Upload
lydialamia
View
2.001
Download
1
Embed Size (px)
DESCRIPTION
Etat d'art sur la segmentation des images médicales
Citation preview
Segmentation des images médicales Chapitre I
Chapitre
Segmentation des images médicales
tridimensionnelles
« To steal ideas from one person is plagiarism,
to steal from many is research »
-Inconnu-
2
I
Segmentation des images médicales Chapitre I
La segmentation en général consiste au découpage spatial de l'image en zones homogènes, elle joue un rôle prépondérant dans le traitement et l'analyse d'image et la vision par ordinateur qui conditionne la qualité des traitements d’images effectués ultérieurement.
La segmentation d'images ainsi définie est un domaine vaste où l'on retrouve de très nombreuses approches applicables aux images médicales.
Dans ce qui suit, nous allons survoler, d’une manière succincte, chacune des différentes méthodes couramment utilisées après avoir évoqué quelques notions élémentaires sur la segmentation d’images.
I.1 Pourquoi segmenter des images ?
L’objectif de la segmentation est de permettre l’exploitation du contenu de l’image pour
l’interprétation : aide au diagnostic en imagerie aérienne, satellitaire et médicale pour une
éventuelle localisation et reconnaissance (vidéosurveillance, contrôle robotique) ou une mesure des
évolutions (contrôle qualité, suivi thérapeutique, etc.).
3
Introduction
Segmentation des images médicales Chapitre I
La segmentation fait partie d’une chaîne de traitement que l’on peut résumer en quatre étapes
principales [Akrour.N, 09]:
Acquisition des images : processus de production d’images exploitable par ordinateur.
Traitement des images : améliorer ces images lorsqu'elles possèdent du bruit ou des défauts.
Segmentation des images : construire une image symbolique en générant des régions
homogènes selon un critère défini à priori.
Analyse des images : extraire des paramètres ou des fonctions représentatives de l'image ou
des régions.
Figure Ι .1 : Chaîne de traitement d’images
I.2 Définition de la segmentation
Classiquement, on peut définir la segmentation comme étant une partition
de l’image I en un nombre N de sous-ensembles R i appelés régions,
homogènes dans le sens d’un ou plusieurs critères, comme le niveau de gris,
tels que :
La segmentation doit être complète (c'est-à-dire, chaque pixel doit être
affecté à une classe).
Les pixels appartenant à la même région doivent être connectés.
Les régions doivent être disjointes.
En termes mathématiques :
{ ∪i=1n Ri=I
R i ≠Φ∀ i=1…nRi∩R j=Φ∀ i , j avec i≠ j
4
Segmentation des images médicales Chapitre I
Où Ri est l’ensemble des régions formant l’image I.
Dans un contexte médical, les régions R i correspondent aux différentes
structures anatomiques constituant les différentes régions d’intérêt. La
détermination automatique du nombre de régions N est une vraie
problématique [JP.Couq, 00]. Souvent, la valeur N est supposée être connue
comme étant une information à priori sur les structures anatomiques en
investigation.
Il est difficile de définir d’une manière absolue, une bonne segmentation. La segmentation,
souvent, n’est pas une fin en soi [Z.Ameur, 05], le choix d’une technique est lié à :
La nature de l’image (éclairage, contours, texture…)
Aux opérations en aval de la segmentation (compression, reconnaissance des formes,
mesures…)
Aux primitives à extraire (droites, régions, textures,…)
Aux contraintes d’exploitation (temps réel, espace mémoire, …)
I.3 Au-delà de la deuxième dimension
I.3.1 Les images médicales 3D
Au début du dernier siècle, l’imagerie médicale s’appuyait sur une seule modalité
d’acquisition : la radiographie par Rayons X.
L’analyse des clichés radiographiques standards a longtemps joué un rôle important dans le
diagnostic médical, toutefois l’information bidimensionnelle résultante de cette technique
d’imagerie s’est avérée insuffisante pour l’examen de nombreuses pathologies. L’idée de trouver un
autre moyen pour récupérer l’information 3D perdue est sans doute prometteuse et importante.
Qu’il s’agisse de la tomodensitométrie à rayons X ou scanner (CT), l’imagerie par résonance
magnétique(IRM), l’imagerie ultrasonore ou échographique (US), l’imagerie de médecine nucléaire
ou scintigraphie ou bien la microscopie confocale, la plus part de ces outils permettent de voir au
travers des corps et d’acquérir des images 3D décrivant la structure interne des organes (figure I.2)
5
Segmentation des images médicales Chapitre I
Figure I.2 : Une collection de modalités d’images prises sur le cerveau humain :
(a)section réelle (b) image IRM (c) image PET (d) image CT
Cependant, l’analyse d’une telle quantité de données basée sur
l’inspection visuelle reste très difficile et requiert une grande dépense de
temps. Souvent, l’information contenue dans une image médicale ne peut pas
être entièrement captée par l’œil humain et vice-versa, les ordinateurs n’ont
pas le sens pratique d’un être humain ou l’expérience acquise par les experts
en médecine. Par conséquent, il est souhaitable de combiner les deux, experts
et ordinateurs, dans un compromis optimal pour améliorer les résultats de
l’étendue des applications où le traitement des images médicales est de nos
jours appliqué [J.Francisco, 07].
Figure I.3 : L’analyse classique des coupes médicales :
Un négatoscope sur lequel on a placé plusieurs clichés
6
Segmentation des images médicales Chapitre I
De l’héritage des images 2D, il reste que les images 3D sont souvent
produites comme une succession de coupes. Le praticien doit mentalement
empiler les coupes pour se faire une représentation du volume des données
observées. Cela conduit à une interprétation subjective des données, sans
l’aide de l’informatique, ça nécessitait une agilité d’esprit et une expérience
importante. Dans une représentation
3D, le traditionnel pixel devient voxel ;
contraction de « volumetric
pixel » : mot anglais. Ce dernier est
employé pour la représentation
d'espaces tridimensionnels par
traitement numérique de coupes
2D issues des machines d'investigation (Scanner, IRM ...). On peut dire que les
images médicales 3D sont une représentation d’une partie du corps qui est
décrite par une matrice à 3 dimensions. Dans la figure I.4, le voxel z est
représenté avec ses 26 voisins.
Figure Ι .4 : Le voxel
I.3.2 Difficultés liées à la segmentation des images médicales
La segmentation automatique des images médicales n’est pas une tâche
assez facile que l’on croit, ceci est dû principalement aux raisons suivantes :
- La haute complexité et diversité des structures internes des organes du corps
humain.
- La nature des images médicales qui diffèrent d’une modalité à une autre
implique généralement des traitements et des algorithmes différents.
- Le volume énorme des images médicales allant de quelques Mégabits à des
centaines de Mégabits résultant de quelques dizaines à des centaines de
coupes [F.Belhadj, 06].
7
Segmentation des images médicales Chapitre I
I.4 Classification des méthodes de segmentation selon la
dimensionnalité
Diverses classifications des méthodes de segmentation peuvent être effectuées, si l’on
s’intéresse à la dimensionnalité nous arrivons à répartir celles-ci en deux groupes : la segmentation
2D et la segmentation 3D.
En ce qui concerne les méthodes de segmentation 2D, elles visent à définir la région d’intérêt
sur les coupes. Les méthodes 2D sont appliquées sur toutes les coupes séparément et cela, sans tenir
compte du résultat obtenu sur les coupes précédentes. La reconstruction du volume d’intérêt se fait
par l’empilement des différentes coupes, ce qui forme un volume d’intérêt (qui est donc constitué
par la superposition des régions d’intérêt). Ce type de segmentation offre des résultats relativement
satisfaisants, cependant l’un de ces inconvénients est qu’elle ne prend pas l’interaction spatiale
exprimé par les pixels le long de la troisième dimension, ce qui peut conduire à la reconstruction
d’un volume non homogène.
Problème que les méthodes de reconstruction 3D contournent grâce à une exploitation de
l’information volumique de l’organe initialement observé [W.Al & Djad, 08].
I.5 Les différentes approches de segmentation : Etat de l’art
La segmentation est un vaste sujet d’étude et fait partie des grands
thèmes de l’imagerie numérique. A ce titre, de nombreuses publications font
état de segmentation. Comment préférer l’une ou l’autre est un débat ouvert
qui fait rage dans bien des laboratoires.
Du fait de cette diversité, il est difficile de définir, de manière absolue, une « bonne »
segmentation qui fait référence aux notions de différence et de similarité comme les perçoit le
système visuel humain et ceci donne naissance à deux approches : contour (frontière) et région.
La notion de « frontière » est associée à une variation d'intensité ou à une discontinuité entre
les propriétés de deux ensembles connexes de points.
La notion de « région » fait référence à des groupements de points ayant des propriétés
communes [Am & Bas, 08]. Dans ce cas on observe une parfaite dualité entre les contours
et les régions.
8
SEGMENTATION
Contour
Modèles Dérivatifs
Espace Echelle
Théorie des Graphes
Graph Cuts
Approches Structurelles
Lignes de Partage des Eaux
Gradient Morphologique
Classification Déterministe
Mean Shift
Région
Forme
Recalage d’Atlas
ParamétriqueContours Actifs
Level Set Géodésiqueee
Discrète
Level Set Géométrique
Classification Probabiliste
Modèle Actif de forme
Transformation dans un sous-espace
Modèle Actif d’Apparence
Ondelettess
Harmoniques Sphériques
Segmentation des images médicales Chapitre I
Nous allons donc présenter dans cette section diverses techniques
connues de segmentation en les organisant selon l’approche qui les régit.
D’après le rapport de recherche de Jérémy Lecoeur et Christian Barillot sur la
segmentation des images médicales cérébrales [J.Lec - C.Bar, 08], y’en a
cinq approches : les segmentations utilisant les contours comme critère de
décision, celles basées sur les régions, celles basées sur la forme, celles faisant
appel à la théorie des graphes et enfin celles préférant une approche
structurelle. Cette classification et ses ramifications plus poussées sont
représentées sur la figure I.5 et seront exposées quelques méthodes qui sont
fréquemment utilisés.
I.5.1 Contour
Dans l’approche contour (ou frontière), il s’agit de reconnaitre les zones
de transition et de localiser au mieux la frontière entre les régions. On
distingue notamment les modèles dérivatifs et les modèles d’espace-échelle.
9
Segmentation des images médicales Chapitre I
Figure Ι .5: Classification des différentes méthodes de segmentation
I.5.1.1 Espace –échelle
La notion d’espace-échelle (en anglais scale-space) est utilisée pour
représenter simultanément tous les niveaux de résolution d’une image
[M.Mohia, 06].
Figure Ι .6: Exemple de scale-space gaussien
I.5.1.2 Modèles dérivatifs
Les contours sont détectés l’opérateur gradient et Laplacien. Les
variations locales d’intensité constituent la source de ces opérateurs ; on
définit le gradient de l’image f [i, j] :
∇ f [ i , j ]=( ∂ f∂x [i , j ] , ∂ f∂ y
[ i , j ]) Et le Laplacien :
10
.
.
.
.
.
.
Fonction de combinaison
Fonction d’activation
Activation
Seuil
Valeurs
Somme pondérée
Poids
Segmentation des images médicales Chapitre I
∆ f [i , j ]=( ∂2 f∂ x2 [ i , j ]+ ∂
2 f∂ y2 [ i , j ])
On peut trouver le point de contour par détermination du maximum de la
norme du gradient ou bien en étudiant le passage par zéro du Laplacien.
I.5.2 Région
L’approche région de la segmentation utilise des techniques
d’identification et de localisation d’ensembles connexes de pixels.
I.5.2.1 Méthodes de classification déterministe
Réseaux de neurones
Le neurone calcule la somme de ses entrées puis cette valeur passe à travers la fonction
d’activation pour produire sa sortie (figure I.7).
Classiquement, en segmentation d’images médicales, les réseaux de
neurones sont utilisés comme classifieurs. Les poids synaptiques sont
déterminés par apprentissage sur une base d’image dont le résultat de
segmentation est connu, on parle alors de réseau de neurones supervisé.
Souvent, les neurones d’entrées sont par exemple les différentes IRM
disponibles et les neurones de sorties nous donnent alors les différentes
classes recherchées. Il est en outre possible d’introduire des informations à
priori en plus des volumes et donc de donner plus de robustesse à cette
classification.
11
Segmentation des images médicales Chapitre I
Figure Ι .7: Structure d’un neurone artificiel
K-Moyennes
L’algorithme des k-moyennes [C.Scharff] classe les objets selon leurs
attributs en k parties (ou clusters) et se résume en quatre étapes (figure I.8):
Figure Ι .8: Algorithme de classification K-moyennes
Cet algorithme est très populaire car extrêmement rapide en pratique et a
été utilisé pour segmenter le cerveau avec des résultats plutôt satisfaisants
mais la qualité non constante de la solution en fait un algorithme à proscrire
pour une automatisation du travail.
Mean Shift
L’algorithme du Mean Shift, recherche le « mode » ou point de plus haute
densité d’une distribution de données, basé sur une estimation de densité par
les noyaux de Parzen [M. Petr] dont la formule est: f̂(x)
= kN .V
Avec : x : point de la distribution ; V : volume autour de x ; N : cardinal de la
distribution et k : nombre de points dans V. La procédure de segmentation
dans ce cadre est la suivante :
12
1-Partitionnement des données en k sous ensembles (non vides)
2-Calcul des centres des groupes de la partition courante
3-les données sont affectées au groupe dont le centre leur est plus proche
4-Retour à l’étape 2
Arrêt lorsque les groupes sont constants.
Segmentation des images médicales Chapitre I
1-Considérer les images en termes de caractéristiques
(via couleur, gradient, mesures de texture, etc.)
2-Choisir une répartition uniforme des fenêtres de
recherche initiales.
3-Calculer le centroide des données pour chaque
fenêtre.
4-Centrer la fenêtre de recherche sur le centroide de
l’étape 3.
5-Répéter les étapes 3 et 4 jusqu’à convergence.
6-Fusionner les fenêtres se trouvant au même point
final.
7-Grouper les données traversées par les fenêtres
fusionnées.
(a) IRM d’origine (b) Résultat de la segmentation
Figure Ι .9: Algorithme et résultats de la segmentation par Mean-Shift
I.5.2.2 Méthodes de classification probabiliste
Champs Aléatoires de Markov
A vrai dire, La modélisation par les champs aléatoires de Markov en elle-
même n’est pas une méthode de segmentation mais plutôt un modèle
statistique dans lequel on peut intégrer une méthode de segmentation
[F.Belhadj, 06].
13
Segmentation des images médicales Chapitre I
On utilise les champs de Markov pour modéliser les interactions entre un
voxel et son voisinage. Notons xs la valeur du descripteur au site s, xs=(xs)t ≠ s la
configuration de l’image excepté le point s, V s le système de voisinage et
U ( x )=∑c∈C
U c l’énergie globale de l’image (c’est la somme des potentiels de
toutes les cliques). X est un champ de Markov si et seulement si :
P (X s=xs/ xs )=P (X s=xs/ x t ,t ∈V s )
Autrement dit, le niveau de gris d’un site ne dépend que des niveaux de gris
des pixels voisins.
Machine à Vecteurs de Support
Le principe des machines à vecteurs de support (en anglais Support
Vector Machine ou SVM) est de trouver un classificateur qui va séparer les
données et maximiser la distance entre ces deux classes [A.Arb, 09]. Ce
séparateur est appelé hyperplan et les points de caractéristiques les plus
proches de celui-ci définissent des plans appelés vecteur de support. Pour
obtenir une segmentation robuste, il faut maximiser la marge : la distance
entre l’hyperplan et les vecteurs de support.
(a) IRM d’origine
(b) Segmentation du cerveau
complet avec la tumeur
Figure Ι .10: Segmentation par SVM
I.5.3 Forme
Contours Actifs
14
Segmentation des images médicales Chapitre I
Les contours actifs, ou snakes, ont été introduits par Kass en 1987 et sont
toujours utilisés aujourd’hui sous des formes plus évoluées. L’idée est de
déterminer la déformation d’un contour en minimisant une fonctionnelle
énergétique qui traduit les forces appliqués aux points de contrôle du contour
C : [a ,b]→R2. La fonctionnelle associée au snake en 2D est :
E (C ( p ))=α∫a
b
E∫¿ (C (p ))dp+β∫
a
b
Edon (C (p ))dp+λ∫a
b
Econ (C (p) )dp¿
Avec α ,β et λ des constantes positives.
E∫¿¿ est une contrainte de régularisation pour obtenir un contour lisse, Edon est
le terme d’attache aux données qui dépend du gradient de l’image et Econ
exprime des contraintes externes définies en lien avec l’application et
favorisent un type de déformation donnée.
Figure Ι .11: Segmentation par les contours actifs
I.5.4 Théorie des Graphes
Dans les approches utilisant la théorie des graphes, l’idée directrice est de
créer un graphe à partir de l’image selon des procédés assez simples et de
travailler sur ces graphes, un travail relativement important sera de valuer les
arêtes puisque ce sont elles qui permettront de donner les caractéristiques de
l’image à notre graphe.
Nous verrons une méthode qui utilise les hypergraphes (une famille de
graphe aux caractéristiques insolites).
15
Segmentation des images médicales Chapitre I
Les hypergraphes, introduit par Claude Berge en 1969 généralisent la
notion de graphe dans le sens où les arêtes ne relient plus un ou deux
sommets.
Soient V={v1 , v2 , .. . , vn } un ensemble, E={E1 , E2 ,. . . ,Em} une famille de parties deV ,
avec (m ,n)∈N ¿2 deux entiers non nuls. Un hypergraphe H est un couple (V , E)
tel que :
{∀ i∈ ( [1 ,m ]∩N ) Ei≠∅¿ i=1
¿mE i⊆V ¿
Un apport intéressant pour le traitement d’image est la notion
d’hypergraphe de voisinage. Dans cet hypergraphe, les sommets sont les
pixels de l’image et les hyper-arêtes relient les pixels voisins.
Figure Ι .12: Exemple d’hypergraphe
I.5.5 Approches Structurelles
I.5.5.1 Gradient Morphologique
La morphologie mathématique, introduite par Matheron et Serra, nous
donne un cadre intéressant pour l’approche contour de la segmentation.
La différence symétrique entre l’image dilatée et érodée par le même
élément structurant de taille unitaire donne le gradient morphologique qui est
un opérateur de détection de contour et qui peut se résumer par l’équation :
grad1B(X)=δ1 B(X )/ε1B (X )
16
Segmentation des images médicales Chapitre I
Figure Ι .13: Segmentation par gradient morphologique
Cette détection de contour par gradient morphologique est utilisée
conjointement avec une ligne de partage des eaux pour la détection de tumeur
sur des mammographies. Comme elle a été proposée pour une segmentation
de tumeur cérébrale basée sur le gradient morphologique et une étape de
croissance et fusion de régions.
I.5.5.2 Ligne de Partage des Eaux
La ligne de partage des eaux est l'outil de segmentation par excellence en morphologie
mathématique. Cette transformation se définit par rapport à un processus le plus connu qui est
l'inondation. Le chapitre 3 détaille plus amplement le principe de la LPE et met en avant les
récentes avancées. Cette technique est souvent associée à une méthode de fusion
de régions puisqu’elle donne une sur-segmentation de l’image.
I.6 Conclusion
Dans ce chapitre, nous avons présenté un panorama succinct des notions
fondamentales du domaine de la segmentation des images ; notamment celles
en usage médical ; on a exposé un état de l’art des différentes techniques existantes,
classées selon leurs approches.
Il n’y a pas de règles générales permettant de choisir une méthode particulière de
segmentation pour un problème donné ; choisir l’une ou l’autre dépend des images.
Dans le prochain chapitre, nous introduirons la morphologie mathématique qui est un outil
puissant et très répandu pour le traitement d’image, et ainsi son rapport direct avec la segmentation
en ligne de partage des eaux.
17