REPUBLIQUE DEMOCRATIQUE DU CONGO

UNIVERSITE DE LUBUMBASHI
FACULTE POLYTECHNIQUE
Département d’électromécanique
dptelectromecanique@polytechunilu.ac.cd

Extraction des Tumeurs Cérébrales à partir d’Images IRM par la

Méthode de segmentation Morphologique en utilisant MATLAB

Projet de fin de cycle présenté et défendu en vue de l’obtention du diplôme de Master

Ingénieur civil en électromécanique

Par : Kasiho Mushagalusa Emmanuel

Février 2023
 REPUBLIQUE DEMOCRATIQUE DU CONGO
UNIVERSITE DE LUBUMBASHI
FACULTE POLYTECHNIQUE
Département d’électromécanique
dptelectromecanique@polytechunilu.ac.cd

Extraction des Tumeurs Cérébrales à partir d’Images IRM par la

Méthode de Segmentation Morphologique en utilisant MATLAB

Projet de fin de cycle présenté et défendu en vue de l’obtention du diplôme de Master

Ingénieur civil en électromécanique

Par : Kasiho Mushagalusa Emmanuel

Directeur : Prof. Lagouge Tartibu
Codirecteurs : CT. Innocent Muheme
Ass. Bienvenu Masompe

Année académique 2021-2022

 ~I~

EPIGRAPHE

“ Les émotions sont des éléments essentiels de

l'intelligence humaine. Sans intelligence émotionnelle,
l'intelligence artificielle restera incomplète.”

- 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.

Ces remerciements vont tout d’abord au corps professoral et administratif de la Faculté

Polytechnique en général et du département d’électromécanique en particulier, pour la richesse,
la qualité de l’enseignement et qui ne cessent de déployer de grands efforts pour assurer à nous
étudiants une formation actualisée.

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.

A mes grands-parents Ignace Kayungila et Berthe Lwamba, pour la stabilité, la

quiétude et le cadre de vie qu’ils nous ont offerts. Pour leur amour, leur aide, leurs privations,
leurs encouragements, leurs sacrifices qu’ils ne cessent de consentir pour nous tailler une issue
et faire de nous un homme utile à la société.

Etant reconnaissant, nous profitons de cette occasion pour adresser nos

remerciements à Papa Manu Kasiho et Papa Ildefonse Kasiho qui nous ont soutenu
financièrement et sans qui ce projet n’aurait pas vu le jour. Des noms de Benjamin Baraka,
Salvatrice Mukanga pour leurs soutiens et encouragements ; Ephraïm Moshi et Magnifique
Mpanga pour la relecture de ce mémoire.
 ~ III ~

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.

Mots clés : Segmentation, Tumeurs cérébrales, Morphologie Mathématiques, Filtre

anisotropique
 ~ IV ~

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.

Keywords: Segmentation, Brain tumors, Morphology Mathematics, Anisotropic filter

 ~V~

TABLE DES MATIERES

EPIGRAPHE .............................................................................................................................I
REMERCIEMENTS ............................................................................................................... II
RESUME ................................................................................................................................ III
ABSTRACT ............................................................................................................................ IV
TABLE DES MATIERES ...................................................................................................... V
LISTE DES FIGURES......................................................................................................... VII
LISTE DES TABLEAUX ....................................................................................................... X
LISTE DES ABREVIATIONS ............................................................................................. XI
LISTE DES ANNEXES ....................................................................................................... XII
CHAPITRE I : INTRODUCTION GENERALE ................................................................. 1
I.1 CONTEXTE DE L’ETUDE .................................................................................................... 1
I.2 ÉNONCE DU PROBLEME DE RECHERCHE ............................................................................ 2
I.3 OBJECTIFS DE LA RECHERCHE (OU DE L'ETUDE)................................................................ 3
I.4 IMPORTANCE DE L'ETUDE ................................................................................................. 3
I.5 DELIMITATION (PORTEE DE L'ETUDE) ............................................................................... 4
I.6 STRUCTURE DU MEMOIRE ................................................................................................. 4
CHAPITRE II : REVUE DE LA LITTERATURE SUR LES METHODES DE
SEGMENTATION TUMORALE .......................................................................................... 5
II.1 CLASSIFICATIONS DES TUMEURS CEREBRALES.............................................................. 5
II.1.1 Introduction.............................................................................................................. 5
II.1.2 Anatomie du cerveau ................................................................................................ 5
II.1.3 Imagerie par résonance magnétique (IRM) des tumeurs cérébrales ....................... 7
II.1.4 Les Tumeurs cérébrales ......................................................................................... 15
II.1.5 Classification des Tumeurs cérébrales selon l’OMS ............................................. 17
II.1.6 Résumé ................................................................................................................... 24
II.1.7 Classification des tumeurs en fonction de leur emplacement ................................ 25
II.1.8 Tumeurs non rehaussées ........................................................................................ 25
II.1.9 Tumeurs rehaussées sans œdème ........................................................................... 26
II.1.10 Tumeurs rehaussées avec œdème ....................................................................... 26
II.1.11 Tumeurs rehaussées en anneau .......................................................................... 27
II.1.12 Classification des tumeurs en fonction de leurs altérations .............................. 27
II.1.13 Petites tumeurs déformantes (PD) ..................................................................... 28
II.1.14 Grandes tumeurs déformantes (GD) .................................................................. 28
II.1.15 Conclusion .......................................................................................................... 28
II.2 METHODES DE SEGMENTATION DES TUMEURS CEREBRALES ...................................... 29
II.2.1 Introduction............................................................................................................ 29
II.2.2 Méthodes basées sur la région ............................................................................... 30
II.2.3 Méthodes de segmentation des Tumeurs cérébrales basées sur les frontières ...... 48
II.2.4 Fusion des méthodes basées sur les régions et les frontières ................................ 52
 ~ VI ~

II.3 CONCLUSION .............................................................................................................. 55

CHAPITRE III : METHODOLOGIE DE TRAVAIL SUR LA SEGMENTATION
MORPHOLOGIQUE ............................................................................................................ 56
III.1 . INTRODUCTION ......................................................................................................... 56
III.2 . PREMIERE METHODE DE SEGMENTATION TUMORALE EN SIX ETAPES ........................ 56
III.2.1 . Base de données (Image IRM en entrée) .......................................................... 57
III.2.2 . Imagerie en niveaux de gris ............................................................................. 58
III.2.3 . Segmentation de seuil ....................................................................................... 59
III.2.4 . Segmentation des bassins versants ................................................................... 63
III.2.5 . Opérations morphologiques ............................................................................. 66
III.2.6 . Détection de la Tumeur (sortie) ....................................................................... 67
III.3 . DEUXIEME METHODE DE SEGMENTATION TUMORALE EN HUIT ETAPES ..................... 67
III.3.1 . Filtrage anisotropique...................................................................................... 68
III.3.2 . La boite englobante (boungin box) .................................................................. 69
III.3.3 . Remplissage, érosion et soustraction ............................................................... 70
III.3.4 . Tumeur détectée avec un contour en couleur ................................................... 71
III.4 . MISE EN ŒUVRE DU LOGICIEL ................................................................................... 72
III.5 . CONCLUSION ............................................................................................................ 73
CHAPITRE IV : RESULTATS ET DISCUSSION ............................................................ 74
IV.1 . INTRODUCTION ......................................................................................................... 74
IV.2 . BASE DE DONNEES .................................................................................................... 74
IV.3 . RESULTATS OBTENUS PAR LA PREMIERE METHODE DE SEGMENTATION TUMORALE EN
SIX ETAPES ............................................................................................................................. 74
IV.4 . RESULTATS DE LA DEUXIEME METHODE DE SEGMENTATION TUMORALE EN HUIT
ETAPES ................................................................................................................................... 77
IV.5 . CONCLUSION ............................................................................................................ 81
CONCLUSION GENERALE ............................................................................................... 82
BIBLIOGRAPHIE ....................................................................................................................I
ANNEXES ................................................................................................................................ A
 ~ VII ~

LISTE DES FIGURES

Figure I-1: Exemple d'une Tumeur cérébrale (Singhaniya, 2017) ............................................. 1
Figure II-1: Les éléments d'anatomie cérébrale (Merck, 2021) ................................................. 6
Figure II-2: Les principales substances présentes dans l’encéphale (Neuroblog, 2018)............ 7
Figure II-3: Différentes modalités d’imagerie appliquées au cerveau (Rocchisani, 2006) ........ 9
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) .................................................................................................................. 11
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) ................................................ 14
Figure II-6:Exemple d'une Tumeur cérébrale et de son rendu après un IRM (Klatt, 2022) .... 15
Figure II-7: Coupe axiale d'une image IRM cérébrale montrant les régions tumorales
(Mahmoud-Ghoneim, Toussaint, Constans, & Certaines, 2003) ...................................... 16
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). .............................................................................. 19
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
contraste. b) Coupe axiale de l'image pondérée en T2 de la même tumeur sans œdème
environnant (EMedicine, 2017). ....................................................................................... 19
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). .......................... 20
Figure II-11:Oligodendrogliome de bas grade. a) Tumeur non rehaussée en coupe axiale
d'image pondérée en T1 avec contraste. b) Même tumeur sur FLAIR. c) Vue sagittale de la
tumeur (EMedicine, 2017). ............................................................................................... 21
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
 ~ VIII ~

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)...... 21
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) .................................................................................................................. 22
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) ....... 23
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). ........................................................................................................... 23
Figure II-16 : Craniopharyngiome. a) Coupe coronale pondérée en T1 avec contraste montrant
une partie solide rehaussée de la tumeur avec une composante kystique hypodense sur le
côté droit de la tumeur. b) Vue sagittale de la même tumeur (Wen, Jeremy, & Black, 2001).
........................................................................................................................................... 24
Figure II-17:Adénome hypophysaire. a) IRM coronale pondérée en T1 montrant un volumineux
macro-adénome hypophysaire. b) IRM coronale montrant la même tumeur rehaussée par
contraste. c) Image pondérée en T2 du même patient (EMedicine, 2017). ...................... 24
Figure II-18:Différents types de tumeurs cérébrales à divers endroits du système nerveux central
........................................................................................................................................... 25
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. .................................... 26
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.
........................................................................................................................................... 26
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 ............... 27
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 .......... 27
Figure II-23:Classification basée sur les altérations tumorales. a) Coupe axiale d'une tumeur
PD-P. b) Tumeur PD-SC. c) Tumeur GD. ........................................................................ 28
Figure II-24:Classification des méthodes de segmentation tumorale existantes ...................... 32
Figure III-1: Schéma bloc d'extraction d'une tumeur cérébrale en six étapes .......................... 56
 ~ IX ~

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~

LISTE DES TABLEAUX

Tableau II-1: Plusieurs noms pour les procédures utilisant l'imagerie par résonance magnétique
(Armstrong, Cohen, Weinberg, & Gilbert, 2004) ............................................................. 12
Tableau II-2:Tumeurs primaires du cerveau et du système nerveux central (SNC), à la fois
malignes et bénignes (classification simplifiée de l'OMS), et pourcentage de cas
enregistrés (Doolittle, 2004) ............................................................................................. 18
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. .................................................................................................. 24
Tableau III-1:Formats d'image courants prisent en charge dans Matlab et leurs propriétés
associées (Solomon & Breckon, 2011) ............................................................................. 57
 ~ XI ~

LISTE DES ABREVIATIONS

ACP : Analyse en Composantes Principales
ANN : Réseau de Neurones Artificiels
CNN : Réseau de Neurones Convolutifs
EM : Maximisation des attentes ou Expectation Maximization
FD : Fractal Dimension ou Dimension Fractale
FLAIR: Fluide-Attenuated Inversion Recovery
GBM: Glioblastome Multiforme
GM : Matière Grise
IRM : Imagerie par Résonance Magnétique
IRMf : Imagerie par Resonance Magnetique Fonctionnelle
JPA : Astrocytome Pilocytique Juvénile
KNN : K-plus proches voisins ou K-Nearest Neighbors
LCR : Liquide céphalo-rachidien

MRF : Champ aléatoire de Markov ou Markov Random Field

PDCNN : Réseau de Neurones à Convolution Profonde Parallèle
PD-SC : Tumeurs Sous-Corticales
PMBC : comptage de boîtes modifié par morceaux ou Piecewise- Modified-Box-Counting
PTBC : comptage de boîtes à seuil par morceaux ou Piecewise-threshold Box-counting
PTPSA : surface de prisme triangulaire par morceaux ou Piecewise-Triangular-Prism-Surface-
Area
ROIs : Regions Of Interest ou région d’intérêts
SNC : Système Nerveux Central
SOM: auto-organisée ou Self-Organizing Map auto-organisée ou Self-Organizing Map
SPECT : Tomographie Par Emission de Photons Uniques
SRM : Spectroscopie par Résonance Magnétique
SVM : Machine à vecteurs de support ou Support Vector Machine
TDM : Tomodensitométrie
TEP : Tomographie par Emission de Positrons
 ~ XII ~

LISTE DES ANNEXES

Annexe 1:Code source de l'algorithme utilisé pour la première méthode................................. A
Annexe 2:Code fonctionnel du filtre Anisotropique ................................................................. B
 ~1~

Chapitre I : Introduction générale

I.1 Contexte de l’étude

La tumeur cérébrale est une masse anormale de tissu dans laquelle les cellules se
développent et se multiplient de manière anarchique, et échappent aux mécanismes qui
contrôlent les cellules normales (voire figure I.1). Les tumeurs cérébrales peuvent être
primitives ou métastatiques, malignes ou bénignes. Une tumeur cérébrale métastatique est un
cancer qui s'est propagé d'ailleurs dans le corps vers le cerveau (Mohamed, 2018).

Tumeur
cérébrale

Les symptômes
variant avec la
localisation de
la Tumeur

Figure I-1: Exemple d'une Tumeur cérébrale (Singhaniya, 2017)

L'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale avancée
utilisée pour produire des images de haute qualité des parties contenues dans le corps humain.
L'imagerie IRM est souvent utilisée lors du traitement des tumeurs cérébrales, de la cheville et
du pied. À partir de ces images haute résolution, nous pouvons dériver des informations
anatomiques détaillées pour examiner le développement du cerveau humain et découvrir la
présence d’anomalies. De nos jours, il existe plusieurs méthodologies pour classer les images
IRM, telles que les méthodes floues, les réseaux de neurones, les méthodes d'atlas, les
techniques basées sur les connaissances, les méthodes de forme, la segmentation de variation
(Murugavalli & Rajamani, 2006).

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).

I.2 Énoncé du problème de recherche

Actuellement il existe une multitude des méthodes proposées pour la segmentation des tumeurs
cérébrales et certaines d’entre elles considérées comme de pointe se basent sur les méthodes
d’apprentissages en profondeur pour traiter des cas des tumeurs complexes et exigent des
ressources matérielles sophistiqués ayant un grand pouvoir de calcul. D’autres fusionnent les
performances des plusieurs méthodes pour donner naissance à des modèles de segmentation
hybrides complexes, difficile d’appréhender sans une connaissance appropriée des notions de
base. Ainsi, face à toutes ces difficultés d’approches que rencontrent la plupart des chercheurs
débutant dans le domaine de la segmentation automatique des tumeurs cérébrales à partir
 ~3~

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.

I.3 Objectifs de la recherche (ou de l'étude)

L’objet de ce travail est la détection des tumeurs cérébrales par la segmentation des images
IRM. L’approche proposée est une approche automatique intégrant les caractéristiques de
l’image IRM comme un élément clé dans le processus de segmentation. Les caractéristiques
majeures considérées par les experts en radiologie peuvent être résumées comme suit :

• La localisation ou l’évaluation de l’apparition des tumeurs dans les régions cérébrales.

• L’apparition probable de la tumeur ou l’intensité prévue.
• La variabilité de l’anatomie normale ou variabilité d’intensités des différents tissus.
• Analyse de la symétrie bilatérale du cerveau pour détecter des anomalies.

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.

I.4 Importance de l'étude

L'obtention de données cliniques qui aideront au diagnostic et au traitement de la
maladie est l'objectif principal de l'analyse d'images médicales en général et de l'analyse
d'images par résonance magnétique (IRM) cérébrales en particulier. Étant donné que les
tumeurs cérébrales sont l'une des maladies cérébrales les plus répandues, il est crucial pour le
diagnostic médical d'identifier et de segmenter les tumeurs cérébrales en IRM. Les informations
seront utilisées pour la planification du traitement et le suivi des patients. Il sera également
utilisé pour identifier les tissus aberrants potentiels et leurs structures anatomiques associées.
La modélisation générale des cerveaux pathologiques et la création d'atlas cérébraux
pathologiques peuvent bénéficier de la segmentation des tumeurs cérébrales. Comme la vie n’a
pas de prix et que l’on donnerait tout ce que l’on possède pour la préserver des maladies
 ~4~

mortelles, cette dernière est devenue un domaine de recherche comme sans pareil et
indispensable dans le domaine de la neurochirurgie.

I.5 Délimitation (portée de l'étude)

Vue la multitude et la complexité des méthodes de segmentation des tumeurs cérébrales,
et aussi l’existence d’une grande variété des tumeurs cérébrales ; dans ce travail nous utiliserons
les opérations morphologiques pour l’extraction des tumeurs cérébrales homogènes simples ne
présentant pas de nécrose ni d’œdème sur les IRM du cerveau. Nos algorithmes seront traités
sur un nombre limité d’images IMR qui ont un contraste plus fort déjà existant et proviennent
d’un ensemble des données qui ont été téléchargés à partir des sites Web de la « Harvard
Medical School » et de l'ensemble de données de « Open Access Series of Imaging Studies
(OASIS) » que nous verrons en détail dans la section IV.2 de ce travail.

I.6 Structure du mémoire

Notre travail s’articule autour de quatre chapitres, le premier parle de l’introduction générale,
le second de la revue de la littérature sur les méthodes de classification des tumeurs cérébrales,
le troisième chapitre présente la méthodologie de notre travail, et dans le dernier chapitre nous
présentons les résultats que nous avons obtenus en passant par une interprétation et discussion
de ces résultats. Et le travail sera clos par une conclusion générale, qui passera en revue ce que
nous avons fait et donnera un aspect pour les perspectives de ce mémoire.
 ~5~

Chapitre II : Revue de la littérature sur les méthodes de

segmentation tumorale

II.1 Classifications des tumeurs cérébrales

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.

II.1.2 Anatomie du cerveau

Le système nerveux est divisé en système nerveux central (SNC) et système nerveux
périphérique. Le SNC comprend le cerveau, les nerfs crâniens et la moelle épinière. Le système
nerveux périphérique comprend les nerfs qui sortent du cerveau et de la moelle épinière
(Waxam, 1999). Dans cette section, nous proposons d’étudier brièvement les structures
cellulaires et les composants anatomiques du cerveau, car nous pensons qu’il est utile de définir
les zones les plus visibles sur les images d’IRM lors du diagnostic médical.

II.1.2.1 L’encéphale, centre du système nerveux central

L’encéphale est la partie du système nerveux qui réside dans la boite crânienne et repose à la
base du crâne. Les recherches ont montré que son poids moyen varie entre 1400 et 1800
grammes (Lestienne & Buser, 2002). Il est enveloppé et protégé par des membranes appelées
méninges. Il comprend le cerveau, le cervelet et le tronc cérébral (voire sur la figure II-1). Le
cerveau comprend l’hémisphère droit et l’hémisphère gauche, il se compose principalement de
deux types de tissus : la matière grise (GM) et la matière blanche. Sa surface présente de
nombreux replis, avec un grand nombre de circonvolutions bornées par des sillons (Wiest-
 ~6~

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

Figure II-1: Les éléments d'anatomie cérébrale (Merck, 2021)

II.1.2.2 Les principales substances présentes dans l’encéphale

L’encéphale contient principalement trois substances comme illustré à la figure II-2 (Marner,
Nyengaard, Tang, & Pakkenberg, 2003) :

• Le liquide céphalo-rachidien (LCR) qui a un volume moyen d’environ 150 ml (Morin,

2006),
• La matière grise (MG) et
• La matière blanche (MB) ou substance blanche qui recouvre les axones des neurones pour
en accentuer la conduction (Badreddine, 2015).
La matière grise est constituée de neurones et de cellules gliales, également appelées névroglie
ou glie, qui contrôlent l'activité cérébrale (Waxam, 1999). Le LCR est composé de glucose, de
sels, d'enzymes et de globules blancs. Ce fluide circule à travers les canaux (ventricules) autour
de la moelle épinière et du cerveau pour les protéger des dommages (Woolsey, Hanaway, &
Gago, 2003).
 ~7~

Matière grise
Matière blanche

Le liquide
céphalo-rachidien

Figure II-2: Les principales substances présentes dans l’encéphale (Neuroblog, 2018)

II.1.2.3 Quelques structures cérébrales d’intérêt

Le cortex est le mince manteau superficiel de matière grise recouvrant le cerveau que
l’on appel cortex cérébral et le cervelet (cortex cérébelleux). Sa superficie externe s’estime
autour de 2200 cm2 dont les deux tiers sont enfouis dans les sillons. Elles rassemblent à peu
près 75% des 100 milliards de neurones de l’encéphale (Capelle-Laizé, 2003). Les structures
centrales du cerveau, ou médiastin, contiennent le thalamus, l'hypothalamus et l'hypophyse. Le
système ventriculaire qui produit le liquide céphalo-rachidien est divisé en quatre chambres
appelées ventricules, qui sont reliées par une série d'ouvertures appelées foramen et tubules.
Les deux ventricules de l'hémisphère cérébral sont appelés les ventricules latéraux (premier et
deuxième). Ils communiquent avec le troisième ventricule. Le troisième ventricule est situé au
centre du cerveau et ses parois sont constituées du thalamus et de l'hypothalamus. Le troisième
ventricule se connecte au quatrième ventricule par un long tube (Woolsey, Hanaway, & Gago,
2003).

II.1.3 Imagerie par résonance magnétique (IRM) des tumeurs cérébrales

L’imagerie médicale a révolutionné les connaissances de la neurologie, car elle en a permis

l’observation in vivo. Diverses modalités d’acquisition ont été mises au point durant le siècle
dernier (Barra & Boire, 2001). Chacune d’entre elles se base sur des propriétés physiques
différentes et met en œuvre un dispositif d’acquisition spécifique.

II.1.3.1 Observer le cerveau avec l’imagerie médicale

L'imagerie du cerveau est fréquemment recommandée à différentes phases et joue généralement
un rôle clé dans chacune d'elles pour les patients atteints de tumeurs cérébrales. Différentes
étapes de gestion sont à prendre en compte :
 ~8~

• Identification ou confirmation d'une anomalie structurale,

• Localisation et évaluation de l'étendue de l'anomalie,
• Caractérisation de l'anomalie,
• Évaluation de la nature de la tumeur,
• Faciliter un diagnostic plus approfondi, procédures et planification d'une intervention
chirurgicale ou d'un autre traitement,
• Surveillance de la progression du rejet peropératoire,
• Surveillance de la réponse au traitement.

La tomodensitométrie (TDM), l'imagerie par résonance magnétique (IRM), la

tomographie par émission de photons uniques (SPECT), la tomographie par émission de
positrons (TEP) et l'angiographie cérébrale sont quelques-unes des méthodes d'imagerie
utilisées pour analyser les tumeurs cérébrales. En raison de leur large disponibilité et de leur
capacité à fournir des images haute résolution des tissus malades et des structures anatomiques
normales, l'imagerie TDM et IRM sont actuellement les procédures les plus utilisées. La
technique d'imagerie la plus rapide, la tomodensitométrie, est utilisée pour imager les personnes
gravement malades ou médicalement fragiles. Bien qu'ils aient une utilisation plus limitée,
l'imagerie SPECT et TEP peut être très utile pour apprendre la biologie et la physiologie des
tissus. Le grade d'une tumeur est également évalué par TEP (Khotanlou, 2009).

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.

a. L’imagerie anatomique (ou structurelle) :

Cette technique permet d’observer l’anatomie cérébrale et les modalités de cette imagerie
peuvent se baser sur des propriétés :

• 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.

(a) Scanner X (b) Ultrasonographie (c) IRM (d) IRM du tenseur de

anatomique diffusion

Figure II-3: Différentes modalités d’imagerie appliquées au cerveau (Rocchisani, 2006)

b. L’imagerie fonctionnelle :
Cette technique d’observation permet d’étudier l’activité cérébrale. Elle repose sur une mesure
indirecte de l’activité cérébrale nommé l’effet BOLD (Jaillard, Martin, Garambois, Lebas, &
Hommel, 2005). Elle met en évidence l’afflux sanguin transporteur d’oxygène nécessaire à
l’activité des neurones. Certaines modalités sont invasives et d’autres reposent sur l’observation
des signaux électriques sur la surface du cerveau utilisant l’électro-encéphalogramme (Koch,
2004) ou des champs magnétiques induits par l’activité électrique des neurones en utilisant
magnétoencéphalographie.

II.1.3.2 Avantages et inconvénients de l'IRM

Pour diverses raisons, l'IRM est la technologie de neuroimagerie la plus couramment
utilisée pour diagnostiquer et surveiller les patients atteints de tumeurs cérébrales.
Contrairement aux examens TDM, SPECT et PET, elle n'utilise pas de rayonnement ionisant.
Au scanner sans injection, il est préférable de détecter les lésions minuscules et les lésions iso-
denses en raison de sa résolution de contraste supérieure aux autres modalités. De plus, il peut
détecter le rehaussement des lésions avec plus de précision que la tomodensitométrie. Une
lésion peut être localisée plus précisément dans l'espace 3D du cerveau grâce à la capacité des
appareils IRM à produire des images dans les plans sagittal, axial et coronal, ce qui permet
également de définir plus précisément les structures touchées par la tumeur. Enfin, l'IRM est
supérieure pour évaluer les lésions dans la fosse postérieure et dans les lobes frontaux et
temporaux inférieurs car elle supprime l'artefact de durcissement du faisceau causé par la base
du crâne au scanner. Parallèlement à ces avantages bien connus, le développement de la
spectroscopie IRM, de l'imagerie de diffusion IRM et de l'imagerie de perfusion IRM a permis
 ~ 10 ~

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).

Il est important de comprendre que l'IRM a un certain nombre de limites. L'absence de

spécificité est sans doute la plus importante. Sur les images pondérées en T1 (T1w), de
nombreuses lésions pathologiques apparaissent comme hypo-intenses, et sur les images T2w,
comme hyper-intenses. Les infarctus, les lésions démyélinisantes, la radionécrose, les
infections et d'autres processus inflammatoires font partie des diagnostics différentiels IRM des
néoplasmes intracrâniens (Kufe, et al., 2003). Malgré le fait que le rehaussement ne corresponde
pas nécessairement au grade histologique de la tumeur, les tumeurs de grade supérieur
présentent généralement un rehaussement à l'IRM. Une tumeur à croissance extrêmement lente,
comme l'astrocytome pilocytique juvénile (JPA), qui présente fréquemment des zones de
contraste au sein de la tumeur, est une exception à cette norme. De la même manière, certains
cancers plus graves ne s'amélioreront pas (Kufe, et al., 2003). Par conséquent, même si les
caractéristiques IRM d'une lésion peut être utiles, une confirmation histologique est parfois
nécessaire pour établir un diagnostic. De plus, l'étendue complète de la maladie ne peut pas être
déterminée par IRM, et le bord d'une tumeur ne peut pas non plus être distingué. Il est reconnu
qu'au-delà des limites d'amélioration du contraste aberrant, des cellules tumorales viables
persistent (Kufe, et al., 2003). Les anomalies d'imagerie observées après le traitement sont
parfois non spécifiques. Presque peu de distinction peut être faite entre les dommages causés
par les radiations et la décroissance tumorale, y compris la radionécrose. Par conséquent, l'IRM
ne peut pas être utilisée pour détecter si la tumeur est toujours présente ou non après une telle
thérapie.

Malgré ces inconvénients, l'IRM reste la technique d'imagerie de référence en neuro-

oncologie. Dans les sections qui suivent, les propriétés d'imagerie spécifiques de chaque type
de tumeur seront discutées.

II.1.3.3 La Physique de l’IRM

Nous n'entrerons pas dans la physique de l'IRM ici, mais brièvement dit, lorsqu'un patient est
exposé à un champ magnétique puissant, les protons des molécules d'eau de son corps s'alignent
parallèlement ou antiparallèlement au champ magnétique. L'introduction d'une impulsion
radiofréquence provoque le désalignement des protons en rotation. Lorsque l'impulsion est
 ~ 11 ~

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).

II.1.3.4 Principe de fonctionnement de l’IRM

Pour l’acquisition des image, l’IRM combine trois champs magnétiques auxquels sont soumis
les patients (voir la figure II.4) :

• Un champ magnétique statique ;

• Un champ magnétique variable appelé gradients de champ ;
• Un champ magnétique variable radiofréquence (RF).
Pendant l’examen médical, les noyaux d’hydrogène contenus dans l’organisme absorbent une
partie de l’énergie transmise par le champ RF. Ces mêmes noyaux, présents dans tout le corps
du patient, réémettent ensuite une fraction de cette énergie absorbée sous la forme de faibles
signaux RF. Ces signaux, une fois captés et numérisés, permettent de constituer l’image (Inrs,
2018).

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.

II.1.4 Les Tumeurs cérébrales

Une tumeur cérébrale est une masse intracrânienne qui se développe lorsque les cellules
cérébrales (figure II.6), telles que les neurones, le tissu lymphatique, les cellules gliales, les
vaisseaux sanguins, les glandes pituitaire et pinéale et le crâne, se développent de manière
incontrôlable ou lorsque des tumeurs qui prévalent principalement dans d'autres organes se
déplacent vers le cerveau. Le type de tissu affecté, l'emplacement de la tumeur, qu'elle soit
bénigne ou maligne, et d'autres facteurs sont utilisés pour catégoriser les tumeurs cérébrales
(Khotanlou, 2009).

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 ~

secondaires proviennent de mélanomes de la peau, de la masse dans le sein ou le rein

(Khotanlou, 2009).

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 ~

II.1.5 Classification des Tumeurs cérébrales selon l’OMS

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.1.5.1 Les Gliomes

Les gliomes sont des tumeurs cérébrales qui proviennent des cellules gliales. Les cellules gliales
contribuent à la formation de près de la moitié de toutes les tumeurs cérébrales primaires et d'un
cinquième de tous les cancers primitifs de la moelle épinière. Les gliomes peuvent être divisés
en différentes catégories selon l'endroit où ils sont détectés et les cellules qui ont donné
naissance à la tumeur. Les types de gliomes les plus répandus sont passés en revue ici, y compris
l'astrocytome, le gangliogliome, l'oligodendrogliome et l'épendymome (Khotanlou, 2009).

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.

• Astrocytome de bas grade (grades I et II)

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 ~

Tableau II-2:Tumeurs primaires du cerveau et du système nerveux central (SNC), à la fois

malignes et bénignes (classification simplifiée de l'OMS), et pourcentage de cas enregistrés
(Doolittle, 2004)

Histologie % de tumeurs cérébrales signalées

Tumeurs du tissu neuroépithélial 48,1
Astrocytome pilocytique 2,1
Astrocytome diffus (protoplasmique, fibrillaire) 1,0
Astrocytome anaplasique 3,7
Variantes uniques d'astrocytome 0,5
Astrocytome, NOS (non autrement spécifié) 4,2
Glioblastome 23,0
Oligodendrogliome 2,9
Oligodendrogliome anaplasique 1,1
Épendymome/épendymome anaplasique 1,8
Variantes d'épendymome 0,4
Gliome mixte 1,0
Gliome malin, SAI 2,7
Plexus choroïde 0,2
Neuroépithélial 0,1
Neurone/glie bénigne et maligne 1,3
Parenchyme pinéal 0,2
Embryonnaire/primitif/médulloblastome 1,9
Tumeurs des méninges 28,7
Méningiome 27,4
Autres mésenchymateux, bénins et malins 0,3
Hémangioblastome 0,9
Lymphomes et néoplasmes hématopoïétiques 2,7
Lymphome 2,7
Tumeurs germinales et kystes 0,5
Tumeurs germinales, kystes et hétérotopies 0,5
Tumeurs de la région sellaire 7,4
Hypophyse 6,6
Craniopharyngiome 0,8
Extensions locales des tumeurs régionales 0,2
Chordome/chondrosarcome 0,2
Tumeurs non classées 5,0
Hémangiome 0,4
Tumeur, sans précision 4,5
Tous les autres 0,1

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 ~

astrocytomes pilocytiques, et ils pourraient être particulièrement visibles sur les

séquences pondérées en T2. (Figure II.7) (Wen, Jeremy, & Black, 2001), (Daumas-
Duport, 2008), (Henson, Gaviani, & Gonzalez, 2005) et (Kantor & Loiseau, 2005).

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).

• Astrocytome de haut grade (grades III et IV)

Les deux tumeurs les plus répandues de ce type, l'astrocytome anaplasique et le
glioblastome multiforme (GBM), représentent environ 30 % de toutes les tumeurs
cérébrales primaires. Ces cancers se propagent plus rapidement et envahissent les
cellules saines voisines. Les GBM peuvent également endommager la moelle épinière
et le tronc cérébral de l'enfant, mais cela est beaucoup moins courant. Selon (Patel &
Tse, 2004) et (Wen, Jeremy, & Black, 2001) ces tumeurs peuvent provenir
d'astrocytomes anaplasiques de grade II ou de grade III.

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 ~

contraste. b) Coupe axiale de l'image pondérée en T2 de la même tumeur sans œdème

environnant (EMedicine, 2017).
Une image pondérée en T1 d'un GBM montrera souvent un anneau d'augmentation
(Figure II.8), et une image pondérée en T2 montrera une large zone environnante
d'œdème. (Kantor & Loiseau, 2005), (EMedicine, 2017).

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-11:Oligodendrogliome de bas grade. a) Tumeur non rehaussée en coupe axiale

d'image pondérée en T1 avec contraste. b) Même tumeur sur FLAIR. c) Vue sagittale de la
tumeur (EMedicine, 2017).
II.1.5.5 Épendymome
Les épendymomes sont des tumeurs gliales qui se développent dans le cerveau à partir de
cellules épendymaires. Bien que cette tumeur ait une histologie bénigne, elle agit de manière
maligne. Les lésions intracrâniennes des enfants se développent normalement à partir du toit du
quatrième ventricule, tandis que les adultes développent généralement des épendymomes
spinaux (Henson, Gaviani, & Gonzalez, 2005), (Wen, Jeremy, & Black, 2001).

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 ~

II.1.5.6 Médulloblastome (tumeur neuroectodermique primitive (PNET))

La fosse postérieure du cerveau est l'endroit où les médulloblastomes se développent le
plus fréquemment. Il est possible que la tumeur se développe dans tout le SNC. L'œdème est
fréquent, tandis que les kystes, les régions de nécrose et les calcifications sont rares.
(EMedicine, 2017). L'injection de gadolinium entraîne fréquemment un rehaussement
homogène chez les enfants, alors que les adultes observent généralement un schéma plus
diversifié (Figure II.13).

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 ~

Figure II-16 : Craniopharyngiome. a) Coupe coronale pondérée en T1 avec contraste montrant

une partie solide rehaussée de la tumeur avec une composante kystique hypodense sur le côté
droit de la tumeur. b) Vue sagittale de la même tumeur (Wen, Jeremy, & Black, 2001).

Figure II-17:Adénome hypophysaire. a) IRM coronale pondérée en T1 montrant un volumineux

macro-adénome hypophysaire. b) IRM coronale montrant la même tumeur rehaussée par
contraste. c) Image pondérée en T2 du même patient (EMedicine, 2017).

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.

Grade Application CE-T1w

Nom de la tumeur Application T1w. Emplacement Œdème Necr. Kyste
OMS FLAIR. Améliorer
Astr. (LG) I&I Hypo Hyper Non CR, CL, BS Non Non Oui
Astr. (HG) III Hypo Hyper Oui CR, CL, BS Oui Non Non
Astr. (HG) IV Hypo Hyper Oui CR, CL, BS Oui Oui Non
Gang. Hypo Hyper Non CR Non Non Oui
Olig. (LG) II Hypo Hyper Non CR Non Non Non
Olig. (HG) III Hypo Hyper Oui CR Oui Oui Oui
Epen. Hypo Hyper Oui CR Non Non Oui
Médu. Hypo Hyper Oui CL Oui Non Non
Lymp. Hypo Hyper Oui CR Non Non Non
Menin. Hypo Var. Oui CR Oui Non Non
Cran. Hypo Hyper Oui CR Non Oui Oui
Adén. Hypo Hyper Oui CR Non Non Non
 ~ 25 ~

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).

II.1.7 Classification des tumeurs en fonction de leur emplacement

D'une manière générale, toutes les tumeurs cérébrales sont considérées comme confinées à
moins qu'elles ne traversent la tente ou la ligne médiane, ou à moins qu'elles ne présentent des
métastases « en goutte » dans la moelle épinière (Seer, 2023). Les tumeurs locales, les tumeurs
régionales et les tumeurs à distance sont les trois catégories dans lesquelles nous pourrions
diviser les cancers en fonction de leur localisation. Comme on peut le voir sur la figure II.18,
les tumeurs locales sont limitées à un hémisphère dans une zone du cerveau, des méninges et
du système ventriculaire. Les tumeurs régionales infectent les os, les vaisseaux sanguins, les
nerfs et la moelle épinière en traversant la ligne médiane ou la tente. La cavité nasale, le
nasopharynx, le pharynx postérieur et le SNC externe sont tous affectés par des tumeurs
distantes.
Cerveau
Astrocytome
Méningiome
Oligodendrogliome
Épendymome
Gangliogliome
Adénome hypophysaire
Lymphome
Craniopharyngiome

Cervelet
Astrocytome
Médulloblastome

Tronc cérébral
Astrocytome

Figure II-18:Différents types de tumeurs cérébrales à divers endroits du système nerveux

central

II.1.8 Tumeurs non rehaussées

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.

II.1.9 Tumeurs rehaussées sans œdème

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.

II.1.10 Tumeurs rehaussées avec œdème

Ces tumeurs sont divisées en deux sections : l'œdème et la partie solide. L'œdème apparaît
hypo-intense à la fois sur les images pondérées en T1 et sur les images pondérées en T1 avec
contraste, mais la partie solide absorbe l'agent de contraste et apparaît hyper-intense sur ces
deux images (Figure II.21). Ce groupe peut comprendre les astrocytomes anaplasiques de haut
grade, les oligodendrogliomes de haut grade, les PNET et certains méningiomes.
 ~ 27 ~

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

II.1.11 Tumeurs rehaussées en anneau

Trois segments composent ces tumeurs. Contrairement aux images pondérées en T1 et

pondérées en T1 améliorées, la nécrose au centre semble hypo-intense. Sur les images
pondérées en T1 à contraste amélioré, la section pleine autour de la nécrose apparaît en
hypersignal, tandis qu'en imagerie pondérée en T1, elle apparaît en hyposignal (Figure II.22).
L'œdème qui entoure la zone solide constitue le troisième segment. Les images pondérées en
T1 et pondérées en T1 avec contraste montrent que l'œdème est hypo-intense. Ces
caractéristiques sont partagées par les oligodendrogliomes de haut grade et les GBM.

II.1.12 Classification des tumeurs en fonction de leurs altérations

Nous discutons ici d'une classification différente des tumeurs cérébrales en fonction de leurs
caractéristiques géographiques et du type de modifications potentielles de la structure du
cerveau qu'elles peuvent entraîner (localisation, infiltration, destruction, œdème...).

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 ~

II.1.13 Petites tumeurs déformantes (PD)

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).

II.1.14 Grandes tumeurs déformantes (GD)

Cette classe de tumeurs et de lésions modifie radicalement la disposition des structures de
soutien du cerveau. Ces tumeurs sont nécrotiques et peuvent être entourées d'une quantité
importante d'œdème (Figure I.23(c)). Ces tumeurs cancéreuses répondent généralement aux
médicaments de contraste.

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 Méthodes de segmentation des Tumeurs cérébrales

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.

Pour le diagnostic, la planification du traitement et le suivi des patients, des approches

de seuillage ou morphologiques de base ont traditionnellement seront utilisées dans le cadre de
ce travail pour segmenter le tissu ou la région d'intérêt sur chaque image. Ces techniques ne
permettent pas d'exploiter pleinement les données offertes par l'IRM. Afin d'exploiter les
données IRM aussi efficacement que possible et de résoudre les problèmes de ces
méthodologies qui déjà antérieures, des techniques avancées d'analyse d'images ont été
développées et sont toujours en cours de développement. En général, comme il est d'usage dans
la segmentation d'images, nous pouvons classer les méthodes en trois groupes : méthode basée
sur la région, basée sur les frontières (contours) et fusion de la méthode basée sur la région et
la frontière. La majorité des méthodes présentées pour la détection et la segmentation des
tumeurs ont utilisé plusieurs techniques, ce qui rend difficile de les distinguer clairement.

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.

II.2.2 Méthodes basées sur la région

Dans les approches basées sur la région, un algorithme recherche souvent des sections
connectées de pixels ou de voxels avec des caractéristiques comparables, telles que la
luminosité, le motif de texture, etc. Les algorithmes les plus connus de ce type incluent le
seuillage, la croissance de la région et la classification, mais en utilisant seules ces techniques
d'identification et de segmentation des tumeurs sont insuffisantes pour résoudre le problème.
Pour la détection et la segmentation des tumeurs, les chercheurs ont récemment créé des
approches régionales sophistiquées et mixtes. Ici, nous classons en outre les méthodes basées
sur la région dans les catégories suivantes : (1) basées sur la classification ; (2) basé sur le
regroupement ; (3) basé sur la morphologie ; (4) basé sur l'atlas ; (5) basé sur les
connaissances antérieures ; (6) basé sur la texture ; (7) basé sur l'extraction de
caractéristiques ; (8) basé sur la fusion ; (9) basé sur un réseau neuronal ; (10) basé sur le
flou ; et (11) méthode basée sur les fractales.

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 ~

binarisation à l'aide d'une fonction prédéterminée ou par gradient-diffusion et liaison

dépendantes.

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.

En enregistrant et en déformant des atlas cérébraux sur des images de patients, la

segmentation est effectuée à l'aide d'approches basées sur des atlas. Des méthodes basées sur
des connaissances antérieures segmentent les tumeurs en s'appuyant sur des connaissances
antérieures sur divers tissus cérébraux, structures et tumeurs malignes. Les stratégies basées sur
la texture séparent les tumeurs en distinguant les différents tissus cérébraux à l'aide de méthodes
statistiques pour calculer les informations de texture. Des techniques pour obtenir plus de
caractéristiques à partir de photos de patients sont utilisées par des procédés d'extraction de
caractéristiques, et des classifications sont ensuite effectuées à l'aide de ces caractéristiques.
 ~ 32 ~

Basée sur l'Atlas

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

Basée sur le FCM

cluster

Savoir. + Regroupement
AFCM

Basée sur les PCM

fractales
Basée sur le
savoir
Paramétrique
Méthodes de Basée sur les
Trans linéaire. (APC)
fonctionnalités
segmentation
Trans non-linéaire
tumorale
Basée sur le
flou
Flou
Basée sur la
Evidentiel
fusion
Bayésien
Gradient
GVF + Ballon

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

Figure II-24:Classification des méthodes de segmentation tumorale existantes

Un réseau de neurones artificiels (ANN) est utilisé dans des approches basées sur des
réseaux de neurones pour apprendre des paramètres de classification à partir d'ensembles de
données IRM de test, et la classification apprise est ensuite appliquée pour segmenter des
 ~ 33 ~

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.

II.2.2.1 Méthode de Segmentation Tumorale basée sur la classification

Les algorithmes de classification des données dans le domaine de la segmentation d'images
peuvent être supervisés ou non supervisés. L'utilisateur doit fournir une entrée à un
classificateur supervisé, souvent sous la forme d'un ensemble d'échantillons de classe, afin de
déterminer les structures de données. D'autre part, l'analyse de cluster est utilisée dans la
catégorisation non supervisée (clustering) pour tirer les structures inhérentes des données à
partir des données elles-mêmes. La partie basée sur le regroupement couvrira les approches non
supervisées tandis que cette section explorera les stratégies de segmentation tumorale basées
sur des techniques de classification supervisées. Sur la base de la classification supervisée, nous
pouvons séparer les approches en cinq catégories :

• K-plus proches voisins ou K-Nearest Neighbors (KNN) en anglais,

• Approche bayésienne,
• Maximisation des attentes ou Expectation Maximization (EM),
• Champ aléatoire de Markov ou Markov Random Field (MRF),
• Machine à vecteurs de support ou Support Vector Machine (SVM).

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.

a. Segmentation tumorale à l'aide du plus proche voisin K (KNN)

L'utilisation des données d'apprentissage dans les algorithmes de classification peut se
faire de différentes manières. Le classificateur KNN est un classificateur simple qui attribue
chaque pixel ou voxel à la classe présentant le plus haut degré de similitude avec les données
d'apprentissage. Comme il ne fait aucune hypothèse sous-jacente sur la structure statistique des
données, le classificateur KNN est considéré comme un classificateur non paramétrique.
(Vinitski, et al., 1999) ont créé une technique qui divise les images pondérées en T1, pondérées
en T2 et pondérées en DP en 10 classes de tissus en utilisant une formation spécifique au patient.
 ~ 34 ~

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.

La dépendance au paramètre K, les besoins de stockage élevés (pour les points

d'apprentissage), la sensibilité au bruit dans les données d'apprentissage et le comportement
indésirable qui peut survenir lorsqu'une classe est sous-représentée dans les données
d'apprentissage sont autant d'inconvénients de l’algorithme KNN qui le rend inadapté à la
segmentation des tumeurs cérébrales en IRM.

b. Segmentation tumorale par approche bayésienne

Les données sont supposées suivre une distribution normale multivariée (gaussienne)
dans cette approche supervisée et paramétrique, et la moyenne et la covariance sont calculées à
l'aide de l'ensemble de données d'apprentissage. Le but est d'estimer les étiquettes de classe en
maximisant la probabilité a posteriori 𝑃 (𝐶|𝑋) où 𝑋 représente les données observées et 𝐶 est
𝑃 (𝑋|𝐶) 𝑃(𝐶)
la classe. D'après la règle de Bayes, nous avons : 𝑃 (𝐶|𝑋) = où 𝑃 (𝑋|𝐶) est la
𝑃(𝑋)

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.

c. Segmentation tumorale par maximisation des attentes (EM)

L'algorithme EM est réalisé en deux étapes de manière itérative. L'étape d'espérance (E)
𝑃𝑖 (𝑥𝑗 )𝑃(𝑥𝑗 |𝐶𝑖 )
calcule la probabilité a posteriori 𝑃(𝐶𝑖 |𝑥𝑗 ) = ∑ que le voxel 𝑥𝑗 appartient à la ième
𝑗 𝑃𝑖 (𝑥𝑗 )𝑃(𝑥𝑗 |𝐶𝑖 )

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.

d. Segmentation tumorale basée sur le champ aléatoire de Markov

Les modèles de champs aléatoires de Markov (MRF) sont fréquemment utilisés pour
résoudre une variété de problèmes de traitement d'image. Un modèle statistique qui peut être
appliqué aux techniques de segmentation est le MRF. L'utilisation de champs aléatoires de
Markov (Held, et al., 1999) comme modèles a priori est une technique naturelle pour ajouter
des corrélations spatiales dans un processus de segmentation. Les interactions entre pixels
proches ou adjacents sont modélisées spatialement par MRF. Un mécanisme de modélisation
d'un certain nombre de caractéristiques visuelles est fourni par ces corrélations locales. Ils sont
fréquemment appliqués en imagerie médicale pour tenir compte du fait que la majorité des
pixels appartiennent à la même classe que ceux qui se trouvent à proximité.

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 ~

e. Segmentation tumorale basée sur le SVM

L'algorithme SVM, qui a d'abord été développé par Vapnik (Vapnik, 1999) est basé sur
la théorie de l'apprentissage statistique, est fait partie des classifieurs récents en apprentissage
automatique. Les SVM identifient deux classes de points dans les cas de reconnaissance de
formes en localisant une surface de décision spécifiée par des points spécifiques dans l'ensemble
d'apprentissage ou des vecteurs de support. Plus d'informations sur les SVM dans les problèmes
de classification peuvent être trouvées dans (Vapnik, 1999), (Cortes & Vapnik, 1995) et
(Burges, 1998).

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.

Bien que la méthode SVM ait l'avantage de la généralisation et fonctionne dans un

espace de caractéristiques de grande dimension, elle doit être combinée avec d'autres techniques
pour prendre en compte les informations spatiales car elle fait l'hypothèse que les données sont
distribuées de manière indépendante et identique, ce qui est inapproprié pour les tâches comme
la segmentation d'images médicales avec inhomogénéité et bruit. À l'inconvénient des
techniques basées sur les SVM, il faut également ajouter la question de l'apprentissage et du
stockage spécifiques au patient.

II.2.2.2 Méthode de segmentation tumorale basée sur le clustering

Le regroupement non supervisé de modèles est appelé regroupement (clusters). Sans
ensemble de données d'apprentissage, les algorithmes de regroupement fonctionnent
efficacement comme des méthodes de classification (Jain, Murty, & Flynn, 1999). La méthode
Fuzzy C-Means (FCM) et l'algorithme k-means ou ISODATA sont deux techniques de clustering
populaires (Krishnapuram & Keller, 1993).

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.

II.2.2.3 Méthode de Segmentation Tumoral basée sur la morphologie

Un domaine de traitement et d'analyse d'images non linéaires connu sous le nom de «
morphologie mathématique » se concentre sur la structure géométrique des objets ou des
régions à l'intérieur des images. (Serra, 1986) Recherchait dans une image, une caractéristique
structurante et quantifiait comment cet élément structurant s'intègre dans l’image ; sont les idées
de base derrière la technique.

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.

II.2.2.4 Méthode de segmentation Tumorale basée sur l'Atlas

L'atlas est un type d'information préalable qui a été largement utilisé dans le domaine
de la segmentation des images IRM du cerveau. Cet atlas a été produit à l'aide de techniques de
segmentation semi-automatique ou manuelle. Les distributions spatiales, d'intensité et de forme
des structures anatomiques pertinentes peuvent être capturées à l'aide d'Atlas. La segmentation
des images fraîches se fait ensuite en utilisant cet atlas comme cadre de référence. L'atlas est
d'abord aligné sur la nouvelle image qui sera segmentée à l'aide d'une technique de
transformation globale ou de recalage, puis ses informations sont utilisées pour affiner la
segmentation ou trouver des anomalies dans l'image. Par conséquent, ces techniques de
segmentation traitent également des problèmes d'enregistrement, et la qualité de la
segmentation dépend de la technique d'enregistrement.

Il existe principalement deux groupes de méthodes de segmentation basées sur l'atlas en

général (dans des circonstances normales et pathologiques), selon le type d'informations d'atlas
(Pham, Xu, & Prince, 2000) , (Pohl, Bouix, Kikinis, & Grimson, 2004), (Grimson, 2005). Un
groupe de techniques modélise la variabilité inter-sujets à l'aide d'atlas probabilistes. Ces
méthodes permettent d'utiliser à la fois l'intensité et les informations spatiales dans le cadre de
segmentation en utilisant les informations de l'atlas comme informations de probabilités
antérieures après les avoir alignées sur la nouvelle image. Dans ce type d'atlas, le modèle
statistique ou atlas inclut explicitement l'apparence et la distribution de l'intensité. Plusieurs
techniques utilisant ce type d'atlas ont été examinées dans la section II.2.1 (Prastawa, Bullitt,
Ho, & Gerig, 2004), (Prastawa, Bullitt, Moon, Leemput, & Gerig, 2003), (Warfield, Kaus,
Jolesz, & Kikinis, 2000), (Kaus M. R., et al., 586-91).

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).

II.2.2.5 Méthode de segmentation basée sur la connaissance (Knowledge based)

Il existe deux principales sources d'information disponibles dans le domaine des
volumes d'IRM. Le premier est appelé intensité de pixel dans l'espace des caractéristiques et
explique les caractéristiques des tissus d'un système d'imagerie IRM. Le second est appelé
espace image/anatomique et comprend les formes et emplacements attendus de tissus
spécifiques à l'intérieur d'une image IRM (Clark, Knowledge-Guided Processing of Magnetic
Resonance Images of the Brain, 1997). Les approches basées sur la connaissance sont celles
qui utilisent ces données pour créer un système expert ou un système basé sur la connaissance
(basé sur des règles) pour diriger le processus de segmentation. Par exemple, (Clark, et al.,
1998) ont proposé une méthode de segmentation automatique des tumeurs qui utilisait un
système basé sur les connaissances pour corriger les résultats du clustering FCM. Pour
commencer, les pixels des images pondérées en T1, T2 et PD à contraste amélioré sont
regroupés en groupes avec des intensités multispectrales comparables à l'aide d'une méthode de
regroupement multispectral FCM. Les clusters normaux sont ensuite éliminés à l'aide d'un
système expert, qui consiste en un ensemble de règles d'intensité et anatomiques. La
 ~ 41 ~

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.

II.2.2.6 Méthode de segmentation Tumorale basée sur la texture

Pour la classification, la détection et la segmentation des images, l'analyse de texture est
une étape critique dans le processus d'analyse d'image. Les réplications, les symétries et les
combinaisons de plusieurs motifs de base constituent des textures, qui contiennent
généralement des variations aléatoires. L'objectif de la segmentation de texture est de
catégoriser une image d'échantillon non identifiée dans l'une des nombreuses classes de texture
reconnues (Jiji & Ganesan, 2007).

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'efficacité de l'analyse de texture a été examinée (Herlidou, et al., 2003) dans un

ensemble de données plus important pour définir les tissus cérébraux humains normaux et
pathologiques (substance blanche, matière grise, liquide céphalo-rachidien, tumeurs et œdème).
Les résultats indiquent qu'il existe une bonne différenciation entre la tumeur et l'œdème qui
 ~ 42 ~

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.

II.2.2.7 Méthode de segmentation Tumorale par Extraction de caractéristiques

En règle générale, les intensités de pixels des images collectées sont tout ce qui est utilisé
dans l'analyse quantitative des données IRM. Les caractéristiques peuvent être des
caractéristiques de bord et de texture, des intensités de pixel elles-mêmes ou des caractéristiques
dérivées des intensités de pixel. Le calcul des paramètres tissulaires, les transformations
linéaires (telles que l'analyse en composantes principales (ACP)) et les transformations non
linéaires peuvent toutes être classées comme des techniques d'extraction de caractéristiques en
IRM (Soltanian-Zadeh, Windham, & Peck, 1996).

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 ~

pondérée en PD). Afin de trouver la transformation, la quantité de diffusion a été minimisée.

Ensuite, les zones d'intérêt ou Regions Of Interest (ROIs) sur les grappes observées pour les
tissus normaux et pathologiques ont été identifiées à l'aide d'une représentation 3D de l'espace
des caractéristiques IRM. Les vecteurs de signature ont été estimés à l'aide de ces ROIs. Les
vecteurs de signature ont également été appliqués à la segmentation et à la caractérisation des
tissus.

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.

II.2.2.8 Méthode de segmentation Tumorale basée sur un réseau de neurones

Des réseaux massivement parallèles de nœuds de traitement appelés réseaux de
neurones artificiels ou Artificial Neural Networks (ANNs) en anglais sont utilisés pour
reproduire l'apprentissage biologique. Chaque nœud d'un ANN est équipé pour effectuer des
calculs simples. L'ajustement des poids donnés aux connexions entre nœuds facilite
l'apprentissage (Pham, Xu, & Prince, 2000). Les ANNs sont fréquemment utilisés comme
classificateurs en imagerie médicale, et les pondérations sont choisies en fonction des données
d'entraînement (Hall, et al., 1992). Les informations spatiales peuvent être facilement incluses
dans les processus de classification des réseaux neuronaux en raison des interconnexions
étendues utilisées dans les réseaux neuronaux.

(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.

Dans les domaines non linéaires multidimensionnels difficiles comme la segmentation

tumorale, où l'utilisation d'arbres de décision ou de systèmes basés sur des règles devient plus
difficile, les réseaux de neurones fonctionnent exceptionnellement bien. De plus, ils sont
légèrement plus efficaces dans les domaines bruyants et ne nécessitent pas l'hypothèse standard
d'une distribution de données sous-jacente utilisée dans la modélisation statistique. Cependant,
l'utilisation de réseaux de neurones pour la segmentation tumorale présente un certain nombre
d'inconvénients. Ils nécessitent généralement un apprentissage spécifique au patient, ce qui est
un long processus. Un autre inconvénient est que les règles ou autres formes de représentation
explicite des connaissances simples à comprendre ne sont pas fournies par les réseaux de
neurones. La topologie du réseau masque implicitement le modèle, avec des poids entre les
nœuds qui sont optimisés (boîte noire).

II.2.2.9 Méthode de segmentation Tumorale basée sur la fusion (Fusion-based)

Le but de la fusion de données, un domaine d'étude en plein essor, est de synthétiser
l'information en fusionnant diverses sources de données. La plupart du temps, les données
provenant de plusieurs sources et approches sont redondantes mais aussi complémentaires. Les
données ont généralement le défaut d'être vagues, ambiguës et incomplètes. Dans cette
situation, le but du processus de fusion est de compiler des informations plus précises et
approfondies et ainsi d'enrichir la conclusion (Capelle-Laizé, 2003). Les méthodes de fusion
sont basées sur une variété de théories, y compris la théorie des ensembles flous, la théorie des
fonctions de possibilité et de croyance, la fusion probabiliste et bayésienne, etc. Un type d'IRM
ne peut pas fournir d'informations complètes sur les tissus aberrants car une tumeur est
composée de divers tissus biologiques. Par conséquent, différentes informations sur les
 ~ 45 ~

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).

La méthode suggérée dans (Wasserman, 1995) exploite la théorie de la fusion de

données pour la segmentation tumorale. Les images CT, PET et MR sont les entrées du système
pour cette méthode. Ce système est plus coûteux que les systèmes de fusion basés sur plusieurs
photos provenant du même appareil d'acquisition car il utilise diverses images provenant de
différents appareils. Un autre problème est le travail difficile d'enregistrement des images CT,
PET et MR, qui est une obligation.

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.

II.2.2.10 Méthode de segmentation utilisant la logique floue (Fuzzy methods)

Dans divers articles publiés, la théorie floue et les algorithmes ont été utilisés pour les
techniques de segmentation des tumeurs cérébrales. Certains d'entre eux, y compris l'algorithme
FCM et la fusion floue, ont été classés et examinés dans les sections précédentes. Dans cette
partie, nous examinons des techniques plus floues.

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 ~

comptage, de chevauchement, de chevauchement symétrique et de chevauchement plié ont été

développées, la méthode de chevauchement plié ayant la capacité d'identifier le bord de sections
étroites. Cette technique a été introduite en tant que nouveau filtre améliorant les bords qui peut
être utilisé pour la segmentation des tumeurs cérébrales dans les images pondérées en T1. Trois
approches, y compris le comptage de boîtes à seuil par morceaux ou Piecewise-threshold Box-
counting (PTBC), le comptage de boîtes modifié par morceaux ou Piecewise- Modified-Box-
Counting (PMBC) et la surface de prisme triangulaire par morceaux ou Piecewise-Triangular-
Prism-Surface-Area (PTPSA), ont été améliorées pour estimer la FD dans les images IRM dans
(Iftekharuddin, Jia, & Marsh, 2002). Ces algorithmes divisent d'abord l'image du patient en
sous-images avant de calculer la FD de chaque sous-image. La FD de l'image du patient et la
FD de l'image de référence sont ensuite comparées. La présence d'une tumeur est indiquée s'il
existe une différence FD significative entre l'image du patient et l'image de différence, qui peut
être tracée pour modifier l'emplacement de la tumeur. En 2005, (Zook & Iftekharuddin, 2005)
ont utilisé 80 images IRM et CT de patients porteurs de tumeurs pour valider la capacité de la
méthode à localiser les tumeurs.

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.

II.2.2.12 Résumé des méthodes de segmentation régionales

Les principales techniques basées sur la région pour la segmentation des tumeurs
cérébrales en IRM ont été passées en revue dans cette section. Ils ont été divisés en 11 classes,
chaque classe étant examinée dans une sous-section. La segmentation des tumeurs rehaussées,
qui est plus facile à faire que celle des tumeurs non rehaussées ou rehaussées en anneau, a été
l'objet exclusif de la majorité de ces méthodes suggérées. De plus, seul un petit nombre de ces
méthodes ont segmenté l'œdème, et une seule méthode a segmenté la nécrose (Vinitski, et al.,
1999). La plupart de ces méthodes se sont concentrées sur la segmentation de la zone solide des
tumeurs. Tous les éléments constitutifs de la tumeur sont cruciaux pour le diagnostic, la thérapie
et le suivi dans les applications cliniques. La quasi-totalité des techniques (à l'exception des
travaux de (Gering, 2003) ont fait appel à l'IRM multimodalité. Il semble que des images
pondérées en T1 ou en T1 à contraste amélioré avec des images pondérées en FLAIR ou en T2
 ~ 48 ~

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.

La qualité de la segmentation en bordure tumorale est le principal défaut de ces

approches. Il est difficile d'identifier une zone tumorale distincte car les approches basées sur
la région souffrent d'une mauvaise classification des voxels causée par l'effet de volume partiel.
La plupart du temps, une sorte d'étape de post-traitement, telle que des opérations
morphologiques, l'interaction de l'utilisateur et des opérations basées sur les connaissances, a
été utilisée pour éliminer les faux positifs ou les pixels ou voxels mal classés des résultats de
segmentation, mais ces opérations n'ont pas entièrement résolu le problème. La segmentation
des tumeurs hétérogènes est encore un autre problème qui ne peut être résolu avec ces
techniques. Enfin, la majorité de ces techniques ne segmentent que des types particuliers de
tumeurs, et on ne sait pas encore comment appliquer une technique à de grands types de
tumeurs.

II.2.3 Méthodes de segmentation des Tumeurs cérébrales basées sur les

frontières
Les méthodes basées sur les frontières sont utilisées pour rechercher des frontières
explicites ou implicites entre des régions appartenant à différents types de tissus afin de
contourner certains des inconvénients des techniques de segmentation basées sur les régions.
Dans cette technique, un algorithme recherche des pixels de bord ou des voxels avec des valeurs
de gradient élevées, qui sont souvent des pixels de bord ou des voxels, et tente de les connecter
pour créer une courbe qui représente la limite de l'objet. Les modèles déformables, l'une des
techniques basées sur les frontières les plus appréciées, ont été largement utilisés dans la
segmentation d'images ces dernières années. Les modèles déformables fonctionnent sur un
principe très simple. L'utilisateur fait une estimation initiale du contour, qui est ensuite plié pour
correspondre aux bordures des objets souhaités par des forces contrôlées par l'image. Ces
modèles prennent en compte deux types de forces différents. Les efforts internes spécifiés dans
la courbe sont destinés à maintenir le lissage du modèle pendant qu'il se déforme. Le modèle
est défini pour se déplacer dans la direction d'une bordure d'objet par les forces externes, qui
sont calculées à partir des données d'image. Les modèles déformables peuvent être globalement
divisés en deux catégories : les modèles déformables géométriques et les modèles déformables
 ~ 49 ~

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.

II.2.3.1 Méthodes de segmentation Tumorales basées sur les modèles paramétriques

déformables (serpents)
Les modèles paramétriques déformables qui ont attiré le plus d'attention à sont connus
sous le nom de serpents (Kass, Witkin, & Terzopoulos, 1988). Les serpents ou contours actifs
sont un cas particulier de la théorie générale des modèles déformables multidimensionnels
présentée par (Terzopoulos, 1987) . Mathématiquement, un contour déformable est une courbe
𝑋 qui se déplace dans le domaine spatial d'une image pour minimiser cette fonction énergétique
: 𝐸(𝑋) = 𝐹𝑖𝑛𝑡(𝑋) + 𝐹𝑒𝑥𝑡(𝑋) où 𝐹𝑖𝑛𝑡 est la force interne qui contraint la régularité du
courbe et 𝐹𝑒𝑥𝑡 est la force externe. La force interne est généralement définie comme : 𝐹𝑖𝑛𝑡 =
𝛼𝛻2𝑋 − 𝛽𝛻2(𝛻2𝑋) où 𝛼 et 𝛽 contrôlent respectivement la tension et la rigidité de la courbe.

(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.

II.2.3.2 Méthode de segmentation Tumorale basée sur le modèle géométrique

déformable
Pour résoudre les inconvénients des modèles paramétriques déformables, (Caselles,
Catté, Coll, & Dibos, 1993) et (Malladi, Sethian, & Vemuri, 1995) ont indépendamment
introduit des modèles géométriques déformables (notamment pour l'adaptation topologique).
La méthode des ensembles de niveaux numériques (Osher & Sethian, 1988) est utilisée pour
créer des modèles géométriques déformables, qui sont basés sur l'idée d'évolution des courbes.
En particulier, seules des mesures géométriques sont utilisées pour développer des courbes et
des surfaces, produisant une évolution indépendante du paramétrage. En conséquence, les
changements de topologie peuvent être gérés automatiquement (Beutel, et al., 2000). La forme
mathématique du schéma des ensembles de niveau est donnée par : 𝜕𝜑 /𝜕𝑡 = 𝑉 (𝑘)|𝛻𝜑| où
𝑉 (𝑘) est appelée fonction de vitesse, 𝑘 est la courbure et 𝜑 est la fonction des niveaux.

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).

II.2.4.1 Combinaison de méthodes basées sur la région avec des serpents

Ce type de technique a été introduit pour la première fois dans (Zhu & Yan, 1997). Dans
ce travail, la meilleure tranche de contraste d'intensité est choisie comme première tranche pour
servir de contour de départ. La segmentation initiale de la tumeur dans cette tranche est ensuite
réalisée à l'aide d'un seuillage et de quelques processus morphologiques. La valeur jugée
supérieure au niveau de gris de la matière blanche est le seuil. Le contour initial de cette tranche
est considéré comme le périmètre de la tumeur retirée. Le problème d'optimisation énergétique
des serpents traditionnels, où la carte des bords est calculée par le filtre de Sobel, a été résolu
par un réseau de Hopfield. L'approche basée sur la région pour la première segmentation
tumorale n'est pas suffisamment fiable, bien qu'elle fonctionne pour les tumeurs homogènes
avec une forte amélioration du contraste dans les images pondérées en T1. De plus, en raison
de la méthode de segmentation tranche par tranche, si une tranche présente une fuite de contour,
 ~ 53 ~

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.

Un nouveau cadre hybride pour la segmentation des tumeurs cérébrales a récemment

été développé dans (Chen & Metaxas, 2005) en intégrant le modèle de Gibbs, les cubes de
marche et les modèles paramétriques déformables. La tumeur a été initialement segmentée à
l'aide d'un modèle antérieur Gibbs 2D unique avec des paramètres par défaut pour chaque
tranche. La technique des cubes en marche est utilisée pour transformer le résultat en un modèle
3D. Un modèle paramétrique déformable utilisant GVF et la force du ballon comme forces
externes affine cette surface initialement segmentée. Le processus de segmentation est répété
jusqu'à ce que la région segmentée soit stable, moment auquel les paramètres du modèle de
Gibbs sont recalculés dans la région segmentée. La méthode de segmentation initiale qui est
donnée est plus fiable que les méthodes précédentes, cependant elle ne fonctionne qu'en 2D et
ne tire pas pleinement parti des informations spatiales de la tumeur. Cette méthode utilisait un
modèle de Gibbs distinct pour chaque tranche, ce qui est le principal défaut du système. Il est
assez difficile d'utiliser cette méthode pour segmenter différents types de tumeurs dans
différents types d'images car nous savons que la résolution des images, la taille de la tête et
l'intensité de chaque tranche varient considérablement chez les patients.

II.2.4.2 Combinaison de méthodes régionales avec des ensembles de niveaux

En combinant level sets et fuzzy clustering, (Ho, Bullitt, & Gerig, 2002) ont proposé une
méthode pour segmenter automatiquement les tumeurs cérébrales dans un espace 3D. Le level
set ne peut pas s'étendre à d'autres zones grâce à cette première map. La technique a des limites
importantes, mais elle segmente les tumeurs rehaussées avec une grande précision, est
entièrement automatique et ne fuit pas vers les régions adjacentes. La segmentation finale
 ~ 54 ~

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.2.4.3 Résumé des méthodes de segmentation Tumorale basées la fusion de la région et

de la frontière
Cette section a examiné les techniques de séparation des tumeurs cérébrales dans les examens
IRM à l'aide d'informations sur les régions et les frontières. En raison de l'utilisation de
techniques basées sur la région et de l'utilisation des informations sur les limites, la qualité de
la segmentation dans les limites tumorales est relativement bonne, ce qui rend la majorité de
ces techniques totalement automatiques. Toutes les approches suggérées segmentent
uniquement les tumeurs rehaussées dans des images pondérées en T1 avec contraste amélioré ;
ils ne segmentent pas les tumeurs non rehaussées, l'œdème ou la nécrose. Cependant, il semble
que ces techniques aient la capacité de résoudre le problème de la segmentation tumorale dans
une grande variété de types de tumeurs en améliorant la technique du modèle déformable, en
développant la méthode basée sur la région pour la segmentation initiale et en utilisant des
images multimodales.
 ~ 55 ~

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 ~

Chapitre III : Méthodologie de travail sur la segmentation

morphologique

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.

III.2. Première méthode de segmentation Tumorale en six étapes

L’algorithme de segmentation morphologique utilisé dans cette méthode a été essayé
sur un certain nombre de données d'images IRM de tumeurs cérébrales de patients. L'algorithme
comprend d'abord le pré-traitement d'une image IRM prise dans la base des données, puis la
segmentation, et enfin les opérations morphologiques. L’exécution de l'algorithme comporte
les séquences (voir la figure la III.1) suivantes :

1. Importer une image IRM du cerveau en entrée,

2. Convertir l’image en niveaux de gris,
3. Effectuer la segmentation de seuil,
4. Calculer la segmentation des bassins versants,
5. Effectuer l'opération morphologique,
6. Détecter la tumeur en sortie.

Image IRM Conversion en Segmentation

(entrée) niveaux de gris de seuil

Tumeur détectée Opérations Segmentation des

(sortie) morphologiques bassins versants
Figure III-1: Schéma bloc d'extraction d'une tumeur
cérébrale en six étapes

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:

III.2.1 . Base de données (Image IRM en entrée)

Les images que nous avons importées pour la simulation proviennent d’un ensemble des
1
données qui ont été téléchargés à partir des sites Web de la Harvard Medical School et de
l'ensemble de données OASIS 2. Ils consistent en des images cérébrales IRM pondérées en T2
dans un plan axial avec une résolution dans le plan de 256×256. Étant donné que les images T2
ont un contraste plus fort et une vue plus claire que les modalités T1 et TEP, nous optons pour
le modèle T2.

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 ~

III.2.2 . Imagerie en niveaux de gris

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 ~

III.2.3 . Segmentation de seuil

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 ~

de simplifier la discussion, l'histogramme en niveaux de gris est normalisé et considéré comme

une distribution de probabilité :
𝐿
𝑛𝑖
𝑝𝑖 = , 𝑝𝑖 ≥ 0, ∑ 𝑝𝑖 (𝐼𝐼𝐼. 1)
𝑁
𝑖=1

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

𝜔0 = Pr(𝐶0 ) = ∑ 𝑝𝑖 = 𝜔(𝑘) (𝐼𝐼𝐼. 2)

𝑖=1

𝜔1 = Pr(𝐶1 ) = ∑ 𝑝𝑖 = 1 − 𝜔(𝑘) (𝐼𝐼𝐼. 3)

𝑖=k+1
Et
𝑘 𝑘

µ0 = ∑ 𝑖Pr (𝑖|𝐶0 ) = ∑ 𝑖𝑝𝑖 /𝜔0 = µ(𝑘)𝜔(𝑘) (𝐼𝐼𝐼. 4)

𝑖=1 𝑖=k
𝑘 𝐿
µ𝑇 − µ(𝑘)
µ1 = ∑ 𝑖Pr (𝑖|𝐶1 ) = ∑ 𝑖𝑝𝑖 /𝜔1 = (𝐼𝐼𝐼. 5)
1 − 𝜔(𝑘)
𝑖=𝑘+1 𝑖=k+1

Où
𝑘

𝜔(𝑘) = ∑ 𝑝𝑖 (𝐼𝐼𝐼. 6)
𝑖=1

Et
𝑘

µ(𝑘) = ∑ 𝑖𝑝𝑖 (𝐼𝐼𝐼. 7)

𝑖=1

Sont respectivement les moments cumulatifs d'ordre zéro et de premier ordre de l'histogramme
jusqu'au niveau 𝑘, et
𝐿

µ𝑇 = µ(𝐿) = ∑ 𝑖𝑝𝑖 (𝐼𝐼𝐼. 8)

𝑖=1

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

𝜎0 = ∑(𝑖 − µ0 ) 𝑖Pr (𝑖|𝐶0 ) = ∑(𝑖 − µ0 )2 𝑝𝑖 /𝜔0

2 2 (𝐼𝐼𝐼. 10)
𝑖=1 𝑖=k
𝐿 𝐿

𝜎1 = ∑ (𝑖 − µ1 ) 𝑖Pr (𝑖|𝐶1 ) = ∑ (𝑖 − µ1 )2 𝑝𝑖 /𝜔1

2 2 (𝐼𝐼𝐼. 11)
𝑖=𝑘+1 𝑖=k+1

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

Sont respectivement la variance intra-classe, la variance inter-classe et la variance totale des

niveaux. Ensuite, notre problème est réduit à un problème d'optimisation pour rechercher un
seuil 𝑘 qui maximise l'une des fonctions d'objet (le critère mesure) dans (III.12). Ce point de
vue est motivé par une conjecture selon laquelle les classes bien seuillées seraient séparées en
niveaux de gris, et inversement, un seuil donnant la meilleure séparation des classes en niveaux
de gris serait le meilleur seuil.
Les critères discriminants maximisant respectivement 𝜆, 𝑘 et 𝜂 sont cependant équivalents entre
eux ; par exemple, 𝑘 = 𝜆 + 1 et 𝜂 = 𝜆(𝜆 + 1) en termes de 𝜆, car la relation de base suivante
est toujours vraie :
𝜎𝑊 2 + 𝜎𝐵 2 = 𝜎𝑇 2 (𝐼𝐼𝐼. 16)
On remarque que 𝜎𝑊 2 et 𝜎𝐵 2 sont des fonctions du niveau de seuil 𝑘, mais 𝜎𝑇 2 est indépendant
de 𝑘. On note également que 𝜎𝑊 2 est basé sur les statistiques de second ordre (variances de
classe), tandis que 𝜎𝐵 2 est basé sur les statistiques de premier ordre (moyennes de classe). Par
conséquent, 𝜂 est la mesure la plus simple par rapport à 𝑘. Ainsi, nous adoptons 𝜂 comme critère
de mesure pour évaluer la "qualité" (ou la séparabilité) du seuil au niveau 𝑘. Le seuil optimal
𝑘 ∗ qui maximise 𝜂, ou de manière équivalente maximise 𝜎𝐵 2 est sélectionné dans la recherche
 ~ 62 ~

séquentielle suivante en utilisant les quantités cumulées simples (III.6) et (III.7), ou

explicitement en utilisant (III.2) - (III.5) :
𝜂(𝑘) = 𝜎𝐵 2 (𝑘)/𝜎𝑇 2 (𝐼𝐼𝐼. 17)
[(µ𝑇 𝜔(𝑘) − µ(𝑘))]2
𝜎𝐵 2 (𝑘) = (𝐼𝐼𝐼. 18)
𝜔(𝑘)[(1 − 𝜔(𝑘))]
Et le seuil optimal 𝑘 ∗ est
𝜎𝐵 2 (𝑘 ∗ ) = 𝑚𝑎𝑥1≤𝑘<𝐿 𝜎𝐵 2 (𝑘) (𝐼𝐼𝐼. 19)
D'après le problème, la plage de k sur laquelle le maximum est recherché peut-être limitée à
𝑆 ∗ = {𝑘; 𝜔0 𝜔1 − 𝜔(𝑘)[(1 − 𝜔(𝑘))] > 0, 𝑜𝑢 0 < 𝜔(𝑘) < 1 (𝐼𝐼𝐼. 20)
Nous l'appellerons la plage effective de l'histogramme des niveaux de gris (figure III.2). D'après
la définition dans (III.14), la mesure critère 𝜎𝐵 2 (ou 𝜂) prend une valeur minimale de zéro pour
𝑘 tel que 𝑘 ∈ 𝑆 − 𝑆 ∗ = {𝑘; 𝜔(𝑘) = 0 𝑜𝑢 1} (c'est-à-dire que tous les pixels sont 𝐶0 ou 𝐶1 , ce
qui n'est bien sûr pas notre préoccupation) et prend une valeur positive et bornée pour 𝑘 ∈ 𝑆 ∗ .
Il est donc évident que le maximum existe toujours (Otsu, 1979).
Depuis 2012 Matlab a intégré la méthode d’Otsu par la syntaxe T = otsuthresh(counts)
(MathWorks, 2023). Ainsi nous avons utilisé cette dernière pour déterminer le seuil le plus
proche de la valeur optimale ainsi que l’histogramme des niveaux. L’algorithme nous a fourni
un seuil de 0,2902 (Figure III.3) et il a été ajusté manuellement jusqu’à 0,6 (III.4) que nous
avons trouvé comme seuil optimale pour la segmentation.

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 ~

a. Image IRM d’une b. Image IRM Seuillée par

Tumeur Bégnine la méthode d’Otsu
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

a. Image IRM d’une b. Image IRM Seuillée

Tumeur Bégnine manuellement
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

III.2.4 . Segmentation des bassins versants

La méthode de segmentation appelée ligne de partage des eaux (Watershed en anglais)

est la principale méthode de segmentation en morphologie mathématique. La segmentation des
bassins versants est une approche relativement récente qui s'est imposée de plus en plus ces
dernières années et tend à être privilégiée dans les tentatives de séparation d'objets en contact,
l'une des opérations de traitement d'image les plus difficiles (Solomon & Breckon, 2011).
L’idée de base est de considérer une image en niveaux de gris comme un relief topographique.
Il s’agit alors de calculer la ligne partage des eaux de ce relief. Les bassins versants ainsi obtenus
correspondent aux régions de la partition (Bergounioux, 2015). Dans la segmentation des
bassins versants, nous envisageons l'image 2D en niveaux de gris comme une surface
 ~ 64 ~

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.

Algorithme de bassin versant d'inondation de Meyer

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 ~

a. Image IRM d’une b. Segmentation par c. Segmentation par

Tumeur Begnine bassin versant de bassin versant de
l’image IRM avec un l’image IRM avec
seuil de 0,2902 un seuil de 0,6
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

III.2.5 . Opérations morphologiques

La question est de savoir si une certaine forme est incluse dans toute ou une partie de l’image
(figure III.6). En pratique, le traitement d'images morphologiques est un ensemble d'opérations
non linéaires liées à la forme ou à la morphologie des caractéristiques d'une image
(Bergounioux, 2015). Les opérations morphologiques reposent uniquement sur l'ordre relatif
des valeurs de pixels, et non sur leurs valeurs numériques, et sont donc particulièrement
adaptées au traitement d'images binaires. Des opérations morphologiques peuvent également
être appliquées aux images en niveaux de gris de telle sorte que leurs fonctions de transfert de
lumière sont inconnues et donc que leurs valeurs de pixels absolues sont sans intérêt ou
mineures. Les techniques morphologiques sondent une image avec une petite forme ou un
modèle appelé élément structurant. L'élément structurant est positionné à tous les emplacements
possibles de l'image et il est comparé au voisinage de pixels correspondant (Pranjal, Harshita,
& Shivim, 2017). Certaines opérations testent si l'élément « entre » dans le voisinage, tandis
que d'autres testent s'il « touche » ou coupe le voisinage. Ainsi nous pouvons dire que :

• 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 ~

• Le motif des 1 et des 0 spécifie la forme de l'élément structurant.

• Une origine de l'élément structurant est généralement l'un de ses pixels, bien que
généralement l'origine puisse être extérieure à l'élément structurant.

a. Image IRM Seuillée à b. Image IRM c. Tumeur détectée

0,6 Segmentée par bassin après opération
versant morphologique
Figure III-6:Détection de la région de la Tumeur après l'opération morphologique en c.

III.2.6 . Détection de la Tumeur (sortie)

Comme on peut bien le voir sur la figure III.6.c, après les opérations morphologiques, la
Tumeur (kyste) est détectée sur l’image IRM importée depuis la base de données. Il est
important de préciser que cette première méthode ne fonctionne que sur des images IRM à
contraste améliorer comme sur les types d’images que nous avons utilisées et ne comprenant
pas des tumeurs hétérogènes.

III.3. Deuxième méthode de segmentation Tumorale en huit étapes

Dans cette section, nous expliquons la deuxième méthode d’extraction des tumeurs cérébrales
qui comporte sept étapes et un peu plus efficace que la première. Nous avons utilisé les mêmes
données que celles de la première méthode, ainsi nous n’aborderont que les étapes de
l’algorithme qui n’ont pas étaient traitées dans la première méthode. Le deuxième algorithme
comporte huit étapes et s’exécute comme suite :

1. Importer une image IRM du cerveau en entrée,

2. Effectuer le filtrage anisotropique de l’image,
3. Effectuer le seuillage de l’image,
4. Effectuer l'opération morphologique,
5. Encadrer la tumeur sur l’image IRM filtrée par une boite englobante,
 ~ 68 ~

6. Avoir l’aperçue de la tumeur, effectuer l’érosion ainsi la soustraction de l’image pour

avoir,
7. Contourner la tumeur par une couleur rouge sur l’image IRM filtrée,
8. Afficher les différents résultats à la sortie.

Image IRM Filtre Seuillage Opérations

(entrée) anisotropique morphologiques

Tumeur détectée avec Remplissage, érosion Boîte englobante

contour en couleur et soustraction

Afficher les Figure III-7: Schéma bloc d'extraction d'une tumeur

résultats (sortie) cérébrale en huit étapes

III.3.1 . Filtrage anisotropique

Perona, Pietro, Malik et Jitendra ont utilisé avec succès dans le contexte du traitement
d'image le filtre de diffusion anisotrope pour éliminer le bruit à haute fréquence tout en
conservant les bords principaux des objets existants (Perona & Malik, 1990). Il a été utilisé dans
le cadre de l'IRM (Gerig, Kubler, Kikinis, & Jolesz, 1992), et automatisé de plusieurs manières
(Weickert, 1998). Dans sa forme discrète, le filtre de diffusion anisotrope ou ADF (Anisotropic
Diffusion Filter) est un algorithme itératif qui simule le processus de diffusion en :
𝜆
𝐼𝑠𝑡+1 ≈ 𝐼𝑠𝑡 + 𝑡
∑ 𝑔(|∇𝐼𝑠,𝑝 𝑡
| , 𝛾)∇𝐼𝑠,𝑝 , (𝐼𝐼𝐼. 23)
|𝜂𝑠 |
𝑝∈𝜂𝑠

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 ~

de bruit. Deuxièmement, le nombre de voisins avec de grandes amplitudes de gradient dans la

même direction a un impact cumulatif sur l'ADF. Bien que les pixels de bruit soient dispersés
de manière aléatoire dans l'image, leur intensité est généralement différente de celle de leurs
voisins. Au contraire, les pixels de bord ont une intensité similaire avec une grande partie de
leurs pixels environnants (Palma, A.M, Cappabianco, Ide, & Miranda, 2014).

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.

a. Image IRM d’origine b. Image IRM filtrée

Figure III-8: Rendu de l'image IRM en utilisant le filtre anisotropique en b

III.3.2 . La boite englobante (boungin box)

Dans chaque tranche d'IRM d'entrée (vue axiale), il y a un axe de symétrie gauche-droite
du cerveau. Une tumeur considérée comme une anomalie du cerveau perturbe généralement
cette symétrie. Ainsi, un rectangle parallèle à l'axe sur le côté droit qui est très différent de sa
réflexion autour de l'axe de symétrie sur le côté gauche - c'est-à-dire que les histogrammes
d'intensité de niveau de gris de l'intérieur des deux rectangles sont les plus différents et
l'extérieur des rectangles sont relativement similaires. Une nouvelle fonction de score utilisée
peut identifier la région de changement avec deux recherches très rapides le long de la direction
verticale et horizontale de l'image. Le coefficient de Bhattacharya (BC) mesure la similarité
entre deux histogrammes d'intensité de niveau de gris normalisés. Lorsque deux histogrammes
normalisés sont identiques, le BC entre eux est 1 et lorsque deux histogrammes normalisés sont
complètement différents, la valeur BC associée est 0 (Saha, Ray, Greiner, Murtha, & Zhang,
 ~ 70 ~

2012). Le calcul du coefficient de Bhattacharyya implique une forme fondamentale de base

d'intégration du chevauchement de ces deux échantillons. L'intervalle des valeurs de ces deux
échantillons est divisé en nombre choisi de partition et le nombre de membres de chaque
échantillon dans chaque partition est utilisé dans la formule suivante (Karim, Mahmud, Amin,
& Rahman, 2016),
𝑛

𝐵𝐶(𝑝, 𝑞) = ∑ √𝑝𝑖 𝑞𝑖 (𝐼𝐼𝐼. 24)

𝑖=1

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.

a. Image IRM filtrée b. Boite englobant la tumeur sur

l’image filtrée
Figure III-9: Boite englobant la tumeur sur l'image IRM filtrée d'une Tumeur bénigne

III.3.3 . Remplissage, érosion et soustraction

La dilatation et l'érosion sont les deux opérateurs morphologiques les plus significatifs.
Ces opérateurs de base peuvent être utilisés pour définir toutes les autres opérations
morphologiques. On parle d'érosion/dilatation de A par B et on représente une image générale
par A et un élément structurel arbitraire par B (Solomon & Breckon, 2011).
 ~ 71 ~

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

Dans le logiciel Matlab, la syntaxe « J = imerode(I,SE) » érode l'image en niveaux de gris,

binaire ou binaire condensée I à l'aide de l'élément structurant SE. Et « J = imdilate(I,SE ) »
dilate l'image en niveaux de gris, binaire ou binaire condensée I à l'aide de l'élément structurant
SE (MathWorks, 2023). La figure III.11 illustre les résultats de l’image IRM après les
opérations de dilation et d’érosion.

III.3.4 . Tumeur détectée avec un contour en couleur

Après avoir trouvé le périmètre externe de la tumeur isolée, la dernière opération dans cette
deuxième méthode consiste à imposer une forme colorée autour de la tumeur dans l'image
originale filtrée afin de la mettre en valeur pour le diagnostic (voire la figure III.12). Enfin,
après cela, nous avons affiché l'image sur une sous-parcelle avec les autres images souhaitées
obtenues précédemment.
 ~ 72 ~

Dans le logiciel Matlab la syntaxe « stats = regionprops(BW,properties) » renvoie des mesures

pour l'ensemble de propriétés pour chaque composant (objet) à 8 connexions dans l'image
binaire, BW. On peut utiliser regionprops sur des régions contiguës et des régions non
contiguës, pour évaluer le contour d’une image isolée (MathWorks, 2006).

=1 =0

Erosion

Dilatation

Figure III-10:Erosion et dilation d'une image binaire en utilisant un élément structurant

a. Image d’origine b. Résultat après c. Résultat après

dilation érosion
Figure III-11:Rendu de l’image IRM après les opérations de dilation érosion pour la détection
la Tumeur en b et c.

III.4. Mise en œuvre du logiciel

Les deux méthodes proposées ont été simulées dans MATLAB R2022a et testées sur
diverses images cérébrales IRM pondérées en T2 dans un plan axial et coronale avec une
 ~ 73 ~

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.

a. Aperçue de la b. Périmètre de la c. Tumeur détectée

Tumeur seule Tumeur
Figure III-12: Le périmètre de la Tumeur est mis en valeur sur l'image IRM filtrée par un
contour en couleur rouge

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 ~

Chapitre IV : Résultats et discussion

IV.1 . Introduction
Ce chapitre parle des différents résultats obtenus en utilisant les deux méthodes de segmentation
morphologique d’images IRM expliquées au chapitre III. Ensuite suivra une discussion
(commentaire) sur ces résultats et une conclusion partielle.

IV.2 . Base de données

Comme nous l’avons dit dans la section III.2.1, les images que nous avons utilisées pour
la simulation proviennent d’un ensemble des données qui ont été téléchargées à partir des sites
Web de la Harvard Medical School 3 et de l'ensemble de données OASIS4. Ils consistent en des
images cérébrales IRM pondérées en T2 dans un plan axial et coronale avec une résolution dans
le plan de 256×256. Étant donné que les images T2 ont un contraste plus fort et une vue plus
claire que les modalités T1 et TEP, nous optons pour le modèle T2.

Le gliome, le méningiome, la maladie d'Alzheimer plus l'agnosie visuelle, la maladie de

Pick, le sarcome et la maladie de Huntington font partie des maladies représentées par les
images IRM cérébrales aberrantes de l'ensemble de données. Nous avons choisi 70 photos au
hasard de l’ensemble de données pour tester nos algorithmes.

IV.3 . Résultats obtenus par la première méthode de segmentation

Tumorale en six étapes
Les figures IV-1, IV-2, IV-3, IV-4, IV-5, IV-6 et IV-7 montrent les différentes étapes de
traitement des images IRM pour obtenir en sortie uniquement la tumeur. C’est-à-dire l’image
d’origine, est transformée en une image en niveaux de gris, ensuite l’image est segmentée avec
un seuil de 0,6 ; puis l’image segmentée par l’algorithme de bassin versant et enfin la tumeur
est extraite de l'image IRM. De cette manière, les données du patient peuvent être prises en
temps réel pour être analysées. Vu que la tumeur dans l'image IRM a une intensité supérieure à
celle de son arrière-plan, il devient donc très facile de la localiser et de l'extraire d'une image
IRM. L'image IRM d'origine est convertie en une image en niveaux de gris pour réduire les
complexités de calcul. Dans ce cas particulier, l'image est déjà en niveaux de gris mais cela peut
fonctionner si l'image est au format couleur (RVB). La conversion suivante est obtenue à l'aide

3
http://med.harvard.edu/AANLIB/
4
http://www.oasis-brains.org/
 ~ 75 ~

de la fonction rgb2gray (image) de Matlab et le résultat de la simulation est obtenu dans la

fenêtre de la figure.

Figure IV-1:Premier échantillon (image IRM cérébrale en coupe axiale)

Sur la figure IV-2 nous pouvons bien voir qu’il est difficile d’identifier sur l’image d’origine le
contour exact de la tumeur, et de voir comment elle se propage dans le cerveau comme on peut
clairement observer sur la partie encerclée en rouge de la dernière image. Grâce à l’algorithme
nous avons identifié cette partie.

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-4: Quatrième échantillon (Image IRM cérébrale en coupe axiale)

Le cinquième échantillon présente une forme de tumeur à tendance maligne et difficile de
délimiter manuellement, et là on voit encore bien l’avantage de la segmentation. On sait bien
voir le contour exact de la tumeur.

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.

Figure IV-6: Sixième échantillon

L’algorithme de cette première méthode présente des limitations des image IRM présentant des
bruits, un contraste faible (non rehaussé), comme c’est le cas pour le septième échantillon
(figure IV.7) où l’algorithme n’a pas réussi d’isoler la tumeur seule.

Tumeur non détectée

Figure IV-7: Septième échantillon

IV.4 . Résultats de la deuxième méthode de segmentation Tumorale en

huit étapes
La deuxième méthode a permis d’obtenir des résultats sur plusieurs images IRM qui
présentaient des bruits, ce qui rendait difficile leur traitement par la première méthode. Chaque
figure illustre les résultats obtenus après chaque étape de traitement de l’image IRM chargée
par l’algorithme.

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-8: Premier échantillon traité par la deuxième méthode

La figure IV.9 illustre le deuxième échantillon que nous avons choisi pour tester le
fonctionnement de l’algorithme sur la coupe coronale d’un cerveau ayant une tumeur bénigne.
Et nous voyons très bien que l’algorithme a bien distinguer la matière blanche du cerveau de la
tumeur.

Figure IV-9:Deuxième échantillon d’image IRM traitée par la deuxième méthode

Les figures IV.10 et IV.12 illustrent les résultats fournis par l’algorithme de calcul de la
deuxième méthode pour les images IRM présentant des tumeurs enfuit ou celles qui présente
des ramifications, parfois difficile de détecter avec une simple analyse visuelle. La figure IV.11
illustre le résultat d’analyse d’une image IRM présentant une réhaussée (utilisation des agents
de contraste paramagnétiques). Nous pouvons très bien voir sur cette figure la détection nette
du contour de cette tumeur sur le cerveau, cela montre combien il est plus facile de traiter ces
genres des clichés contrairement à ceux qui n’ont pas subi de rehaussement de contraste.
 ~ 79 ~

Figure IV-10:Troisième échantillon d’image IRM traitée par la deuxième méthode

Figure IV-11: Cinquième échantillon d’image IRM traitée par la deuxième méthode

Figure IV-12:Sixième échantillon d’image IRM traitée par la deuxième méthode

 ~ 80 ~

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-13:Septième échantillon d’image IRM traitée par la deuxième méthode

La figure IV.14 illustre le résultat obtenu pour une image IRM du cerveau comportant une
tumeur hétérogène accompagnée de nécrose et d’œdème ; nous pouvons bien voir sur cette
figure que l’algorithme n’a rien détecté. Ce résultat montre que même le deuxième algorithme
présente des limitations et ne peut fonctionner que pour un nombre limité des tumeurs
cérébrales.

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 ~

Capelle-Laizé, A. S. (2003). Segmentation des Images IRM Multi-échos Tridimensionnelles

pour la Détection des Tumeurs Cérébrales par la Théorie de L'évidence. Thèse de
Doctorat, Université de Poitiers.
Caselles, V., Catté, F., Coll, T., & Dibos, F. (1993). A geometric model for active contours in
image processing. Springer. Récupéré sur
https://link.springer.com/article/10.1007/BF01385685
Cates, J. E., Lefohn, A. E., & Whitaker, R. T. (2004). GIST: an interactive, GPU-based level
set segmentation tool for 3D medical images. Utah: Elsevier.
doi:https://doi.org/10.1016/j.media.2004.06.022
Cercignani, M., Dowell, N., & Tofts, P. (2018). Quantitative MRI of the brain: principles of
Physical measurement. New York: Wiley.
Chaplot, S., Patnaik, L., & Jagannathan, N. (2006). Classification of magnetic resonance
brain images using wavelets as input to support vector machine and neural network.
Bangalore 560012, India: Elsevier. doi:https://doi.org/10.1016/j.bspc.2006.05.002
Chen, T., & Metaxas, D. (2005). A hybrid framework for 3D medical image segmentation.
Piscataway, USA: Elsevier. doi:https://doi.org/10.1016/j.media.2005.04.004
Clark, M. C. (1997). Knowledge-Guided Processing of Magnetic Resonance Images of the
Brain. University of South Florida, Computer Science and Engineering. Floride:
University of South Florida. Récupéré sur
https://digitalcommons.usf.edu/cgi/viewcontent.cgi?article=2535&context=etd
Clark, M. C., Hall, L. O., Goldgof, D. B., Velthuizen, R., Murtagh, R., & Silbiger, M. S.
(1998). Automatic Tumor Segmentation UsingKnowledge-Based Techniques. IEEE.
Récupéré sur
https://www.academia.edu/1927026/Automatic_tumor_segmentation_using_knowledg
e_based_techniques
Corso, J. J., Sharon, E., & Yuille, A. (2006). Multilevel Segmentation and Integrated
Bayesian Model Classification with an Application to Brain Tumor Segmentation.
University of California. Los Angeles: Springer.
doi:https://doi.org/10.1007/11866763_97
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Holmdel: Springer Link. Récupéré
sur https://link.springer.com/article/10.1007/BF00994018
Cuadra, M., Pollo, C., Bardera, A., Cuisenaire, O., Villemure, J.-G., & Thiran, J.-P. (2004).
Atlas-based segmentation of pathological MR brain images using a model of lesion
growth. Lausanne: IEEE. Récupéré sur
https://ieeexplore.ieee.org/document/1339436/authors#authors
Curran, J. G., & O’Connor, E. (2005). Imaging of craniopharyngioma. Children’s Memorial
Hospital, Department of Medical Imaging. Chicago: Springer.
doi:https://doi.org/10.1007/s00381-005-1245-y
Dale, B. M., Brown, M. A., & Semelka, R. C. (2015). MRI: Basic Principles and Applications
(éd. 5th). Oxford: Wiley Blackwel.
 ~ iii ~

Daumas-Duport, C. B.-B. (2008). Gliomes : Classification de l’OMS et de l’Hopital Sainte-

Anne. Sainte-Anne: Elsevier .
Dawant, B. M., Hartmann, S. L., Pan, S., & Gadamsetty, S. (2002). Brain atlas deformation
in the presence of small and large space-occupying tumors. USA: National Center for
Biotechnology Information. doi:https://doi.org/10.1002/igs.10029
Dickson, S., Thomas, B. T., & Goddard, P. (1997). Using neural networks to automatically
detect brain tumours in MR images. National Library of Medicine.
doi:https://doi.org/10.1142/S0129065797000124
Doolittle, N. D. (2004). State of the science in brain tumor classification. Portland: Elsevier.
Récupéré sur
https://www.sciencedirect.com/science/article/abs/pii/S0749208104000865
Dou, W., Ruan, S., Chen, Y., Bloyet, D., & Constans, J. M. (2007). A framework of fuzzy
information fusion for the segmentation of brain tumor tissues on MR images. Digital
Library. Récupéré sur https://dl.acm.org/doi/abs/10.1016/j.imavis.2006.01.025
Droske, M., Meyer, B., Rumpf, M., & Schaller, C. (2001). An Adaptive Level Set Method for
Medical Image Segmentation. Springer. Récupéré sur
https://link.springer.com/chapter/10.1007/3-540-45729-1_43
EMedicine. (2017). Pharmacology and Therapeutics for Dentistry. Science Direct. Récupéré
sur https://www.sciencedirect.com/science/article/pii/B9780323393072000035
Engelhard, H. H., Stelea, A., & Mundt, A. (2003). Oligodendroglioma and anaplastic
oligodendroglioma : Clinical features, treatment, and prognosis. The University of
Illinois , Department of Neurosurgery. Chicago: Elsevier.
doi:https://doi.org/10.1016/s0090-3019(03)00167-8
Firenze, F. a. (1993). The capture effect model: a new approach to selforganized clustering.
France: Neuro-Nimes.
Fletcher-Heath, L. M., Hall, L. O., Goldgof, D. B., & Murtagh, F. (2001). Automatic
segmentation of non-enhancing brain tumors in magnetic resonance images. Floride:
Elsevier. doi:https://doi.org/10.1016/S0933-3657(00)00073-7
Fukunaga, K. (1990). Introduction to Statistical Pattern Recognition (éd. 2ième). New York
Boston: Morgan Kaufmann. Récupéré sur
https://doc.lagout.org/science/Artificial%20Intelligence/Pattern%20recognition/Introd
uction%20to%20Statistical%20Pattern%20Recognition%202nd%20Ed%20-
%20%20Keinosuke%20Fukunaga.pdf
García, C., & Moreno, J. A. (2004). Kernel Based Method for Segmentation and Modeling of
Magnetic Resonance Images. Universidad Central de Venezuela, Laboratorio de
Computación Emergente. Venezuela: Springer Link. Récupéré sur
https://link.springer.com/chapter/10.1007/978-3-540-30498-2_64
Garey, L. (2006). Brodmann's Localisation in the Cerebral Cortex. New York Springer.
Gerig, G., Kubler, O., Kikinis, R., & Jolesz, F. A. (1992). Nonlinear anisotropic filtering of
MRI data. IEEE. Récupéré sur https://pubmed.ncbi.nlm.nih.gov/18218376/
 ~ iv ~

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~

Hornak, J. P. (1996). The B asics o f M R I , a hypertext book on m agnetic resonance

imaging. Technology, Rochester. Récupéré sur http://w ww. c is .r it .edu/htbooks/m
ri.
Iftekharuddin, K. M., Jia, W., & Marsh, R. (2002). Fractal analysis of tumor in brain MR
images. Springer. Récupéré sur https://www.fractal.org/Life-Science-
Technology/Publications/Fractal-analysis-brains.pdf
Inrs. (2018). L'imagerie par résonnance magnétique. Institut National de Recherche et de
Sécurité, 2.
Irsheidat, S., & Duwairi, R. (2020). Brain Tumor Detection Using Artificial Convolutional
Neural Networks. IEEE. Récupéré sur https://www.semanticscholar.org/paper/Brain-
Tumor-Detection-Using-Artificial-Neural-Irsheidat-
Duwairi/8e1962875db85a623a887392f9b42a18bc0efd4b
Jaillard, A., Martin, C., Garambois, K., Lebas, J. F., & Hommel, M. (2005). Vicarious
Function within the Human Primary Motor Cortex: A Longitudinal fMRI Stroke Study
Human Primary Motor Cortex: A Longitudinal fMRI Stroke Study (Vol. 128).
Jain, A. K., Murty, M. N., & Flynn, P. (1999). Data Clustering: A Review. Michigan State
University. Michigan: Association for Computing Machinery. Récupéré sur
https://dl.acm.org/doi/pdf/10.1145/331499.331504
Jianguo, Z., Ma, K.-K., Er, M. H., & Chong, V. (2004). Tumor segmentation from magnetic
resonance imaging by learning via one-class support vector machine. Singapore: NUS
School of Computing and School of Computer Engineering. Récupéré sur
https://discovery.dundee.ac.uk/en/publications/tumor-segmentation-from-magnetic-
resonance-imaging-by-learning-vi
Jiji, G., & Ganesan, L. (2007). Unsupervised Segmentation using Fuzzy Logic based Texture
Spectrum for MRI Brain Images. Istambul, Turkey: Semantic Science. Récupéré sur
https://www.semanticscholar.org/paper/Unsupervised-Segmentation-using-Fuzzy-
Logic-based-Jiji-Ganesan/31d0f0639204de1c05947c672eb93c3662d6b2fc
Kantor, G., & Loiseau, H. (2005). Volumes-cibles anatomocliniques (GTV et CTV) des
tumeurs gliales Analysis of target volumes for gliomas. Université Victor-Segalen-
Bordeaux-2, Service de neurochirurgie. Bordeaux: Elsevier. Récupéré sur
https://www.unilim.fr/campus-neurochirurgie/IMG/pdf/kantor%202005.pdf
Karim, A., Mahmud, M. A., Amin, M. A., & Rahman, M. T. (2016). Brain TumourDetection
by Using Bounding Box Methodology Based on Bhattacharyya Coefficient. American
Journal of Engineering Research (AJER). Récupéré sur
https://www.ajer.org/papers/v5(12)/ZB05120218223.pdf
Kass, M., Witkin, A., & Terzopoulos, D. (1988). Snakes: Active contour models. Springer.
Récupéré sur https://link.springer.com/article/10.1007/BF00133570
Kastler, B., Vetter, D., Patty, Z., & Germain, P. (2011). Comprendre l'IRM : Manuel d'auto-
apprentissage. Paris: Elsevier Masson. Récupéré sur
https://ia803404.us.archive.org/11/items/divers-livres-
 ~ vi ~

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 ~

Processing'. Récupéré sur

https://hub.hku.hk/bitstream/10722/46219/1/58534.pdf?accept=1
Lee, A. G., Brazis, P. W., Garrity, J. A., & White, M. (2004). Imaging for neuro-ophthalmic
and orbital disease. Nebraska: American journal of ophthalmology.
doi:10.1016/j.ajo.2004.06.069
Lee, C.-H., Schmidt, M. W., Murtha, A., Bistritz, A., Sande, J., & Greiner, R. (2005).
Segmenting Brain Tumors with Conditional Random Fields and Support Vector
Machines. Semantic Scholar. doi:https://doi.org/10.1007/11569541_47
Leemput, K. V., Maes, F., Vandermeulen, D., Colchester, A., & Suetens, P. (2001).
Automated segmentation of multiple sclerosis lesions by model outlier detection. USA:
IEEE. doi:https://doi.org/10.1109/42.938237
Lefohn, A., Cates, J., & Whitaker, R. (2003). Interactive, GPU-Based LevelSets for 3D Brain
TumorSegmentation. Utah: Research Gate. Récupéré sur
https://www.researchgate.net/publication/2920362_Interactive_GPU-
Based_Level_Sets_for_3D_Brain_Tumor_Segmentation
Lerski, R. A., Straughan, K., Schad, L. R., Boyce, D., Blüml, S., & Zuna, I. (1995). VIII. MR
image texture analysis—An approach to tissue characterization. Dundee DD1 9SY,
UK: Elsevier. doi:https://doi.org/10.1016/0730-725x(93)90205-r
Lestienne, R., & Buser, P. (2002). Cerveau, information, connaissance. CNRS.
Letteboer, M. M., Olsen, O. F., Dam, E. B., Willems, P. W., Viergever, M. A., & Niessen, W.
J. (2004). Segmentation of tumors in magnetic resonance brain images using an
interactive multiscale watershed algorithm. Image Sciences Institute, University
Medical Center. Heidelberglaan, USA: Elsevier.
doi:https://doi.org/10.1016/j.acra.2004.05.020
Liu, J., Udupa, J. K., Odhner, D., Hackney, D., & Moonis, G. (2005). A system for brain
tumor volume estimation via MR imaging and fuzzy connectedness. Philadelphie:
Elsevier. doi:https://doi.org/10.1016/j.compmedimag.2004.07.008
Lobato, R. D., Alday, R., Gómez, P. A., Rivas, J. J., Domínguez, J., Cabrera, A., . . . Ayerbe,
J. (1996). Brain oedema in patients with intracranial meningioma. Acta
Neurochirurgica, Service of Neurosurgery. Madrid: Springer.
doi:https://doi.org/10.1007/bf01411166
Lopes, M. B., & Laws, E. R. (2002). Low-grade central nervous system tumors. Virginia:
University of Virginia, Health Sciences Center. Récupéré sur
https://thejns.org/downloadpdf/journals/neurosurg-focus/12/2/foc.2002.12.2.2.pdf
Luo, S., Li, R., & Ourselin, S. (2003). A New Deformable Model Using Dynamic Gradient
Vector Flow and Adaptive Balloon Forces. Australi. Récupéré sur
https://staff.itee.uq.edu.au/lovell/aprs/wdic2003/CDROM/9.pdf
Mahmoud-Ghoneim, D., Toussaint, G., Constans, J. M., & Certaines, J. D. (2003). Three
dimensional texture analysis in MRI: a preliminary evaluation in gliomas. Rockville:
National Library of Medicine. doi:10.1016/s0730-725x(03)00201-7
 ~ viii ~

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~

images of a hemorrhagic glioblastoma multiforme. University of South Florida.

Floride: Elsevier. doi:https://doi.org/10.1016/0730-725x(94)00093-i
Plotkin, S. R., & T.Batchelor, T. (2001). Primary nervous-system lymphoma. Massachusetts
General Hospital, Neurology Service. Boston: Elsevier. Récupéré sur
https://www.sciencedirect.com/journal/the-lancet-oncology
Pohl, K. M., Bouix, S., Kikinis, R., & Grimson, W. E. (2004). Anatomical Guided
Segmentation With Non-Stationary Tissue Class Distributions in an Expectation-
Maximization Framework. Arlington, VA, USA: IEEE.
doi:https://doi.org/10.1109/isbi.2004.1398479
Pranjal, J., Harshita, D., & Shivim, C. (2017, Juin). Brain Tumor Extraction from MRI
Iamages Using Matlab. International journal of Electrical and Electronics
Engineers(ISNN(O)2321-2055), 1-2. Récupéré sur
http://www.arresearchpublication.com/images/shortpdf/1494993369_L1062ijeee.pdf
Prastawa, M., & Gerig, E. B. (2005). Synthetic Ground Truth for Validation of Brain Tumor
MRI Segmentation. Carolina: Springer Link.
Prastawa, M., Bullitt, E., Ho, S., & Gerig, G. (2004). A brain tumor segmentation framework
based on outlier detection. University of North Carolina, Department of Computer
Science. North Carolina: Elsevier. doi:https://doi.org/10.1016/j.media.2004.06.007
Prastawa, M., Bullitt, E., Moon, N., Leemput, K. V., & Gerig, G. (2003). Automatic brain
tumor segmentation by subject specific modification of atlas priors. USA: National
Center for Biotechnology Information. doi:https://doi.org/10.1016/s1076-
6332(03)00506-3
Rahman, T., & Islam, M. S. (2023). MRI brain tumor detection and classification using
parallel deep convolutional neural networks. Chattogram, Bangladesh: Elsevier.
doi:https://doi.org/10.1016/j.measen.2023.100694
Rajesh, C., & Bhalchandra, D. A. (2019). Brain Tumour Extraction from MRI Images Using
MATLAB. International Journal of Electronics, Communication & Soft Computing
Science and Engineering, 2(1), 4. Récupéré sur
http://www.hep.upatras.gr/class/download/psi_epe_iko/5-Brain-Tumour-Extraction-
from-MRI-Images-Using-MATLAB.pdf
Rexilius, J., Hahn, H. K., Klein, J., Lentschig, M. G., & Peitgen, H.-O. (2007). Multispectral
brain tumor segmentation based on histogram model adaptation. San Diego, USA:
NASA.
doi:https://ui.adsabs.harvard.edu/link_gateway/2007SPIE.6514E..0VR/doi:10.1117/12
.709410
Ricci, P. E., & Dungan, D. H. (2001). Imaging of low- and intermediate-grade
gliomas.Seminars in Radiation Oncology. Colorado Neurological Institute, Radiology
Imaging. Colorado: ELSEVIER.
Ringertz, N. (1950). Grading of gliomas. Bethesda, USA: National Center for Biotechnology
Information.
 ~ xi ~

Rocchisani, J. (2006). Images Médicales 3D : Tomographie et Echographie 3D. ENSTA.

Rohlfing, T., Brandt, R., Menzel, R., & Jr, C. R. (2004). Evaluation of atlas selection
strategies for atlas-based image segmentation with application to confocal
microscopy images of bee brains. Stanford University, Department of Neurosurgery.
Stanford: Elsevier. doi:https://doi.org/10.1016/j.neuroimage.2003.11.010
Ruan, S., Lebonvallet, S., Merabet, A., & Constans, J. (2007). Tumor segmentation from a
multispectral MRI images by using Support Vector Machine Classification. Computer
Science. Washington, USA.: IEEE. doi:https://doi.org/10.1109/ISBI.2007.357082
Russell, D. S., & Rubinstein, L. J. (2006). Russell and Rubinstein's Pathology of Tumors of
the Nervous System (éd. 7th). New York: Hodder Education.
Saha, B. N., Ray, N., Greiner, R., Murtha, A., & Zhang, H. (2012). Quick detection of brain
tumors and edemas: A bounding box method using symmetry. Alberta, Canada:
Elsevier. Récupéré sur
https://www.sciencedirect.com/science/article/abs/pii/S0895611111000796
Saha, P. K., & Udupa, J. K. (2001). Relative Fuzzy Connectedness among Multiple Objects:
Theory, Algorithms, and Applications in Image Segmentation. Philadelphie,
Pennsylvanie: Elsevier. doi:https://doi.org/10.1006/cviu.2000.0902
Saleh, A., Wenserski, F., & M. Cohnen, G. F. (2004). Exclusion of brain lesions: is MR
contrast medium required after a negative fluid-attenuated inversion recovery
sequence? Canada: National Library of Medicine. doi:10.1259/bjr/62546157
Saxena, P., & Maheshwari, S. (2021). Predictive Modeling of Brain Tumor: A Deep Learning
Approach. Research Gate. doi:http://dx.doi.org/10.1007/978-981-15-6067-5_30
Scherrer, B. (2008). Segmentation des Tissus et Structures sur les IRM Cérébrales : Agents
Markoviens Locaux Coopératifs et Formulation Bayésienne. Thèse de Doctorat,
Institut Polytechnique de Grenoble.
Schmidt, M., Levner, I., Greiner, R., Murtha, A., & Bistritz, A. (2005). Segmenting Brain
Tumors using Alignment-Based Features. University of Alberta, Department of
Computing Science. Canada: IEEE. Récupéré sur
https://www.cs.ubc.ca/~schmidtm/Documents/2005_ICMLA_ABTS.pdf
Seer. (2023, Fevrier). National Cancer Institute. Récupéré sur Seer Training Modules:
https://www.training.seer.cancer.gov/
Serra, J. (1986). Introduction to mathematical morphology. Paris: Elsevier.
doi:https://doi.org/10.1016/0734-189X(86)90002-2
Sharon, E., Brandt, A., & Basri, R. (2001). Segmentation and boundary detection using
multiscale intensity measurements. omputer Society Conference on Computer Vision
and Pattern Recognition. USA: IEEE. doi:https://doi.org/10.1109/CVPR.2001.990512
Shen, S. S. (2003). Preprocessing and segmentation of brain magnetic resonance images.
UK: IEEE.
 ~ xii ~

Shichun, P. J. (2005). Neural integration approach for sub-cortical structure segmentation.

Chine: Willey.
Singhaniya, M. (2017). CNN for Brain Tumor Segmentation. Indian: Indian Statical Institute.
Smirniotopoulos, J. G. (1999). The new WHO classification of brain tumors. Bethesda:
National Center for Biotechnology Information, USA. Récupéré sur
https://pubmed.ncbi.nlm.nih.gov/10517936/
Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing : A Practical
Approach with Examples in Matlab. Oxford: Wiley-Blackwell.
Solomon, J., Butman, J. A., & Sood, A. (2006). Segmentation of brain tumors in 4D MR
images using the hidden Markov model. Computer Methods and Programs in
Biomedicine. Sterling: Elsevier. doi:https://doi.org/10.1016/j.cmpb.2006.09.007
Soltanian-Zadeh, H., Windham, J. P., & Peck, D. J. (1996). Optimal linear transformation for
MRI feature extraction. IEEE. doi:https://doi.org/10.1109/42.544494
Stark, D. D., Bradley, J., & G, W. (1999). Magnetic Resonance Imaging. Nebraska: Mosby
Inc.
Steen, R. G. (1992). Edema and tumor perfusion: characterization by quantitative 1H MR
imaging. Bethesda: American Journal of Radiology, National Library of Medicine.
Sultan, H. H., Salem, N., & Al-Atabany, W. (2019). Multi-Classification of Brain Tumor
Images Using Deep Neural Network. IEEE.
doi:https://doi.org/10.1109/ACCESS.2019.2919122
Taheri, S., Ong, S. H., & Chong, V. (2007). Threshold-based 3D tumor segmentation using
level set (TSL). Texas, USA: IEEE. doi:https://doi.org/10.1109/WACV.2007.59
Terzopoulos, D. (1987). On Matching Deformable Models to Images. Opitica Publishing
Group. Récupéré sur https://web.cs.ucla.edu/~dt/papers/osa87/osa87a.pdf
Thiran, J., Warscott, V., & Macq, B. (1997). A Queue -Based Region Growing Algorithm for
Accurate Segmentation of Multi-Dimensional Digital Images (Vol. 17). Signal
Processing.
Thirion, J.-P. (1998). Image matching as a diffusion process: an analogy with Maxwell's
demons. Valbonne, France.: Elsevier. doi:https://doi.org/10.1016/S1361-
8415(98)80022-4
Thiruvikraman, P. K. (2020). A Course on Digital Image Processing with MATLAB. UK: IOP
Publishing.
Toga, A. W., Thompson, P. M., Mega, M. S., Narr, K. L., & Blanton, R. E. (2001).
Probabilistic approaches for atlasing normal and disease-specific brain variability.
Department of Neurology, Reed Neurological Research Center, Laboratory of Neuro
Imaging. Los Angeles: Springer. doi:https://doi.org/10.1007/s004290100198
Tsuchiya, K., Mizutani, Y., & Hachiya, J. (1996). Preliminary evaluation of fluid-attenuated
inversion-recovery MR in the diagnosis of intracranial tumors. Chicago: American
Journal Of Neuroradiology. Récupéré sur
 ~ xiii ~

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 ~

Learning and Sine-Cosine Fitness Grey Wolf Optimization. Bioengineering. Récupéré

sur https://www.mdpi.com/2306-5354/10/1/18/pdf
Zhou, J., Chan, K., Chong, V., & Krishnan, S. (2005). Extraction of brain tumor from MR
images using one-class support vector machine. Singapore: IEEE.
doi:https://doi.org/10.1109/iembs.2005.1615965
Zhu, Y., & Yan, Z. (1997). Computerized tumor boundary detection using a Hopfield neural
network. IEEE. doi:https://doi.org/10.1109/42.552055
Zizzari, A., Seiffert, U., Michaelis, B., Gademann, G., & Swiderski, S. (2001). DETECTION
OF TUMOR IN DIGITAL IMAGES OF THE BRAIN. Grèce: Proceedings of the
IASTED International Conference. Récupéré sur
https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=69dcc58e22d96ee5
9af9f2b39ce2aa5a759463c0
Zook, J. M., & Iftekharuddin, K. M. (2005). Statistical analysis of fractal-based brain tumor
detection algorithms. Memphis, USA: Elsevier.
doi:https://doi.org/10.1016/j.mri.2005.04.002
 ~A~

ANNEXES
Annexe 1:Code source de l'algorithme utilisé pour la première méthode

close all %////////////////%

clc %Réinitialisation%
clear all %////////////////%
[filename,pathname] =
uigetfile({'*.*';'*.bmp';'*.tif';'*.gif';'*.png'},'Pick an Image File')%
Importation d'images à partir d'un dossier contenant les images IRM %;
[I,path] = uigetfile('*.jpg','select a inpur image');
str=strcat(path,I);
s=imread(str);
figure;
imshow(s);
title('Image IRM ','FontSize',20);
I = imread([pathname,filename]);% Lecture de l'image IRM %
I = imresize(I,[200,200]);
I= rgb2gray(I);% Conversion en niveau de gris%
I= im2bw(I,.6);%Segmentation de Seuil .6%
figure, imshow(I);title('Image seuillée');
hy = fspecial('sobel');
hx = hy';
Iy = imfilter(double(I), hy, 'replicate');
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
L = watershed(gradmag);% Segmentation de bassin versant%
Lrgb = label2rgb(L);
figure, imshow(Lrgb), title('Image segmentée par BV');
se = strel('disk', 20);
Io = imopen(I, se);
Ie = imerode(I, se);
Iobr = imreconstruct(Ie, I);% Reconstruction de l'image%
Iobrd = imdilate(Iobr, se);
Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
Iobrcbr = imcomplement(Iobrcbr);
I2 = I;
fgm = imregionalmax(Iobrcbr); % Extraction de la tumeur%
I2(fgm) = 255;%Intensité lumineuse maximale%
se2 = strel(ones(5,5));
fgm2 = imclose(fgm, se2);
fgm3 = imerode(fgm2, se2);
fgm4 = bwareaopen(fgm3, 20);
I3 = I;
bw = (Iobrcbr);
figure,imshow(bw),title('Tumeur détectée');
 ~B~

subplot(141);imshow(s);title('Image IRM ','FontSize',20);

subplot(142);imshow(I);title('Image seuillée','FontSize',20 );
subplot(143);imshow(Lrgb), title('Image segmentée par BV','FontSize',20);
subplot(144);imshow(bw),title('Tumeur détectée','FontSize',20);

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.

Annexe 2:Code fonctionnel du filtre Anisotropique

function diff_im = anisodiff(im, num_iter, delta_t, kappa, option)

fprintf('Suppression du bruit\n');
fprintf('Filtrage terminé!!');

% Convert input image to double.

im = double(im);
% PDE (partial differential equation) initial condition.
diff_im = im;
% Center pixel distances.
dx = 1;
dy = 1;

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