu'il y aura des points
sur le paysage (maximums locaux) où la pluie est également susceptible de tomber dans deux
bassins versants adjacents ; cela revient à marcher le long de la crête d'une montagne. Les lignes
qui divisent un bassin versant d'un autre, sont appelées crêtes de bassin versant, lignes de
partage des eaux ou simplement bassins versants. Un point de vue alternatif consiste à imaginer
le paysage progressivement inondé par le bas avec l'eau entrant par les minima locaux. Lorsque
le niveau d'eau augmente, nous construisons des barrages qui empêchent l'eau des bassins
versants de se déverser ou de se répandre dans les bassins versants adjacents. Lorsque le niveau
d'eau atteint la hauteur du pic le plus élevé, le processus de construction s'arrête. Les barrages
ainsi construits sont les bassins versants qui partitionnent le paysage en régions distinctes
contenant un bassin versant. Le calcul proprement dit des bassins versants dans les images
numériques peut être effectué de plusieurs manières, mais toutes reposent fondamentalement
sur des opérations morphologiques itératives (Solomon & Breckon, 2011). Il existe également
de nombreux algorithmes différents pour calculer les bassins versants (Pranjal, Harshita, &
Shivim, 2017). L’algorithme de Meyer est utilisé dans ce travail.
L'un des algorithmes de bassin versant les plus courants a été introduit par F. Meyer au
début des années 90, cet algorithme fonctionne sur une image en niveaux de gris. Lors des
inondations successives du relief de valeur grise, des bassins versants avec des bassins versants
adjacents sont construits. Ce processus d'inondation s'effectue sur l'image du gradient, c'est-à-
dire que les bassins doivent émerger le long des bords. Normalement, cela conduira à une sur-
segmentation de l'image, en particulier pour les images bruyantes, par exemple les données CT
médicales. Soit l'image doit être prétraitée, soit les régions doivent être fusionnées sur la base
d'un critère de similarité par la suite (Rajesh & Bhalchandra, 2019).
~ 65 ~
Dans l’article intitulé : « Topographic distance and watershed lines » en juillet 1994,
Fernand Meyer fournit la définition du bassin versant par distance topographique tel que : Soit
𝑓 une image numérique en niveaux de gris. Initialement, nous supposons que 𝑓 est inférieur
complet, c'est-à-dire que chaque pixel qui n'est pas dans un minimum a un voisin de valeur de
gris inférieur (Meyer & Beucher, 1990). Cette hypothèse sera relâchée plus tard (Meyer F. ,
1994). La pente inférieure 𝐿𝑆(𝑝) de 𝑓 en un pixel 𝑝, est définie comme la pente maximale
reliant 𝑝 à l'un quelconque de ses voisins d'altitude inférieure. Officiellement :
𝑓(𝑝) − 𝑓(𝑞)
𝐿𝑆(𝑝) = 𝑀𝐴𝑋𝑞∈𝑁𝐺(𝑝)∪{𝑝} ( ) (𝐼𝐼𝐼. 21)
𝑑(𝑝, 𝑞)
Où 𝑁𝐺 (𝑝) est l'ensemble des voisins du pixel 𝑝 sur la grille 𝐺 = (𝑉, 𝐸), et 𝑑(𝑝, 𝑞) est la
distance associée à une arête (𝑝, 𝑞) (pour 𝑞 = 𝑝 l'expression suivant l'opérateur MAX dans
(III.21) est défini comme étant zéro). Notez que pour les pixels dont les voisins sont tous de
valeur de gris plus élevée, la pente inférieure est zéro. Le coût pour marcher du pixel p à un
pixel voisin q est défini comme
𝐿𝑆(𝑝). 𝑑(𝑝, 𝑞) 𝑠𝑖 𝑓(𝑝) > 𝑓(𝑞)
𝐿𝑆(𝑝). 𝑑(𝑝, 𝑞) 𝑠𝑖 𝑓(𝑝) < 𝑓(𝑞)
𝑐𝑜𝑠𝑡(𝑝, 𝑞) = {
1
(𝐿𝑆(𝑝) + 𝐿(𝑞)). 𝑑(𝑝, 𝑞) 𝑠𝑖 𝑓(𝑝) > 𝑓(𝑞)
2
(𝐼𝐼𝐼. 22)
Ainsi, les différentes séquences de fonctionnement de l’algorithme de Mayer utilisé dans
notre travail sont les suivantes :
1. Un ensemble de marqueurs, les pixels où l'inondation doit commencer, sont choisis et
chacun reçoit une étiquette différente.
2. Les pixels voisins de chaque zone marquée sont insérés dans une file d'attente prioritaire
avec un niveau de priorité correspondant au niveau de gris du pixel.
3. Le pixel avec le niveau de priorité le plus élevé est extrait de la file d'attente prioritaire.
Si les voisins du pixel extrait qui ont déjà été étiquetés ont tous la même étiquette, alors
le pixel est étiqueté avec leur étiquette. Tous les voisins non marqués qui ne sont pas
encore dans la file d'attente prioritaire sont placés dans la file d'attente prioritaire.
4. L'étape 3 se répète jusqu'à ce que la file d'attente prioritaire soit vide.
Il faudra retenir que les pixels non étiquetés sont les lignes de partage des eaux. Dans Matlab,
la syntaxe qui fait appel l’algorithme des bassins versant est « L = watershed(f) » (MathWorks,
2023). Nous avons effectué la segmentation par bassin versant en utilisant un seuil de 0,2902
et celui de 0,6 manuellement comme dans le cas précédent (voir la figure III.5).
~ 66 ~
• Une opération morphologique sur une image binaire crée une nouvelle image binaire
dans laquelle le pixel a une valeur non nulle uniquement si le test est réussi à cet endroit
dans l'image d'entrée.
• L'élément structurant est une petite image binaire, c'est-à-dire une petite matrice de
pixels, chacun avec une valeur de zéro ou un.
• Les dimensions de la matrice spécifient la taille de l'élément structurant.
~ 67 ~
Où 𝐼𝑠𝑡 est l'intensité d'un pixel s de l'image 𝐼 à l'instant 𝑡, 𝜆 est un scalaire lié au taux de diffusion,
𝛾 est une constante choisie en fonction du niveau de lissage souhaité, 𝜂𝑠 représente l'ensemble
des pixels adjacents de 𝑠, 𝑔(·) est une fonction d'arrêt des bords ou ESF (Edge-Stopping
𝑡
Function), et ∇𝐼𝑠,𝑝 est l'amplitude du gradient directionnel de l'image du pixel 𝑠 à 𝑝 à l'instant
𝑡
𝑡. Le directionnel gradient ∇𝐼𝑠,𝑝 peut-être approché par 𝐼𝑝𝑡 − 𝐼𝑠𝑡 . Pour simplifier la notation, nous
𝑡
remplacerons ∇𝐼𝑠,𝑝 par 𝑥 chaque fois que la formation des pixels et le nombre d'itérations sont
sans rapport avec le contexte.
Pour deux raisons principales, les pixels de bruit sont filtrés plus rapidement que les
pixels de bord. Selon l'équation (III.23), leurs effets sont d'abord atténués ou annulés par des
gradients de sens opposé. Les pixels de bord subissent généralement cela, mais pas les pixels
~ 69 ~
Dans le logiciel Matlab, nous avons créé une fonction à laquelle nous avons fait appel
dans le programme principal. « J = imdiffusefilt(I) » est la syntaxe utilisée pour faire appel au
filtre anisotropique ou la syntaxe « J = imdiffusefilt(I,Name,Value) » qui utilise des paires nom-
valeur pour modifier le comportement de l'algorithme de diffusion anisotrope. La figure III.8
illustre le rendu d’une image IRM après avoir appliqué le filtre anisotropique.
Où les échantillons sont 𝑝 et 𝑞, le nombre de partitions est 𝑛 et les nombres de membres des
échantillons 𝑝 et 𝑞 dans la ième partition sont 𝑝𝑖 et 𝑞𝑖 .
L’algorithme qui génère la boite englobante sur une Image IRM a été insérée depuis
l’année 2017 dans Matlab et la syntaxe d’exécution est « [xlim,ylim] = boundingbox(polyin) ».
La syntaxe « [xlim,ylim] = boundingbox(polyin,I) » renvoie les limites de la boîte englobante
de la limite I de polyin. Cette syntaxe n'est prise en charge que lorsque polyin est un objet
polyshape scalaire.
Erosion : Pour réaliser l'érosion d'une image binaire, on place successivement le pixel central
de l'élément structurant sur chaque pixel de premier plan (valeur 1). Si l'un des pixels de
voisinage est un pixel d'arrière-plan (valeur 0), alors le pixel d'avant-plan passe en arrière-plan.
Formellement, l'érosion de l'image A par l'élément structurant B est notée :
𝐴 ⊖ 𝐵 = {𝑧(𝐵)𝑧 ⊆ 𝐴} (𝐼𝐼𝐼. 25)
L'équation (III.25) implique que l'érosion de A par B est l'ensemble de tous les points z tels
que B, traduit par z, est contenu dans A. En utilisant le langage de la théorie des ensembles,
nous pouvons réécrire l'équation comme :
𝐴 ⊖ 𝐵 = {𝑧(𝐵)𝑧 ∩ 𝐴𝑐 = 𝜑} (𝐼𝐼𝐼. 26)
L'équation (III.26) dit que l'érosion de A par B est telle que l'ensemble de tous les points (pixels)
satisfaisant l'opération d'érosion est telle que l'intersection de ces points avec le complément de
A est un ensemble nul, comme l’illustre la figure III.10.
Dilatation : Si l'érosion érode ou amincit les objets, alors la dilatation "grossit" ou "épaissit" les
objets. Par conséquent, une application importante est de combler les lacunes. Parfois, des
lacunes se développent dans les limites en raison du bruit. Cela peut entraver les performances
des algorithmes qui tentent de « reconnaître » la forme de la frontière. Par conséquent, la
dilatation peut être utile dans ces cas. Pour réaliser la dilatation d'une image binaire, on place
successivement le pixel central de l'élément structurant sur chaque pixel de fond. Si l'un des
pixels de voisinage est un pixel de premier plan (valeur 1), alors le pixel d'arrière-plan passe au
premier plan. Formellement, la dilatation de l'image A par l'élément structurant B est notée :
⏞ ) ∩ 𝐴 ≠ Φ}
𝐴 ⊕ 𝐵 = {𝑧 (𝐵 (𝐼𝐼𝐼. 27)
𝑧
=1 =0
Erosion
Dilatation
résolution dans le plan de 256×256 comme décrit à la section III.2.1 de ce chapitre. Les
expérimentations sont réalisées sur PC Lenovo équipé d'un processeur Intel(R) Core (TM) i5-
8250U CPU @ 1,60GHz ; 1,80 GHz avec une mémoire RAM installée de 8,00 Go. Le Système
d’exploitation utilisé est Windows Eleven 64 bits, avec une prise en charge de la fonction tactile
avec 10 points de contact.
III.5. Conclusion
Dans ce chapitre, il a été question d’expliquer les deux méthodes choisies pour illustrer la
segmentation des tumeurs cérébrales sur une image IRM pondérée en T2 dans un plan axial et
coronale ayant une résolution de 256×256. Toutes les deux méthodes utilisées sont basées sur
la méthode morphologique (ou de morphologie mathématique) qui fonctionne bien sur les
tumeurs homogènes. La première méthode de segmentation consiste en un algorithme qui
fonctionne en six étapes, dont le seuillage, la segmentation par bassin versant, les opérations
morphologiques et la détection de la Tumeur ; il ne fonctionne que sur un nombre limité
d’image IRM à cause du bruit (artéfacts) présent sur certaines images IRM. Le second
algorithme vient palier aux faiblesses du premier en insérant un filtre anisotropique qui élimine
à l’avance les bruits présents sur les images IRM, ensuite il met en évidence le périmètre de la
tumeur sur l’image IRM filtrée par un contour lumineux rouge. Ayant ainsi aborder la question
concernant la méthodologie de ce travail, passons à présent à la discussion sur l’interprétation
des résultats obtenus.
~ 74 ~
3
http://med.harvard.edu/AANLIB/
4
http://www.oasis-brains.org/
~ 75 ~
Figure IV-2:Deuxième échantillon (image IRM cérébrale pour une Tumeur déformante)
L’image d’origine de la figure IV-3 contient une tumeur qui a une forme particulière, difficile
d’extraire manuellement. Mais nous voyons bien que l’algorithme a su détecter correctement le
contour de la tumeur. L’image IRM utilisé est une coupe axiale du cerveau, on peut clairement
identifier la ligne médiane qui sépare les deux hémisphères du cerveau. Cette image montre
clairement que cette tumeur est déformante et a légèrement modifiée la symétrie du cerveau,
c’est-à-dire que l’hémisphère gauche n’a plus désormais la même proportion que l’hémisphère
droit. Cette dernière est à l’extrême limite de la matière grise et a tendance à attaquer la moelle
épinière. Avec le seuil de 0,6 ; l’algorithme a détecté le contour de la tumeur et a fourni son
aperçu (Tumeur détectée).
~ 76 ~
Figure IV-3: Troisième échantillon (image IRM cérébrale pour Tumeur déformante)
Sur le quatrième échantillon, nous avons deux zones de tumeurs qui ont été extraites
stratégiquement à l’aide de l’algorithme. Une première tumeur plus grosse facile à identifier à
l’œil nu et une deuxième qui ne peut être détecté qu’avec un traitement d’image.
Figure IV-5: Cinquième échantillon (image IRM cérébrale pour une grande Tumeur déformante)
~ 77 ~
La figure IV.6 illustre un autre résultat d’une segmentation à partir d’une image IRM présentant
une tumeur contenant un produit de rehaussement de contraste. L’algorithme a détecté plus
rapidement la tumeur rehaussée.
La figure IV.8 illustre un des échantillon des images IRM qu’avons choisi pour tester le
fonctionnement de l’algorithme. Nous pouvons bien voir sur cette figure l’aperçue de la tumeur
seule, la boite englobante la tumeur, et le périmètre de la tumeur contourné par une ligne rouge
sur l’image IRM filtré en utilisant le filtre anisotropique.
~ 78 ~
Figure IV-11: Cinquième échantillon d’image IRM traitée par la deuxième méthode
La figure IV.13 illustre les résultats obtenus avec une image IRM du cerveau comportant une
tumeur de forme irrégulier entremêlée avec la matière blanche. Nous voyons très bien sur cette
figure comment la tumeur est extraite indépendamment de la matière blanche du cerveau.
Figure IV-14: Résultats de traitement d’un échantillon d’image IRM présentant une tumeur
avec l'œdème et la nécrose traitée par la deuxième méthode
~ 81 ~
IV.5 . Conclusion
Ce chapitre a présenté les résultats obtenus après simulation de deux algorithmes, premièrement
les résultats obtenus utilisant la première méthode de segmentation tumorale, ensuite ceux de
la deuxième. Le constat fait après simulation est que le premier algorithme présente des limites
pour un certains nombres d’images IRM, surtout celles qui contiennent des artéfacts. Le
deuxième algorithme quant à lui détecte plus des tumeurs que le premier grâce au filtre
anisotropique qui l’utilise. Et en plus la tumeur détectée est mise en évidence sur l’image IRM
filtrée grâce au détecteur de périmètre qui met en surbrillance rouge le contour de la Tumeur.
Le deuxième algorithme présente des limitations surtout sur les images IMR du cerveau
comportant des tumeurs hétérogènes et aussi sur celles qui n’ont pas subis un rehaussement de
contraste.
~ 82 ~
Conclusion générale
D’une part, la complexité et les exigences des récentes méthodes proposées pour la
segmentation des tumeurs cérébrales à partir des images IRM rendent difficile d’appréhender
ce domaine de recherche sans une connaissance appropriée des notions de base ; d’autre part
l’identification automatique des tumeurs cérébrales dans les images médicales et l'assistance
informatique sont demandées dans les établissements médicaux dans la mesure qu'elle pourrait
améliorer les résultats des humains dans un tel domaine où les cas des fautes professionnelles
doivent être à un taux très faible comme il s’agit d’une vie humaine. De ce fait, dans ce travail
il a été question de passer en revue les différentes méthodes de base utilisées pour la
segmentation des images IRM dans le but d’obtenir les données cliniques qui aideront au
diagnostic et au traitement de la maladie. D’illustrer à travers deux méthodes de segmentation
automatique qui se basent sur la morphologie mathématique, comment extraire stratégiquement
les Tumeurs cérébrales homogènes à partir des images IRM des patients à contraste amélioré
soutirées dans une base des données. Pour la première méthode, une image IRM de tumeur
cérébrale est appliquée au pré-traitement et après la tumeur est extraite par des processus de
segmentation de seuil, de bassin versant et en fin passe par des opérations morphologiques.
Pour la deuxième méthode, une analyse de la symétrie bilatérale du cerveau est faite et
l’apparition probable de la Tumeur est détectée. A cette fin, un filtre anisotropique pour éliminer
les artéfacts qui accompagnent les images IRM, un détecteur de périmètre pour mettre en
surbrillance le contour de la Tumeur sur l’image IRM filtrée et un détecteur de symétrie (boite
englobante) ont été utilisé. En observant les résultats obtenus, il sied d’affirmer que ces
processus peuvent être utilisés pour identifier l'emplacement de la tumeur à partir d'une image
IRM et cela sera très utile dans le domaine de la médecine. Cependant la méthode
morphologique rencontre des difficultés à segmenter une structure d’image plus complexe avec
une forme, une taille et des propriétés inégales. Dans de telles conditions, il est préférable
d'utiliser une méthode de segmentation appropriée pour un diagnostic précis des patients
atteints de tumeurs. La détection des tumeurs cérébrales est d'une grande aide pour les
médecins, une aubaine pour l'imagerie médicale et les industries travaillant sur la production
d'imagerie IRM. Pour cela les perspectives sont telles qu’il sera possible à partir des images
traitées dans le cadre ce travail, de créer une base de données et de l'utiliser pour construire un
réseau de neurones artificiels ou un algorithme d'apprentissage profond qui peut identifier
encore plus de détails sur la tumeur, dire par exemple s’il s’agit d’une tumeur maligne ou
bénigne, et avoir ses informations dimensionnelles.
~i~
BIBLIOGRAPHIE
Afshar, P., Plataniotis, K., & Mohammadi, A. (2019). Capsule Networks for Brain Tumor
Classification Based on MRI Images and Coarse Tumor Boundaries. IEEE. Récupéré
sur https://www.semanticscholar.org/paper/Capsule-Networks-for-Brain-Tumor-
Classification-on-Afshar-Plataniotis/27f738236ed6612ee4ce0c5cdfa6f2ccae105c33
Anlauf, J. K., & Biehl, M. (1989). The AdaTron: An Adaptive Perceptron Algorithm.
IOPScience. doi:10.1209/0295-5075/10/7/014
Armstrong, T. S., Cohen, M. Z., Weinberg, J., & Gilbert, M. R. (2004). Imaging techniques in
neuro-oncology. Seminars in oncology nursing. Nebraska: University Of Nebraska.
doi:10.1016/S0749-2081(04)00087-7
Badreddine, S. (2015). Une approche hybride pour la segmentation de tumeurs en IRM
cérébrales. Thèse de doctorat 3ième cycle LMD, UNIVERSITE BADJI MOKHTAR
–ANNABA, Faculté des sciences de l’ingénieur. Récupéré sur https://biblio.univ-
annaba.dz/wp-content/uploads/2016/09/These-Sayah-Badreddine.pdf
Barra, V., & Boire, J. (2001). Automatic Segmentation o f Subcortical Brain Structures in MR
Images Using Information Fusion. IEEE Transaction on Medical Imaging.
Bergounioux, M. (2015). Introduction au traitement mathématique des images - méthodes
déterministes (Vol. 76). Springer.
Beutel, J., Fitzpatrick, J. M., Horii, S. C., Kim, Y., Kundel, H. L., Sonka, M., & Metter, R. L.
(2000). Handbook of Medical Imaging: Volume 2. Medical Image Processing and
analysis. Washington, USA: SPI Press. doi:http://spie.org/
Bonneville, J.-F., Bonneville, F., & Cattin, F. (2005). Magnetic resonance imaging of
pituitary adenomas. Besançon Cedex, France: Springer.
doi:https://doi.org/10.1007/s00330-004-2531-x
Bricq, S. (2008). Segmentation d’images IRM Anatomiques par Inférence Bayésienne
Multimodale et Détection de Lésions. Thèse de Doctorat, Université Louis Pasteur -
Strasbourg I.
Brown, R. W., Cheng, Y.-C. N., Haacke, E. M., Haacke, E. M., & Venkatesan, R. (2014).
Magnetic Resonance Imaging: Physical Principles and Sequence Design, 2nd Edition.
Western: Wiley.
Burges, C. J. (1998). A Tutorial on Support Vector Machines for Pattern Recognition. Boston:
Springer Link. Récupéré sur https://www.di.ens.fr/~mallat/papiers/svmtutorial.pdf
Busch, C. (1997). Wavelet based texture segmentation of multi-modal tomographic images.
Darmstadt, Allemagne: Elsevier. doi:https://doi.org/10.1016/S0097-8493(97)00012-5
Busherg, J. T., Seibert, J. A., Leidholdt, E. M., & Boone, J. J. (2012). The Essential Physics of
Medical Imaging. Philadelphia: Wolters Kluwer.
~ ii ~
Gering, D. T. (2003). Recognizing Deviations from Normalcy for Brain Tumor Segmentation.
Massachusetts Institute of Technology, Department of Electrical Engineering and
Computer Science. Massachusetts: Massachusetts libraries.
doi:https://core.ac.uk/download/4394858.pdf
Gibbs, P., Buckley, D., lackband, S. J., & Horsman, A. (1986). Tumour volume determination
from MR images by morphological segmentation. IPOScience.
doi:https://doi.org/10.1088/0031-9155/41/11/014
Gonzalez, W. (2008). Traitement d'images numériques. Prentice Hall, 378.
Grimson, W. E. (2005). Analyzing anatomical structures: Leveraging multiple sources of
knowledge.
Hall, L., Bensaid, A., Clarke, L., Velthuizen, R., Silbiger, M., & Bezdek, J. (1992). A
comparison of neural network and fuzzy clustering techniques in segmenting magnetic
resonance images of the brain. IEEE. Récupéré sur
https://ieeexplore.ieee.org/document/159057
Hata, N., Muragaki, Y., Inomata, T., Maruyama, T., Iseki, H., Hori, T., & Dohi, T. (2005).
Intraoperative tumor segmentation and volume measurement in MRI-guided glioma
surgery for tumor resection rate control. USA: National Libraty of Medicine.
doi:https://doi.org/10.1016/j.acra.2004.11.009
Held, K., Kops, E., Krause, B., Wells, W., Kikinis, R., & Muller-Gartner, H.-W. (1999).
Markov random field segmentation of brain MR images. University of Augsburg,
Institute of Theoretical Physics. Allemagne: IEEE. Récupéré sur
https://ieeexplore.ieee.org/document/650883
Henkel, R. (1995). Segmentation in Scale Space : Computer Analysis of Images and Patterns.
Henson, J. W., Gaviani, P., & Gonzalez, R. G. (2005). MRI in treatment of adult gliomas.
Division of Neuroradiology. Boston: Elsevier. doi:https://doi.org/10.1016/S1470-
2045(05)01767-5
Herlidou, S., Constans, J.-M., Carsin, B., Olivié, D., Eliat, P., Nadal-Desbarats, L., . . .
Certaines, J. d. (2003). MRI texture analysis on texture test objects, normal brain and
intracranial tumors. HAL open science. Récupéré sur https://hal.science/hal-
02078924
Herskovits, E. H., Itoh, R., & Melhem, E. R. (2001). Accuracy for detection of simulated
lesions: comparison of fluid-attenuated inversion-recovery, proton density-weighted,
and T2-weighted synthetic brain MR imaging. USA: National Library of Medicine.
doi:10.2214/ajr.176.5.1761313
Ho, S., Bullitt, E., & Gerig, G. (2002). Level Set Evolution with Region Competition:
Automatic 3-D Segmentation of Brain Tumors. Caroline, USA: University of North
Carolina,. Récupéré sur
https://www.sci.utah.edu/~gerig/publications/ICPR02_SeanHo_snakes.pdf
~v~
dechographie/Comprendre%20L%27IRM.%20Manuel%20d%27auto-apprentissage-
min.pdf
Kaus, M. R., Warfield, S. K., Nabavi, A., Black, P. M., Jolesz, F. A., & Kikinis, R. (586-91).
Automated Segmentation of MR Images of Brain Tumors. Canada: Radiological
Society of North America. doi:https://doi.org/10.1148/radiology.218.2.r01fe44586
Kaus, M. R., Warfield, S. K., Nabavi, A., Chatzidakis, E., Black, P. M., Jolesz, F. A., &
Kikinis, R. (1999). Segmentation of Meningiomas and Low Grade Gliomas in MRI.
Surgical Planning Laboratory, Department of Radiology. Boston: Springer. Consulté
le Février 7, 2023, sur http://vision.cse.psu.edu/people/chenpingY/paper/Kaus1999.pdf
Kernohan, J. W., & Mabon, R. (1949). A simplified classification of the gliomas. USA:
National Center for Biotechnology Information.
Khotanlou, H. (2009). 3D brain tumors and internal brain structures segmentation in MR
images. Ecole Nationale Supérieure des Télécommunications de Paris. Paris: Open
science. Consulté le Janvier 2022, sur https://pastel.archives-ouvertes.fr/pastel-
00003662/document
Kjaer, L., Ring, P., Thomsen, C., & Henriksen, O. (1995). Texture analysis in quantitative
MR imaging. Tissue characterisation of normal brain and intracranial tumours at 1.5
T. USA: National Library of Medicine. Récupéré sur
https://pubmed.ncbi.nlm.nih.gov/7710790/
Klatt, E. (2022). The internet pathology laboratory for medical education. Récupéré sur
https://webpath.med.utah.edu/
Koch, H. (2004). Recent Advances in Magnetocardiography (Vol. 37). Journal of
Electrocardiology.
Krishnapuram, R., & Keller, J. (1993). A possibilistic approach to clustering. IEEE.
doi:https://doi.org/10.1109/91.227387
Kufe, D. W., Pollock, R. E., Weichselbaum, R. R., Bast, R. C., Gansler, T. S., Gansler, T. S.,
& Frei, E. (2003). Holland-Frei Cancer Medicine. Massachusetts: BC Decker.
Récupéré sur https://www.ncbi.nlm.nih.gov/books/NBK12354/
Kyriacou, S. K., Davatzikos, C., Zinreich, S. J., & Bryan, R. N. (1999). Nonlinear elastic
registration of brain images with tumor pathology using a biomechanical model.
IEEE. doi:https://doi.org/10.1109/42.790458
Lamrani, D., Cherradi, B., Gannour, O. E., Bouqentar, M. A., & Bahatti, L. (2020). Brain
Tumor Detection using MRI Images and Convolutional Neural Network. International
Journal of Advanced Computer Science and Applications, Vol. 13, No. 7.
Law, A. K. (2002). A fast deformable region model for brain tumor boundary extraction.
Houston, USA.
Law, A. K., Zhu, H., Chan, B. C., Iu, P., Lam, F., & Chan, F. H. (2001). Semi-Automatic
Tumor Boundary Detection in MR Image Sequences. University of Hong Kong,
Department of Electrical and Electronic Engineering. Hong Kong: Proceedings of
2001 lnternational Symposium on intelligent Multimedia, Video and Speech
~ vii ~
Malladi, R., Sethian, J. A., & Vemuri, B. C. (1995). Shape Modeling with Front Propagation:
A Level Set Approach. IEEE. Récupéré sur
https://math.berkeley.edu/~sethian/2006/Papers/sethianmalladivemuritopologyindepen
dent1993.pdf
Mancas, M. a. (2004). Toward an automatic tumor segmentation using iterative watersheds.
USA: Medical Imaging.
Mandelbrot, B. B., & Freeman, W. H. (1982). The fractal geometry of nature. San Francisco:
Wiley Online Library. Récupéré sur
https://users.math.yale.edu/~bbm3/web_pdfs/encyclopediaBritannica.pdf
Marner, L., Nyengaard, J., Tang, Y., & Pakkenberg, B. (2003). Marked Loss of Myelinated
Nerve Fibers in the Human Brain with Age (Vol. 462). ounal of Computer Neurologie.
Consulté le Aout 2021
Masulli, F., & Schenone, A. (1999). A fuzzy clustering based segmentation system as support
to diagnosis in medical imaging. Italy: Elsevier. doi:https://doi.org/10.1016/s0933-
3657(98)00069-4
MathWorks. (2006). Measure properties of image regions. Récupéré sur MathWorks:
https://www.mathworks.com/help/images/ref/regionprops.html#buorh68-1
MathWorks. (2023). Dilate image. Récupéré sur
https://www.mathworks.com/help/images/ref/imdilate.html
MathWorks. (2023, Février 16). Otsuthresh. Récupéré sur MathWorks:
https://www.mathworks.com/help/images/ref/otsuthresh.html#d124e238600
MathWorks. (2023, Février). Watershed. Récupéré sur MathWokrs:
https://www.mathworks.com/help/images/ref/watershed.html
Merck. (2021). Récupéré sur LE MANUEL MERCK: https://www.merckmanuals.com/fr-
ca/professional/multimedia/figure/neu-brain-lobes-pv_fr
Meyer, F. (1994). Topographic distance and watershed lines. Saint Honoré, Fra,ce: Elsevier.
Récupéré sur
https://www.sciencedirect.com/science/article/abs/pii/0165168494900604
Meyer, F., & Beucher, S. (1990). Morphological segmentation. Saint Honoré, France:
Elsevier. Récupéré sur
https://www.sciencedirect.com/science/article/abs/pii/104732039090014M?via%3Dih
ub
Minarno, A. E., Kantomo, I. S., Sumadi, F. D., Nugroho, H. A., & Ibrahim, Z. (2021).
Classification of Brain Tumors on MRI Images Using DenseNet and Support Vector
Machine. International Journal on Informatics Visualization.
doi:http://dx.doi.org/10.30630/joiv.6.2.991
Mohamed, L. T. (2018). Algorithme avancé pour la segmentation du cerveau utilisant le flou
pour localiser la région du cancer et de l'épilepsie. International Conférence sur
l'électronique et l'ingénierie de l'information, 2.
~ ix ~
Moon, N., Bullitt, E., Leemput, K. v., & Gerig, G. (2002). Model-based brain and tumor
segmentation. University of North Carolina, Department of Computer Science.
Quebec: IEEE. doi:https://doi.org/10.1109/ICPR.2002.1044787
Moonis, G., Liu, J., Udupa, J. K., & Hackney, D. B. (2002). Estimation of tumor volume with
fuzzy-connectedness segmentation of MR images. USA: American Journal of
Neuroradiology. Récupéré sur https://pubmed.ncbi.nlm.nih.gov/11900999/
Morin, Y. (2006). Larousse médical. Larousse.
Murugavalli, S., & Rajamani, V. (2006, Décembre). Un algorithme c-meanalgorithm flou
parallèle à grande vitesse pour la segmentation de tumeurs cérébrales. BIME Journal,
6(1).
Naren, A., & Srikari, S. (2019). Extraction de tumeur cérébrale par IRM Images avec
MATLAB. VIT University.
Neuroblog. (2018). Consulté le Aout 31, 2021, sur neuroblog:
https://i0.wp.com/neuroblog.free.fr/wp-
content/uploads/2017/04/Mati%C3%A8regrise-Matiereblanche-
300x218.png?resize=300%2C218
Niu, X. (2006). A semi-automatic framework for highway extraction and vehicle detection
based on a geometric deformable model. USA: ISPRS Journal of Photogrammetry.
Récupéré sur https://ui.adsabs.harvard.edu/abs/2006JPRS...61..170N/abstract
Osher, S., & Sethian, J. A. (1988). Fronts Propagating with Curvature-Dependent Speed:
Algorithms Based on Hamilton-Jacobi Formulations. University of California,
Department of Mathematics.
doi:https://ui.adsabs.harvard.edu/link_gateway/1988JCoPh..79...12O/doi:10.1016/002
1-9991(88)90002-2
Otsu, N. f.-L. (1979). A Tlreshold Selection Method. IEEE. Récupéré sur
https://engineering.purdue.edu/kak/computervision/ECE661.08/OTSU_paper.pdf
Palma, C. A., A.M, F., Cappabianco, Ide, J. S., & Miranda, P. A. (2014). Anisotropic
Diffusion Filtering Operation and Limitations - Magnetic Resonance Imaging
Evaluation. Cape Town, South Africa: IEEE.
Patel, M. R., & Tse, V. (2004). Diagnosis and staging of brain tumors. Santa Clara Valley
Medical Center, Department of Radiology. San Jose: Elsevier.
doi:https://doi.org/10.1016/j.ro.2004.05.005
Perona, P., & Malik, J. (1990). Scale-Space and Edge Detection Using Anisotropic Diffusion.
IEEE. Récupéré sur https://authors.library.caltech.edu/6498/1/PERieeetpami90.pdf
Pham, D. L., Xu, C., & Prince, J. L. (2000). Current Methods in Medical Image
Segmentation. Baltimore: Annual Review of Biomedical Engineering.
doi:https://doi.org/10.1146/annurev.bioeng.2.1.315
Phillips, W., Velthuizen, R., Phuphanich, S., Hall, L., Clarke, L., & Silbiger, M. (1995).
Application of fuzzy c-means segmentation technique for tissue differentiation in MR
~x~
https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=1398b0ad75598ff1
add41dc6f6a1a23abce572cc
Udupa, J. K., & Samarasekera, S. (1996). Fuzzy Connectedness and Object Definition:
Theory, Algorithms, and Applications in Image Segmentation. Philadelphie,
Pennsylvanie: Elsevier. doi:https://doi.org/10.1006/gmip.1996.0021
Uemura, K., Toyama, H., Baba, S., Kimura, Y., Senda, M., & Uchiyama, A. (2000).
Generation of fractal dimension images and its application to automatic edge
detection in brain MRI. Tokyo, Japan: Elsevier. doi:https://doi.org/10.1016/S0895-
6111(99)00045-2
Vapnik, V. N. (1999). The Nature of Statistical Learning Theory. New York: Springer.
Récupéré sur https://link.springer.com/book/10.1007/978-1-4757-3264-1
Vinitski, S., Gonzalez, C. F., Knobler, R., Andrews, D., Iwanaga, T., & Curtis, M. (1999).
Fast tissue segmentation based on a 4D feature map in characterization of
intracranial lesions. Pennsylvania, USA: Wiley.
doi:https://doi.org/10.1002/(SICI)1522-2586(199906)9:6%3C768::AID-
JMRI3%3E3.0.CO;2-2
Warfield, S., Kaus, M., Jolesz, F. A., & Kikinis, R. (2000). Adaptive, template moderated,
spatially varying statistical classification. Brigham and Women’s Hospital and
Harvard Medical School, Department of Radiology,. Boston: Elsevier.
doi:https://doi.org/10.1016/s1361-8415(00)00003-7
Wasserman, R. A. (1995). A data fusion approach to tumor delineation. IEEE.
Waxam, S. G. (1999). Correlative Neuroanatomy (éd. 24th). New York: McGraw-Hill .
Weickert, J. (1998). Anisotropic Diffusion in Image Processing. University of Copenhagen,
Department of Computer Science. Copenhagen, Denmark: IEEE. Récupéré sur
https://www.mia.uni-saarland.de/weickert/Papers/book.pdf
Wen, P. Y., Jeremy, T. Y., & Black, P. M. (2001). Brain Tumors. Churchill Livingstone:
Elsevier.
Wiest-Daessle, N. (2009). Imagerie du Tenseur de Diffusion pour l’étude de Pathologies
Cérébrales. Université de Rennes, Mention Informatiqu.
Woolsey, T. A., Hanaway, J., & Gago, M. H. (2003). The Brain Atlas : A Visual Guide to the
Human Central Nervous System. Wiley-Liss.
Xie, K., Yang, J., Zhang, Z. G., & Zhu, Y. M. (2005). Semi-automated brain tumor and
edema segmentation using MRI. Elsevier.
doi:https://doi.org/10.1016/j.ejrad.2005.03.028
Xu, C., & Prince, J. (1988). Snakes, shapes, and gradient vector flow. IEEE. Consulté le
Février 2023, sur https://ieeexplore.ieee.org/document/661186/authors#authors
ZainEldin, H., Gamel, S. A., El-Kenawy, E.-S. M., Alharbi, A. H., Khafaga, D. S., Ibrahim,
A., & Talaa, F. M. (2022). Brain Tumor Detection and Classification Using Deep
~ xiv ~
ANNEXES
Annexe 1:Code source de l'algorithme utilisé pour la première méthode
Le code source du deuxième algorithme qui a été utilisé ainsi que les fichiers complémentaires
seront fournis aux chercheurs à la suite d’une simple demande vu que ce dernier est destiné à
être exécuté.
dd = sqrt(2);
% 2D convolution masks - finite differences.
hN = [0 1 0; 0 -1 0; 0 0 0];
hS = [0 0 0; 0 -1 0; 0 1 0];
hE = [0 0 0; 0 -1 1; 0 0 0];
hW = [0 0 0; 1 -1 0; 0 0 0];
hNE = [0 0 1; 0 -1 0; 0 0 0];
hSE = [0 0 0; 0 -1 0; 0 0 1];
hSW = [0 0 0; 0 -1 0; 1 0 0];
hNW = [1 0 0; 0 -1 0; 0 0 0];
% Anisotropic diffusion.
for t = 1:num_iter
% Finite differences. [imfilter(.,.,'conv') can be replaced by
conv2(.,.,'same')]
nablaN = imfilter(diff_im,hN,'conv');
nablaS = imfilter(diff_im,hS,'conv');
nablaW = imfilter(diff_im,hW,'conv');
nablaE = imfilter(diff_im,hE,'conv');
nablaNE = imfilter(diff_im,hNE,'conv');
nablaSE = imfilter(diff_im,hSE,'conv');
~C~
nablaSW = imfilter(diff_im,hSW,'conv');
nablaNW = imfilter(diff_im,hNW,'conv');
% Diffusion function.
if option == 1
cN = exp(-(nablaN/kappa).^2);
cS = exp(-(nablaS/kappa).^2);
cW = exp(-(nablaW/kappa).^2);
cE = exp(-(nablaE/kappa).^2);
cNE = exp(-(nablaNE/kappa).^2);
cSE = exp(-(nablaSE/kappa).^2);
cSW = exp(-(nablaSW/kappa).^2);
cNW = exp(-(nablaNW/kappa).^2);
elseif option == 2
cN = 1./(1 + (nablaN/kappa).^2);
cS = 1./(1 + (nablaS/kappa).^2);
cW = 1./(1 + (nablaW/kappa).^2);
cE = 1./(1 + (nablaE/kappa).^2);
cNE = 1./(1 + (nablaNE/kappa).^2);
cSE = 1./(1 + (nablaSE/kappa).^2);
cSW = 1./(1 + (nablaSW/kappa).^2);
cNW = 1./(1 + (nablaNW/kappa).^2);
end
% Discrete PDE solution.
diff_im = diff_im + ...
delta_t*(...
(1/(dy^2))*cN.*nablaN + (1/(dy^2))*cS.*nablaS + ...
(1/(dx^2))*cW.*nablaW + (1/(dx^2))*cE.*nablaE + ...
(1/(dd^2))*cNE.*nablaNE +
(1/(dd^2))*cSE.*nablaSE + ...
(1/(dd^2))*cSW.*nablaSW + (1/(dd^2))*cNW.*nablaNW );
end