Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientique Universit des Sciences et de la Technologie Houari Boumediene

Facult dlectronique et dInformatique

Dpartement Informatique
Projet de Fin dtude pour lobtention du diplme dingnieur dtat

Option :
Traitement dimages

Thme :

Dploiement sur une plateforme de visualisation, dun algorithme coopratif pour la segmentation dimages IRM bas sur les systmes multi-agents.

Sujet propos par : Pr L. BOUMGHAR Prsent par : Mlle Hadjer LAGUEL Soutenu le 12/10/2010 Devant le jury compos de :

Mme F. SOUAMI Mme S. BOUAGAR Mme F. DJIDEL

Prsidente Membre Membre

Monme N : 019 /2010

 mes parents et mes frres Lyes et Oussama que jaime plus que tout au monde.

Remerciements
Jadresse mes plus vifs remerciements Madame L. Boumghar qui ma encadre durant ce projet. Elle ma fait connatre le domaine du traitement dimages, et de limagerie mdicale. Je lui exprime toute ma gratitude, car elle a su me conseiller et me diriger avec ses remarques pertinentes. Et puis, je veux surtout remercier ceux qui ont fait de mon cursus universitaire un vrai bonheur, MES AMIS. Je commence par mes deux copines, Mlle Hamri Houda, qui avec son petit grain de folie a su me remonter le moral quand rien nallait. Hood tu vas terriblement me manquer ... enn jspre quon te rejoindra bientt. Quand je dis "On", cest bien sur pour dsigner mon autre amie, Mlle Hmidi Chahinez, celle qui avec ses mots dencouragement, ce fameux jour o jai craqu, ma remise en scelle. Ttais o toutes ces annes Chahy, enn comme on dit, "Mieux vaut tard que jamais". Tes vraiment une perle et vivement quon parte ensemble tudier dans lune de ces grandes universits qui te font rver. Je vous aime trs fort les copines. Et puis, comment ne pas remercier mes "frres de cur". Eux, je les remercierais matin et soir et je pense que ce sera insufsant. Jaimerais remercier M. Belarbi Khaled, dj parce que cest grce lui que jai eu ce sujet, et puis parce que jai toujours su que je pouvais compter sur lui, dailleurs presque chaque fois que je craquais, cest sur lui que a tombait et puis il na jamais cess de me proposer son aide et de mencourager. Tout simplement, sache que a a t un rel bonheur de te ctoyer Khaled, jen ai appris des choses grce toi, alors Merci, devrais je dire : "MERCI MAITRE". Un grand Merci galement M. Mebtouche Tarik, avec qui, jai eu le plaisir de partager ces 4 dernires annes dtude, fait de rire et de chansons. Merci Tarik, merci pour tout. Merci M. Touileb Yazid, parce quil a toujours demand de mes nouvelles, et quil ma sans cesse propos son aide. Et puis juste parce que cest Yazid, et que jaimerais lui dire, que le connaitre fut une merveilleuse chose. Je remercie vivement tout ceux qui mont aid et propos leur aide, M. Benmerar Tarik, M. Haouchine Nazim et Mlle Chaid Romaissa. Et puis Merci Hakim, Saadia, Sabrina, Zineb, Youcef et tous ceux que jaime.

Table des matires

Introduction Gnrale 1 Imagerie par Rsonance Magntique crbrale 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Comprendre le cerveau par limage . . . . . . . . . . . . . . . . . . . . . 1.3 Quelques notions danatomie crbrale . . . . . . . . . . . . . . . . . . . 1.3.1 Le cerveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Observation du cerveau . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Imagerie par rsonance magntique . . . . . . . . . . . . . . . . . . . . . 1.5.1 Principe physique de limagerie par rsonance magntique . . . . 1.5.1.1 Champ et moment magntique . . . . . . . . . . . . . . 1.5.1.2 Le phnomne de rsonance . . . . . . . . . . . . . . . . 1.5.1.3 Retour ltat dquilibre . . . . . . . . . . . . . . . . . 1.5.2 Squence dacquisition . . . . . . . . . . . . . . . . . . . . . . . . 1.5.3 Observation des tissus en IRM . . . . . . . . . . . . . . . . . . . . 1.5.3.1 IRM anatomique . . . . . . . . . . . . . . . . . . . . . . 1.5.3.2 IRM fonctionnelle . . . . . . . . . . . . . . . . . . . . . 1.5.4 Qualit des images acquises par IRM . . . . . . . . . . . . . . . . 1.5.4.1 Facteurs de qualit de limage . . . . . . . . . . . . . . . 1.5.4.2 Dfauts des images par rsonance magntique . . . . . . 1.5.5 Les apports de lIRM ltude du cerveau . . . . . . . . . . . . . 1.5.6 Quelques atlas concernant lIRM . . . . . . . . . . . . . . . . . . 1.6 Segmentation dimages de RMN crbrales : segmentation en matires ou en structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 La segmentation dimages mdicales 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . 2.2 Vision par ordinateur . . . . . . . . . . . . . . . . . . 2.2.1 Problmatique de linterprtation dimage . . 2.2.2 La gestion de lincertitude et de limprcision . 2.3 Mthodes de segmentation dimages . . . . . . . . . . 2.3.1 Mthodes de dtection de discontinuit . . . .

1 3 3 4 4 4 6 6 7 7 7 8 8 10 10 10 11 11 12 15 15

. . . . . . . . . . . . . . . . . . .

. 16 . 17 18 18 19 20 20 21 21

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

Table des matires 2.3.2 Mthodes de dtection de similarit . . . . . . . . . . . . 2.4 Segmentation par classication . . . . . . . . . . . . . . . . . . . 2.4.1 Mthodologie de la classication . . . . . . . . . . . . . . 2.4.2 Quelques mthodes de classication . . . . . . . . . . . . 2.4.2.1 Classication hirarchique . . . . . . . . . . . . 2.4.2.2 Classication non hirarchique (partitionnelle) . 2.4.3 La classication par les k-moyennes . . . . . . . . . . . . 2.4.3.1 Les nues dynamiques . . . . . . . . . . . . . . 2.4.3.2 K-means ou classication binaire . . . . . . . . 2.4.4 La classication oue . . . . . . . . . . . . . . . . . . . . 2.4.4.1 La logique oue . . . . . . . . . . . . . . . . . . 2.4.4.2 La thorie des sous ensembles ous . . . . . . . 2.4.4.3 Lalgorithme Fuzzy C-means (FCM) . . . . . . 2.4.4.4 Travaux utilisant la segmentation par FCM . . 2.4.5 Quelques mots sur la segmentation par classication . . 2.5 Segmentation contextuelle . . . . . . . . . . . . . . . . . . . . . 2.5.1 Segmentation par croissance de rgion . . . . . . . . . . 2.5.1.1 Prsentation de la croissance de rgion . . . . . 2.5.1.2 Algorithme gnral . . . . . . . . . . . . . . . . 2.5.1.3 Proprits de la croissance de rgion . . . . . . 2.5.2 Approche contextuelle par morphologie mathmatique . 2.5.2.1 Outils de la morphologie mathmatique . . . . 2.5.2.2 Travaux utilisant la morphologie mathmatique 2.6 Coopration en segmentation dimage . . . . . . . . . . . . . . . 2.6.1 Coopration squentielle . . . . . . . . . . . . . . . . . . 2.6.2 Coopration itrative . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 22 22 22 22 22 23 23 24 25 25 25 26 28 28 29 29 29 30 31 32 32 33 34 35 35 35

3 Systmes multi-agents en analyse dimages 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Systmes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Problmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 De lIntelligence Articielle Distribue (IAD) aux systmes multiagents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.3 Notion dagent . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4 Les systmes multi-agents ou SMA . . . . . . . . . . . . . . . . . 3.2.5 Interaction et organisation des agents . . . . . . . . . . . . . . . . 3.2.6 Les types dagents . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.7 Utilit des SMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Distribution et coopration du processus dinterprtation dimages . . . . 3.4 Plateformes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5 Prsentation de la plateforme multi-agents Spade . . . . . . . . . . . . . 3.5.1 Spade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.2 lments de la plateforme . . . . . . . . . . . . . . . . . . . . . . 3.5.3 Le gestionnaire dagent de Spade . . . . . . . . . . . . . . . . . . iv

36 . 36 . 37 . 37 . . . . . . . . . . . . 38 38 39 40 41 42 43 44 44 44 45 46

Table des matires 3.5.4 Modle des agents Spade . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Approches SMA proposes en Imagerie . . . . . . . . . . . . . . . . . . . . 48 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4 tude et mise en uvre du systme de segmentation 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 dition de lencphale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Extraction de lencphale . . . . . . . . . . . . . . . . . . . . . . . 4.3 Segmentation et classication des tissus du cerveau . . . . . . . . . . . . 4.3.1 Classication par k-means . . . . . . . . . . . . . . . . . . . . . . 4.3.2 Classication par Fuzzy C-means . . . . . . . . . . . . . . . . . . 4.3.2.1 Inuence du facteur de ou sur le degr dappartenance 4.3.2.2 Classication de lencphale . . . . . . . . . . . . . . . . 4.3.2.3 Bilan sur la segmentation par FCM . . . . . . . . . . . . 4.4 Description de lapproche de segmentation propose . . . . . . . . . . . . 4.4.1 Approche cooprative et SMA : intrt et dicult . . . . . . . . 4.4.2 Choix des outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3 Architecture du systme multi-agents . . . . . . . . . . . . . . . . 4.4.3.1 Interaction et communication entre agents . . . . . . . . 4.4.3.2 Les types dagents . . . . . . . . . . . . . . . . . . . . . 4.4.3.3 Excution des requtes . . . . . . . . . . . . . . . . . . . 4.4.3.4 Le modle interne des agents . . . . . . . . . . . . . . . 4.4.3.5 Organisation des donnes . . . . . . . . . . . . . . . . . 4.5 Prsentation de larchitecture du module de segmentation . . . . . . . . . 4.5.1 Caractristiques des agents . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Comportement des agents . . . . . . . . . . . . . . . . . . . . . . 4.5.3 Architecture logicielle des agents . . . . . . . . . . . . . . . . . . 4.5.4 La croissance de rgion cooprative . . . . . . . . . . . . . . . . . 4.5.4.1 Slection des germes . . . . . . . . . . . . . . . . . . . . 4.5.4.2 Prdicat . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.4.3 Le critre darrt . . . . . . . . . . . . . . . . . . . . . . 4.5.5 Inuence de la granularit des agents . . . . . . . . . . . . . . . . 4.5.6 Comparaison des rsultats avec ceux de la FCM . . . . . . . . . 4.6 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Dploiement sur BrainVISA 5.1 Introduction . . . . . . . . . . . . . . . . . . 5.2 Plate-forme BrainVISA . . . . . . . . . . . . 5.2.1 Prsentation . . . . . . . . . . . . . . 5.2.2 Gestion des donnes dans BrainVISA 5.2.3 Les boites outils de BrainVisa . . . 5.2.4 Interface graphique de BrainVISA . . 5.3 Dploiement . . . . . . . . . . . . . . . . . . 5.3.1 Crer un nouveau traitement . . . . . 51 51 52 52 54 54 56 56 56 56 57 58 59 60 61 61 61 62 62 64 64 64 66 67 68 69 69 69 70 70 72 73 73 74 74 75 75 76 77 77

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

Table des matires 5.3.2 Interface du traitement . . . . . . . . . . . . . . . . . . . . . . . . . 79 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Conclusion Gnrale A Anatomie crbrale A.1 Le systme nerveux central A.1.1 La molle pinire A.1.2 Le tronc crbral . A.1.3 Le cerveau . . . . . 83 84 84 84 84 85 86 86 87 87 88 88 88 89 89 90 90 90 91 92

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

B Principe physique de lImagerie par Rsonance Magntique B.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.2 La prcession libre . . . . . . . . . . . . . . . . . . . . . . . . . . B.3 La rsonance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.4 Basculement du MML . . . . . . . . . . . . . . . . . . . . . . . . B.5 Ncessit de la rsonance . . . . . . . . . . . . . . . . . . . . . . . B.6 La relaxation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.6.1 Retour lquilibre du MML . . . . . . . . . . . . . . . . B.6.2 Retour lquilibre du MMT . . . . . . . . . . . . . . . . B.7 Formation de limage . . . . . . . . . . . . . . . . . . . . . . . . . B.7.1 Le codage spatial . . . . . . . . . . . . . . . . . . . . . . . B.7.2 Lespace k et la reconstruction par transforme de Fourier B.8 Dfauts des images IRM . . . . . . . . . . . . . . . . . . . . . . . Bibliographie

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

vi

Table des gures

1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.1

Schma dun cerveau humain. Vue sagittale gauche. Vue coronale droite. Les trois axes de coupe pour la visualisation du cerveau [Ger99]. . . . . . La prcession dun proton soumis au champ magntique B0 . . . . . . . . . Squences dIRM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IRM fonctionnelle crbrale. . . . . . . . . . . . . . . . . . . . . . . . . . . Eet de volume partiel daprs [Jag98]. . . . . . . . . . . . . . . . . . . . . Observation du dcalage chimique. . . . . . . . . . . . . . . . . . . . . . . Panneau extrait du Whole Brain Atlas. . . . . . . . . . . . . . . . . . . . . Direntes fentres de visualisation dAnatomist . . . . . . . . . . . . . . . Principe de la croissance de rgion sur une image 2D :(a) image initiale cinq niveaux de gris (point germe en rouge, en haut de limage), (b) et (c) sont les tapes successives de la croissance de rgion jusqu obtention du rsultat (d). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Segmentation dune image synthtique de 256 niveaux de gris additionne dun bruit gaussien (cart type = 10). (b)-(d) volution de la segmentation partir de deux germes (a). . . . . . . . . . . . . . . . . . . . . . . . . . De la gauche vers la droite : Image originale (en noir : lobjet ; en blanc : le fond), Dilatation par un carr 3x3, rosion par un carr 3x3. . . . . . De la gauche vers la droite : Image originale, Fermeture par un carr 3x3, Ouverture par un carr 3x3. . . . . . . . . . . . . . . . . . . . . . . . . . dition de lencphale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reprsentation schmatique dun SMA, . . . . . . . . . . . . . . . . . . Agent cognitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Agent ractif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les dirents modes de coopration entre oprateurs. . . . . . . . . . . . Schma de Spade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modle dun agent Spade . . . . . . . . . . . . . . . . . . . . . . . . . . . Principe de la gnration successive des agents de segmentation partir du contour du cerveau, pour la matire grise, puis la matire blanche. Daprs [Ger99] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Trois types dagents co-existent dans le systme . . . . . . . . . . . . . .

5 6 8 9 10 14 14 15 16

. 30

2.2

. 31 . 33 . 34 . 34 . . . . . . 40 41 42 44 45 47

2.3 2.4 2.5 3.1 3.2 3.3 3.4 3.5 3.6 3.7

3.8

. 48 . 49

Table des gures 3.9 Socit dagents organise en pyramide irrgulire. Daprs [Duc01] . . . . . 49 3.10 Segmentation dune coupe frontale. . . . . . . . . . . . . . . . . . . . . . . 50 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 5.1 5.2 5.3 5.4 5.5 dition de lencphale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Segmentation de lencphale par les k-means, (a) : Image originale . . . . . Comportement des C moyennes oues en fonction de lindice de ous [Har05]. Segmentation de lencphale par FCM. . . . . . . . . . . . . . . . . . . . . Segmentation de lencphale par croissance de rgions [Har05]. . . . . . . . Slection des germes par FCM. . . . . . . . . . . . . . . . . . . . . . . . . Segmentation dune coupe axiale et coronale. (a) plan axial et (b) plan coronal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rsultats de la segmentation sur des images relles . . . . . . . . . . . . . Schma de larchitecture de BrainVISA Interface de BrainVISA . . . . . . . . . Structure dun traitement BrainVISA . Interface du processus dvelopp . . . . Fentre danatomist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 55 57 58 59 69 70 71 74 76 78 80 80

A.1 Le tronc crbral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 A.2 Le systme nerveux central. . . . . . . . . . . . . . . . . . . . . . . . . . . 85 B.1 Les deux orientations de spin dun proton. . . . . . . . . . . . . . . . . . . 87 B.2 Composantes transversale Mxy et longitudinale Mz du moment magntique macroscopique total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 B.3 La relaxation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

viii

Liste des tableaux

B.1 Temps de relaxation longitudinaux et transvers aux moyens pour quelques milieux courants en IRM 1.5 Tesla. . . . . . . . . . . . . . . . . . . . . . 90

Introduction Gnrale

Limagerie par rsonance magntique (IRM) a connu un vritable essor ces dernires annes. Cette modalit dimagerie est devenue un outil de plus en plus important en mdecine du cerveau ou dans la recherche en neurosciences cognitives. En eet, les champs dexploration que cette technique ore sont larges : lIRM anatomique qui permet dobserver avec une rsolution ne les tissus crbraux, lIRM fonctionnelle qui ore la possibilit de visualiser lactivit crbrale et lIRM de diusion qui permet dexplorer laspect de la connectivit des aires crbrales. Pour diagnostiquer certaines maladies lies des lsions crbrales internes, le mdecin doit analyser des images mdicales. Pour tudier lvolution dune tumeur, il est ncessaire de connatre avec exactitude les changements survenus sur ces images. Linterprtation visuelle des IRM crbrales, nest pas toujours sre. Cest pour cela que le besoin dune interprtation automatique qui permet dassister les mdecins dans leur prise de dcision sest fait ressentir. Ainsi, pour une identication et un diagnostic ables, dans le domaine mdical, la prcision est primordiale. En terme danalyse dimages, il est plus que ncessaire que la segmentation soit prcise. Les possibilits de traitement automatique de ces images savrent pourtant dlicates, car des capacits aussi banales pour lil humain que la reconnaissance dun objet posent de relles dicults pour loutil informatique. De plus, la plupart des images mdicales sont aectes, par des artefacts, qui rendent dicile la segmentation. Ces artefacts ont des origines direntes, ils peuvent tre dus aux bruits, au patient lui-mme cause de ses mouvements, volontaires ou pas, pendant lacquisition de limage. Outre ces types dartefacts, les Images par Rsonance Magntique (IRM) sont particulirement caractrises par leet de volume partiel que lon retrouve lorsquun pixel ayant un certain niveau de gris correspond en ralit un mlange de deux ou plusieurs tissus ; les pixels sont ici appels mixels. Cet artefact existe principalement aux frontires entre tissus. Lobjectif de notre travail est de concevoir un systme de classication dimages mdicales, plus particulrement des IRM du cerveau. Notre segmentation extrait les trois principales matires composant le cerveau : la matire blanche (MB), la matire grise (MG) et le Liquide Cphalo-Rachidien (LCR).

Il existe plusieurs algorithmes de segmentation dimages, selon le cas rsoudre. Or chaque mthode possde ses avantages et ses limites dutilisation. Dans notre travail, nous utilisons une mthode cooprative, de manire nutiliser que les avantages des direntes mthodes. En eet, nous tirons partie dune mthode de segmentation utilisant limage dans sa globalit pour la segmenter, combine un algorithme qui permet de tenir compte des caractristiques locales de limage. Nous exploitons une classication base sur la logique oue ainsi que la mthode de la croissance de rgions. An dutiliser la croissance de rgions de manire plus ecace et pour ladapter nos images, nous basons notre systme sur un systme multi-agents (ou SMA). Ce mmoire sarticule autour de cinq chapitres qui nous permettront de prsenter les dirents aspects de notre travail. Le premier chapitre est ddi au cadre dapplication de ce mmoire. Il introduit les termes et concepts essentiels pour apprhender lanalyse des images IRM crbrales. Nous y prsentons quelques notions danatomie du cerveau, qui permettront dintroduire les principes de limagerie par rsonance magntique crbrale. Nous dcrivons ensuite lobjectif de notre travail. Le second chapitre vise tablir un tat de lart des mthodes de segmentation dimages mdicales. En eet, nous dcrivons les direntes techniques retenues pour notre approche. Des mthodes de classication telles que K-means et FCM sont utilises pour notre travail, ainsi que des mthodes contexctuelles, comme la croissance de rgion et la morphologie mathmatique. Le troisime chapitre est consacr la prsentation des systmes multi-agents et leur utilisation en analyse dimages. Le quatrime chapitre dcrit ltude et la mise en uvre du systme de segmentation propos. Nous dtaillons les direntes tapes par lesquelles nous sommes passes, en justiant nos choix. la n, nous exposons les rsultats obtenues sur des images relles. Enn, le cinquime chapitre prsente les tapes de dploiement du systme de segmentation sur la plateforme de visualisation. Cette dernire y est prsente avec ses caractristiques.

Chapitre

1
3 4 4 4 6 6 7 8 10 11 15 15 16 17

Imagerie par Rsonance Magntique crbrale

Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comprendre le cerveau par limage . . . . . . . . . . . . . . . . . Quelques notions danatomie crbrale . . . . . . . . . . . . . . . . 1.3.1 Le cerveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Observation du cerveau . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Imagerie par rsonance magntique . . . . . . . . . . . . . . . . . 1.5.1 Principe physique de limagerie par rsonance magntique . . . . . . 1.5.2 Squence dacquisition . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.3 Observation des tissus en IRM . . . . . . . . . . . . . . . . . . . . . 1.5.4 Qualit des images acquises par IRM . . . . . . . . . . . . . . . . . . 1.5.5 Les apports de lIRM ltude du cerveau . . . . . . . . . . . . . . . 1.5.6 Quelques atlas concernant lIRM . . . . . . . . . . . . . . . . . . . . 1.6 Segmentation dimages de RMN crbrales : segmentation en matires ou en structures . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 1.2 1.3

1.1

Introduction

[Lag10] Malgr les avances technologiques dans le domaine mdical et en particulier en imagerie mdicale, ltude du cerveau humain est un problme ardu et reste un sujet de recherche de forte actualit, du fait dune comprhension de son fonctionnement encore incomplte et de la mise disposition de systmes informatiques de plus en plus puissants avec lvolution des techniques dimagerie, la grande capacit de calcul des machines...etc. Une des modalits dimagerie les plus couramment utilises, laquelle nous nous sommes intresses dans le cadre de ce travail, est lImagerie par Rsonance Magntique (IRM), qui est devenue un outil indispensable pour tout examen clinique. Elle prsente lavantage

1.2. Comprendre le cerveau par limage dtre non invasive et permet lacquisition dimages bi ou tridimensionnelles sur lesquelles dirents contrastes sont possibles. Cette modalit permet en outre la ralisation dtudes du cerveau aussi bien anatomiques que fonctionnelles. travers ce chapitre, nous prsentons limagerie par rsonance magntique, ses caractristiques ainsi que ses dfauts ce qui nous aidera dans son analyse. Mais avant tout nous voquons limagerie crbrale et quelques notions danatomie crbrale qui vont nous permettre dintroduire les direntes structures anatomiques qui doivent tre localises et identies sur les images.

1.2

Comprendre le cerveau par limage

Limage est un outil sans conteste trs utilis dans le domaine de la mdecine. La rsonance magntique (IRM) quelle soit classique, fonctionnelle ou de diusion, les rayonnements X, lmission de positons (TEP) ou encore les ultrasons sont autant de techniques au service des mdecins et biologistes pour explorer un corps in vivo. En eet, les progrs, et mme les sauts technologiques, raliss dans le domaine des technologies dimagerie mdicale permettent actuellement de visualiser des processus biologiques au sein mme des organismes vivants. Ces progrs, au moment o les recherches sur le cerveau sont un stade crucial de leur dveloppement, ouvrent de nouveaux champs qui permettront de renouveler totalement notre comprhension des maladies crbrales et de dvelopper des stratgies thrapeutiques innovantes. Limagerie crbrale (dite aussi neuro-imagerie) rend possible lobservation toujours plus ne du cerveau humain, ses techniques visent notamment : Cartographier de plus en plus prcisment les aires crbrales qui sous-tendent les fonctions cognitives. Comprendre le cheminement et le mode de traitement de linformation dans le cerveau. Comprendre les pathologies crbrales. Il faut savoir quil existe trois types dimagerie crbrale, la neuro-imagerie anatomique (ou structurelle), la neuro-imagerie fonctionnelle, et limagerie de diusion. Les deux premires notions seront abordes dans le cas particulier de lIRM dans les paragraphes qui suivent.

1.3

Quelques notions danatomie crbrale

Cette partie entend prsenter quelques notions gnrales sur le cerveau qui seront utiles par la suite. Plus de dtails sont mis disposition en annexe A.

1.3.1

Le cerveau

Le cerveau est la partie la plus volumineuse du systme nerveux central. Il est constitu essentiellement de deux hmisphres, spars par la scissure inter-hmisphrique, et relis 4

1.3. Quelques notions danatomie crbrale par direntes structures telles que le corps calleux, le thalamus et lhypothalamus. Le cerveau est compos de substances (ou matires) : la matire blanche et la matire grise et baigne dans un liquide appel liquide cphalo-rachidien (Figure 1.1)

Fig. 1.1: Schma dun cerveau humain. Vue sagittale gauche. Vue coronale droite.

Le liquide cphalo-rachidien Le liquide cphalo-rachidien (LCR) entoure le cerveau et remplit les ventricules. Il permet de protger le cerveau des chocs en jouant le rle damortisseur, et remplit des fonctions importantes dans les changes entre le sang et les tissus nerveux. La matire grise On peut distinguer plusieurs structures composes de matire grise (MG). Dune part, on trouve le cortex, situ la priphrie du cerveau et dautre part les noyaux gris centraux. La matire grise est essentiellement compose de neurones et constitue donc le sige de lactivit crbrale. Le cortex : Il est le centre de la conscience. Le cortex recouvre la totalit du cerveau. Sa surface est importante (environ 22 000 cm2 ) car il suit toutes les convolutions externes du cerveau, appeles sillons. Son paisseur est denviron 2 3 millimtres. Les noyaux gris centraux : Situs au plus profond du cerveau, ils grent certaines fonctions vitales, ainsi que la mmoire. La densit en neurones des noyaux est moins importante que celle du cortex. On distingue les noyaux du tlencphale et les noyaux du diencphale.

1.4. Observation du cerveau La matire blanche La matire blanche MB (ou substance blanche) se situe dans la partie interne du cerveau. Elle correspond la gaine de myline 1 qui recouvre les axones des neurones pour en acclrer la conduction. Ces axones myliniss sassemblent en faisseaux (lquivalent des nerf) pour aller tablir des connexions avec dautres groupes de neurones.

1.4

Observation du cerveau

Le cerveau peut tre observ par des coupes bidimensionnelles selon plusieurs angles de vue. Il existe principalement trois axes anatomiques qui permettent de raliser les coupes : axiale, sagittale et frontale (Figure 1.2). Coupe axiale (ou transverse) : cette coupe reprsente une vue de dessus du cerveau. Elle correspond un plan perpendiculaire au champ magntique statique. Coupe sagittale : cette coupe est relative un plan parallle au plan interhmisphrique. Il sagit de vues latrales du cerveau. Coupe frontale (ou coronale) : cette coupe est une vue de face du cerveau. Elle est acquise sur le plan perpendiculaire aux coupes axiale et sagittale.

Fig. 1.2: Les trois axes de coupe pour la visualisation du cerveau [Ger99].

1.5

Imagerie par rsonance magntique

Limagerie par rsonance magntique (IRM) est maintenant loutil majeur du diagnostic et du suivi thrapeutique de multiples pathologies en particulier crbrales, tous les ges de la vie, du fait de son innocuit, de sa facilit dutilisation et de la prcision des rsultats fournis. LIRM est une mthode dimagerie dinvestigation in vivo non traumatique, capable dtudier des tissus dits mous tels que le cerveau, la moelle pinire et les muscles. Elle permet davoir une vue 2D ou 3D dune partie du corps. Elle repose sur la technique de rsonance magntique nuclaire (RMN) dont le principe physique est expos brivement travers ce paragraphe, et est plus dtaill dans lannexe
1

Myline : substance grasse qui sert isoler et protger les bres nerveuses

1.5. Imagerie par rsonance magntique B. Ce paragraphe traite galement des caractristiques et des imperfections des images acquises par IRM. Pour plus dinformations, se rfrer [DP06] et [Ger99].

1.5.1

Principe physique de limagerie par rsonance magntique

La rsonance magntique nuclaire est une technique en dveloppement depuis une cinquantaine dannes. Le phnomne physique a t conceptualis en 1946 simultanment par Flix Bloch et Edwards Mills Pucell. Ils ont constat quen plaant un objet ou un tissu organique quelconque dans un champ magntique, on pouvait connaitre grce un signal que cet objet met, sa constitution. Ils ont obtenu le prix Nobel en 1952. 1.5.1.1 Champ et moment magntique

Lorganisme est constitu datomes ou de structures datomes (molcules). La RMN et limagerie par RMN (IRM) font appel aux proprits magntiques des noyaux atomiques des molcules. Ces proprits magntiques sont reprsentes par un vecteur appel "moment magntique". La valeur du moment magntique mesure est proportionnelle une grandeur caractristique de la particule en rotation sur elle-mme, appele spin . Latome dhydrogne est la base de la plupart des applications mdicales de lIRM. En eet, on le trouve en grande quantit dans les molcules qui composent les tissus biologiques comme leau et les liquides organiques. Dans un petit volume de tissu biologique, les dirents noyaux dhydrognes (ou pro tons) ont des moments magntiques orients au hasard. Au repos la rsultante (somme est nulle. des moments magntiques) M = Lorsque les protons sont plongs dans un champ magntique B0 , leurs moments ma gntiques de spin salignent localement sur la direction de B0 . En pratique, ils se rpartissent en deux groupes : ceux dont les spins sont "parallles" B0 et ceux dont les spins sont "antiparallles" B0 . Ils peuvent avoir un des deux tats dnergie dirents (positif ou ngatif). On dit alors que les spins sont anims dun mouvement de prces sion autour de B0 une frquence prcise dpendant directement de B0 , la frquence de Larmor (ou frquence de rsonance) (Figure 1.3). Lorientation parallle est la plus probable, car le niveau dnergie est plus bas quen position antiparallles. Ceci gnre une rsultante M oriente dans la direction du champ B0 . La relation mathmatique existant entre le champ magntique impos de norme B0 et la frquence de rsonance (retournement de spin) f0 est trs simple : B0 2 o : est un facteur appel rapport gyromagntique. f0 =

1.5.1.2

Le phnomne de rsonance

Le principe de la rsonance magntique nuclaire consiste en lapplication dune onde lectromagntique B1 la frquence de rsonance, pour que lapport nergtique soit pos7

1.5. Imagerie par rsonance magntique

Fig. 1.3: La prcession dun proton soumis au champ magntique B0 sible : cest limpulsion RF, ou impulsion radio-frquence. Londe magntique oscillante, note B1 va donc avoir comme rle de faire basculer les moments magntiques de spin pour les placer dans un plan perpendiculaire la direction du champ statique B0 , cest ce quon appelle lexcitation. Le moment magntique macroscopique M volue au cours du temps suivant un mouvement que lon peut dcrire comme une spirale assortie dun basculement [Blo46]. Langle de basculement de M varie en fonction de lnergie mise, cest--dire de la dure et de lamplitude de cette excitation. Cette nouvelle conguration est instable et latome revient rapidement ltat stable, ds larrt de lexcitation propage par limpulsion RF. 1.5.1.3 Retour ltat dquilibre

Lors de larrt de lexcitation par impulsion RF, la dynamique de retour des spins ltat dquilibre cre une onde lectro-magntique qui peut tre mesure par une antenne. La mesure IRM est en fait la mesure du temps de relaxation de ce signal : elle dpend de lintensit du champ magntique constant B0 mais galement de la nature des tissus. Plus prcisment, il se trouve que des phnomnes physiques dirents caractrisent la relaxation de laimantation longitudinale mz et de laimantation transverse mxy . Ces phnomnes sont caractriss par deux chelles temporelles que lon a coutume de paramtrer par deux constantes de temps T1 , relaxation de mz et T2 , relaxation de mxy . Dautres modalits dacquisition permettent de mesurer les constantes T2 (relaxation transversale incomplte) et (densit de protons). Limage sera forme par le traitement et la traduction en contraste de lnergie qui accompagne le retour ltat dquilibre et qui est mesure par lantenne rceptrice.

1.5.2

Squence dacquisition

Aprs avoir vu les notions de base concernant limagerie par rsonance magntique, nous allons maintenant dcrire les dirents types de contrastes qui permettent dobtenir des images contenant des informations de natures direntes nommes modalits. 8

1.5. Imagerie par rsonance magntique

Fig. 1.4: Squences dIRM. Images dune mme coupe du cerveau humain, pondres en : (a) densit de protons, (b) T1 et (c) en T2 . Dans lIRM classique, on peut pondrer limage en T1 , T2 ou en densit de protons, suivant certains paramtres dacquisition : le temps dcho TE, cest--dire le temps qui spare limpulsion RF et lacquisition du signal ; le temps de rptition TR, cest dire le temps entre deux impulsions RF conscutives. Les tissus ayant des temps T1 et T2 dirents en fonction de leur richesse en atome dhydrogne et en fonction du milieu dans lequel ces derniers voluent, peuvent renvoyer des signaux dirents si lon arrive mettre en vidence ces dirences de temps. Trois types de contrastes peuvent donc tre obtenus (voir Figure 1.4) : En utilisant un temps de rptition court (TR) et un temps dcho (TE) court (neutralise les dirences de temps T2 ), on obtient un contraste dimage pondre en T1 , pondration dite anatomique . En utilisant un temps de rptition long (neutralise les dirences de temps T1 ) et un temps dcho long, on obtient un contraste dimage dite pondre en T2 , dite aussi pondration tissulaire . Pour les images pondres en densit de protons, le contraste est obtenu lorsque lintensit de limage dpend essentiellement de la densit locale de protons et beaucoup moins des constantes de relaxation T1 et T2 . Il est obtenu en utilisant un TR long et un TE court. Chaque modalit contient des informations spciques ne se retrouvant pas dans les autres. partir des images pondres en T1 , on peut par exemple distinguer les dirents tissus crbraux tels que la matire blanche, la matire grise et le liquide cphalo-rachidien, tandis que les images pondres en T2 mettent plus facilement en vidence certaines anomalies comme les lsions dues la sclrose en plaque (SEP).

1.5. Imagerie par rsonance magntique

1.5.3

Observation des tissus en IRM

LIRM ore la possibilit de visualiser lanatomie dorganes profonds et opaques. Elle permet den connatre la structure anatomique, mais galement den suivre le fonctionnement ; il sagit dans le premier cas dune IRM anatomique, dans le deuxime dune IRM fonctionnelle. 1.5.3.1 IRM anatomique

En observant, sous leet dun champ magntique intense, la rsonance des noyaux dhydrogne, prsents en abondance dans leau et les graisses des tissus biologiques, cette technique permet en particulier de visualiser le cerveau en coupes montrant les dtails des structures crbrales (matire grise, matire blanche) avec une prcision millimtrique. Cette imagerie anatomique est utilise par les radiologues pour la dtection et la localisation de lsions crbrales. 1.5.3.2 IRM fonctionnelle

Avec le dveloppement de techniques ultrarapides dacquisition et de traitement de donnes, il est devenu possible de raliser des images RMN en des temps susamment brefs (jusqu 0,02 seconde) pour suivre certains aspects du mtabolisme. Quand nous parlons, lisons, bougeons, pensons..., certaines aires de notre cerveau sactivent. Cette activation des neurones se traduit par une augmentation du dbit sanguin local dans les rgions crbrales concernes (voir Figure 1.5 ).

Fig. 1.5: IRM fonctionnelle crbrale. Les rgions en jaune correspondent aux zones corticales actives lors de la stimulation du sujet. LIRM permet dobtenir des images du dbit sanguin avec une grande prcision anatomique (1 mm) et temporelle (1/10e de seconde). La mthode la plus utilise actuellement est celle base sur laimantation de lhmoglobine contenue dans les globules rouges du sang. Lhmoglobine se trouve sous deux formes : les globules rouges oxygns par les poumons contiennent de loxyhmoglobine (molcule non active en RMN) ; 10

1.5. Imagerie par rsonance magntique les globules rouges dsoxygns par les tissus contiennent de la dsoxyhmoglobine (active en RMN). En suivant la perturbation du signal de RMN mis par cette molcule, il est donc possible dobserver laux de sang oxygn, qui chasse le sang dsoxygn, et ainsi les zones actives du cerveau. En faisant lacquisition dimages une cadence rapide (une image toutes les secondes), il est possible de suivre en direct, sous forme de lm, les modulations de dbit sanguin lies lactivit crbrale.

1.5.4

Qualit des images acquises par IRM

Contrairement dautres types dimages, il est vident quen imagerie mdicale, il est ncessaire davoir le moins de dformations ou de dgradations sur limage pour ne pas gner voire fausser le diagnostic. La complexit de lIRM tient certainement de laspect multiparamtrique de cette technique. Les paramtres mis en jeu vont inuencer la qualit de dimage en modiant un ou plusieurs critres tudis prcdemment. Rappelons que certains paramtres sont inaccessibles loprateur ; dautres par contre, dpendent directement du paramtrage lors de la prparation de la squence dacquisition. 1.5.4.1 Facteurs de qualit de limage

La qualit des images IRM dpend de plusieurs paramtres : Rsolution spatiale contraste Le rapport signal sur bruit En fonction de la rgion anatomique tudie, de la pathologie recherche, et des prfrences de lquipe, on privilgiera lun ou lautre de ces paramtres. Le rapport signal sur bruit Le bruit correspond aux "parasites". Alatoire, il provient du patient (agitation thermique des protons lorigine dmissions parasites) et dans une moindre mesure de la chane de mesure (bruit "lectronique"). Il vient perturber le signal mis par les protons excits de la coupe dintrt. Le rapport signal / bruit est fonction de la moyenne de lintensit du signal par rapport limportance de la variation du bruit. Cest le facteur qui conditionne le plus la qualit de limage par rsonance magntique. Il inuencera le contraste et la rsolution spatiale : le problme pos loprateur est celui de la recherche du meilleur S/B avec la meilleure rsolution spatiale, cest dire le plus petit voxel. Le rapport signal/bruit dpend de : facteurs non modiables : intensit du champ, squence dondes RF, caractristiques tissulaires. facteurs modiables : antenne utilise. paramtres de la squence : taille du voxel (rsolution spatiale en 3D), nombre dexcitations, bande passante de rception.

11

1.5. Imagerie par rsonance magntique Le contraste Le contraste dpend du type de squence utilis, de ses paramtres et des ventuelles prparations daimantation employes. Le contraste sera optimis an de rpondre aux objectifs de la squence : tude anatomique, caractrisation tissulaire, recherche dun dme, de sang, de graisse ou de liquide, tude de ux vasculaire, rehaussement... Le temps dacquisition et la qualit de limage sont interdpendants : il faudra choisir un compromis entre ces deux paramtres lors du paramtrage dune squence IRM. Le contraste peut tre exprim en fonction du signal par la relation : C= Sa Sb Sm

o : Sa et Sb sont des radiomtries de deux structures conscutives, Sm est la mesure du signal moyen sur une zone homogne de limage. La facult de pouvoir direncier deux tissus est ainsi plus justement apprcie par la notion de contraste sur bruit : C/B. La rsolution spatiale La rsolution spatiale correspond la "nesse" de limage, cest--dire la taille du plus petit dtail que lon pourra dtecter. Ainsi, plus les voxels de signal enregistrs seront petits, plus la rsolution spatiale sera leve. Le volume du voxel est dni par la dimension de la matrice (256 x 256 ou 512 x 512 etc..), le champ de vue (10 cm, 20 cm, etc.. . . ), et lpaisseur de coupe. Donc laugmentation de la rsolution spatiale entraine une baisse du rapport S/B, celui-ci tant proportionnel au volume du voxel. Le contrle de la rsolution spatiale par la taille du voxel est eectif si le contraste et le rapport S/B sont susants. En eet, le gain en rsolution spatiale peut tre inecace si limage est trop bruite. Ainsi, la qualit dimage est un problme permanent qui se pose loprateur dIRM. Celui-ci est constamment la recherche du meilleur compromis possible entre un bon rapport signal sur bruit, une rsolution spatiale optimale et une dure dexamen acceptable. Pour un contraste donn, ces trois paramtres sont lis, lamlioration dans un domaine se faisant au dtriment de lun ou des deux autres. Cest essentiellement en jonglant avec les dirents paramtres, quil sera possible de maintenir une qualit dimage optimale. 1.5.4.2 Dfauts des images par rsonance magntique

Il existe principalement trois paramtres entrant en jeu dans la formation dune image par rsonance magntique T1 , T2 et . Par ailleurs, il existe dautres facteurs qui ne sont pas maitrisables et qui ont une inuence nuisible sur la qualit des images et peuvent entrainer une dgradation. LIRM, comme toutes les autres techniques dimagerie mdicale, nchappe pas la constitution de fausses images : les biais ou les artefacts.

12

1.5. Imagerie par rsonance magntique Les artefacts en IRM peuvent dformer limage anatomique relle et / ou simuler un processus pathologique. Il existe entre autres les artefacts suivants : Les artefacts lis au mouvement Lartefact de mouvement est un des artefacts les plus frquemment rencontrs. Comme son nom lindique, il se constitue lorsquil y a translation dans lespace du segment tudi au cours de lacquisition. Il y a deux types de mouvements rencontrs : Les mouvements priodiques : Ce sont les mouvements de la respiration, les battements cardiaques et les ux sanguins. Les mouvements apriodiques (alatoires) : Ce sont les mouvements du patient, les mouvements oculaires, le ux du liquide crbro-spinal ... etc. Ces artefacts se traduisent par des phnomnes daspects trs variables : il sagit souvent dapparition dimages fantmes de la structure en mouvement. Variations du champ magntique Les variations de champ ont pour consquence une variation des intensits dun mme tissu dans une direction quelconque de limage. Ce phnomne est d au fait que le champ magntique nest pas parfaitement homogne spatialement et temporellement lors dune acquisition. Il existe de plus des non-linarits de gradient de champ magntique. Les htrognits dans le champ magntique principal et dans le champ gnr par les impulsions RF peuvent provoquer une htrognit dans la distribution des intensits des images obtenues en IRM, ce qui handicape les approches purement photomtriques. Ce type dartefacts nest pas foncirement gnant pour le clinicien. Par contre, il peut tre problmatique pour un systme de traitement dimages automatique. Par exemple, si on suppose que lintensit dune classe est constante sur toute limage, et quon applique des techniques de segmentation bases sur lintensit, ce biais posera des problmes de classication. Leet de volume partiel La notion de volume partiel nest pas propre lIRM, mais concerne toutes les techniques dimagerie. Ces artefacts sont lis la rsolution des images. Ainsi, au niveau dune frontire entre deux tissus dans la direction de la slection de coupe, lutilisation de coupe ne permet de bien sparer les tissus. En revanche, une coupe plus paisse contient la fois les deux tissus : le signal rsultant sera alors une moyenne du signal des tissus, do une perte dinformation en termes de contraste. Il en rsulte galement une perte de la rsolution spatiale, puisque le signal des petites structures va tre moyenn avec celui des structures adjacentes, ce qui peut les rendre invisibles ou peu distinctes (Figure 1.6). Certaines mthodes considrent leet de volume partiel comme un facteur de dgradation et cherchent le corriger, alors que dautres le considrent comme une proprit de limage et cherchent lestimer pour obtenir une qualit au niveau du sous-voxel [GBZB02].

13

1.5. Imagerie par rsonance magntique

Fig. 1.6: Eet de volume partiel daprs [Jag98]. Artefacts de dplacement chimique Son origine vient de la dirence de frquence de rsonance (frquence de Larmor) des protons de leau et de la graisse, ce qui produit dans limage un dcalage spatial de lobservation des tissus. Par consquent, on constate lapparition de faux contours. Sur la Figure 1.7, la peau, de chaque ct de limage, contient successivement une bande sombre puis une bande claire. Dans le cerveau il existe un petit nombre de triglycrides (responsables principaux de ce dfaut), donc cet artefact se produit rarement [Har05].

Fig. 1.7: Observation du dcalage chimique.

Le bruit Outre les artefacts, la prsence de bruit dans les images acquises, d aux proprits physiques dacquisition ou aux proprits des lments visualiss complexient encore la tche danalyse des images. 14

1.5. Imagerie par rsonance magntique Le bruit en RMN a un spectre de frquence trs large, assimilable celui dun bruit blanc. Ses origines sont multiples. Lensemble des frquences communes au bruit et au signal dpend de la bande passante englobant toutes les frquences de rsonance du signal lectromagntique. Plus celle-ci est large, moins le rapport signal sur bruit est bon.

1.5.5

Les apports de lIRM ltude du cerveau

En permettant lobservation de lvolution des anomalies de la substance blanche dans la sclrose en plaque et en apportant plus de prcision dans la visualisation de latrophie progressive de la partie profonde du lobe temporal dans la maladie dAlzheimer, lIRM a rvolutionn le diagnostic des pathologies neurologiques de ladulte (maladies inammatoires et infectieuses, maladies neurodgnratives et autres). En eet, les accidents vasculaires crbraux peuvent tre visualiss ds les premires heures grce lIRM de diusion. Les pilepsies sont tudies en dtail par la visualisation de lsions microscopiques. Lapprciation du degr dagressivit des tumeurs crbrales, de leur sensibilit aux chimiothrapies et de leur rcidive ventuelle est possible grce lIRM [CEA08].

1.5.6

Quelques atlas concernant lIRM

The Whole Brain Atlas 2 de lEcole de Mdecine de lUniversit dHarvard (Boston, U.S.A.) propose un navigateur dvelopp en java pour se dplacer dans des vues axiales issues de dirents types dacquisitions, anatomiques et fonctionnelles, ou de reconnatre interactivement des structures crbrales (voir Figure 1.8).

Fig. 1.8: Panneau extrait du Whole Brain Atlas.

BrainWeb 3 du Centre dImagerie crbral McConnell Brain Imaging, Centre de lInstitut Neurologique de Montral (McGill University, Canada) a dvelopp un simulateur dimages par rsonance magntique. Limage visualise dpend des paramtres de
2 3

http ://www.med.harvard.edu/AANLIB/home.html http ://www.bic.mni.mcgill.ca/brainweb/

15

1.6. Segmentation dimages de RMN crbrales : segmentation en matires ou en structures lacquisition et est construite partir dune image modle. Les images simules de BrainWeb ont t utilises dans plusieurs tudes dont nous citons : [Har05], [Ric04] . Anatomist 4 est le logiciel de visualisation de Brainvisa (plate-forme utilise dans notre travail et que nous prsenterons plus en dtail au chapitre 5). Anatomist propose des outils pour visualiser les volumes du cerveau sous tous les angles, de fusionner deux volumes, de dessiner manuellement des rgions dintrt. Il a la particularit dintgrer un module ddi aux donnes structures, cest--dire aux ensembles dobjets relis entre eux dans une structure de graphe. Ces objets peuvent tre les plis corticaux extraits dune images IRM T1 , les faisceaux de bres extraits dune image IRM de diusion, les activations extraites dune carte statistique paramtrique,...(Figure 1.9)

Fig. 1.9: Direntes fentres de visualisation dAnatomist

1.6

Segmentation dimages de RMN crbrales : segmentation en matires ou en structures

Lors de la segmentation des images IRM crbrales, plusieurs niveaux de description peuvent tre choisis selon que lon sintresse pour une application donne [Ric04] : au tissu prsent en chacun des pixels : trois matires sont alors essentiellement prises en compte, le liquide cphalo-rachidien, la matire grise ou la matire blanche (auxquels on peut ajouter lair, la peau, le muscle et los si lon sintresse aux matires prsentes lextrieur du cerveau). Notre travail sinscrit dans ce contexte.
4

http ://brainvisa.info/

16

1.6. Segmentation dimages de RMN crbrales : segmentation en matires ou en structures la structure crbrale ou la rgion de cette structure que le pixel contient majoritairement : on cherche alors principalement dlimiter le cortex et les noyaux centraux (constitus de matire grise), ou discriminer le liquide cphalo-rachidien prsent lintrieur des sillons corticaux, de celui prsent dans chacun des ventricules. La description peut, dans ce cas, tre dune complexit variable, selon que lon cherche ou non dnir des sub-divisions des structures anatomiques (par exemple en cherchant distinguer les dirents sillons du cortex) et selon que la description permet de distinguer ou non les direntes aires crbrales (les hmisphres, les lobes crbraux, ...). Dans les deux cas, la prsence dartefacts inhrents au processus dacquisition rend la segmentation des images plus complexe. Face ces dicults, il est parfois ncessaire dintroduire des connaissances a priori sur [Ric04] : la radiomtrie des tissus dune part, an de segmenter limage en matires : ces connaissances concernent la forme des distributions dintensit des tissus. lanatomie crbrale dautre part, an de segmenter limage en structures anatomiques : ces connaissances concernent alors la forme et la localisation des structures, comme cela a t fait dans [G98] .

Conclusion
Dans les paragraphes prcdents nous avons montr que malgr tout le soin apport lacquisition, linformation contenue dans limage peut tre perturbe par des phnomnes extrieurs. Dans ce contexte, le traitement dimage devient indispensable. Son panel sans cesse grandissant de mthodes permet de mettre de lordre dans la masse de donnes que reprsente une image. Parmi ces mthodes, la segmentation a pour but de partitionner ou segmenter limage en un ensemble de rgions cohrentes, pouvant tre assimiles un objet dintrt. En regard de la quantit dinformation traiter, il est indispensable dautomatiser cette tche. De ce fait, dans le prochain chapitre nous eectuons une rtrospective des direntes mthodes de segmentation dimages et plus particulirement dimages IRM.

17

Chapitre

2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 19 20 20 21 21 21 22 22 22 23 25 28 29 29 32 34 35 35 35

La segmentation dimages mdicales

Sommaire
2.1 2.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . Vision par ordinateur . . . . . . . . . . . . . . . . . . . 2.2.1 Problmatique de linterprtation dimage . . . . . . . 2.2.2 La gestion de lincertitude et de limprcision . . . . . 2.3 Mthodes de segmentation dimages . . . . . . . . . . 2.3.1 Mthodes de dtection de discontinuit . . . . . . . . . 2.3.2 Mthodes de dtection de similarit . . . . . . . . . . . 2.4 Segmentation par classication . . . . . . . . . . . . . 2.4.1 Mthodologie de la classication . . . . . . . . . . . . 2.4.2 Quelques mthodes de classication . . . . . . . . . . . 2.4.3 La classication par les k-moyennes . . . . . . . . . . . 2.4.4 La classication oue . . . . . . . . . . . . . . . . . . . 2.4.5 Quelques mots sur la segmentation par classication . 2.5 Segmentation contextuelle . . . . . . . . . . . . . . . . 2.5.1 Segmentation par croissance de rgion . . . . . . . . . 2.5.2 Approche contextuelle par morphologie mathmatique 2.6 Coopration en segmentation dimage . . . . . . . . . 2.6.1 Coopration squentielle . . . . . . . . . . . . . . . . . 2.6.2 Coopration itrative . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1

Introduction

Quelque soit son origine une image constitue une reprsentation dun univers compos dentits : objets dans une scne intrieure, cellules, surfaces sismiques, organes du corps humain... Le but de toute mthode de segmentation est lextraction dattributs caractrisant ces entits. Les attributs tudis correspondent des points dintrt ou des zones caractristiques de limage.

2.2. Vision par ordinateur La diversit des images, la dicult des problmes, les origines varies des chercheurs, lvolution de la puissance de calcul des ordinateurs, et un certain empirisme dans lvaluation des rsultats ont conduit lintroduction dune multitude dalgorithmes. La segmentation able et prcise des volumes anatomiques (normaux ou pathologiques) issus des systmes dimagerie reste un objectif important en traitement de linformation mdicale car elle constitue le premier maillon de la chaine danalyse aboutissant ltude de la morphologie des structures internes, et la dtection et quantication des lsions. Un grand nombre de mthodes de segmentation ont t proposes depuis de nombreuses annes pour ce type dimages. Des synthses de mthodes de segmentation dimages mdicales sont nombreuses et sont prsentes dans la littrature [Har05]. Nous limitons notre prsentation aux direntes mthodes utilises pour notre travail, suivie de travaux antrieurs, utilisant ces mthodes en imagerie mdicale. La segmentation dimages constitue la pierre de base dun systme de vision et nous commenons ce chapitre par une brve prsentation de la vision par ordinateur.

2.2

Vision par ordinateur

La vision par ordinateur est un domaine technologique trs dynamique et en pleine eervescence, tant du point de vue de la recherche scientique que des applications grand public. La vision est un processus de traitement de linformation. Lentre dun systme de vision est constitue par une squence dimages. Le systme lui-mme apporte un certain nombre de connaissances qui interviennent tous les niveaux. La sortie est une description de lentre en termes dobjets et de relation entre ces objets. Lanalyse dimage est gnralement vue sous deux angles : les traitements de bas niveau et les traitements de haut niveau (interprtation). Cette distinction est fonction du contenu smantique des entits traites et extraites de limage. Les traitements de bas niveau oprent en gnral sur des grandeurs calcules partir des valeurs attaches chaque point de limage sans faire ncessairement la liaison avec la ralit quelles reprsentent. Ces traitements manipulent des donnes de nature numrique, contrairement aux traitements de haut niveau qui oprent sur des entits de nature symbolique associes une reprsentation de la ralit extraite de limage : ils sont relatifs linterprtation et la comprhension de limage exprime avec des mots du vocabulaire et de lapplication. Remarque La majorit des oprateurs de base peuvent tre classs en trois catgories : seuillage, dtection de contours, extraction de rgions qui sont des modles de base permettant la conception de mthodes bas niveau de segmentation et de description des images. Parmi les inconvnients de la vision de bas niveau, on peut citer par exemple la difcult de segmenter une image en primitives bas niveau sans connatre le domaine dapplication de limage et lutilisation que lon veut faire de cette segmentation. 19

2.2. Vision par ordinateur

2.2.1

Problmatique de linterprtation dimage

Linterprtation des images correspond lanalyse dune image ou dune scne permettant de dcrire les objets composant la scne et leurs relations, cest--dire extraire la smantique de limage, an de mieux la comprendre. La problmatique de linterprtation dimage, est un problme de perception de lenvironnement et de prise de dcision. Les systmes de vision doivent uvrer au sein denvironnements partiellement connus. Pour eectuer des choix, des mcanismes spciques doivent tre introduits reposant notamment sur lvaluation de la conance dans les hypothses courantes, en fonction de nombreux paramtres tels que la qualit du traitement, le choix des oprateurs, la prsence de descripteurs signicatifs pour les objets. Des modles a priori, dcrivant les entits prsentes dans les images, doivent tre dnis et combins avec la mise en place de cooprations entre dirents types de traitements [Har05]. La premire thorie de la vision numrique a t propose dans [Mar82] et consiste en une architecture trois niveaux que tout systme de traitement de linformation doit respecter, pour demeurer cohrent. Ces travaux ont inspir la plupart des systmes de traitement de linformation. Les dirents niveaux proposs sont les suivants : un niveau abstrait : le quoi et le pourquoi , cest--dire que doit-on faire ? Ce qui revient mettre en place une mthodologie ou une thorie en relation avec les donnes en entre ; un niveau de la reprsentation : le comment ? En structurant les donnes et en concevant les algorithmes ; un niveau de ralisation : limplantation des algorithmes, relie au matriel.

2.2.2

La gestion de lincertitude et de limprcision

Les informations manipules par le systme sont incompltes, imprcises et potentiellement errones. Pour pouvoir les utiliser an de produire de nouvelles informations de faon robuste, cest--dire pour pouvoir prendre des dcisions, il est ncessaire dvaluer et de grer leur incertitude. Dirents formalismes numriques modlisant lincertain ont t proposs, tels que les approches probabilistes et possibilistes qui permettent dintroduire des mcanismes dinfrence de faon tirer des conclusions provisoires (dont lincertitude est quantie), ncessaires la progression de linterprtation et lestimation des modles. En eet, le modle de traitement de lincertitude le plus connu est celui bas sur la thorie des probabilits. Nanmoins, la notion de probabilit nest pas trs bien adapte traiter dautres aspects du raisonnement humain, comme limprcision et la conance. En ce qui concerne la modlisation de limprcision, la notion dintervalle derreur (utilise par exemple en physique pour dcrire lerreur de mesure) est la plus ancienne. Par la suite, dautres notions comme celle du degr de conance introduite dans la thorie de Dempster-Shafer et celle de degr dappartenance de la thorie des sous-ensembles ous sont venues complter la modlisation. Les innombrables travaux sur la thorie des sous-ensembles ous en ont fait un modle puissant pour modliser limprcision. Zadeh [Zad65] en introduisant les sous-ensembles 20

2.3. Mthodes de segmentation dimages ous a rapproch la notion dintervalle et le raisonnement humain en considrant plutt des frontires graduelles que des frontires abruptes (nous aborderons le sujet des sousensembles ous dans les prochains paragraphes). Par exemple, en imagerie par rsonance magntique, la traduction, chaque individu appartient une classe par chaque pixel appartient une structure nest pas possible. Comme nous lavons vu dans le premier chapitre, leet de volume partiel cre des pixels de mlange (rgion intermdiaire) qui sont constitus de plusieurs structures. Les donnes sont alors imprcises [Har05].

2.3

Mthodes de segmentation dimages

La segmentation permet de distinguer les objets dintrt dune image en les isolant du fond ou des autres structures. Aprs la segmentation dune image, chaque pixel se voit attribuer une rgion, et chaque rgion correspond une partie smantique de limage. Les discontinuits entre les rgions correspondent aux contours des objets [KKM], aux incertitudes prs. Les approches de segmentation peuvent se diviser en deux grandes classes : Approches de dtection de discontinuit (contours ou encore frontires). Approches de dtection de similarit (rgions). Remarquons quil existe aussi dautres approches moins utilises telles que les contours actifs, les templates, les modles pyramidaux et les modles mixtes.

2.3.1

Mthodes de dtection de discontinuit

Les approches contours cherchent extraire les contours prsents dans limage, en se basant sur ltude des changements abrupts de la fonction de luminance ou sur la discontinuit des proprits des ensembles.

2.3.2

Mthodes de dtection de similarit

Les approches rgions cherchent quand elles, dtecter les zones de limage prsentant des caractristiques dhomognit et vriant un critre dhomognit et de similitude. Parmi les approches rgions, on distingue les mthodes de classication, la croissance de rgions et la division-fusion. Les deux approches sont complmentaires et aucune na prouv sa supriorit par rapport lautre, chacune ayant des avantages et ses domaines dapplication.

Cependant au cours de notre travail, nous nous sommes plutt intresses aux mthodes bases sur la dtection des similarits (approche rgions). Nous commenons par prsenter les mthodes de classication, en mettant laccent sur la classication oue puis, nous nous attelons aux mthodes contextuelles, et plus prcisment la croissance de rgions. 21

2.4. Segmentation par classication

2.4

Segmentation par classication

Les mthodes de classication permettent de regrouper des objets en groupes ou classes dobjets plus homognes. Les objets regroups ont des caractristiques communes, ils sont similaires mais se distinguent clairement des objets des autres classes. Gnralement les rsultats des mthodes de classication sont plus ou moins dirents [Ati05] .

2.4.1

Mthodologie de la classication

La mise en uvre dune procdure de classication, ayant pour objectif de classier automatiquement des objets, comporte gnralement deux phases fondamentales : une phase dapprentissage dont le but est de dterminer un espace de reprsentation des signaux et de rechercher les paramtres discriminants capables de caractriser chaque classe dobjets ; une phase de reconnaissance au cours de laquelle on attribue une classe chacun des objets inconnus dans lespace de reprsentation dtermin durant lapprentissage. Remarque La classication peut tre supervise ou non supervise.

2.4.2

Quelques mthodes de classication

La majorit des algorithmes de classication peuvent tre diviss en deux catgories : 2.4.2.1 Classication hirarchique

La classication hirarchique fournit une hirarchie de partitions. Ce type de classication regroupe les mthodes ascendantes, descendantes et combines. Ces algorithmes essaient de crer une hirarchie de classes. Les objets les plus similaires sont rassembls dans des groupes aux plus bas niveaux, tandis que les objets moins similaires se retrouvent dans des groupes aux plus hauts niveaux.

2.4.2.2

Classication non hirarchique (partitionnelle)

Il ny a pas de hirarchie. Dans la plupart de ces mthodes le choix a priori du nombre de classes est ncessaire. Les points dinitialisation peuvent tre des points du nuage pris au hasard ou les centroides dune partition pralable. Les classes obtenues nont pas plus dimportance les unes que les autres. Nous distinguons deux types de classication partitionnelle : classication dure classication oue

22

2.4. Segmentation par classication Dans la suite de ce paragraphe, nous prsentons la segmentation dure par les k-Means (k moyennes), nous passons ensuite, la segmentation base sur la thorie des sous ensembles ous.

2.4.3

La classication par les k-moyennes

Avant de prsenter la classication par les k-moyennes, nous parlons des nues dynamiques de Diday [Did71], qui sont une version gnralise des k-moyennes. 2.4.3.1 Les nues dynamiques

La mthode des nues dynamiques consiste trouver la partition optimale dun ensemble dindividus en c sous-ensembles (ou classes), chaque sous-ensemble Ci est reprsent par un noyau . Cette mthode a t propose par Diday. On note : : Lensemble des partitions de X en c classes ( C1 , ...,Cc ). v = ( v1 ,..., vc ) un ensemble de c noyaux, o vi est le noyau de la classe Ci . f (x, vi ) un critre qui mesure la dissimilarit (ou dissemblance) entre lindividu x et la classe Ci . La classication cherche optimiser ladquation entre la partition et la reprsentation v associe au sens du critre f , cest--dire avoir la somme des mesures entre les individus et leur classe la plus faible possible. La fonction objectif minimiser scrit alors ; gf () =
vi xk Ci

f (xk , vi )

(2.1)

La solution optimale un algorithme partitionnel est de trouver, parmi toutes les partitions possibles contenant c classes, celle qui minimise la fonction de cot. En pratique, cette option nest pas envisageable, compte tenu de lexplosion combinatoire, mme pour une population dchantillons de taille raisonnable. Par consquent, la majorit des approches partitionnelles utilisent une technique doptimisation itrative. An de minimiser la fonction objectif, lalgorithme le plus utilis est le suivant [G98] : 1. it = 0 2. Choisir une classication initiale de X : { v1 (it),.., vc (it) } 3. it = it +1 4. Actualiser chaque classe suivant : Ci (it) = {xk X, f (xk , vi 5. si i, vi
(it) (it1)

) f (xk , vj

(it1)

)j = i}

= vi

(it1)

alors retourner ltape 3

23

2.4. Segmentation par classication Lors dune itration, on aecte chaque individu la classe dont la caractrisation est la plus proche des caractristiques de cet individu. Ainsi les classes voient leur forme voluer progressivement. Discussion R. Haroun dans [Har05] est arrive aux remarques suivantes : 1. Le choix des noyaux initiaux V 0 est trs important puisque la partition obtenue en dpend. 2. Cet algorithme est un algorithme de descente ; donc il converge vers un minimum local. Si lon souhaite viter la rencontre dun minimum local trop loign de la solution optimale, il faut alors mettre en uvre une stratgie de recherche globale. Dans [G98], T. Graud prsente quelques mthodes doptimisation qui permettent de rsoudre ce problme. 2.4.3.2 K-means ou classication binaire

Soit X = { xk / k = 1,..., n } un sous-ensemble dun espace n-dimensionnel. Une partition de X en c classes peut tre reprsente par des sous-groupes mutuellement disjoints C1 ...Cc , tel que C1 ... Cc = X. Chaque vecteur xk est assign une et seulement une classe qui lui est la plus proche. La fonction objectif correspondante sexprime sous la forme [AYFM02] :
c n

J=
i=1 k=1

Uik d2 (xk , vi )

(2.2)

O : vi dsigne le prototype (centrode) de cette classe. d mesure la similarit entre le prototype et le vecteur de donnes. uik est un indicateur binaire {0, 1} dsignant lappartenance ou non du vecteur xk la classe Ci ( uik =1 si xk Ci et uik =0 sinon, i=1...c et xk X ) Lindicateur dappartenance uik sexprime comme suit : u(xk , vi ) = {1 si d(xk , vi ) = min c(xk , vc ) ou 0 sinon} Loptimisation se fait de manire itrative. Les tapes de cette classication peuvent tre rsumes comme suit : 1. Initialiser lensemble des centroides avec des lments, soit pris au hasard de lensemble de donnes, soit daprs des connaissances a priori. 2. Assigner chaque point au centroide le plus proche. 3. Calculer les nouveaux centroides des classes construites. Les centrodes tant les centres des classes, ils sont calculs par la moyenne des lments de la classe. 24

2.4. Segmentation par classication 4. Gnrer une nouvelle partition de lensemble de donnes en assignant chaque point au centroide le plus proche. 5. Sil y a changement dans la partition, ritrer depuis ltape 3. Discussion La mthode des k-moyennes est trs attrayante pour obtenir rapidement une premire classication. De plus, cest une mthode simple et rapide. Cependant, pour le cas particulier des images mdicales, la supposition a priori par ces mthodes que les limites entre les classes sont trs bien dnies peut poser problme. Pour pallier ces limites, une mthode reposant sur les sous-ensembles ous est ne.

2.4.4

La classication oue

Le principe de la classication oue est daecter un lment classer non pas une classe comme dans les approches classiques (dont fait partie la mthode des k-means), mais toutes les classes avec un certain degr. Ce principe dcoule de ce quon appelle la logique oue, qui est venue complter la logique classique. 2.4.4.1 La logique oue

Dans la vie de tous le jours, nous nous trouvons dans des situations o les informations dont nous disposons ne sont pas toujours prcises. Dans le domaine de la science aussi, des imprcisions peuvent tre vues ; par exemple lorsquon veut tablir une valeur qui caractrise le degr de similarit de deux formes. Ltre humain est habitu utiliser des informations entaches dincertitudes et dimprcision dans la vie de tous les jours, il utilise ces informations incompltes, raisonne avec elles et prend des dcisions. Dans le domaine scientique, il a t ncessaire de crer une logique qui admette des valeurs de vrit en dehors de lensemble { vrai, faux } pour pouvoir tenir compte et manipuler ce genre dinformation incomplte. Lukasiewicz propose en 1920 une logique ayant les trois valeurs de vrit suivantes : "vrai", "faux" et "doute". Ces valeurs ont t reprsentes par lensemble { 0,1,0.5 }, et ont t ensuite tendues lintevalle [0,1]. Nanmoins cest Zadeh [Zad65], qui partir de lide dappartenance partielle dun lment plusieurs classes, a formellement introduit la logique oue. 2.4.4.2 La thorie des sous ensembles ous

La thorie des sous ensembles ous et les outils de raisonnement qui en dcoulent, proposent un cadre formel qui permet de modliser le langage naturel et de grer linprcis et lincertain. Cette thorie est base sur la notion de degr dappartenance. Ces degrs sont des valeurs qui expriment lappartenance incertaine dun pixel une rgion. Le degr dappartenance se situe dans lintervalle [0,1] et les classes obtenues ne sont pas forcment disjointes. 25

2.4. Segmentation par classication Dans ce cas, les donnes xj ne sont plus assignes une classe unique, mais plusieurs par lintermdiaire de degrs dappartenance uij du vecteur xj la classe i 2.4.4.3 Lalgorithme Fuzzy C-means (FCM)

Lalgorithme des c-moyennes oues ou fuzzy c-means (FCM) repose sur la recherche des valeurs prises par les centrodes des classes et par les degrs dappartenance des voxels ces classes, qui en respectant les contraintes, minimisent la fonction objectif suivante [Har05] :
c n m Uik d2 (xk , vi ) i=1 k=1

J=

(2.3)

avec : c : le nombre de classes, connu a priori. n : la taille du vecteur de donnes (nombre de pixels classer). uik : le degr dappartenance du pixel xk la classe i connue par son centrode vi . d : le degr de similitude, il peut tre la distance Euclidienne. m : un rel >1 appel degr de ou. Plus m tend vers 1, plus la classication devient dure et uik se rapproche de 0 ou de 1. Inversement quand m devient trop grand il y a moins de tolrance au bruit, et la distribution des degrs dappartenance tend se concentrer autour de 1/c. Notation Soit X = xk , k = 1,..., n un sous-ensemble dun espace E, de dimension n. Nous cherchons segmenter X en c classes suivant une classication oue. Chaque classe C est caractrise par son prototype vi , et V=vi , i=1,..., c lensemble des prototypes des classes. Lalgorithme de la FCM tente de minimiser la fonction objectif, par rapport chaque degr dappartenance ou uik et chaque prototype vi . Le rle de lindice de ou m est de contrler la contribution du bruit prsent dans les donnes. Les dtails sur le choix de m se trouvent dans le chapitre 4, dans notre prsentation des tudes sur linuence de m sur les rsultats de la segmentation des images IRM. Solution du problme doptimisation De la mme faon que pour la classication dure, loptimisation se fait de manire itrative. Les degrs dappartenance ou les prototypes sont dabord initialiss, puis chaque itration du processus, les appartenances et les prototypes sont mis jour, et les vecteurs de donnes se dplacent dune classe une autre en vue de minimiser la fonction objectif jusqu stabilisation. Les degrs dappartenance doivent satisfaire les conditions suivantes : 0 ui k 1 i [1, c], k [1, n]

26

2.4. Segmentation par classication

c

Uik k [1, n] Relation de f ermeture

i=1 n

0<
k=1

Uik < ni [1, c] Aucune classe vide

Les degrs dappartenance uik et le centrode vi sexpriment comme suit : uik = (d(xk , vi )) m1
2 c m1 j=1 (d(xk , vi )) 2

(2.4)

Vi =

n m k=1 uik xk n m k=1 uik

(2.5)

La procdure de mise jour est itre jusqu ce que la variation maximale des degrs dappartenance (ou des prototypes) soit en dessous dun seuil (typiquement gal 0.01). Les valeurs dappartenance constituent une matrice c lignes (une ligne par classe former) et n colonnes (une colonne par individu classier) : U = [uik ]i=1...n Pour chaque individu, la colonne correspondante de U reprsente un vecteur dappartenance, chaque ligne de ce vecteur contenant la valeur dappartenance de lindividu pour la classe correspondante. U est dite matrice de la c-partition oue. Les valeurs des prototypes constituent un vecteur de taille c, chaque lment reprsente un centrode dune classe : V = [vi ]i=1..c Dans ce qui suit nous prsentons lalgorithme de la FCM : 1. Fixer les paramtres ; c : nombre de classes ; : seuil reprsentant lerreur de convergence (par exemple : = 0.001) ; m : degr de ou, gnralement pris gal 2. 2. Initialiser la matrice degrs dappartenances U par des valeurs alatoires dans lintervalle [0, 1]. 3. Mettre jour la matrice prototype V par la relation (2.5) 4. Mettre jour la matrice degrs dappartenances par la relation (2.4) Rpter les tapes 3 4 jusqu satisfaction du critre darrt qui est : U ancien U nouveau <

27

2.4. Segmentation par classication Duzication Enn, une ultime tape est ncessaire lorsque le rsultat souhait est une classication non oue. On parle alors de dfuzzication . Lorsque lon ne souhaite pas mettre en vidence les pixels o les degrs dappartenance sont approximativement les mmes pour chaque classe, une faon naturelle de procder est de considrer que la classe nale dun pixel est celle pour laquelle le degr dappartenance est maximal : k [1, n] xk Cj (ujk < uik i = j [1, c]) Ltape de la dfuzzication se fait aprs la dernire itration de lalgorithme des c-moyennes oues. Discussion Pour lalgorithme des c-moyennes ous, la dcision dappartenance dun pixel une classe nest prise qu la n de la convergence, contrairement aux k-moyennes qui affectent un pixel une classe chaque itration. La FCM ore la possibilit dagir sur la considration du bruit et la notion de conance. 2.4.4.4 Travaux utilisant la segmentation par FCM

Lalgorithme FCM a t largement utilis pour la segmentation des images de cerveau, quels que soient la modalit et le type dacquisition (mono ou multimodal). De nombreux travaux ont notamment t eectus en imagerie par rsonance magntique. Baumgartner et al. ont ainsi utilis la FCM pour segmenter les rgions actives (simulation et aires motrices) du cerveau. Les pixels tant reprsents par leur niveau de gris, les auteurs ont montr non seulement que lalgorithme avait des performances comparables lanalyse de corrlation standard (avec lavantage de ne ncessiter aucune connaissance a priori sur le paradigme), mais aussi que la FCM dtectait des zones eectivement actives qui restaient silencieuses avec la corrlation. En IRM traditionnelle, Clark et al. ont utilis les c-moyennes oues comme tape dinitialisation un systme expert pour segmenter des volumes de tumeur ou ddme sur des images IRM crbrales [STM07].

2.4.5

Quelques mots sur la segmentation par classication

Les limites majeures de la classication viennent des donnes elles mme. Parfois, ces dernires ne contiennent pas susamment dinformations sur la rgion pour russir une segmentation parfaite. Pour pallier les limites de la classication, des mthodes dites contextuelles sont nes [Har05].

28

2.5. Segmentation contextuelle

2.5

Segmentation contextuelle

Les mthodes que nous avons prsentes ci-dessus sont des mthodes dites noncontextuelles, cest--dire quelles ne tiennent pas compte des voisinages des pixels. Elles considrent que lappartenance dun pixel une classe ne dpend que de sa radiomtrie. lissue de lapplication de ces mthodes sur des IRM crbrales, nous obtenons une information relative aux caractristiques radiomtriques des matires principales prsentes dans ces images : le liquide cphalo-rachidien, la substance grise et la substance blanche. La segmentation rsultante nest pourtant pas toujours trs satisfaisante Du fait du bruit et de la prsence de volumes partiels, la loi statistique caractrisant la radiomtrie dune classe recouvre presque systmatiquement la loi dune ou de plusieurs autres classes. Lapplication de seuils radiomtriques pour dcider de lappartenance dun pixel une classe cause donc des erreurs, qui pourraient tre vites si des connaissances portes par le voisinage de ce pixel taient prises en compte. Les paragraphes qui suivent prsentent la croissance de rgion, qui est une mthode trs utilise dans la segmentation dimage mdicale. Ensuite lapproche par morphologie mathmatique est expose, mthode gnralement utilise an dextraire lencphale.

2.5.1

Segmentation par croissance de rgion

Les mthodes par croissance de rgion, sont bases sur un processus itratif dagrgation de pixels. Ces mthodes de par leur relative simplicit de mise en uvre ont t lune des premires familles doutils utiliss pour la segmentation dimage. Dans [Zuc76], Zucker introduit les premiers travaux relatifs la croissance de rgion (Figure 2.1 ). 2.5.1.1 Prsentation de la croissance de rgion

partir dun ensemble de points initiaux, cette mthode agrge les pixels suivant un double critre : lhomognit et ladjacence. Cette agrgation de pixels est contrle par un prdicat (fonction boolenne). Le processus sapplique sur une ou plusieurs rgions. Le prdicat permet didentier une contrainte que doivent satisfaire les rgions, il peut tre de nature gomtrique (rgion rectangulaire, rgion convexe ...), de nature radiomtrique (rgion homogne,..) ou une combinaison des deux. Exemples de prdicats dhomognit pour une rgion : La variance 2 (R) des niveaux de gris de limage associs aux points de la rgion R est infrieure un seuil prx. La proposition (R) de points dont le niveau de gris se situe hors de lintervalle [m(R) - (R), m(R) + (R)] (o m(R) est la valeur moyenne des niveaux de gris), ne dpasse pas un seuil prx.

29

2.5. Segmentation contextuelle

Fig. 2.1: Principe de la croissance de rgion sur une image 2D :(a) image initiale cinq niveaux de gris (point germe en rouge, en haut de limage), (b) et (c) sont les tapes successives de la croissance de rgion jusqu obtention du rsultat (d).

2.5.1.2

Algorithme gnral

Pour chaque rgion, le processus de croissance comprend une phase dinitialisation et une phase itrative. On suppose que lensemble des sites S de limage a t partiellement partitionn en Rj rgions, j = 1,..., i-1. La phase itrative modie la rgion Ri reprsentant lobjet segment. La rgion S (0) = S - Rj correspond lensemble des lments non segments. Le processus de croissance de rgion tant itratif, le contenu dune rgion litration n est note R(n) . Germes initiaux Linitialisation de la croissance de rgion ncessite le positionnement de germes dsignant la ou les premires rgions. Bien entendu, le point ou la zone germe doit faire partie de la rgion recherche, au risque dobtenir une segmentation partiellement, voire (0) totalement errone. Ces germes constituent donc la rgion initiale Ri . (0) Le choix dun germe Ri peut se faire par seuillage sur un attribut (par exemple le niveau de gris), ou de toute autre manire (extraction de formes gomtriques, etc.). Un germe peut ventuellement tre rduit un seul point. Un processus itratif Suite la phase dinitialisation, un processus itratif de dformation ajoute progressivement des points situs la priphrie de la rgion en train de crotre, sils respectent le prdicat. Ces nouveaux points sont regroups dans lensemble que lon note S (k) . Considrons une croissance de rgion ne faisant crotre quune seule rgion. tant donn une rgion initiale R(0) , la rgion suivante R(k+1) est obtenue partir de la rgion courante R(k) et de la couronne S (k) par la runion suivante : R(k+1) = R(k) S (k) (2.6)

30

2.5. Segmentation contextuelle Dans la croissance de rgion, la condition dagglomration implique la dnition dun terme de similarit entre un point candidat et la rgion segmente. Ce terme de ressemblance, appel critre, est utilis par le prdicat pour dcider de lajout ou non dun pixel. En pratique, le critre implique presque toujours une mesure dhomognit sur les intensits des points de la rgion segmente. La Figure 2.2 prsente un rsultat de segmentation par croissance de rgion sur une image synthtique. Le processus a t initialis partir de deux germes. Le rsultat est donn direntes itrations de lvolution.

Fig. 2.2: Segmentation dune image synthtique de 256 niveaux de gris additionne dun bruit gaussien (cart type = 10). (b)-(d) volution de la segmentation partir de deux germes (a).

Convergence, critre darrt Comme litration porte sur une rgion croissante et borne, la convergence est assure au bout dun nombre ni ditrations. Le processus de croissance peut sarrter selon deux scnarios : toutes les rgions satisfont le prdicat et la segmentation comprend n rgions. il existe n 1 rgions qui vrient le prdicat, la nime rgion comprend les points ne vriant pas le prdicat. 2.5.1.3 Proprits de la croissance de rgion

La croissance de rgion a t employe de multiples reprises pour la segmentation des images mdicales. Cela sexplique par le fait que cest une mthode simple initialiser et rapide. Parmi les proprits caractrisant cette mthode, ce qui suit [Ros08] : 1. La croissance de rgion permet de segmenter un objet dintrt par la simple dsignation de cet objet. Cette particularit la rend attrayante pour les applications mdicales. 2. La croissance de rgion nintgre pas par dfaut de terme de rgularisation. La mthode ne ncessite pas de lisser le contour de la rgion segmente contrairement dautres mthodes comme les contours actifs. Dans le cadre de la quantication pour limagerie mdicale, ce terme de rgularisation peut provoquer une erreur de mesure. 3. Une proprit conscutive au point prcdent et lorigine de la principale faiblesse de la mthode : sa sensibilit aux points de fuite. Un point de fuite se dnit par la connexion de deux rgions distinctes aux proprits statistiques semblables. 31

2.5. Segmentation contextuelle

2.5.2

Approche contextuelle par morphologie mathmatique

La morphologie mathmatique est une branche des mathmatiques fonde sur ltude des ensembles permettant danalyser les structures gomtriques. Cette mthode qui a vu le jour lEcole des Mines de Paris, entre 1964 et 1968, sous limpulsion de G. Matheron puis de J. Serra, a donn lieu depuis, de nombreux dveloppements. Le dveloppement de la morphologie mathmatique a t inspir par des problmes de traitement dimages, domaine qui constitue son principal champ dapplication. Elle fournit en particulier des outils de ltrage, segmentation, quantication et modlisation dimages. Dans ce qui suit, nous prsentons les lments de base de la morphologie mathmatique. Nous allons tudier la morphologie mathmatique applique des images binaires (deux niveaux de gris) car ceci correspond notre utilisation de cette mthode. Toutefois, lapproche peut aussi tre applique des images en plusieurs niveaux de gris. 2.5.2.1 Outils de la morphologie mathmatique

La morphologie mathmatique est connue par ses lments ensemblistes S X ; S X = o X est lensemble analyser et S un lment structurant que lon choisit en fonction des besoins de lanalyse. Ces relations sont en eet, la base doprateurs morphologiques lmentaires qui sont lrosion et la dilatation (voir Figure 2.3). Sur une image binaire, X pourra tre lensemble des pixels blancs ou tout sous-ensemble de ce dernier, et S un sous-ensemble quelconque de lensemble des sites. On notera : Xt = { x + t , x X }, le translat de X par t. = {- s, s S } , le symtrique de S par rapport lorigine. Soustraction de Minkowski La soustraction de Minkowski de lensemble X par lensemble Y est dnie par : XY= Xy

Addition de Minkowski Laddition de Minkowski de lensemble X par lensemble Y est dnie par : X Y = { x + y, x X , y Y }

rosion
Lrosion mathmatique par un lment structurant S est une soustraction de Minkowski par de telle manire que : X = {x, S x X } Une opration drosion sur une image I binaire contenant des tiquettes 0 et 1 (1 et 0 reprsentent respectivement le blanc et le noir), par un lment structurant S, consiste 32

2.5. Segmentation contextuelle une convulsion de S avec I, centr en i. Si cette convulsion est infrieure une valeur prdtermine (gnralement la surface de S, le nombre de pixels qui sont 1 dans llment structurant lui-mme), on change la valeur du pixel i dans I de 1 0. Llment structurant (erosion kernel) dtermine de quelle faon lrosion amincit les frontires dans une image.

Dilatation
La dilatation mathmatique par un lment structurant S est une addition de Minkowski par tel que : X = { x, S x X = }

Comme pour lrosion, une dilation sur une image I contenant les tiquettes 0 et 1, par un lment structurant S change la valeur du pixel i dans I de 1 0, si le rsultat de la convolution de S avec I, centr en i, est suprieur une valeur prdtermine. Cette valeur est gnralement nulle. Llment structurant (dilation kernel) dtermine de quelle faon la dilatation largit les frontires dans une image.

Fig. 2.3: De la gauche vers la droite : Image originale (en noir : lobjet ; en blanc : le fond), Dilatation par un carr 3x3, rosion par un carr 3x3.

Dilation conditionnelle Une dilation conditionnelle est une opration de dilation avec la condition ajoute que seuls les pixels allums (qui sont 1) dans limage sur laquelle la dilatation est conditionne, vont tre mis 1 par lopration de dilatation. Il est quivalent de masquer le rsultat de la dilatation par une autre image. Ouverture et fermeture Une opration douverture mathmatique consiste en une rosion suivie par une dilation avec le mme lment structurant. La fermeture quant elle, est une dilation suivie par une rosion avec toujours le mme lment structurant. (Voir Figure 2.4 ) 2.5.2.2 Travaux utilisant la morphologie mathmatique

Comme voqu prcdemment, la majorit des travaux utilisant la morphologie mathmatique, ont pour but de raliser ldition de lencphale ou de segmenter les structures sous-corticales comme cela a t fait dans [G98] et [Har05].

33

2.6. Coopration en segmentation dimage

Fig. 2.4: De la gauche vers la droite : Image originale, Fermeture par un carr 3x3, Ouverture par un carr 3x3.

dition de lencphale
En plus de la matire blanche, matire grise et du LCR, les images IRM crbrales initiales contiennent dautres substances indsirables. Il faut donc extraire lencphale du reste de limage de la tte, cette segmentation est appele dition de lencphale (Figure 2.5) .

Fig. 2.5: dition de lencphale.

Remarque
Dautres mthodes de segmentation contextuelles existent, parmi elles la segmentation par champ de Markov. Cette mthode a t utilise pendant longtemps et dans beaucoup de travaux se rapportant la segmentation des images de RMN.

2.6

Coopration en segmentation dimage

Comme nous lavons dj prcis, il existe plusieurs approches de segmentation dimages, chacune agit de manire dirente et utilise des attributs dirents. De plus, chaque mthode ayant ses avantages et ses limites dutilisation selon le problme rsoudre. Dans notre travail, nous visons utiliser les avantages de plusieurs mthodes en mme temps.

34

2.6. Coopration en segmentation dimage Ceci est ralis grce la coopration. En eet, les mthodes cooprative apportent une meilleure segmentation des images puisque les algorithmes mergents de la coopration prennent en compte les direntes caractristiques de ces images Il existe en grande partie deux types de coopration ; une coopration dite squentielle dans laquelle il existe une exploitation successive du rsultat dune approche pour guider une autre. Un autre type de coopration est dit itratif fond sur une dnition mutuelle de contraintes et qui permet une mergence de la solution [Har05].

2.6.1

Coopration squentielle

Les approches par coopration squentielle sont principalement fondes sur des principes de focalisations successives et de corrections de rsultats intermdiaires. Lobjectif est de rduire progressivement la dicult du problme en le dcomposant en sous-parties de plus en plus nes.

2.6.2

Coopration itrative

Dans les approches par coopration itrative, plusieurs modules de segmentation sexcutent simultanment. Lobjectif est de construire la segmentation progressivement, en optimisant chaque tape les rsultats obtenus par chaque mthode mise en jeu. Il existe relativement peu de travaux proposant un tel type de coopration pour la segmentation.

Conclusion
La prsentation du contexte de la vision par ordinateur et de la problmatique concernant linterprtation de limage nous a paru essentielle lintroduction de ce chapitre. Cette prsentation a permis un largissement du domaine danalyse indispensable la conception dun module de segmentation. Aprs une synthse des mthodes de segmentation dimages o nous avons expos les mthodes par classication (les k-moyennes et les fuzzy C-means) et les mthodes contextuelles (croissance de rgions et morphologie mathmatique), qui sont utilises dans le cadre de notre travail, le dernier paragraphe nous a permis dintroduire la notion de coopration en segmentation dimage. Plutt que dutiliser des mthodes de segmentation classiques, il peut tre intressant de faire cooprer plusieurs approches ; ce courant de pense est utilis dans de rcents travaux. Lapproche que nous proposons dans ce mmoire sinscrit dans cet axe. An dutiliser la croissance de rgions de manire plus ecace, elle est fonde sur un environnement de systmes multi-agents . Dans le chapitre suivant, nous prsenterons les systmes multi-agents.

35

Chapitre

3
36 37 37 38 38 39 40 41 42 43 44 44 44 45 46 46 48 50

Systmes multi-agents en analyse dimages

Sommaire
3.1 3.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Systmes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Problmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 De lIntelligence Articielle Distribue (IAD) aux systmes multiagents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.3 Notion dagent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4 Les systmes multi-agents ou SMA . . . . . . . . . . . . . . . . . . . 3.2.5 Interaction et organisation des agents . . . . . . . . . . . . . . . . . 3.2.6 Les types dagents . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.7 Utilit des SMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Distribution et coopration du processus dinterprtation dimages 3.4 Plateformes multi-agents . . . . . . . . . . . . . . . . . . . . . . . . 3.5 Prsentation de la plateforme multi-agents Spade . . . . . . . . . 3.5.1 Spade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.2 lments de la plateforme . . . . . . . . . . . . . . . . . . . . . . . . 3.5.3 Le gestionnaire dagent de Spade . . . . . . . . . . . . . . . . . . . . 3.5.4 Modle des agents Spade . . . . . . . . . . . . . . . . . . . . . . . . . 3.6 Approches SMA proposes en Imagerie . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1

Introduction

Le thme des systmes multi-agents (SMA), sil nest pas rcent, est actuellement un champ de recherche trs actif. Cette discipline est la connexion de plusieurs domaines en particulier de lintelligence articielle, des systmes informatiques distribus et du gnie logiciel. Cest une discipline qui sintresse aux comportements collectifs produits par les interactions de plusieurs entits autonomes et exibles appeles agents.

3.2. Systmes multi-agents Ce chapitre introduit, tout dabord, les notions dagents et de systmes multi-agents (SMAs), en exposant la problmatique des systmes de vision, qui sinsre en partie dans le domaine de lintelligence articielle distribue. Le systme Spade, sur lequel nous avons implment notre solution sera prsent au cinquime paragraphe. la n, un aperu des direntes approches SMA en imagerie est donn.

3.2

Systmes multi-agents

Les systmes multi-agents ont des applications dans le domaine de lintelligence articielle o ils permettent de rduire la complexit de la rsolution dun problme en divisant le savoir ncessaire en sous-ensembles, en associant un agent intelligent indpendant chacun de ces sous-ensembles et en coordonnant lactivit de ces agents [Fer95]. An de mieux comprendre ces systmes, nous exposons dans les paragraphes qui suivent, lintelligence articielle distribue et sa relation avec les systmes de vision.

3.2.1

Problmatique

Interprter une image consiste produire une description symbolique de cette image, cest--dire reconnatre et dcrire les direntes entits qui la composent. Ce problme de vision articielle sapparente aux problmes classiques de lintelligence articielle. Il sagit en eet dun problme de prise de dcision : tout au long du processus de vision, des choix doivent tre faits. La problmatique de la vision articielle fait donc appel aux comptences provenant de dirents domaines. Le traitement dimage de bas niveau fournit les modles et les oprateurs pour lextraction de primitives partir des images et lintelligence articielle fournit des outils et des formalismes pour la reprsentation des informations et des connaissances et pour la mise en uvre de raisonnements permettant de raliser linterprtation du contenu de limage [Har05]. Ces considrations ont conduit la conception et ltude de direntes architectures logicielles adaptes au dveloppement de systmes de vision (architectures base de tableaux noirs, de systmes multi-agents, ...). Ces architectures doivent proposer des solutions pour : reprsenter et organiser les informations manipules par le systme an den faciliter la gestion, extraire de nouvelles informations et grer lincertitude lie ces informations, focaliser et combiner les dirents traitements ncessaires linterprtation des images, contrler et coordonner lexcution de ces traitements, cest--dire dcider quel moment, sous quelles conditions et dans quel ordre ils doivent tre dclenchs. Un tat de lart de ces dirents aspects est prsent dans [Ric04].

37

3.2. Systmes multi-agents

3.2.2

De lIntelligence Articielle Distribue (IAD) aux systmes multi-agents

Le but de lIntelligence Articielle Distribue est de concevoir des approches de dveloppement de communauts dagents intelligents qui puissent interagir de faon cooprative mais aussi conictuelle ou concurrente an de rsoudre des problmes complexes. Les systmes de vision sont composs dun grand nombre dentits traduisant des connaissances htrognes, tant descriptives quopratoires. Dans le but de fournir un cadre favorisant une intgration harmonieuse de ces composants, ils utilisent lune des approches de lIntelligence Articielle Distribue comme architecture de contrle. Les justications dun tel choix sont nombreuses [Har05] : 1. Prserver la modularit et louverture : garantir la capacit damliorer et dajouter de nouveaux agents, sans dgrader les performances du reste du systme ou provoquer la rcriture massive du code. 2. Flexibilit : le contrle doit tre susamment exible pour permettre, dune part, une volution en fonction des agents prsents et, dautre part, installer dynamiquement des boucles de contrle entre eux. 3. Calcul distribu : lIAD permet de traiter les problmes qui sont par nature physiquement et/ou fonctionnellement distribus. 4. Robustesse : la fusion de lanalyse de plusieurs agents permet damliorer la robustesse. 5. Focalisation et adaptation des connaissances : la focalisation et ladaptation des connaissances peuvent orir une adaptation des paramtres en fonction dun contexte local de limage ; ou la focalisation des agents sur des rgions riches en information. Lintelligence articielle distribue a conduit la ralisation de systmes multi-agents qui permettent de modliser le comportement dun ensemble dentits plus ou moins expertes, plus ou moins organises selon des lois de type social. Ces entits, ou agents, disposent dune certaine autonomie et sont mergs dans un environnement dans lequel, et avec lequel elles interagissent. Do leurs structures autour de trois fonctions principales : celles de percevoir, de dcider et dagir. Avant daborder les systmes multi-agents, il est utile dvoquer quelques notions de base sur les agents, cest lobjet des sections suivantes.

3.2.3

Notion dagent

Le concept dagent a fait lobjet dtudes pour plusieurs dcennies dans direntes disciplines. Il a t non seulement utilis dans les systmes base de connaissances, la robotique, le langage naturel et dautres domaines de lintelligence articielle, mais aussi dans des disciplines comme la philosophie et la psychologie. Il existe de multiples dnitions pour un agent selon le point de vue privilgi. Par exemple, J. Ferber dans [Fer95], a donn une dnition minimale dagent : on appelle agent une entit physique ou virtuelle : 38

3.2. Systmes multi-agents capable dagir dans un environnement, qui peut communiquer directement avec dautres agents, mue par un ensemble de tendances sous la forme dobjectifs individuels ou dune fonction de satisfaction, voire de survie, quelle cherche optimiser, qui possde des ressources propres, capable de percevoir mais de manire limite son environnement, qui ne dispose que dune reprsentation partielle de cet environnement, et ventuellement aucune, qui possde des comptences et qui ore des services, qui peut ventuellement se reproduire, dont le comportement tend satisfaire ses objectifs, en tenant compte des ressources et des comptences dont elle dispose, et en fonction de sa perception, de ses reprsentations et des communications quelle reoit. Pour notre travail, nous retenons la dnition adopte par [Har05] daprs les travaux de M. Wooldridge : Un agent est un systme informatique, situ dans un environnement, qui agit de faon autonome et exible pour atteindre les objectifs pour lesquels il a t conu . Les notions situ , autonome et exible sont dnies comme suit : situ : Lenvironnement fournit aux agents des entres sensorielles qui leurs permettent dagir sur lui. Dans notre contexte, lenvoronnement des agents est limage. autonome : lagent est capable dagir sans lintervention dun tiers (humain ou agent) et contrle ses propres actions ainsi que son tat interne. exible : lagent dans ce cas est : capable de rpondre temps : lagent doit tre capable de percevoir son environnement et dlaborer une rponse dans les temps requis ; proactif : un agent ne fait pas que ragir son environnement mais il est aussi capable de produire de lui-mme des actions motives par des buts. social : lagent doit tre capable dinteragir avec les autres agents (logiciels et humains), quand la situation lexige, an de complter ses tches ou aider dautres agents accomplir les leurs. Bien entendu, selon les applications, certaines proprits sont plus importantes que dautres, il peut mme savrer que pour certains types dapplications, des proprits additionnelles soient requises. Il convient cependant de souligner que la prsence des proprits quon vient de voir comme lautonomie, la exibilit et la sociabilit, donne naissance au paradigme agent tout en le distinguant des systmes conventionnels comme les systmes distribus [Har05].

3.2.4

Les systmes multi-agents ou SMA

Pour Weiss dans [Wei00] : Les agents sont des entits computationnelles qui peuvent tre vue comme percevant et agissant de faon autonome sur leur environnement... On peut parler dautonomie parce que le comportement de lagent dpend au moins partiellement de son exprience . 39

3.2. Systmes multi-agents Un SMA est constitu dun ensemble de processus informatiques se droulant en mme temps, donc dun ensemble de plusieurs agents vivant au mme moment, partageant des ressources communes et communicant entre eux. Le point cl des systmes multi-agents rside dans la formalisation de la coordination entre les agents.

Fig. 3.1: Reprsentation schmatique dun SMA, du point de vue dun observateur extrieur Les agents sont capables de le percevoir et dagir sur lenvironnement commun quils partagent. Les perceptions permettent aux agents dacqurir des informations sur lvolution de leur environnement, et leurs actions leurs permettent entre autres de le modier. La Figure 3.1, fait clairement apparatre le rle fondamental de lenvironnement dans un SMA. En eet, si la notion denvironnement joue un rle essentiel dans la dnition de ce quest un agent, elle prend une dimension encore suprieure lorsquon considre plusieurs individus.

3.2.5

Interaction et organisation des agents

Outre la notion denvironnement, qui comme on la expliqu, est fondamentale dans la dnition des SMA, deux autres concepts caractrisent ces derniers. Le concept dinteraction qui permet aux agents dchanger et le concept dorganisation, qui les structure. Interactions entre agents Linteraction est une notion importante dans les systmes multi-agents, car un objectif dans la dnition dune socit dagents est de crer des changes entre ces agents an daugmenter les capacits du groupe. Linteraction peut tre dnie comme la mise en relation dynamique de deux ou plusieurs agents par le biais dun ensemble dactions rciproques [Fer95]. Les interactions sont bases sur : La coopration : travailler ensemble dans un but commun. La coordination : organiser la solution dun problme de telle sorte que les interactions nuisibles soient vites ou que les interactions bnques soient exploites. 40

3.2. Systmes multi-agents La ngociation : parvenir un accord acceptable pour toutes les parties concernes. Organisation des agents Les organisations permettent de maitriser et de structurer les agents, qui nont quune vision partielle de lensemble an dviter les incohrences et les redondances au niveau systme.

3.2.6

Les types dagents

Les agents peuvent tre classs selon leurs degrs dautonomie, de coopration et dadaptation, caractristiques gnralement considres comme principales en IAD. Deux types dagent ont longtemps t distingus dans les SMA : Les agents cognitifs Les agents cognitifs sont gnralement intentionnels cest--dire quils possdent des objectifs et des plans explicites leur permettant daccomplir leurs buts. Ils agissent suivant un cycle (perception/dcision/action). La Figure 3.2 reprsente un agent cognitif. Ces agents disposent dune base de connaissances comprenant les diverses informations lies leurs domaines dexpertise et la gestion des interactions avec les autres agents et leur environnement. Cette base de connaissance regroupe ce quon appelle les tats mentaux de lagent. Un tat mental ou cognition est une structure cognitive lmentaire, il concerne les croyances, les dsirs et les intentions

Fig. 3.2: Agent cognitif On peut dnir ces trois notions comme suit : Les croyances : ce sont les informations que lagent possde propos du monde qui lentoure.

41

3.2. Systmes multi-agents Lintention : cest une attitude oriente vers laction : elle va conduire lagent chercher les moyens et mener des actions pour satisfaire cette intention. Si lagent a pour but, entre autres, de satisfaire dautres agents, il pourra prendre si on le lui demande, des engagements vis--vis des demandeurs sur lexcution dune tche. Le dsir : cest une attitude voisine de lintention. Cependant, sa dure de validit est plus courte. Le dsir par opposition lintention est une attitude changeante court terme. De plus, le dsir nengage pas lagent laction : mais sous certaines conditions, le dsir peut devenir intention. Les agents ractifs Les agents ractifs au contraire des agents cognitifs, ne sont pas intelligents pris individuellement. Ils ne peuvent que ragir des stimuli simples provenant de leur environnement (Figure 3.3). Leur comportement est donc simplement dict par leur relation leur entourage sans quils ne disposent dune reprsentation des autres agents ou de leur environnement. Cependant, du fait de leur nombre, ces agents ractifs peuvent rsoudre des problmes complexes. Les travaux sur ces agents sintressent plus la modlisation dune socit dagents qu lagent lui-mme. Les analogies que les chercheurs ont tabli sont celles de la vie articielle, de lthologie (la fourmilire, la termitire, la ruche dabeille), etc.

Fig. 3.3: Agent ractif Dans [MMG05], nous trouvons une rfrence vers les travaux de Ramos et Almeida, qui ont propos un systme multi-agent bas sur les colonies de fourmis articielles. Le systme procde la segmentation dune image en niveaux de gris, en la considrant comme environnement dans lequel se dplacent les fourmis. Ces travaux ont montr que certaines capacits perceptives (collectives) mergent des interactions locales entres les dirents agents dune part, et entre les agents et lenvironnement dautre part.

3.2.7

Utilit des SMA

Les SMA sont des systmes idaux pour reprsenter des problmes possdant de multiples rsolveurs dcoulant dune multitude de mthodes de rsolution. Ces systmes pos42

3.3. Distribution et coopration du processus dinterprtation dimages sdent les avantages traditionnels de la solution distribue et concurrente de problmes, comme la modularit, la vitesse (avec le paralllisme). Ils orent aussi la facilit de maintenance, la rutilisation et la portabilit mais surtout, ils ont lavantage de pouvoir faire intervenir des schmas dinteraction sophistiqus.

3.3

Distribution et coopration du processus dinterprtation dimages

Comme nous lavons brivement expliqu au dbut du chapitre prcdent, linterprtation dimages consiste construire du sens partir des donnes provenant de la scne analyse, cest--dire structurer ces donnes, reconnatre les direntes entits qui composent limage, comprendre leur organisation spatiale et construire une description de la scne. Ce processus est souvent quali de distribu et de coopratif [Har05] :

Un processus distribu
Linterprtation dimages est un processus intrinsquement distribu en termes de buts atteindre, de zones de limage explorer et de mthodes appliquer. Dirents traitements doivent tre combins, suivant plusieurs modes de coopration an dinterprter une image. Chaque traitement utilise un certain nombre dinformations pour en produire de nouvelles.

Un processus coopratif
La distribution des traitements va de paire avec la mise en uvre de cooprations par le systme, qui doit combiner plusieurs sources dinformations ou de modalits de traitement pour accomplir une tche donne, et tirer partie par exemple, des complmentarits entre mthodes ou oprateurs et augmenter la robustesse du processus dinterprtation (voir Figure 3.4 ). On distingue trois types de coopration : La coopration confrontative : plusieurs agents de direntes spcialits excutent une mme tche (sur le mme ensemble de donnes), de manire concurrente, ainsi le rsultat est obtenu par fusion. La coopration augmentative : elle apporte une rponse au caractre spatialement distribu de linformation image. Ici, on a une collection dagents de comptences similaires, et qui travaillent en parallle sur des sous-ensembles disjoints de donnes. La solution est obtenue sous la forme dun ensemble de solutions locales. La coopration intgrative : dans ce cas, une tche est dcompose en sous-tches. Des agents de spcialits direntes accomplissent ces dernires de manire coordonne et la solution est obtenue au terme de leur excution.

43

3.4. Plateformes multi-agents

Fig. 3.4: Les dirents modes de coopration entre oprateurs. (a- coopration confrontative, b- coopration augmentative, c- coopration intgrative.

3.4

Plateformes multi-agents

Le meilleur moyen pour construire un systme multi-agent(SMA) est dutiliser une plateforme multi-agent. Une plateforme multi-agent est un ensemble doutils ncessaire la construction et la mise en service dagents au sein dun environnement spcique. Ces outils peuvent servir galement lanalyse et au test du SMA ainsi cr. Ces outils peuvent se prsenter sous la forme denvironnement de programmation (API) et dapplications permettant daider le dveloppeur. Nous prsentons dans le paragraphe qui suit la plateforme Spade que nous avons utilis pour la solution propose.

3.5

Prsentation de la plateforme multi-agents Spade

Dans ce paragraphe, nous introduisons une plateforme multi-agents appele Spade qui tire avantage dun nouveau modle de communication bas sur les protocoles de messagerie instantane. Plus de dtails se trouvent dans [MJG06].

3.5.1

Spade

Spade ( Smart Python multi-Agent Development Environment ) est une plateforme de dveloppement dinfrastructure base sur le paradigme des systmes multi-agents. Spade est base sur le protocole XMPP/Jabber et est crite en Python (nous prsenterons dans le chapitre suivant le langage Python). Cette plateforme est conforme aux normes FIPA et un agent Python peut communiquer avec un agent C++ ou Java.

FIPA
La FIPA (Foundation for Intelligent Physical Agents) est une organisation de normalisation qui t forme dans le but de prvenir la prolifration des systmes dagents incompatibles et de promouvoir la technologie base dagents. 44

3.5. Prsentation de la plateforme multi-agents Spade

XMPP/Jabber
XMPP/Jabber (ou simplement Jabber) est un protocole standard dinternet pour la messagerie instantane et la communication. Il est construit sur le protocole XMPP 1 . Cette technologie ore de nombreuses fonctionnalits et installations qui facilitent la construction de SMA, tels que lexistence dun canal de communication, des concepts dutilisateurs (agents), des serveurs (plates-formes) et un protocole de communication extensible base sur XML 2 , comme le FIPA-ACL 3 . Remarque Spade recommande lutilisation de la "Spade Agent Library" qui est un module crit en python. Ce module est un ensemble de classes, fonctions et outils, qui permet de crer de nouveaux agents pouvant tre dploy sur la plateforme

3.5.2

lments de la plateforme

Llement principal de la plateforme est le routeur XML, auquel tous les autres composants et agents sont connects. Il sagit en fait dun serveur XMPP standard qui se charge dacheminer les messages de lenvoyeur vers le bon destinataire sans intervention de lutilisateur (cest une sorte de systme de transport de message ou MTS). La gure 3.5 schmatise la plateforme Spade.

Fig. 3.5: Schma de Spade.

XMPP (eXtensible Messaging and Presence Protocol) : une architecture dcentralise dchange de donnes. 2 XML (eXtensible Markup Language) : un langage informatique de balisage. 3 FIPA/ACL ( Agent Communication Language ) : un standard de langage de communication de la FIPA.

45

3.5. Prsentation de la plateforme multi-agents Spade De plus, comme Spade couvre les normes FIPA, elle fournit donc : un canal de communication (ACC, Agent Communication Channel). Mcanisme permettant aux agents (et la plateforme) de communiquer . un systme de gestion dagent (AMS, Agent Management System). Une manire pour les agents de sinscrire dans la plateforme et dtre joignable via le DF (Directory Facilitator). le DF (Directory Facilitator), est donc une sorte dannuaire o les agents sinscrivent au moment du dploiement. Grce au DF on peut retrouver un agent sur un rseau simplement en se servant de sa fonction. le support du langage de communication ACL. Il peut tre reprsent dans une syntaxe ressemblant du XML.

3.5.3

Le gestionnaire dagent de Spade

Le systme de gestion des agents de Spade, permet de grer, identier, et chercher les agents dploys sur la plateforme. Il est initialis au lancement de Spade. Cest ce gestionnaire qui prend en charge lenregistrement des agents et leur suppression la n de leur cycle de vie. De plus, il fournit aux agents dirents services laide de requtes. On peut citer le service dinformation sur la plateforme, qui permet de rcuprer des informations sur la plateforme et les dirents agents qui y sont dploys. Il ore galement un service de recherche, qui permet un agent de chercher un autre agent suivant certains critres. Et enn, un service de modication, qui sert aux agents modier les informations les concernant et mettre jour leur tat.

3.5.4

Modle des agents Spade

Spade ore un modle prdni ses agents. Ce modle est compos principalement dun mcanisme de connexion la plateforme, dun dispatcheur de message, et dun ensemble de comportements divers appels Behavior (voir Figure 3.6). Chaque agent a besoin davoir un identiant appel Jabber ID "JID" et un mot de passe valide an de pouvoir se connecter la plateforme. En eet, cest le JID qui permet didentier un agent sur la plateforme. Le JID prend la forme suivante : nomutilisateur@domaine-du-serveur . Connexion la plateforme Les communications dans Spade sont traites en interne par le biais du protocole Jabber. Ce protocole a un mcanisme denregistrement et dauthentication des utilisateurs sur un serveur Jabber. Depuis que Spade a adopt les composants du serveur Jabber, les agents utilisent le mcanisme expliqu ci-dessus et sauthentient au serveur en tant que client Jabber. Aprs une authentication russie, chaque agent possde un ux de communication ouvert et persistant avec la plateforme. Ce processus est dclench automatiquement dans le cadre du processus denregistrement dagent.

46

3.5. Prsentation de la plateforme multi-agents Spade

Fig. 3.6: Modle dun agent Spade Le dispatcheur de message Chaque agent Spade possde un composant du dispatcheur de message qui lui est propre. Ce dispatcheur de message agit tel un facteur : quand un message arrive pour un agent, il est plac dans la boite aux lettres correspondante et quand un agent veut envoyer un message, le dispatcheur sen charge en linjectant dans le ux de communication. La rpartition (dispatching) des messages se fait automatiquement par la Spade Agent Library ds quun message arrive ou est envoy. Les comportements Un agent peut avoir dirents comportements de manire simultane. Un comportement est une tche quun agent peut excuter. La plateforme Spade fournit quelques types de comportements prdnis. Ces comportements aident limplmentation des diffrentes tches que lagent peut eectuer. Les types de comportements fournis par Spade sont les suivants : Les comportements cycliques et priodiques sont utiliss pour les tches rptitives. Les comportements de type One-Shot et Time-Out peuvent tre utiliss pour eectuer des tches occasionnelles. La machine tats nis permet la dnition de comportements plus complexes. Les comportements lis aux vnements quant eux rpondent aux vnements que lagent peroit. Chaque agent peut avoir autant de comportements quil le dsire. Quand un agent reoit un message, le dispatcheur de message redirige ce dernier vers la le dattente des comportements correspondante. Il faut savoir que chaque type de comportement a un modle de message qui lui est attach, et cest ce modle qui permet au dispatcheur de dterminer pour quel compor47

3.6. Approches SMA proposes en Imagerie tement un message est destin. En rsum, un comportement peut choisir quel genre de message il veut recevoir en utilisant les modles.

3.6

Approches SMA proposes en Imagerie

Dans ce qui suit, nous allons exposer brivement quelques travaux utilisant les SMA en segmentation dimages.

Travaux relatifs L. Germond

Dans [Ger99], L. Germond propose direntes cooprations dnies entre un modle dformable, un systme multi-agents et un dtecteur de contour. Le modle dformable est utilis pour extraire lencphale. partir de l, plusieurs agents sont placs sur lencphale de telle faon que les agents de matire grise soient placs en priphrie, et ceux de la matire blanche lintrieur (voir Figure 3.7 ).

Fig. 3.7: Principe de la gnration successive des agents de segmentation partir du contour du cerveau, pour la matire grise, puis la matire blanche. Daprs [Ger99] .

Travaux relatifs N. Richard et al.

Les travaux de N. Richard et al. [RDG03] et [Ric04] sont destins la segmentation des tissus crbraux en matire blanche, matire grise et liquide cphalo-rachidien. Des agents situs dans limage travaillent en coopration. Il existe plusieurs types dagents : un agent de contrle global, plusieurs agents de contrle local et des agents de segmentation qui eectuent une croissance de rgions, chacun de ces agents concerne lun des trois tissus. La Figure 3.8 montre les trois types dagents prsents dans le systme.

48

3.6. Approches SMA proposes en Imagerie

Fig. 3.8: Trois types dagents co-existent dans le systme Les agents de contrle global et de contrle local, et les agents spcialiss par tissus. Daprs [RDG03] .

Travaux relatifs E. Duchesnay et al.

Dans leurs travaux [Duc01] , [DMJ03], Duchesnay et al. ralisent une plate forme multi- agents destine la segmentation dimages. Comme pr-classication, Duchesnay et al. utilisent la dcomposition en split and merge , qui est une segmentation qui ne donne que les zones homognes dans limage. Un agent est ensuite plac dans chaque zone homogne et le processus de la segmentation bas sur les SMA dbute. Ils adoptent les pyramides irrgulires comme lment organisationnel de la population dagents (Figure 3.9 ) ; la progression du processus se faisant de la base de la pyramide jusquau sommet. Dans ces travaux, la segmentation est applique des images de scanner du sein.

Fig. 3.9: Socit dagents organise en pyramide irrgulire. Daprs [Duc01] .

49

3.6. Approches SMA proposes en Imagerie

Travaux relatifs R.Haroun, F. Boumghar et al.

Les travaux de Haroun et al. dans [HBHH05] portent sur la segmentation dimage IRM du cerveau. Les auteurs y prsentent une approche cooprative mettant en uvre deux algorithmes de segmentation dimage, que sont la FCM (pour grer lincertitude et limprcision ) et la croissance de rgion (pour agir localement sur limage). Un systme multi-agents est introduit dans la phase de croissance de rgion an damliorer la qualit de la segmentation. Il existe deux types dagents, un agent de type "contrleur" et plusieurs agents de type "Croissance" dploys sur limage. La Figure 3.10 montre la dirence entre une segmentation classique par FCM ( a et b ) et une segmentation cooprative avec un systme multi-agents.

Fig. 3.10: Segmentation dune coupe frontale. (a) Segmentation par FCM, (b) Visualisation des limites entre rgions produites par la FCM et (c) Segmentation par lapproche multi-agents.

Conclusion
Ce chapitre a servi prsenter les systmes multi-agents, qui sont des systmes permettant la modlisation distribue des traitements et des connaissances, dirents modes de coopration, etc. Nous avons vu quil existait deux types dagents, ractifs et cognitifs, les agents du deuxime type sont utiliss dans peu de travaux, ils concernent des systmes dune certaine complexit, ceci nexclut pas lutilisation des agents ractifs dans la rsolution de problmes complexes. Le meilleur moyen pour construire un systme multi-agent(SMA) est dutiliser une plateforme multi-agent. Dans le cadre de notre travail, cest la plateforme multi-agents Spade qui a t choisie, une brve prsentation de cette dernire est faite dans ce chapitre. La dernire section nous a permis de prsenter quelques travaux concernant limagerie mdicale et utilisant les systmes multi-agents. Le prochain chapitre sera consacr la prsentation de lapproche que nous avons dveloppe.

50

Chapitre

4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 52 52 54 54 56 57 58 59 60 64 64 64 66 67 69 70 70 72

tude et mise en uvre du systme de segmentation

Sommaire
4.1 4.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . dition de lencphale . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Extraction de lencphale . . . . . . . . . . . . . . . . . . . . 4.3 Segmentation et classication des tissus du cerveau . . . . . 4.3.1 Classication par k-means . . . . . . . . . . . . . . . . . . . . 4.3.2 Classication par Fuzzy C-means . . . . . . . . . . . . . . . . 4.4 Description de lapproche de segmentation propose . . . . 4.4.1 Approche cooprative et SMA : intrt et dicult . . . . . . 4.4.2 Choix des outils . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3 Architecture du systme multi-agents . . . . . . . . . . . . . . 4.5 Prsentation de larchitecture du module de segmentation . 4.5.1 Caractristiques des agents . . . . . . . . . . . . . . . . . . . 4.5.2 Comportement des agents . . . . . . . . . . . . . . . . . . . . 4.5.3 Architecture logicielle des agents . . . . . . . . . . . . . . . . 4.5.4 La croissance de rgion cooprative . . . . . . . . . . . . . . . 4.5.5 Inuence de la granularit des agents . . . . . . . . . . . . . . 4.5.6 Comparaison des rsultats avec ceux de la FCM . . . . . . . 4.6 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

Introduction

Lobjectif de notre travail est de dployer sur une plate-forme de visualisation 3D, un systme de segmentation dimages par rsonance magntique du cerveau.

4.2. dition de lencphale Notre segmentation a pour but dextraire les trois principaux tissus composant le cerveau : la matire blanche (MB), la matire grise (MG) et le liquide cphalo-rachidien (LCR). Dans ce travail, nous faisons cooprer direntes mthodes de segmentation, an de tirer partie des avantages de chacune delles. La premire mthode applique est une mthode de classication, qui utilise limage dans sa globalit pour la segmenter, alors que la deuxime mthode permet de tenir compte des caractristiques locales de limage. Cette coopration est btie dans un environnement multi-agents Nous dtaillons dans ce chapitre les dirents lments de lapproche de segmentation propose. Nous commenons par prsenter ltape de lextraction de lencphale suivie de la segmentation de ce dernier en trois classes de tissus : matire blanche, matire grise et liquide cphalo-rachidien. Nous prsentons galement tout au long du chapitre, les direntes tapes et tudes qui nous ont men raliser le systme de segmentation nal, cela nous permet de justier notre choix des algorithmes et outils utiliss.

4.2

dition de lencphale

Il est ncessaire disoler le cerveau ou encphale, cest--dire dliminer les pixels relatifs au crne, la peau et aux tissus environnants, avant de commencer la procdure de segmentation en trois classes de tissus. Ldition de lencphale est ralise ici, grce une mthode contextuelle : la morphologie mathmatique excute aprs binarisation de limage. Cette procdure ncessite certains paramtres : la moyenne et lcart type, ils sont estims pour chaque tissu crbral. Les paragraphes qui suivent exposent les direntes tapes qui mnent lisolation du cerveau. Nous avons adopt une approche similaire celle trouve dans [Har05].

Paramtres des tissus

Dans le but dobtenir les paramtres utiliss dans la procdure de ldition de lencphale, nous commenons par eectuer une pr-segmentation grossire en utilisant la mthode des k-moyennes (dcrite au chapitre 2). Pour chacune de ces classes, nous calculons la moyenne et la variance par : classe = 1 N
N N

xi
i1

2 classe

1 = N 1

(xi classe )2
i1

4.2.1

Extraction de lencphale

Lextraction de lencphale seectue par les mthodes de la morphologie mathmatique selon les tapes suivantes (Figure 4.1) : 52

4.2. dition de lencphale 1. Seuillage Limage est tout dabord binarise, avec des seuils de binarisation obtenus partir de la moyenne et de lcart type calculs prcdemment. Ceci permet de faire apparatre un seul objet du cerveau. Les seuils sont calculs par : S1 = LCR - LCR S2 = M B + 2 * M B 2. rosion An de dconnecter le cerveau de la peau, nous excutons une rosion. Cette tape permettra de diminuer le volume du cerveau et dlargir les trous apparus lors de la binarisation.

Fig. 4.1: dition de lencphale. (a) Image originale dune coupe axiale, (b) Image segmente par k-Means, (c) Image binarise, (d) Image rode, (e) Masque du cerveau aprs dilatation conditionnelle (f) Superposition de limage dilate sur limage originale.

3. Segmentation des composantes connexes lissue de ltape prcdente, nous obtenons une image binaire contenant plusieurs objets blancs sur un fond noir. Nous ralisons une segmentation par tiquetage en com53

4.3. Segmentation et classication des tissus du cerveau posantes connexes, an dextraire chauque objet sparment. Aprs calcul du volume de chaque objet, nous retenons la composante connexe la plus volumineuse comme tant lencphale. 4. Dilatation conditionnelle An de reboucher les trous apparus cause de lrosion et de retrouver le volume original de lencphale, une dilatation simpose ; le rsultat de celle-ci est le masque de lencphale. En fait, nous ralisons une dilatation conditionnelle, le masque est superpos sur limage initiale. Ainsi nous obtenons lencphale isol. Remarque Les outils de la morphologe mathmatique (rosion et dilatation) sont utiliss avec un lment structurant de forme circulaire, de 2 pixels de rayon. Ltape de lextraction de lencphale ne fait quisoler le cerveau et liminer les pixels des tissus environnant. Les direntes mthodes appliques durant cette tape nont aucune incidence sur les pixels initiaux du cerveau et limage quon segmentera par la suite gardera les informations initiales.

4.3

Segmentation et classication des tissus du cerveau

Comme nous lavons voqu direntes reprises, les images IRM ont des caractristiques qui les direncient des autres images (non mdicales). Parmi ces caractristiques, leet de volume partiel qui fait ressortir de nouvelles classes, souvent appeles "classes de mlanges". Les classes de mlanges que lon rencontre le plus souvent sont : mlange MB-MG et MG-LCR, et ce au niveau des frontires entre tissus. On trouve dans la littrature plusieurs solutions pour pallier ce problme, parmi elles, la proposition de C. Jaggi dans [Jag98] qui consiste raliser une classication de lencphale en cinq classes (trois pour les tissus purs et deux pour les classes de mlanges). Pour notre travail, nous navons pas choisi doprer ainsi tenant compte des travaux de R. Haroun dans [Har05], qui en segmentant par une FCM en cinq classes, na pas obtenu les vrais pixels de mlanges. En eet les proportions de pixels de mlanges dirent selon la rsolution et la taille des images. De plus dans les cas o les images comportent des pathologies, il existe plus de cinq classes et nous ignorons donc le nombre de classe rechercher. Les paragraphes qui suivent nous serviront exposer les rsultats de limplmentation des dirents algorithmes prcdemment prsents, ce qui nous permettra de faire merger le systme propos et de choisir les paramtres appropris.

4.3.1

Classication par k-means

Nous avons commenc par raliser une segmentation des images IRM en trois classes en utilisant lalgorithme des K-means. Cet algorithme, tant une technique doptimisation

54

4.3. Segmentation et classication des tissus du cerveau (qui vise minimiser la valeur dun certain critre numrique), il sarrte lorsquil ne peut plus faire baisser la valeur du critre minimiser. On constate que lalgorithme des k-means a tendance converger au premier minimum local rencontr et cette convergence nest pas toujours proche de la solution optimale (ne garantit pas datteindre la valeur la plus faible possible du critre). Dans le but de solutionner ce problme de minimum local, nous avons opter pour lapproche qui fait excuter lalgorithme plusieurs fois avec des centres dirents choisis de manire alatoire. Ainsi, pour chaque excution, lalgorithme va converger vers un minimum. Nous retenons la plus petite valeur de ces minimums. La gure 4.2 montre les rsultats de la segmentation dune coupe axiale dune IRM T1 . Nous avons x le nombre de classes 3 et le nombre ditrations de lalgorithme 100, pour un bon compromis prcision-temps. Le but de cette segmentation est de fournir une information globale sur la disposition des trois tissus sur limage. En eet, les pixels de mlanges ne sont pas pris en compte mais sont considrs comme des pixels purs.

Fig. 4.2: Segmentation de lencphale par les k-means, (a) : Image originale (b) : Matire blanche, (c) : Liquide cphalo-rachidien, (d) : Matire grise

55

4.3. Segmentation et classication des tissus du cerveau

4.3.2

Classication par Fuzzy C-means

Lalgorithme de la FCM a pour rsultat une reprsentation qui donne pour chaque pixel, son degr dappartenance chaque classe. Il permet aussi de reprsenter une image pour chaque classe dont les niveaux de gris retent lappartenance des pixels, ces images sont appeles "cartes dappartenances oues". 4.3.2.1 Inuence du facteur de ou sur le degr dappartenance

Le bruit est lautre dfaut caractrisant les images RMN. Son eet peut tre modlis par la FCM, mais cette modlisation dpend fortement de lindice de ou m. Pour notre travail nous avons choisi un indice m = 2. Le prochain paragraphe nest que le rsum de ltude eectue au cours du Magister de R.Haroun dans [Har05], sur linuence du facteur de ou sur les rsultats de la classication pour des IRM crbrales et qui nous a men ce choix. La gure 4.3 reprsente les quatre graphes rsultant de ltude. Chacun de ces graphes rete lappartenance des pixels lune des trois classes et pour des indices de ou dirents. Interprtation Pour m=1.1, leet de bruit nest pas pris en compte, lalgorithme des FCM se comporte comme celui des K-means, les appartenances sont trs proches de 0 ou de 1. Pour m = 10, on voit que les direntes valeurs dappartenance sont du mme odre de grandeur, sauf pour les radiomtries proches du centre dune classe qui ont une valeur dappartenance leve relativement aux autres classes. Cependant, pour m compris entre 2 et 5, on ne rencontre pas les mmes problmes que pour les deux premires congurations. On constate que lorsque m augmente (de 2 5) les valeurs sloignent de 1 et de 0, il y a plus de tolrance au bruit dans le rsultat de la segmentation. 4.3.2.2 Classication de lencphale

Lalgorithme des FCM est appliqu sur des IRM pondrs en T1 , avec un nombre de classe x 3. La gure 4.4, prsente les rsultats pour une coupe axiale (a), coronale (b) et sagittale (c). La matire blanche est reprsente par la couleur jaune, la matire grise est en violet et le LCR est en bleu. 4.3.2.3 Bilan sur la segmentation par FCM

La FCM nous permet dagir sur limage en utilisant des informations globales. Cette segmentation ore des cartes dappartenance facilement interprtables. En eet, elle nous permet de connaitre les rgions possdant une plus grande appartenance un tissu donn. De plus la classication oue, nous permet de tenir compte de leet de bruit, et ceci grce au facteur de ou m, qui peut tre ajust par rapport la tolrance de bruit dsire.

56

4.4. Description de lapproche de segmentation propose

Fig. 4.3: Comportement des C moyennes oues en fonction de lindice de ous [Har05]. Cependant lalgorithme de la FCM ne fournit pas une bonne segmentation des tissus crbraux, sil est utilis seul. Ceci sexplique par le fait que cette mthode qui hrite des mthodes de classication, a linconvnient de ne tenir compte que des informations globales de limage sans considrer les pixels comme appartenant une image bidimensionnelle.

4.4

Description de lapproche de segmentation propose

Lapproche que nous proposons pour ce mmoire est donc une approche cooprative, qui permet dexploiter les avantages de direntes mthodes. Les justications dun tel choix sont prsentes dans les paragraphes qui suivent.

57

4.4. Description de lapproche de segmentation propose

Fig. 4.4: Segmentation de lencphale par FCM. gauche : image originale, droite : image segmente

4.4.1

Approche cooprative et SMA : intrt et dicult

An de segmenter une IRM, il est important de tenir compte des informations de type contextuel. Lalgorithme par croissance de rgions ore la possibilit de tenir compte de manire simultane des relations topologiques et des caractristiques dhomognit des rgions. Cet algorithme est utilis dans lapproche que nous proposons. La caractre incertain des donnes IRM, d principalement leet de volume partiel, expliqu prcdemment engendre des pixels qui nappartiennent pas forcment un tissu particulier mais reprsentent des zones de mlange de deux ou plusieurs tissus crbraux. Ceci nous pousse exploiter une mthode qui tient compte de cet artefact. La mthode de classication oue FCM nous a paru la plus approprie pour la modlisation de ces donnes. En eet, elle attribue chaque pixel un degr dappartenance chacune des classes. De plus, elle ore aussi la possibilit de considrer limprcision cause par le bruit et linhomognit dans les images.

58

4.4. Description de lapproche de segmentation propose Lapproche cooprative propose dans ce mmoire combine la croissance de rgions avec la classication oue. La coopration est de type squentiel (vu au chapitre 2). An dutiliser la croissance de rgions dans le cadre de notre travail de manire plus ecace, nous concevons le systme dans un environnement multi-agents. Ce systme sera dtaill plus loin. Ce choix de concevoir le systme dans un environnement multi-agents, est justi par le point suivant : Plusieurs travaux utilisant la croissance de rgion classique pour la segmentation du cerveau en trois matires : MB, MG et LCR ont fait tat de lapparition de zones de chevauchement entre les tissus. Par exemple dans [Har05], lauteur a utilis lalgorithme de croissance de rgion, en partant de trois germes, chacun relatif une matire. Cette approche impose lutilisateur de choisir un ordre des tissus ralisant la croissance dont les rsultats de la segmentation dpendent fortement. En eet, selon lordre choisi, on constate en gnral que le germe correspondant la premire rgion qui commence la croissance envahit les autres rgions. Cet envahissement (chevauchement) est d au fait quau niveau des frontires, il existe une dirence graduelle entre les radiomtries des pixels, chaque rgion en phase de croissance, peut sagrger tous les pixels proches de ses caractristiques (vriant les prdicat), sans aucune autre restriction. La gure 4.5 montre les rsultats obtenus dans [Har05].

Fig. 4.5: Segmentation de lencphale par croissance de rgions [Har05]. (a) segmentation de la MG, (b) segmentation de la MB et (c) rgions de chevauchement entre les deux rgions segmentes. Donc, dans le but de pallier ce problme denvahissement, nous faisons excuter les germes, de manire simultane pour les trois classes, ainsi chaque germe protge sa rgion contre lenvahissement des autres. Nous ralisons cela en fondant la croissance de rgions sur un systme multi-agents, chaque germe tant reprsent par un agent. Le dtail du systme sera abord dans les sections qui suivent.

4.4.2

Choix des outils

Dans cette section, nous exposons les dirents outils utiliss pour la ralisation de notre systme. 59

4.4. Description de lapproche de segmentation propose Langage de programmation Notre application a t dveloppe en Python1 . Ce choix sest dune certaine faon impos nous, car les processus sur la plateforme BrainVISA sont crits en python. Nanmoins, nous avons dcouvert en ce langage, des caractristiques fort intressantes, on cite : Python est un langage de programmation interprt multi-paradigme. En eet, il a un support pour la programmation oriente objet, la programmation fonctionnelle ou encore la programmation itrative. Ce langage a lavantage davoir une syntaxe trs simple, qui combine des types de donnes volus (listes, dictionnaires,...), conduit des programmes la fois trs compacts et trs lisibles. De plus, Python est dynamiquement typ, cest dire que tout objet manipulable par le programmeur possde un type bien dni lexcution, qui na pas besoin dtre dclar lavance. Python intgre, comme Java ou les versions rcentes de C++, un systme dexceptions, qui permet de simplier considrablement la gestion des erreurs. La portabilit de python, lui permettant de fonctionner sur la plupart des plateformes informatiques. Le langage Python peut tre utilis dans dirents domaines, et ore diverses fonctionnalits, que ce soit pour la programmation systme, le dveloppement web ou encore la ralisation dinterfaces graphiques. En ce qui concerne le traitement dimages et le calcul scientique, il fournit des bibliothques spcialises telles que PIL2 , NumPy 3 ... etc. plateforme multi-agents Il existe plusieurs plateformes orant un cadre dexecution aux agents. Pour notre travail, il a fallu trouver une plateforme qui permet de dvelopper des agents en Python, et qui ore un certain nombre de services. La plateforme Spade nous a sembl la plus adapte. Les principales caractristiques de cette plateforme ont t prsentes au chapitre 3.

4.4.3

Architecture du systme multi-agents

Larchitecture multi-agents que nous avons dveloppe repose sur la notion dagents situs et coopratifs (paragraphe 3.2.2 du chapitre prcdent). Eectivement, les agents sont situs dans un environnement compos de donnes exprimentales (fournies lors des tapes prcdentes danalyse) et des informations progressivement extraites. Ici, la coopration est augmentative, cest dire que chaque agent travaille localement et sadapte ractivement aux modications de lenvironnement. La communication entre les agents seectue par lintermdiaire de lenvironnement et via le systme dchange de messages.
1 2

http ://www.python.org/ Python Imaging Library : http ://www.pythonware.com/products/pil/ 3 http ://numpy.scipy.org/

60

4.4. Description de lapproche de segmentation propose Cest le systme de gestion des agents qui cre et supprime les agents selon les besoins du systme. Les agents peuvent prendre dirents rles (que nous dnirons plus tard) dirents instants. Le changement de rle dpend de la progression du processus de segmentation. En plus de lutilisation de lannuaire, (le DF expos dans le paragraphe concernant Spade) contenant les informations sur tous les agents, le systme, se base sur direntes listes. On a des listes caractrisants les agents selon leur tat et une liste des rles. 4.4.3.1 Interaction et communication entre agents

Comme cela a t expliqu au chapitre prcdent, ds sa cration et son enregistrement, un agent possde un ux de communication continu avec la plateforme, ce qui lui permet de connatre son environnement tout instant. De plus, la plateforme ore un systme dchange de messages facilit grce au dispatcheur de messages (voqu au prcdent chapitre, paragraphe 3.5.4 ). 4.4.3.2 Les types dagents

Notre systme sera compos de deux types dagents. Nous aurons un agent "contrleur", et plusieurs agents "de croissance". Ces types dagents partagent certaines caractristiques mais se direncient par dautres. Le contrleur du systme On peut dnir le contrleur du systme comme tant un super agent, qui se charge de lancer lexcution des autres agents. Il sappuie sur les trois listes qui contiennent des liens vers les agents selon leur tat et sur la quatrime liste contenant les rles des agents dont la modication est dclenche par la rception de requtes. Les agents de croissance Ce sont des agents dont la tche principale est lexcution de la croissance de rgion. Leur cration est demande par le contrleur. 4.4.3.3 Excution des requtes

Dans notre systme, on distingue deux sortes de requtes. Celles qui sont adresses par le contrleur du systme au gestionnaire des agents, et qui donnent accs dirents services, tels que : La rcupration des informations sur la plateforme et sur les agents qui y sont dploys. La modication des ses propres informations. La recherche des autres agents selon un critre. Et le deuxime type de requtes : ce sont les agents qui les adressent au contrleur du systme. Ces requtes dpendent des tats des agents et peuvent faire lobjet de :

61

4.4. Description de lapproche de segmentation propose Changement dtat dun agent : lagent relatif est dplac dune liste dtats une autre. Changement de rle dun agent : lagent concern est alors dplac dune liste de rles une autre. Le rsultat de ce deuxime type de requtes est la mise jour des direntes listes des agents, et la possibilit dexcuter des actions spciques. 4.4.3.4 Le modle interne des agents

Lagent est la partie active du systme, cest lui qui fait les traitements sur les images et produit, en sortie, des informations en utilisant les connaissances dnies dans sa conguration. Les agents se spcialisent ds leur cration, dune premire manire, suivant le traitement quils doivent eectuer, et les informations qui leurs sont donnes en entre. Les agents se spcialisent galement selon leur type de tissu crbral relatif, leur tat et leur rle. Un agent possde une vie limite, avec un dbut et une n. Il est cr un certain instant par le systme de gestion de la plateforme, et peut tre dtruit galement tout moment. Lagent passe par trois tats pendant son cycle de vie, il est respectivement actif, inactif et suspendu. Lorsque lagent est dans ltat "actif", le contrleur lui donne priodiquement la main pour quil excute une partie des traitements dont il a la charge. Il peut passer ltat "suspendu", cest dire quil ne peut pas sexcuter. Ceci arrive dans les cas suivants : soit parce quil est en attente dinformations qui seront produites par un autre agent, soit parce que le contrleur ne lui a pas donn la main. Lorsque lagent a t stopp dans son traitement (la croissance de rgions) par la condition darrt, il se met dans ltat inactif. Un agent dans ltat suspendu ou inactif, peut encore excuter certains traitements, dont le dclenchement est provoqu cette fois, par des requtes mises par dautres agents. Lorsque lagent contrleur donne la main un agent de la liste des agents suspendus, ce dernier devient actif et sexcute pendant un cycle donn au del duquel il doit rendre la main au contrleur. 4.4.3.5 Organisation des donnes

Lenvironnement des agents est constitu par lensemble des informations, lies lapplication et manipules par le systme. Il contient initialement les donnes, cest--dire les images analyser et les connaissances fournies a priori, et il senrichit progressivement des informations extraites par les agents. Lorganisation des ces informations seectue au sein dune zone commune partage par tous les agents. Toutes les informations rcoltes sont accumules de faon externe aux agents an quelles puissent subsister leur mort et quelles soient utilisables facilement par les autres agents. Les informations doivent tre structures en groupes (chaque groupe caractrisant une entit), et en reprsentation des liens existants entre ces groupes.

62

4.4. Description de lapproche de segmentation propose Il faut bien faire la distinction entre les dirents types dinformation. On a les connaissances descriptives et opratoires qui donnent une reprsentation a priori des dirents concepts prsents dans lapplication et des traitements et paramtres employer, et puis les informations descriptives accumules par les agents, qui sont des sources de connaissances dynamiques que les agents utiliseront par la suite pour eectuer leurs propres traitements. Les agents manipulent ces informations sous formes de "cartes", o sont organises les informations dcrivant chacun des pixels, et sur lesquelles les agents viennent lire et crire. Les cartes (informations organises par pixel) Comme on la dit, les cartes permettent de stocker les informations sur les pixels. Ces informations sont soit donnes ou calcules a priori (typiquement les cartes bas-niveau), soit progressivement extraites, de faon augmentative, par dirents agents rpartis sur limage. Il faut savoir que des cartes dcrivant les pixels dirents niveaux sont produites et utilises par les agents : cartes de bas-niveau, cartes dcrivant les rgions, cartes dcrivant des concepts. Plusieurs cartes peuvent tre associes un mme concept, ces cartes contiennent des informations aussi bien numriques (niveau de gris, nombre de voisins dun pixel avec ltiquette dun tissu) que symboliques (tiquette attribuant un pixel une primitive ou un concept). Les informations de bas-niveau : Plusieurs types de cartes peuvent tre dsigns comme des cartes de bas-niveau : les cartes de niveaux de gris constituant les donnes interprter. les cartes obtenues par transformation des cartes de niveau de gris (cartes de module et de directions de gradient, cartes obtenues par morphologie mathmatique ...) les cartes destines corriger les niveaux de gris. Dans notre application, seulement quatre cartes sont introduites : une carte de limage de niveaux de gris. trois cartes dappartenance oues : ces cartes sont obtenues lors dune prsegmentation de limage par FCM, chacune tant relative une classe. Les informations sur les rgions : Une structure dinformations regroupe les informations sur les rgions. Une carte est associe cette structure qui permet de connatre lidentiant de la rgion associe chaque pixel, position du germe, ... Les informations sur les concepts (cerveau, tissus crbraux) : Des informations sont rattaches au concept cerveau dune part, et aux concepts matire blanche , matire grise et liquide cphalo-rachidien dautre part. Le premier type dinformations est calcul laide de la carte du cerveau direnciant lintrieur du cerveau du reste

63

4.5. Prsentation de larchitecture du module de segmentation

4.5

Prsentation de larchitecture du module de segmentation

Limage dans laquelle les agents sont situs, reprsente lenvironnement des ces derniers. Les agents sont distribus et agissent de manire simultane sur cet environnement. Dans ce qui suit nous prsentons les caractristiques du systme propos : 1. Organisation : comme nous lavons prcdemment prcis, les rles et les tats des agents peuvent varier au cours du temps, ainsi que les relations entre les agents qui sont variables en fonction des rencontres faites dans lenvironnement. 2. Type et nombre dagents : nous utilisons les deux types dagents prcdemment prsents, que nous appelons AgentCrois et AgentIma. Nous distinguons dans notre systme, plusieurs AgentCrois et un seul AgentIma.

4.5.1

Caractristiques des agents

Chacun des deux types dagents prcdemment cits, possde ses propres caractristiques : AgentCrois Ce type dagents est charg dexcuter lalgorithme de croissance de rgion, dont le rsultat est ltiquetage des pixels. Ces agents peuvent jouer lun des trois rles suivants : Le rle "croissance" : il correspond un processus de croissance de rgion. Le rle "ngociation" : il consiste ngocier une ventuelle fusion avec un autre agent. Le rle "fusion" : il consiste eectuer la fusion avec un autre agent. Les agents de type "AgentCrois" peuvent passer bien sr par les trois tats : "actif", "suspendu" ou bien "inactif". AgentIma Dans notre application, AgentIma est lagent relatif lagent contrleur (voqu prcdemment). Cet agent possde un seul rle : le "contrle".

4.5.2

Comportement des agents

Le paragraphe qui suit prsente les direntes phases du processus, ainsi que les comportements des agents face aux vnements. Nous dnissons trois phases : phase dinitialisation, phase de croissance et phase de ngociation. Il existe un chevauchement entre ces phases. La phase dinitialisation Comme son nom lindique cette phase permet dinitialiser le systme et les direntes listes. AgentIma et AgentCrois sy comportent comme suit : 64

4.5. Prsentation de larchitecture du module de segmentation

Phase dinitialisation Comportement de AgentIma : AgentIma est tout moment ltat dcoute de ses messages. Dans la Phase dInitialisation, AgentIma lance un AgentCrois relatif au premier germe. Lorsque AgentIma constate que le premier AgentCrois est dans ltat "suspendu" : Il peut lancer un deuxime AgentCrois, Il met jour ses donnes. Comportement de AgentCrois : Un AgentCrois venant dtre lanc prend le rle croissance et se met dans ltat "actif". LAgentCrois commence sa croissance de rgions partir de son germe : Il observe ses pixels voisins, Il ajoute sa rgion les pixels qui rpondent au Prdicat, Il incrmente le nombre de ses itrations et met jour ses donnes. Ensuite, AgentCrois se met dans ltat suspendu . Cet tat va permettre AgentIma de lancer un deuxime AgentCrois relatif au deuxime germe.

La phase de droulement des croissances Cette phase dcrit, comment les agents de type AgentCrois alternent les tats et les rles selon les besoins du systme : Phase de droulement des croissances Lorsque AgentIma peroit quun AgentCrois est dans ltat "suspendu" : Il analyse la liste Listrle et lance lAgentCrois appropri. Si un AgentCrois trouve sa condition darrt de la croissance satisfaite, il ne meurt pas car il se peut quil soit sollicit par un autre AgentCrois en vue dune fusion, cet agent se met dans ltat "inactif". Si pendant la progression un AgentCrois veut ajouter sa rgion un pixel qui appartient dj une autre rgion, une Phase de Ngociation commence.

65

4.5. Prsentation de larchitecture du module de segmentation La phase de ngociation Cette phase intervient entre deux agents, si lun deux veut agrger sa rgion un pixel dj tiquet par lautre. Elle suit les instructions suivantes :

Phase de Ngociation Les deux AgentCrois concerns par cette phase changent de rle, ces agents avaient le rle croissance , ils prennent le rle ngociation . Tant que le processus de ngociation est en cours, AgentIma ne dclenche pas un autre agent (les autres agents sont en tat suspendu ). Si les deux AgentCrois possdent des germes du mme type alors ils fusionnent : Il se cre un nouveau AgentCrois ls, Ce nouvel agent rcupre toutes les donnes des deux agents pres, Les agents pres meurent, AgentIma met jour toutes ses donnes.

Si les deux AgentCrois ne possdent pas des germes du mme type alors, le processus de segmentation continue et les deux agents concerns reprennent le rle croissance .

Remarque Avec la progression du processus, le nombre dagents disponibles diminue et la vitesse dexcution augmente.

4.5.3

Architecture logicielle des agents

Les agents sont reprsents par des classes implmentes en Python. Le systme multiagents est excut sur un seul processeur. Les principaux membres de ces classes sont comme suit :

Classe AgentIma ListRole ListSusp

66

4.5. Prsentation de larchitecture du module de segmentation

Classe AgentCrois Position du germe Type du germe ListAssign ListBord Etat

Avec : ListRole : Toutes les cellules sont nulles sauf celles concernant le prochain agent qui doit commencer la croissance de sa rgion. ListSusp : Informe le systme sur les agents qui ont vri le critre darrt de la croissance de rgion, ces agents attendent une ventuelle fusion avec un autre agent. Type du germe : Concerne le tissu crbral relatif au germe de lagent concern, chaque tissu est reprsent par une tiquette. ListAssign : Concerne tous les pixels dj assigns la rgion de lagent. ListBord : Contient tous les pixels appartenant la frontire de la rgion en cours. Lagent connat ses pixels candidats, tout moment. Etat : Reprsente ltat de lagent, il peut prendre les valeurs suivantes : actif, suspendu ou inactif . Remarques 1. ListRole, ListSusp, ListAssign et ListBord sont des listes dont la taille varie avec la progression du processus de segmentation, car tout moment, des agents peuvent disparatre ou tre crs et chaque agent voit sa rgion augmenter. 2. Dans ce paragraphe, nous avons prsent les principaux membres des classes de manire ce que le fonctionnement global du systme soit comprhensible, nanmoins il existe dautres membres de ces classes et dautres conditions qui conduisent les comportements des agents.

4.5.4

La croissance de rgion cooprative

Le positionnement des germes sur limage est la proccupation premire de la croissance de rgion. Plusieurs mthodes permettant dobtenir des germes signicatifs selon lapplication existent. Instinctivement, pour la segmentation dIRM en trois classes, on pourrait penser slectionner comme germes, trois pixels (chacun relatif un tissu). Ces trois pixels pourraient tre choisis sur la base de la moyenne des niveaux de gris de chaque tissu obtenue aprs avoir eectu une classication dure par les k-Means. 67

4.5. Prsentation de larchitecture du module de segmentation La croissance de rgion dbuterait avec lun des trois germes, lequel analyse ses pixels voisins, et sils vrient le prdicat alors il les ajoute sa rgion. Nous trouvons dans [Har05] les rsultats dune telle segmentation, avec un prdicat dni comme suit : N G(P ) M G(R) < S avec : P est le pixel inspect. NG (P) est la radiomtrie du pixel P. MG (R) : la moyenne des niveaux de gris de la rgion R. S est un seuil choisi exprimentalement. Ces rsultats ne sont pas concluants, et mnent des erreurs dans la segmentation. Dans notre travail, an dviter ce genre de problme, nous avons dcid de procder autrement. 4.5.4.1 Slection des germes

Pour dterminer les germes signicatifs, nous suivons la dmarche suivante : Une classication par FCM est eectue sur limage, ce qui nous permettra dobtenir les degrs dappartenance de chaque pixel une classe donne. Nous xons le nombre de classes 3 et le facteur de ou m 2 ( tel que justi au dbut du chapitre). Les rsultats montrent que certains pixels possdent des degrs dappartenance levs lune des classes, nous admettrons que pour uik > 0.8 ces pixels feront partie de cette classe. La liste des germes ventuels est une liste de points que nous positionnons sur limage de manire rgulire (avec un pas prdni). Ces points sont positionns uniquement dans la zone de lencphale. Ces points ne sont pris comme germe que si leurs degrs dappartenance une rgion donne sont suprieurs au seuil x et que leurs voisins possdent galement des degrs dappartenance suprieurs 0.8 pour cette mme rgion. Les germes se concentrent dans les parties de limage o il y a le plus de probabilit davoir un tissu pur. La gure 4.6 montre une telle concentration, cette image est un cas extrme relatif au nombre de germes. Remarque Cette double condition pour la slection des germes, sexplique par le fait que dans certains cas, si on ne conditionne que le germe en ne tenant pas compte de ses voisins, on peut avoir des erreurs de segmentation. Comme par exemple, lapparition de points dans la matire blanche qui possdent un degr dappartenance lev pour la matire grise (phnomne caus par le bruit).

68

4.5. Prsentation de larchitecture du module de segmentation

Fig. 4.6: Slection des germes par FCM. 4.5.4.2 Prdicat

En plus du choix des germes qui est trs important pour la croissance de rgions, le choix du prdicat a galement une importance accrue. Pour notre travail, nous avons adopt le prdicat suivant [Har05] : tissu tissu < N G < tissu + tissu avec : NG : le niveau de gris du pixel considr. tissu et tissu : la moyenne et lcart type de la rgion relative au tissu considr, obtenues aprs avoir eectu une premire classication dure (k-Means). : un coecient x 1.5. Nous associons ce prdicat, une condition telle que : aucun pixel ayant une appartenance infrieure 0.7 nest ajout la rgion en cours. Cette condition nous permettra dviter le chevauchement entre la matire blanche et la matire grise qui peut apparaitre dans certains cas. 4.5.4.3 Le critre darrt

Le critre darrt que nous choisissons est la non existence de pixels pouvant tre ajouts (vriant la condition dagrgation) la rgion en cours de croissance.

4.5.5

Inuence de la granularit des agents

Le nombre dAgentCrois (eectuant la croissance) dpend du pas utilis lors du positionnement des germes ventuels sur limage, le nombre dagents possde une inuence ngative sur la dure totale de la segmentation car il y a plus de communications entre les agents. Cependant, une faible granularit cause des chevauchements entre les rgions.

69

4.6. Rsultats

4.5.6

Comparaison des rsultats avec ceux de la FCM

La plupart des travaux concernant les IRM crbrales, que ce soit pour tudier les tissus, des lsions, etc., utilisent la FCM pour segmenter limage en trois classes de tissus. Nous comparons dans ce qui suit, les rsultats obtenus par lapproche propose avec ceux de la FCM. Les images de la Figure 4.7 reprsente les rsultats, gauche, par la mthode FCM classique, et droite par notre approche pour une squence T1 en coupe axiale et coronale. Les dirences peuvent tre observes au niveau des frontires entre les tissus, par exemple, comme on remarque dans la partie entoure dun cercle, notre approche corrige lapparition de certains pixels qui sont classis comme tant du liquide cphalo-rachidien dans la matire grise.

Fig. 4.7: Segmentation dune coupe axiale et coronale. (a) plan axial et (b) plan coronal.

4.6

Rsultats

La segmentation est applique sur des images relles qui peuvent tre au format jpeg, png ou gif. Ces images sont ceux de patients sains. La gure 4.8 montre les rsultats pour les trois coupes : axiale, frontale et sagittale (de haut en bas). Les colonnes (a) et (b) reprsentent respectivement limage intiale et limage aprs extraction de lencphale. Dans la colonne (c), nous avons limage segmente, avec la matire blanche qui est colorie en vert, en rouge, on retrouve la matire grise et la couleur bleue reprsente le liquide cphalo-rachidien.

70

4.6. Rsultats

Fig. 4.8: Rsultats de la segmentation sur des images relles

Interprtation
Les rsultats prsents dans la gure 4.8 montrent que notre approche permet davoir une classication plus nette, cest--dire que lon ne constate pas lapparition de pixels dans la matire blanche, classis comme appartenant la matire grise. Ceci est d lutilisation de la coopration, qui nous permet de prendre en compte les caractritiques globales et locales de limage.

Conclusion
Dans ce chapitre, nous avons prsent notre approche de segmentation du cerveau base sur la coopration dans un environnement multi-agents. Nous avons commenc par exposer ltape de ldition de lencphale qui sest faite par morphologie mathmatique. Par la suite, nous avons dtaill lapproche, qui vise classier lencphale en trois classes : 71

4.6. Rsultats matire grise, matire blanche, liquide cphalo-rachidien. Nous avons tout dabord utilis les algorithmes k-means et FCM. Pour la FCM, nous avons justi notre choix pour le facteur de ou puis nous avons discut les rsultats obtenus. La coopration est intgre dans notre travail an de tirer partie des direntes techniques de segmentation. La FCM qui agit sur limage dans sa globalit et fournit une information sur les degrs dappartenance des pixels aux classes de tissus et la croissance de rgion qui permet dexploiter les informations locales. La deuxime technique exploite les rsultats de la FCM. Nous avons propos de fonder la croissance de rgion sur un systme multi-agents, an dviter certains problmes de chevauchement entre les tissus. En eet, avec les SMA, nous avons, un agent pour chaque germe, donc nous eectuons une segmentation rpartie sur limage et qui agit de manire simultane sur toute sa surface. De plus, les systmes multi-agents en orant un entrelacement entre les actions des agents, permettent dadapter la stratgie danalyse de limage au fur et mesure que des rsultats partiels sont produits. Les paramtres de la croissance de rgions sont ajusts dans ce travail an de sadapter au cas particulier des IRM crbrales. Pour le choix des germes, qui reprsente une tape cruciale dans la croissance de rgion, nous nous sommes bases sur des tudes rcentes, et nous avons opt pour une approche de rpartition base sur les rsultats dune premire classication par FCM. En ce qui concerne le prdicat dagrgation, nous avons utilis une double condition, lune concernant les dirences locales entre pixels et lautre utilisant les informations fournies par la FCM.

72

Chapitre

5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 74 74 75 75 76 77 77 79 81

Dploiement sur BrainVISA

Sommaire
5.1 5.2 Introduction . . . . . . . . . . . . . . . . . . . Plate-forme BrainVISA . . . . . . . . . . . . . 5.2.1 Prsentation . . . . . . . . . . . . . . . . . . . 5.2.2 Gestion des donnes dans BrainVISA . . . . 5.2.3 Les boites outils de BrainVisa . . . . . . . . 5.2.4 Interface graphique de BrainVISA . . . . . . 5.3 Dploiement . . . . . . . . . . . . . . . . . . . . 5.3.1 Crer un nouveau traitement . . . . . . . . . 5.3.2 Interface du traitement . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . .

5.1

Introduction

Aprs avoir expos notre systme de segmentation bas sur la coopration, nous allons travers ce chapitre, prsenter les tapes de son dploiement sur BrainVISA. Au dpart, notre systme pouvait sexcuter uniquement grce un script python, donc seulement en ligne de commande. Brainvisa nous a permis de raliser une interface pour notre outil. Dans ce chapitre nous prsentons linterface graphique de BrainVISA, et nous exposons linterface ralise pour notre traitement. La plateforme logicielle BrainVISA est un environnement permettant un accs simpli aux images issues des examens IRM et aux logiciels danalyse et de traitement de ces images. BrainVISA tant Open source, elle permet de dployer de nouveaux traitements facilement.

5.2. Plate-forme BrainVISA

5.2

Plate-forme BrainVISA

BrainVISA est ne linitiative des mthodologistes de lIFR 491 . Le premier prototype a t dvelopp durant lanne 2000/2001 par Yann Cointepas, lequel a prsent un atelier sur la plateforme aux Journes dtude algro-franaises en Imagerie Mdicale (JETIM2008) en Novembre 2008. Depuis le premier prototype, le noyau de BrainVISA a t repris et dvelopp par lquipe de Jean-Franois Mangin (directeur du LNAO2 ) et les ingnieurs de lIFR 49, dabord au Service Hospitalier Frdric Joliot et maintenant Neurospin3 au CEA Saclay.

5.2.1

Prsentation

BrainVISA est modulaire et personnalisable, elle runit divers outils de recherche en neuroimagerie. Ces outils sont regroups par thmes dans des botes outils. Larchitecture de BrainVISA fournit, comme on peut le voir sur la gure 5.1 : aux utilisateurs, une interface unie pour traiter leurs images en utilisant des mthodes provenant de plusieurs laboratoires. aux mthodologistes, des outils pour raliser facilement une interface graphique leurs algorithmes, o nous-mmes travers lquipe ParIMd du laboratoire LRPE de la facult dlectronique et dInformatique de lUSTHB, nous nous situons.

Fig. 5.1: Schma de larchitecture de BrainVISA

Institut Fdratif de Recherche 49 Institut dImagerie Neuro-fonctionnelle, regroupant divers tablissements de recherche publique (CNRS INSERM Univerist Paris XI et Paris VI) autour dun axe commun : lImagerie Neuro-fonctionnelle. 2 LNAO : Laboratoire de Neuroimagerie Assiste par Ordinateur 3 Neurospin : Centre dimagerie crbrale en champ intense dont le but est dtudier le cerveau.
1

74

5.2. Plate-forme BrainVISA

5.2.2

Gestion des donnes dans BrainVISA

Lorganisation des donnes est un point important dans la comprhension et la prise en main de BrainVISA. En eet, BrainVISA a t conue pour permettre une utilisation simplie doutils de neuroimagerie issus de dirents laboratoires et pouvant combiner des donnes issues de plusieurs modalits dacquisition (IRMa, IRMf, IRMd, EEG/MEG4 , PET5 , etc.). Les interactions entre ces outils et les direntes modalits ont t rendues possibles grce un systme dorganisation des donnes. An de rester compatible avec les logiciels existants, BrainVISA sappuie principalement sur lorganisation des chiers et des rpertoires pour construire une base de donnes. Un rpertoire est une base de donnes BrainVISA si la structure de ses sous-rpertoires et les noms des chiers dans ce rpertoire respectent un ensemble de rgles. Ces rgles permettent BrainVISA de parcourir lensemble du contenu du rpertoire de donnes et didentier sans ambigut les lments composant la base de donnes. Ces lments sont composs des informations suivantes : Types de donnes. Format de chier. Fichiers. Attributs. Il est possible de crer plusieurs bases de donnes et de slectionner celles que lon souhaite activer. Remarque Pour notre application, dans cette premire phase nous nutilisons pas le systme de bases de donnes de BrainVISA car cela requiert lutilisation de mthodes prexistantes, pour dnir les ontolgies. Comprendre ces mthodes et les adapter aurait pris beaucoup de temps, donc nous avons dcid dutiliser seulement les mthodes et les outils de python. Nous avons laiss lutilisation du systme de bases de donnes de BrainVISA comme perspectives.

5.2.3

Les boites outils de BrainVisa

La modularit est lun des points forts de linfrastructure de BrainVISA. En eet, BrainVISA se base sur un systme de boites outils, qui sont indpendantes et spares les unes des autres. Une boite outils inclut un ensemble de traitements, dextensions pour lorganisation des donnes, Nous citons comme exemple, la boite outils ddi au traitement des images IRM pondres en T1 . Le produit de la principale chane de traitements issue de cette bote outils est le suivant : une classication en niveaux de gris pour la morphomtrie voxel par voxel, des maillages des surfaces de chaque hmisphre pour la visualisation, des maillages sphriques de la matire blanche de chaque hmisphre, un graphe des
4 5

ElectroEncephaloGraphy / MagnetoEncephaloGraphy Positron Emission Tomography ou tomographie par mission de positons

75

5.2. Plate-forme BrainVISA plissements corticaux, un tiquetage de ces plissements fond sur une nomenclature des principaux sillons. Les autres boites outils peuvent tre regroupes selon leur domaine dapplication, on cite : Un pipeline pour le tracking des bres et pour lIRM de diusion. Une boite outils pour les IRM fonctionnelles. Un outil de traitement des EEG/MEG. Remarque BrainVISA intgre de multiples librairies pour la manipulation de dirents types de structures de donnes, tels que les images, les ROI, les mailles, les textures, etc. Ces donnes peuvent tre stockes sous dirents formats (JPG, PNG, MINC, DICOM, ...).

5.2.4

Interface graphique de BrainVISA

Linterface graphique BrainVISA est compos principalement de 3 panneaux, de la gauche vers la droite, on peut voir la parmire partie qui liste les boites outils. Larborsence des traitements de chaque boite outils est mise dans la partie du milieu, avec la liste de tous les rpertoires cotenant les traitements proptement dit. La dernier panneau est consacr la partie documentation. Cette documentation sert expliquer le traitement utilis et donner les dtails sur les formats des donnes dentre et de sortie ( Figure 5.2).

Fig. 5.2: Interface de BrainVISA

76

5.3. Dploiement

5.3

Dploiement

La plateforme a t conue de faon tre facilement personnalisable. Les modications peuvent intervenir tous les niveaux de linfrastructure : Traitement des images : crer des algorithmes pour le traitement des images, soit en combinant des mthodes prexistante et fournies par BrainVISA, soit en crivant de nouvelles. Visualisation : la possibilit de customiser (personnaliser) des outils de visualisation existants ou de crer de nouveaux acheurs et visualiseurs. Interface de lutilisateur : personnaliser quelques lments dune interface ou en concevoir une. Dans le cadre de notre travail, nous avons ajout un nouveau traitement BrainVISA et lui avons ralis une interface, celle-ci sera prsente en dtails dans le paragraphe qui quit.

5.3.1

Crer un nouveau traitement

BrainVISA se base sur un systme de briques logicielles, cest ce quon appelle les traitements. Ils sont raliss en Python, suivant une structure prdnie. La gure 5.3 montre un exemple pour un traitement de seuillage. Ajouter un processus (traitement) sur BrainVISA, consiste donc crer un nouveau rpertoire (dossier), qui sera mis dans le sous-rpertoire \Brainvisa \toolboxes. Ce rpertoire contiendra un dossier nomm "process", dans lequel, on cre un chier Python, avec lextension ".py". Comme on le voit sur la gure 5.3 , il y a une partie "Header", qui sert surtout importer les mthodes et les classes dont nous avons besoin pour notre traitement. La deuxime partie, est la signature, qui correspond la partie o on dnit les paramtres du processus :

signature = Signature( list-param ) list-param nom, type, nom, type, ... Types de paramtres : String () Number(), Float(), Integer() Boolean() Choice( value, ( label, value ), ... ) ReadDiskItem( type, formats ) WriteDiskItem( type, formats )

Aprs la signature, la partie initialisation permet dinitialiser les paramtres dnis plus haut. Cette partie tant optionnelle, nous ne lavons pas dnie dans notre traitement.

77

5.3. Dploiement

Fig. 5.3: Structure dun traitement BrainVISA Ensuite, vient la partie la plus importante, le corps du processus "Le traitement proprement dit", qui a la structure suivante :

def execution( self, context ) : command = [ nom-traitement, ...]

La mthode "execution" reoit comme paramtres : self : qui permet davoir les valeurs des paramtres. Context : reprsente le contexte dexccution. Le contrle et la gestion des interactions entre le systme et les utilisateurs dpendent du contexte. Notre traitement aura la structure suivante : La Signature, avec deux instructions qui permettent de renseigner les champs avoir dans linterface et les formats de ces champs. Donc nous avons, "Image-originale", qui caractrise limage en entre, et "Imagesegmente", qu reprsente le rsultat. La partie Body, quant elle, renferme les instructions pour rcuprer les donnes de limage segmenter et pour y appliquer le traitement de croissance de rgion bas sur les SMA. Les dernires insructions servent sauvegarder limage rsultante, et aussi lacher lutilisateur laide du logiciel "Anatomist".

78

5.3. Dploiement

HEADER : - coding : utf-8 - -

from neuroProcesses import

SIGNATURE : signature = Signature( Image-originale, ReadDiskItem( 2D Volume, [JPG image, BMP, PNG, TIFF] ), Image-segmentee, WriteDiskItem( 2D Volume, Aims writable volume formats ) ) BODY : def execution( self, context ) : Img= Image.open( self.Image-originale.fullPath() ) context.Croissance-SMA (Img) Copie.save (self.Image-segmentee.fullPath()) a = anatomist.Anatomist() aImage = a.loadObject (self.Image-segmentee.fullPath(),self.Image-originale.fullPath()) aWindow = a.createWindow( Axial ) aWindow.addObjects( (aImage) )

5.3.2

Interface du traitement

Linterface qui rsulte de ce code conu, implment et dploy sur BrainVISA est explique en gure 5.4. Il y a dirents lments : Un bouton Executer : permet de lancer le traitement. Un bouton Itrations : permet de lancer dautres itrations du traitement, ce qui facilite le travail de lutilisateur, qu ina pas besoin chaque fois de relancer linterface. Un bouton avec dessin de dossier : sert spcier le chemin des images segmenter

79

5.3. Dploiement dans le cas de "image-originale", et renseigne le chemin denregistrement de limage en sortie pour "image-segmente".

Fig. 5.4: Interface du processus dvelopp Le bouton avec dessin un oeil : permet de visualiser les images, lance le logiciel Anatomist, prsent dans la chapitre 1. La gure 5.5 montre une fenetre dAnatomist, avec limage segmente.

Fig. 5.5: Fentre danatomist

80

5.3. Dploiement

Conclusion
Ce chapitre clture ce mmoire en exposant la dernire tape de notre travail, le dploiement sur la plateforme de visualisation. BrainVISA fournit une infrastructure de dveloppement qui peut tre utilise diffrents niveaux. Au plus simple niveau, les chercheurs lutilisent dans leur travail au quotidien pour crer des scripts an dadapter BrainVISA aux situations ou aux organisations des donnes spciques.Ces scripts peuvent tre excuts de manire interactive pour lexploration et la rsolution de problme itrative. un niveau intermdiaire, BrainVISA peut inclure ces scripts dans un environnement graphique gnr automatiquement et peut les relier des bases de donnes. Au plus haut niveau de complexit, il est possible de construire une application partir de zro en utilisant des composants graphiques existant et des composants danalyse de donnes. Les tapes du dploiement nous ont permis de nous familiariser avec le logiciel, et dessayer direntes stratgies. Ceci a galement contribuer nous faire mieux connaitre les mthodes de traitement des images crbrales.

81

Conclusion Gnrale

Lobjectif de notre travail a concern la segmentation des tissus crbraux partir dimages de rsonance magntique nuclaire, en vue de segmenter lencphale en trois types de tissus : la matire grise, la matire blanche et le liquide cphalo-rachidien. Nous avons tout dabord prsent lanatomie crbrale et la technique dimagerie par rsonance magntique, ainsi que les principes importants de la formation de limage. Ltude bibliographique mene concernant les mthodes de segmentation dimages nous a permis dapprhender la diversit des mthodes de segmentation des tissus crbraux en IRM. Nous avons ensuite eectu une tude concernant les systmes multi-agents. Nous y avons galement vu quelques travaux utilisant les SMA pour la segmentation dimages mdicales. Le systme de segmentation propos est dcrit suivant les direntes tapes. Comme dans la plupart des travaux, nous commenons par ltape de ldition de lencphale, qui spare ce dernier des autres tissus, qui apparaissent initialement dans les IRM. Nous utilisons cet eet, un seuillage et une morphologie mathmatique. Pour obtenir les seuils de binarisation, nous eectuons une pr-segmentation par les k-Means, qui nous fournira la moyenne et la variance des radiomtries des trois types de tissus recherchs. Aprs cela, une succession de dilatations et drosions est ralise suivie dune segmentation en composantes connexes an dextraire lobjet le plus volumineux, qui reprsente lencphale. Ltape de ldition de lencphale tant ralise, nous dcrivons la segmentation des tissus crbraux en trois rgions. Lapproche que nous avons mise en uvre est base sur la coopration . En eet, nous faisons cooprer deux mthodes de segmentation dimages, chacune agissant dune certaine manire sur limage. Nous utilisons une mthode qui tient compte de limage dans sa globalit pour la segmenter, la classication oue : la FCM . Les autres avantages de la FCM sont quelle tient compte des pixels de volume partiel, et quelle permet de modliser leet de bruit en fournissant des cartes dappartenances oues. Dans le but dintroduire les informations et les caractristiques locales de limage, nous avons utilis la croissance de rgions en coopration avec la classication oue. Lutilisation de la croissance de rgions, de la manire classique avec nos IRM crbrales produit des chevauchements entre rgions. An de les viter et dutiliser cet

algorithme de manire plus ecace, nous lavons dvelopp autour dun systme multiagents. La croissance de rgions requiert la dnition dun prdicat. Faisant suite ltude bibliographique, nous avons choisi dutiliser un double prdicat qui nous assure les meilleurs rsultats et une condition qui nous vite le chevauchement entre les tissus dans les frontires. An de choisir des germes signicatifs pour la croissance de rgion, nous avons utilis les informations fournies par la FCM, sur les degrs dappartenance de chaque pixel aux trois classes de tissus. Nous avons galement utilis une condition pour restreindre le choix comme germe certains pixels. Cette condition inue directement sur le nombre dagents lancer, et donc sur la qualit de la segmentation. En outre, nous avons vu dans ce mme chapitre linuence du nombre dagents sur le rsultat de la segmentation. Ces derniers ont t prsents, dans la dernire section de ce chapitre, avec une comparaison avec la segmentation par FCM classique. En dernier lieu, nous avons prsent la plateforme BrainIVSA qui a hberg notre systme de segmentation, et nous avons expos les direntes tapes par lesquelles nous sommes passes pour le dploiement et la ralisation de linterface. Comme perspectives notre travail, nous proposons dutiliser des agents cognitifs la place dagents ractifs. De plus, vu que BrainVISA permet la visualisation 3D, il serait intressant de proposer un systme qui acherait les rsultats de la segmentation de manire tridimensionnelle. Penser utiliser dautres mthodes que la morphologie mathmatique pour extraire lencphale, par exemple, mettre en uvre une approche contours avec un modle dformable, comme cest fait pour le logiciel BET6 . Enn, la norme DICOM tant de plus en plus utilises en imagerie mdicale an davoir des informations supplmentaires, il serait intressant de pouvoir traiter directement des images au format DICOM.

Brain Extraction Tool - http ://www.fmrib.ox.ac.uk/fsl/bet2/

Annexe

A
Le systme nerveux central

Anatomie crbrale
A.1

Lensemble des comportements de lindividu, quils soient volontaires ou involontaires, sont sous le contrle du systme nerveux central (SNC). Il est constitu dun rseau complexe de communications dont les inux rglent le fonctionnement des organes. En anatomie, le SNC se compose de quatre parties : le tronc crbral, la molle pinire, le cervelet et le cerveau (ou prosencphale). Le cerveau, le cervelet et le tronc crbral forment lencphale, qui est situ lintrieur de la bote crnienne. Les termes dcrivant lorientation du cerveau sont : infrieur, vers le bas du cerveau (en direction du cou), suprieur, inverse dinfrieur, antrieur, vers lavant du cerveau (en direction du visage), postrieur, inverse dantrieur, mdial, vers le plan de symtrie du cerveau, latral, inverse de mdial (en direction de chaque oreille). Lorsquun objet occupe le plan interhmisphrique, plan de symtrie du cerveau il est dit mdian. Il ne prsente alors quune composante connexe, symtrique par rapport ce plan. Par opposition, un objet non-mdian est constitu de deux parties non-connexes ; chaque partie (gauche ou droite) est symtrique de lautre et occupe un des deux hmisphres crbraux (respectivement, gauche ou droit).

A.1.1

La molle pinire

La molle pinire est contenue dans le canal rachidien. Dans son centre coule le canal central. Elle joue un rle dans la transmission de linformation entre le cerveau et les structures priphriques.

A.1.2

Le tronc crbral

Le tronc crbral est compos de trois parties (voir Figure A.1 : la molle allonge (ou mylencphale ou bulbe rachidien), listhme (ou msencphale) et le pont (ou protubrance). Le cerveau et le cervelet sont relis chacune de ces parties par des pdoncules. Il

eectue le contrle des fonctions vitales telles que la respiration et la temprature. Ainsi, une lsion au niveau du tronc crbral entrane gnralement la mort.

Fig. A.1: Le tronc crbral.

A.1.3

Le cerveau

Le cerveau est une masse ovode volumineuse, il est compos du tlencphale et du diencphale. Le tlencphale est compos de deux hmisphres, droit et gauche, spars par la scissure inter- hmisphrique. Le diencphale runit les deux hmisphres crbraux par le corps calleux et par le trigone crbral. Les hmisphres crbraux sont subdiviss en cinq lobes crbraux (voir Figure A.2 ) : - le lobe frontal ; - le lobe parital ; - le lobe temporal ; - le lobe occipital ; le lobe limbique. - Pour apercevoir le lobe limbique, ou cortex cingulaire, il faut eectuer une coupe du cerveau, verticalement et par le milieu.

Fig. A.2: Le systme nerveux central.

Annexe

Principe physique de lImagerie par Rsonance Magntique

B.1 Introduction

Le phnomne de Rsonance Magntique Nuclaire (RMN) a t dcrit en 1946 par deux quipes amricaines indpendantes (Felix Bloch et Edouard Purcell). Il sagissait alors dune exprience de physique destine tudier les proprits magntiques des noyaux atomiques. Ce nest qu partir de 1950, date de la dcouverte du dcalage chimique, que la RMN est devenue un outil trs n danalyse chimique. La premire application mdicale date de 1971 lorsque DAMADIAN propose de dterminer la malignit dune tumeur en mesurant le temps de relaxation longitudinale T1 (paramtre que nous dnirons lintrieur de cette annexe). Il avait mme propos de reprsenter la distribution spatiale de ce paramtre en ralisant des images. Cest cependant LAUTERBUR qui publia les premires images par RMN dans la revue Nature en 1973. Il sagissait alors de limage de tubes deau obtenue en ajoutant une petite bobine de gradient de champ magntique dans un spectromtre RMN conu pour lanalyse chimique. partir de cette date, de nombreuses quipes de chercheurs ont construit des appareils permettant daugmenter le volume daccs et donc le champ de vue des images. On a pu alors voir successivement limage dun doigt puis dun poignet. Ce nest quen 1979 quun appareil permit dobtenir des images de la tte chez lHomme. Ces images taient de qualit mdiocre, mais on pouvait, raliser des incidences multiples de coupe. Cest donc partir de cette priode, que les industriels ont commenc sintresser la mthode en y investissant des moyens plus importants. Cest ainsi que limagerie par RMN t son entre hospitalire au dbut des annes 80. La premire dcennie a vu un accroissement extrmement rapide du parc des appareils. Elle a vu en mme temps lintgration progressive de cette mthode en tant quoutil de diagnostic mdical dans la pratique quotidienne. Cette intgration na pas t simple dans la mesure o la RMN ne faisait pas encore partie de la culture mdicale. En RMN, les mdecins voyaient apparatre des nouveaux paramtres comme la densit de protons ou les temps de relaxation. Une comprhension des images ncessite avant tout une comprhension des bases physiques du phnomne. Cette annexe a pour but dexposer ces principes de base, ainsi que les lments dinterprtation des images.

B.2

La prcession libre

LIRM exploite les proprits des moments magntiques nuclaires des tissus biologiques que lon veut imager. Ceux-ci sont plongs dans un champ magntique principal suppos constant et homogne et communment not B0 . Dans un milieu paramagntique, les moments magntiques excits sont en moyenne orients dans le sens du champ B0 . En plus de leur moment magntique, les noyaux atomiques possdent un moment angulaire, une proprit quantique appele le spin. Plutt que de simplement saligner dans la direction du champ principal, les noyaux individuels prcessent autour de leur axe principal dans le sens des aiguilles dune montre (voir Figure B.1 ). La frquence de prcession est proportionnelle lintensit du champ dexcitation principal B0 ainsi quau moment magntique des noyaux. Elle est en revanche inversement proportionnelle au moment angulaire. La frquence de prcession f0 est dnie par la relation : B0 (B.1) 2 o : est le rapport entre les moments magntique et angulaire de la particule appel rapport gyromagntique. fo =

Fig. B.1: Les deux orientations de spin dun proton. La somme des moments magntiques des noyaux appele : moment magntique macroscopique M, il peut tre dcompos en deux projections, lune stationnaire suivant laxe (Oz) note Mz ou encore MML (Moment Magntique Longitudinale), lautre tournante dans le plan transversal (xOy) note Mxy ou encore MMT (Moment Magntique Transversale). Hors tat de rsonance, le MMT moyen observable est nul alors que la composante suivant (Oz) est dirente de 0.

B.3

La rsonance

Pour raliser la rsonance, il faut soumettre les spins microscopiques prcdent, en plus du champ B0 , une impulsion de champ magntique not B1 perpendiculaire B0 , cette onde doit tourner la frquence caractristique de la prcession des spins f0 dans le plan transversal, ceci amne les composantes du MML et du MMT subir un basculement caractristique de la largeur de limpulsion radiofrquence B1 (RF).

B.4

Basculement du MML

Considrons une situation o le systme de spins est lquilibre dans le champ magntique B0 . Le MML est maximal et le MMT est nul. On perturbe le systme en appliquant un champ RF de frquence f0 et on se place dans un rfrentiel tournant cette mme frquence. Sous leet du champ magntique tournant (CMT) B1 le MML initial scarte de sa position initiale dans le plan xOz la vitesse 1 (la Figure B.2 illustre cette action). Ainsi une impulsion a = /2, communment utilise en imagerie, annule le MML et cre un MMT de mme module. Une impulsion a = transforme le MML en un autre MML de direction oppose. Il napparat pas de MMT aprs limpulsion . De la mme manire, une impulsion RF peut agir sur le MMT dun corps hors quilibre, situation cre par une impulsion antrieure. On peut facilement retrouver des relations analogues aux prcdentes en procdant une dcomposition approprie des dirents moments.

Fig. B.2: Composantes transversale Mxy et longitudinale Mz du moment magntique macroscopique total.

B.5

Ncessit de la rsonance

Quand une impulsion RF est applique un corps, elle agit sur tous ses moments magntiques microscopiques (nuclaires et autres). Son action na toutefois de traduction macroscopique que sur le moment magntique d aux moments microscopiques dont la frquence de prcession est gale la frquence de limpulsion. En eet, si la condition de rsonance est remplie pour tous les moments protoniques du corps, alors les dplacements des moments provoqus par limpulsion sont cohrents et conduisent un dplacement semblable du moment magntique macroscopique du corps. Par contre, si la condition de rsonance nest pas remplie, les dplacements des moments dune catgorie donne ne sont pas cohrents et leet de limpulsion est ainsi, en moyenne, annul. La rsonance permet donc de slectionner une catgorie dtermine de moments nuclaires.

B.6

La relaxation

Aprs lexcitation du champ magntique, les grandeurs physiques retournent lquilibre. En IRM, ce phnomne est appel relaxation. Les temps de relaxation sont les dures pour que les grandeurs macroscopiques dcrivant ltat du corps retrouvent leur valeur dquilibre.

B.6.1

Retour lquilibre du MML

la suite du basculement du MML et du MMT et lannulation de limpulsion RF, la valeur de Mz augmente jusqu tendre vers sa valeur dquilibre. Plus prcisment, le retour de Mz dcrit une loi exponentielle en fonction du temps : Mz (t) = M0 (1 e T1 )
t

(B.2)

O M0 est la valeur dquilibre et T1 est le temps de relaxation longitudinal (quelques centaines de ms 1s pour les tissus biologiques).

B.6.2

Retour lquilibre du MMT

On se place dans le cas o un MMT vient dtre cr par une impulsion. A partir de cet instant, la RF est annule et le corps ne subit plus que linuence de B0 . Ainsi, la valeur Mx y du MMT dcrot avec le temps pour tendre vers 0 (voir Figure B.3). Cette dcroissance est en revanche dlicate dcrire dans le repre xe cause de la modulation la frquence de prcession. Si on se place dans un repre xOy tournant f0 comme prcdemment (Figure B.3 de droite), la direction du MMT est xe. Dans ce repre, la dcroissance de la composante Mx y suit une loi exponentielle :
t

Mx y (t) = Mx y (0)e T2

(B.3)

O Mx y (0) est la valeur du MMT initial la n de lapplication de la RF. T2 est appel temps de relaxation transverse (quelques dizaines de ms pour les tissus biologiques imager).

Fig. B.3: La relaxation. Pendant la relaxation, le moment macroscopique M dcrit une trajectoire en forme de pavillon de trompette. Les constantes T1 et T2 dpendent du tissu considr (tableau B.1 ), T2 ayant une valeur infrieure celle de T1 . En prsence dhtrognit du champ magntique B0, le signal de RMN dcrot avec une constante de temps T2 plus courte que la constante T2 cause dun dphasage plus rapide des spins. On prsente ci-dessous un tableau donnant les valeurs des temps de relaxation moyens de quelques milieux biologiques 1.5 T :

Tissus Substance grise Substance blanche Liquide cphalo-rachidien

T1 (en ms) 920 790 2400

T2 (en ms) 100 90 300

Tab. B.1: Temps de relaxation longitudinaux et transvers aux moyens pour quelques milieux courants en IRM 1.5 Tesla.

B.7
B.7.1

Formation de limage
Le codage spatial

An dutiliser le signal RMN pour des ns dimagerie Lauterbur a propos de coder lespace en appliquant un champ magntique variant en chaque endroit de lespace imager La frquence de prcession dpendant du champ local, il est possible de distinguer des signaux provenant de dirents emplacements en fonction de leur frquence. Le principe consiste coder lespace dacquisition par lapplication de trois gradients orthogonaux et linaires avec la cote de la direction qui les caractrisent. Le marquage par les gradients, et donc la distinction spatiale des voxels dans lespace 3D imager, suit les tapes lmentaires suivantes : Slection dun niveau de plan : par impulsion slective. Le gradient utilis cette tape est appel gradient de slection de coupe. Slection dun numro de ligne du plan au moyen dun gradient utilisant les variations linaires de phase. Ce gradient est appel gradient de prparation ou gradient de codage de phase. Slection dun numro de colonne de la ligne par un gradient de codage de frquence. Ce gradient est appel gradient de lecture ou gradient de codage de frquence.

B.7.2

Lespace k et la reconstruction par transforme de Fourier

Les images recueillies en IRM sont obtenues par chantillonnage temporel dans un espace particulier appel lespace k. Chaque point de lobjet lu est caractris par ses paramtres physiques ( T1 , T2 , densit de protons), et aussi par une phase et une frquence particulires, acquises cause des eets des gradients appliqus permettant de le distinguer spatialement. Une correspondance est alors tablie entre lespace originel (spatial) et le domaine dchantillonnage temporel (frquences spatiales ou espace k). Chaque point de cet espace correspond un chantillon de lobjet imag cod par la phase et la frquence des gradients de champ appliqus ce moment. Les dtails grossiers de limage se trouvent au centre de lespace k (faible frquence). Les dtails ns de limage sont obtenus en parcourant les rgions loignes du centre. En sappuyant sur les expressions analytiques du signal recueilli en IRM, une transformation de Fourier des donnes temporelles, permet de retrouver limage originelle dans le domaine spatial et vice versa.

B.8

Dfauts des images IRM

Trois paramtres entrent en jeu dans la formation dune image : la densit protonique , le temps de relaxation spin-rseau T1 et le temps de relaxation spin-spin T2 . Mais dautres facteurs que lon ne matrise pas toujours aectent la qualit des images et provoquent des artefacts, compliquant la segmentation des tissus crbraux ou la reconnaissance de structures crbrales. La qualit des images de RMN est videmment un point cl dans la segmentation des tissus crbraux. Tout autant que le rapport signal sur bruit, le rapport contraste sur bruit est un critre de qualit de limage. Les facteurs lis au mouvement : Tout mouvement de protons lors de la formation de limage possde des consquences sur la qualit de limage acquise. Il est provoqu par les mouvements de lorgane tudi : respiration rgulire, dglutitions et mouvements volontaires du patient durant lacquisition. La dure de lacquisition est donc un paramtre important quant la qualit de limage. Ce mouvement plus ou moins rapide qui va perturber les moments magntiques longitudinaux et transversaux des rgions analyses et donc modier des signaux de rsonance magntique. Le dplacement chimique : Dans les milieux biologiques, les lectrons ne sont pas libres mais lis une molcule. Dans ces conditions, le champ magntique eectif qui agit sur un proton nest pas vritablement celui escompt car il est modi par son environnement chimique. Il en rsulte une modication de la frquence de rsonance des protons, ou dplacement chimique. Le champ statique : En principe, on considre que le champ statique est homogne. En pratique, il ne lest pas tout fait. On parle alors de lhtrognit du champ qui modie localement la frquence de rsonance des protons. De plus, les variations locales de susceptibilit magntique vont provoquer des distorsions du champ magntique. Le recouvrement de spectre : Il y a recouvrement de spectre lorsque le champ dexploration (FOV) est plus petit que lchantillon tudi. Ce phnomne se traduit par une superposition dinformations situes en dehors du champ dexploration sur limage.

Bibliographie

[Ati05]

J-C. Atine. Mthodes dapprentissage oue : application la segmentation dimages biologiques. PhD thesis, Institut national des sciences appliques de Toulouse, 2005.

[AYFM02] M. N. Ahmed, S. M. Yamany, A. A. Farag, and T. Moriarty. A modied fuzzy c-means algorithm for bias eld estimation and segmentation of mri data. IEEE Transactions on medical imaging, 21(3) :193199, 2002. [Blo46] [CEA08] [Did71] [DMJ03] F. Bloch. Nuclear induction. Physical review, 70 :460474, 1946. Clef cea : Rmn, magntisme et sant. http ://www.cea.fr/, Hiver 2007-2008. E Diday. La mthode des nues dynamiques. Revue de statistique applique, XIX,2 :1934, 1971. E. Duchesnay, J.-J. Montois, and Y. Jacquelet. Cooperative agents society organized as an irregular pyramid : A mammography segmentation application. Pattern Recognition Letters, 24 :24352445, 2003. G. Dugas-Phocion. Segmentation dIRM Crbrales Multi-Squences et Application la Sclrose en Plaques. PhD thesis, cole des Mines de Paris, 2006. E. Duchesnay. Agents situs dans limage et organiss en pyramide irrgulire : contribution la segmentation par une approche dagrgation cooprative et adaptative. PhD thesis, Universit Rennes-1, 2001. J. Ferber. Les Systmes Multi-Agents Vers une intelligence collective. InterEditions, 1995.

[DP06]

[Duc01]

[Fer95]

[GBZB02] M. A. Gonzalez Ballester, A. P. Zisserman, and M. Brady. Estimation of the partial volume eect. Medical Image Analysis, 6 :389405, 2002. [Ger99] L. Germond. Trois principes de coopration pour la segmentation en imagerie de rsonance magntique crbrale. PhD thesis, Universit Joseph FOURIERGrenoble 1, 1999. T Graud. Segmentation des structures internes du cerveau en imagerie par rsonance magntique. PhD thesis, ENST Paris, 1998. R Haroun. Segmentation des tissus crbraux sur des images par rsonance magntique. Masters thesis, Universit des sciences et de la technologie Houari Boumedine, 2005.

[G98] [Har05]

[HBHH05] R. Haroun, F. Boumghar, S. Hassas, and L. Hamami. A Massive Multi-agent System for Brain MRI Segmentation, pages 174186. Springer-Verlag, 2005. [Jag98] C. Jaggi. Segmentation par mthode markovienne de lencphale humain en imagerie par rsonance magntique : thorie, mise en oeuvre et valuation. PhD thesis, Universit de Caen/Basse-Normandie, 1998. M. Khouadjia, H. Khanfouf, and S. Meshoul. Une approche adaptative pour la segmentation dimages : Implmentation sur la plate-forme multi-agents netlogo. H Laguel. Dploiement sur une plate-forme de visualisation dun algorithme coopratif pour la segmentation dimages irm autour dun systme multiagents. Masters thesis, Universit des sciences et de la technologie Houari Boumdine -USTHB, 2010. D. Marr. Vision. W.H. Freeman, 1982. Escriva Gregori M., Palanca Camara J., and Aranda Bada G. A jabber-based multi-agent system platform. AAMAS HAKODATE, 2006.

[KKM]

[Lag10]

[Mar82] [MJG06]

[MMG05] S. Mazouzi, Batouche M.C., and Z. Guessoum. Un systme multi-agents autoadaptatif pour la segmentation et la reconstruction de scnes 3d. In 3rd International Conference : Sciences of Electronic, TUNISIA, 2005. [RDG03] N. Richard, M. Dojat, and C. Garbay. Multi-agent approach for image processing for mri human brain scans interpretation. In 9th Conference on Articial Intelligence in Medicine Europe, 2003. N. Richard. Une approche situe, cooprative et dcentralise pour linterprtation dimages crbrales par RMN. PhD thesis, Ecole Doctorale Mathmatiques, Sciences et Technologie de lInformation , 2004. J-L. Rose. Croissance de rgion variationnelle et contraintes gomtriques tridimensionnelles pour la segmentation dimage. PhD thesis, Institut National des Sciences Appliques de Lyon, 2008. M. Semchedine, L. Toumi, and A. Moussaoui. Classication adaptative robuste pour la segmentation dimages irm crbrales. JIG2007 - 3mes Journes Internationales sur lInformatique Graphique, 2007. G. Weiss. Multiagent system : A modern approach to ditributed articial intelligence. The MIT press, 2000. L. A. Zadeh. Fuzzy sets. Information Control, 13(8) :338 353, 1965. S.W. Zucker. Region growing : Childhood and adolescence. Graphics and Image Processing, 5(3) :382399, 1976.

[Ric04]

[Ros08]

[STM07]

[Wei00] [Zad65] [Zuc76]

Monme N019/2010

Rsum :
Lobjectif de ce travail est le dploiement dun systme de segmentation dimages de rsonance magntiques (IRM) sur une plateforme de visualisation "BrainVISA". La segmentation vise classier le cerveau en trois rgions : la matire blanche, la matire grise et le liquide cphalo-rachidien. Il existe plusieurs algorithmes de segmentation dimages, chacun possdant ses avantages et ses limites dutilisation. Dans ce travail, nous utilisons deux types dalgorithmes : la FCM (Fuzzy C-Mean) qui tudie limage dans sa globalit et permet de modliser lincertitude et limprcision et, la croissance de rgions qui tient compte des relations de voisinage entre pixels ; le but tant de tirer partie des avantages de chacun. Les deux mthodes de segmentation sont utilises de manire cooprative. Le prdicat de la croissance de rgions sont adapts nos images an damliorer la qualit de limage segmente. Une implmentation est alors mise en oeuvre autour dun systme multi-agents (SMA), qui permet dutiliser lalgorithme de croissance de rgions de manire plus ecace. La segmentation est ralise sur des images relles.

Mots cls : coopration, fuzzy c-means, IRM, segmentation, SMA, BrainVISA. Abstract :
The aim of this work is to deploy a segmentation system of magnetic resonance images (MRI) on a visualization platform "BrainVISA". The segmentation concern the classication of the brain into three regions : white matter, grey matter and cerebro-spinal uid. There are several image segmentation algorithms ; each one with its advantages and its operational limits. In this work, we use two types of algorithms : The FCM (Fuzzy C-Mean) algorithm which uses the whole image and permits to manage imprecision and incertitude, and the region growing algorithm which takes account pixels neighbourhoods. The aim is to exploit the advantages of each method. The two segmentation methods are used in a cooperative way. The region growing predicate is adapted to our images in order to improve the segmented image quality. The implementation is then based on a multi-agents system (MAS) that allows to use eciently the region growing algorithm. The segmentation is carried out on real images.

Keywords : cooperation, fuzzy c-means, MAS, MRI, segmentation, BrainVISA.