Mémoire de projet de fin détudes [600639]
Mémoire de projet de fin d’études
Sous la direction du Professeur : M. Abdellilah JILBABDépartement de Génie Électrique
Master de Génie Électrique
Détection de s tumeurs cérébrales
© Octobre 20 17 Présenté et soutenu publiquement par : Elmostafa AIT IAZ
Le 02 Octobre 2017
2 Résumé
Une tumeur cérébrale est une croissance anormale du tissu dans le
cerveau qui peut perturber son fonctionnement .Les tumeurs cérébrales affectent de
nombreuses personnes dans le monde entier. Elles ne sont pas limitées aux personnes âgées
mais peuvent êtres diagnostiqué es au plus jeune âge. La détection précoce des tumeurs
cérébrales s’avère alors une nécessité. Dans ce mémoire de fin d’études, nous allons
présenter les concepts de base du traitement numérique des images médicales et les
différentes techniques utilisées pour la détection des tumeurs cérébrales. Trois applications
qui peu vent servir de plateforme s pour le traitement des images médicales et la détection des
tumeurs cérébrales ont été développées sous l’environnement LABVIEW . Les deux
premières applications sont supervisée s et la troisième application permet d’assurer une
détection de tumeur automatique non supervisée. Les volumes des tumeurs cérébrales ont
été estimé s et comparés avec les volumes réels, ce qui a donné des résultats très satisfaisants.
Mots -clés : Détection de tumeur, segmentation d’image médicale, LABVIEW,
3 Abstract
A brain tumor is an abnormal growth of tissue in the brain that can disrupt its
functioning. Brain tumors affect many people all over the world. They are not limited
to the elderly but can be diagnosed at an early age. Early detection of brain tumors is a
necessity. In this thesis we will present the basic concepts of the digital treatment of
medical images and the different techniques used for the detection of brain tumors.
Three applications have been developed under the LABVIEW environment, w hich can
serve as platforms for the treatment of medical images and the detection of brain tumors.
The first two applications are supervised and third application makes it possible to
ensure an unsupervised automatic tumor detection. The volumes of brain t umors were
estimated and compared with actual volumes, which gave very satisfactory results.
Keywords: Tumor detection, medical image segmentation, LABVIEW
4 Table des matières
Liste des sigles et ab réviations : ________________________________ ______________________ 9
Introduction générale ________________________________ _____________________________ 16
Chapitre 1 : L’imagerie cérébrale de l’acquisition au diagnostic des tumeurs _________________ 19
1.1 Définition d’une tumeur ________________________________ _________________ 20
1.2 La détection et le diagnostic de la tumeur ________________________________ ___ 20
1.3 Imageries cérébrales et le diagnostic des tumeurs ____________________________ 21
1.3.1 La tomographie à rayons X : ________________________________ _____________ 22
1.3.2 L’imagerie par résonance m agnétique (IRM) ________________________________ 23
1.3.2.1 Historique et principe ________________________________ _________________ 23
1.3.2.2 Orientation des images IRM ________________________________ ____________ 24
1.3.2.3 Phénomènes de résonance et de relaxation ________________________________ 25
1.3.2.4 Pondérations des IRM : ________________________________ _______________ 25
1.3.2.5 Pondération T1 ________________________________ ______________________ 25
1.3.2.6 Pondération T2 ________________________________ ______________________ 26
1.3.2.7 Influence du produit de contraste Gadolinium _____________________________ 27
1.3.3 L’imagerie scintigraphique : ________________________________ ______________ 27
1.4 L’imagerie médicale, incertitudes et imprécisions ____________________________ 28
1.4.1 Le systè me d’acquisition ________________________________ _________________ 28
1.4.2 Phénomène de dérive ________________________________ ____________________ 29
1.4.3 Effet de volume partiel ________________________________ __________________ 29
1.5 Conclusion : ________________________________ ___________________________ 30
Chapitre 2 : Segmentation des images médicales : État de l’art ____________________________ 31
2.1 Introduction : ________________________________ __________________________ 32
2.2 Segmentation ________________________________ __________________________ 32
5 2.3 Les différentes approches de la segmentation ________________________________ 33
2.3.1 Approche Contour ________________________________ ______________________ 34
2.3.2 Approche Région ________________________________ _______________________ 35
2.3.2.1 Seuillages ________________________________ ___________________________ 35
2.3.2.2 Algorithme K -means (K -Moyennes) ________________________________ _____ 35
2.3.2.3 Groupement flou ________________________________ _____________________ 36
2.3.2.4 C-Moyennes floues ________________________________ ____________________ 36
2.3.2.5 C-moyennes floues adaptatives ________________________________ __________ 37
2.3.2.6 Algorithmes génétiques ________________________________ ________________ 37
2.3.2.7 PSO (optimi sation des essaims de particules) ______________________________ 38
2.3.2.8 Algorithme EM(Espérance -Maximisation) ________________________________ 39
2.4 Conclusion ________________________________ ____________________________ 41
Chapitre 3 : Outils de la segmentation des images IRM ________________________________ __ 42
3.1 Introduction : ________________________________ __________________________ 43
3.2 Pré-traite ments ________________________________ _________________________ 44
3.2.1 Le lissage local ________________________________ _________________________ 44
3.2.1.1 La dégradation de l’image médicale : ________________________________ ____ 44
3.2.1.2 Les bruits de l’image médicale : ________________________________ _________ 44
3.2.1.3 Filtrage de l’image médicale : ________________________________ ___________ 46
3.2.1.3.1 Filtre moyenneur ________________________________ ___________________ 47
3.2.1.3.2 Filtre Gaussien ________________________________ _____________________ 48
3.2.1.3.3 Filtre Médian ________________________________ ______________________ 49
3.2.2 L’amélioration d’images IRM ________________________________ ____________ 49
3.2.2.1 L’histogramme ________________________________ _______________________ 50
3.2.2.2 Amélioration de la luminance : ________________________________ _________ 50
3.2.2.3 Amélioration du Contraste ________________________________ _____________ 50
6 3.2.3 Rehaussement de contours ________________________________ _______________ 52
3.2.3.1 Gradient : dérivée prem ière de l’image : ________________________________ _ 52
3.2.3.2 Calcul du gradient ________________________________ ____________________ 53
3.2.3.3 Filtre Gradient ________________________________ _______________________ 53
3.2.3.4 Filtre de Sobel : ________________________________ ______________________ 53
3.2.3.5 Filtre de Prewitt : ________________________________ _____________________ 54
3.2.3.6 Laplacien : deuxième dérivée de l’image ________________________________ __ 54
3.2.3.7 Filtre Laplacien ________________________________ ______________________ 54
3.3 Segmentation de l’image IRM ________________________________ ____________ 54
3.3.1 Segmen tation par seuillage. ________________________________ _______________ 55
3.3.1.1 Seuillage de base (2 classes) : ________________________________ ___________ 55
3.3.1.2 Seuillage multi -seuils ________________________________ __________________ 56
3.3.1.3 Comment choisir le seuil ? ________________________________ _____________ 56
3.3.2 Segmentation morphologique : ________________________________ ____________ 56
3.3.2.1 L’érosion ________________________________ ____________________________ 57
3.3.2.2 La dilatation ________________________________ __________________________ 57
3.3.2.3 Ouverture morphologique : ________________________________ _____________ 57
3.3.2.4 Fermeture morphologique : ________________________________ _____________ 58
3.4 Extraction des caractéristiques ________________________________ ____________ 58
3.5 Conclusion ________________________________ ____________________________ 58
Chapitre 4 : Mise en œuvre d’une application de détection supervisée de tumeur cérébrale _____ 59
4.1 Introduction ________________________________ ____________________________ 60
4.2 Démarches de mise en œuvre ________________________________ _____________ 60
4.2.1 Description sommaire de la conception : ________________________________ _____ 60
4.2.2 Choix de Langage graphique(LabVIEW) : ________________________________ _____ 61
4.3 Mise en œuvre de l’application1 ________________________________ ___________ 62
7 4.3.1 Acquisition de l’image cérébrale IRM ________________________________ ________ 64
4.1.1 Central d’imagerie médicale XNAT ________________________________ __________ 64
4.1.2 Exemple d’acquisition : Patient 1 ________________________________ ___________ 66
4.3.2 Phase2 : Prétra itement et amélioration de l’image IRM _________________________ 68
4.3.2.1 Lissage de l’image IRM ________________________________ _________________ 68
4.3.2.2 Rehaussement de contours ________________________________ _____________ 73
4.3.3 Phases 2,3 et 4 : Traitement morphologique et seuillage ________________________ 74
4.3.4 Phase 6 : Mesure et estimation du volume de la tumeur. ________________________ 75
4.3.5 Résultats et discutions : ________________________________ __________________ 76
4.3.5.1 Images IRM du patient1, acquisition en T2 : ________________________________ 76
4.3.5.1.1 Interprétation : ________________________________ _____________________ 77
4.3.5.2 Images IRM du patient 2, acquisition en T2 : ________________________________ 78
4.3.5.2.1 Résultats ________________________________ __________________________ 78
4.3.5.2.2 Interprétation : ________________________________ _____________________ 79
4.3.5.3 Images IRM du patient 3, acquisition en T2 : ________________________________ 79
4.3.5.3.1 Résultats ________________________________ __________________________ 79
4.3.5.3.2 Interprétation : ________________________________ _____________________ 80
4.3.5.4 Images IRM du patient 4, acquisition en 3D : _______________________________ 80
4.3.5.4.1 Résultats ________________________________ __________________________ 80
4.3.5.4.2 Interprétation : ________________________________ _____________________ 81
4.3.5.5 Images IRM du patient 4, Acquisition en T1 : _______________________________ 81
4.3.5.5.1 Résultats ________________________________ __________________________ 81
4.3.5.6 Images IRM du patient 5, Acquisition en T2 : _______________________________ 82
4.3.5.6.1 Résultats ________________________________ __________________________ 82
4.3.6 Conclusion : ________________________________ ____________________________ 84
4.4 Mise en œuvre de l’application2 ________________________________ ___________ 84
8 4.5 Résultats et discutions : ________________________________ __________________ 86
4.5.1 Images IRM du patient1, acquisition en T2 : ________________________________ __ 86
4.5.2 Images IRM du patient 2, Acquisition en T2 ________________________________ ___ 87
4.5.3 Images IRM du patient 3, Acquisition en T2 ________________________________ ___ 88
4.5.4 Images IRM d u patient 4 , Acquisition en T1 ________________________________ __ 89
4.5.5 Images IRM du patient 5, Acquisition en T2 ________________________________ ___ 90
4.5.6 Analyse des résultats et conclusion : ________________________________ ________ 91
4.6 Automatisation de la détection : ________________________________ ___________ 92
4.6.1 Principe du choix automatique du seuil : ________________________________ _____ 92
4.6.2 Méthode de Otsu : ________________________________ ______________________ 93
4.6.2.1 Principe : ________________________________ ____________________________ 93
4.6.2.2 Méthodologie ________________________________ ________________________ 93
4.6.3 Algorithme EM (maximisation de l’espérance) : _______________________________ 93
4.6.4 Principe : ________________________________ ______________________________ 93
4.6.5 Limitation : ________________________________ _____________________________ 95
4.6.6 Mise en œuvre de l’algorithme Otsus : ________________________________ ______ 95
4.6.6.1 Résultats ________________________________ ____________________________ 95
4.6.6.2 Analyse des résultats et conclusion : ________________________________ ______ 97
4.7 Conclusion : ________________________________ ____________________________ 97
Conclusion et Perspectives ________________________________ _________________________ 99
Bibliographie: ________________________________ ________________________________ __ 101
Annexes : ________________________________ ________________________________ ______ 103
Annexe 1 : Code source Matlab d’un bruit additif Gaussien ___________________________ 103
Annexe 2 : Code source Matlab d’un bruit "P&S" ________________________________ ____ 103
Annexe 3 : Codes sources Matlab script des applications 1 et 3. ________________________ 104
9
Liste des sigles et abréviations :
IRM Imagerie par résonance magnétique
K-means Algorithme de partitionnement en K -moyennes
FCM Algorithm Fuzzy c -means
EM Algorithme de Maximisation de l’espérance
GA Algorithme génétique
PSO Optimisation par l’essaim de particules
TE Temps d'écho
TR Temps de répétition :
RSB rapport signal sur bruit
GEM Algorithme de Maximisation de l’espérance généralisé
CEM Algorithme de Classification EM
SEM Algorithme Stochastique EM
SVM Suppo rt Vector Machine
10
Liste des tables
Tableau 1 : Ordre de grandeur des temps de relaxation à 1.5 Tesla ………………………….. …… 25
Tableau 2 : Comparaison de K-means et Fuzzy clustering ………………………….. ………………… 37
Tableau 3 : Comparaison de GA and PSO ………………………….. ………………………….. ………….. 38
Tableau 4 : Évolution historique des algorithmes de seg mentation des images ………………… 40
Tableau 5 : Résumé des résultats de mesure et erreurs relatives ………………………….. ………… 84
Tableau 6 : Résumé des résultats de mes ure et des erreurs relatives ………………………….. …… 92
Tableau 7 : Résumé des mesures et des erreurs relatives. ………………………….. ………………….. 97
11 Liste des figures
Figure 1 : Coupes cérébrales obtenues par un tomographe à rayons X ………………………….. . 22
Figure 2 :Machine IRM en géométrie fermée 3 teslas fabriquée par Philips. ……………………. 24
Figure 3 : Plans axial, coronal et sagittal (de gauche à droite) d’une IRM acquisition en T1 24
Figure 4 : Une même coupe obtenue sous différents paramètres d’acquisiti on. ………………… 26
Figure 5 : Image RM avec injection de gadolinium ………………………….. ………………………….. . 27
Figure 6 : Image scintigraphique cérébrale ………………………….. ………………………….. ………….. 28
Figure 7 : Bruit d’acquisition dans une IRM ………………………….. ………………………….. ……….. 29
Figure 8 : Classification des différentes méthodes de segmentation ………………………….. ……. 34
Figure 9 : Étapes de traitement d’image pour la détection de tumeur cérébrale ……………….. 43
Figure 10 : Image originale IRM ………………………….. ………………………….. ………………………. 45
Figure 11 : Bruit Gaussien additif appliqué sur l’image originale (m=0 et v=0.01) ………….. 45
Figure 12 : Bruit P&S appliqué sur l’image originale. ………………………….. ……………………… 46
Figure 13 : Noyau de convolution d’un filtre moyenneur d’ordre 3 ………………………….. …… 48
Figure 14 : Représentation graphique d’un filtre gaussien ………………………….. ………………… 48
Figure 15 : Principe d’un filtre médian d’ordre 3×3. ………………………….. ……………………….. 49
Figure 16 : Histogramme d’une image numérique ………………………….. ………………………….. . 50
Figure 17 : Égalisation linéaire de la dynamique ………………………….. ………………………….. … 51
Figure 18 : Égalisation de l’histogramme ………………………….. ………………………….. …………… 52
Figure 19 : Gradient d’une image se lon la direction horizontale ou verticale ………………….. 53
Figure 20 : Seuillage de base cas d’un histogramme multi -modaux ………………………….. ……. 55
Figure 21 : Seuill age multi -seuils ………………………….. ………………………….. ………………………. 56
Figure 22 : Exemple d’une érosion par un élément structurant carré d’ordre3. ……………….. 57
Figure 23 :Exemple d’une dila tation par un élément structurant carré d’ordre 3. ……………. 57
Figure 24 : Face avant de l’application 1 ………………………….. ………………………….. …………… 63
Figure 25 : Face avant de l’app lication 1 ………………………….. ………………………….. …………… 64
Figure 26 : Page d’accueil du central XNAT ………………………….. ………………………….. ………. 65
Figure 27 : Présentation du patient 1 et les caractéristiques de la tu meur. ………………………. 66
Figure 28 : Acquisition IRM en T2 du patient1 ………………………….. ………………………….. ……. 67
Figure 29 : Acquisition IRM en 3D du patient1 ………………………….. ………………………….. ……. 67
Figure 30 : Extraction d’une image IRM à partir du cadre global. ………………………….. …….. 68
Figure 31 : (a) Image avec Bruit P&S (b)image filtrée avec filtre Gaussien d’ordre 5 x5 et σ
=0,5 …………………………………………………………………………… . …… 69
12 Figure 32 :(a) Image avec Bruit P&S (b)image filtrée avec filtre Gaussien d’ordre 5×5 et
σ =3 ………………………….. ………………………….. ………………………….. ………………………….. .. 69
Figure 33 : (a) Image avec Bruit P&S (b)image filtrée avec filtre Gaussien d’ordre 15×15 et σ
=0.8 ………………………….. ………………………….. ………………………….. ………………………….. .. 69
Figure 34 : (a) Image avec Bruit additif Gaussien additif (b)image filtrée avec filtre Gaussien
d’ordre 5×5 et σ =0.5 ………………………….. ………………………….. ………………………….. ……. 70
Figure 35 : (a) Image avec Bruit additif Gaussien additif (b)image filtrée avec filtre Gaussien
d’ordre 15×15 et σ =0.8 ………………………….. ………………………….. ………………………….. … 70
Figure 36 : (a) Image avec Bruit P&S (b)image filtrée avec filtre moyenneur d’ordre 3×3 . 71
Figure 37 : (a) Image avec Bruit additif Gaussien (b)image filtrée avec filtre moyenneu r
d’ordre 3×3 ………………………….. ………………………….. ………………………….. ………………….. 71
Figure 38 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre moyenneur
d’ordre 10×10 ………………………….. ………………………….. ………………………….. ………………. 71
Figur e 39 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre médian d’ordre
3×3 ………………………….. ………………………….. ………………………….. ………………………….. …. 72
Figure 40 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre médian d’ordre
10×10 ………………………….. ………………………….. ………………………….. ………………………….. 72
Figure 41 : (a) Image avec bruit P&S (b)image filtrée avec filtre médian d’ordre 3×3 …….. 72
Figure 42 : (a) Image avec bruit P &S (b)image filtrée avec filtre médian d’ordre 5×5 ……… 73
Figure 43 :(a):Image IRM originale, (b),(c) :Images avec filtre Sobel horizontal et vertical 73
Figure 44 : (a):Image IRM originale, (b),(c) :Images avec filtre Perwitt horizontal et vertical
………………………….. ………………………….. ………………………….. ………………………….. ………. 74
Figure 45 :(a) : Image IRM originale, (b) : Image avec filtre laplacien ………………………….. . 74
Figure 46 : (a)IRM du patient1,acquisitient en T2, (b) :Tumeur détectée, (c) Mesure ………. 77
Figure 47 : Calcul du volume de la tumeur patient1. ………………………….. ………………………… 77
Figure 48 : (a)IRM du patient2, acquisition en T2, (b) : Tumeur détectée, (c) Mesure ……… 78
Figure 49 : Calcul du volume de la tumeur patient2. ………………………….. …………………………. 78
Figure 50 : (a)IRM du patient3, acquisition en T2, (b) : Tumeur détectée, (c) Mesure ……… 79
Figure 51 : Calcul du volume de la tumeur patient3. ………………………….. ………………………… 80
Figure 52 : (a)IRM du patient 4, acquisition en 3D, (b) : Tumeur détectée, (c) Mesure ……. 81
Figure 53 : Calcul du volume de la tumeur patient4 acquisition en 3D. ………………………….. 81
Figure 54 : (a)IRM du patient4,acquisition en T1, (b) :Tumeur détectée, (c) Mesure ……….. 82
Figure 55 : Calcul du volume de la tumeur patient4 acquisition en T1 ………………………….. .. 82
Figure 56 : (a)IRM du patient5, acquisition en T2, (b) : Tumeur détectée, (c) Mesure ……… 83
13 Figure 57 : Calcul du volume de la tumeur patient 5 ………………………….. ………………………… 83
Figure 58 :Face avant de l’application 2 ………………………….. ………………………….. ……………. 85
Figure 59 :Face avant de l’application 2 ………………………….. ………………………….. ……………. 86
Figure 60 : Résultat de la détection de la tumeur, cas du patient 1 ………………………….. …….. 87
Figure 61 : Calcul du volume de la tumeur patient 1 ………………………….. …………………………. 87
Figure 62: Résultat de la détection de la tumeur, cas du patient 2 ………………………….. ……… 88
Figure 63 : Calcul du volume de la tumeur patient 2 ………………………….. ………………………… 88
Figure64 : Résultat de la détection de la tumeur, cas du patient 3 ………………………….. ……… 89
Figure65 : Calcul du volume de la tumeur patient 3 ………………………….. …………………………. 89
Figure66 : Résultat de la détection de la tumeur, cas du patient 4 EN T1 ………………………… 90
Figure 67: Calcul du volume de la tumeur patient 4 ………………………….. …………………………. 90
Figure68 : Résultat de la détection de la tumeur, cas du patient 5 ………………………….. ……… 91
Figure 69: Calcul du volume de la tumeur patient 1 ………………………….. …………………………. 91
Figure 70: Choix automatique de seuil de binarisation ………………………….. …………………….. 92
Figure 71: Histogr ammes de l’algorithme EM ………………………….. ………………………….. ……. 94
Figure 72: Choix automatique des seuils ………………………….. ………………………….. …………….. 94
Figure 73: Images IRM du patient 1, Acquisition en T2 ………………………….. …………………….. 95
Figure 74: Images IRM du patient 2, Acquisition en T2 ………………………….. …………………….. 95
Figure 75 : Images IRM du patient 3, Acquisition en T2 ………………………….. ……………………. 96
Figure 76 : Images IRM du patient 5, Acquisition en T2 ………………………….. ……………………. 96
14 Je dédie ce travail
Comme expressi on d’amour et de
reconnaissance à toi ma chère Maman
A la mémoire de feu mon père
A ma femme
A mes fils, Adam, Moncef et Safouan
A mes sœur s, mes frères , mes belles -sœurs
et mes beaux -frères
A tout(e)smes ami(e)s
15 Remerciements
Mes remerciements les plus vifs et chaleureux, vont à M onsieur JILBAB
ABDELILAH, professeur à l’ENSET d e RABAT pour son encadrement judicieux , son
orientation précieuse , sa disponibilité inconditionnelle ainsi que la confiance et la
compréhension qu’il m’a toujours manifestées.
Je remercie également Monsieur ELMHAMDI JAMAL, Professeur à l’ENS ET
de RABAT et responsable du Master Génie Électrique pour sa confiance, sa générosité,
ses conseils édifiants et son soutien inestimable.
J’adresse aussi mes remerciements aux membres du jury qui ont accepté
d’examiner ce mémoire en lui portant de l’intérêt et en lui consacrant le temps
nécessaire pour en saisir la teneur et l’originalité.
Je remercie également tous les enseignants du département de la Génie Électrique
de l’ENSET de RABAT qui ont participé à ma formation pendant t out le cycle
universitaire.
Enfin, j’adresse mes sincères remerciements et ma gratitude à mes amis pour leurs
encouragements incessants , leur soutien moral réconfortant et l’abnégation dont ils ont
fait montre durant l’élaboration de ce modeste travail.
16
Introduction générale
17 Introduction générale
Les cancers figurent parmi les principales causes de mortalité dans le monde ; d’après
les statistiques de l’OMS (Organisation mondial e de la santé), on comptait en 2012,
approximativement 14 millio ns de nouveaux cas. Et ce nombre va augmenter de 70%
environ au cours des 2 prochaines décennies. Le cancer constitue la deuxième cause
de décès dans le monde avec 8,8 millions de morts en 2015. Près d’un décès sur 6
dans le monde est dû au cancer et env iron 70% de ces décès surviennent dans les pays
à revenu faible ou intermédiaire 1. Les tumeurs cérébrales figurent parmi les cancers
les plus dangereux et ayant le plus grand taux de croissance et doivent être les plus
supervisé es. Nous enregistrons les st atistiques de survie pour le cancer du cerveau de
25%, ce qui signifie qu'une personne diagnostiquée avec un cancer du cerveau aurait
en moyenne 25% de chances de vivre cinq ans après le diagnostic. Cela montre qu’il
est n écessaire de détecter la tumeur cérébrale le plutôt possible
possible. Avec l'avancement de l'apprentissage par machine (ML) et le traitement
d'image (IP), Des centaine s d’articles sont publiés annuellement proposant une
diversité de techniques de détection de tumeurs cérébrales.
Les pri ncipales techniques utilisées pour la détection et la localisation des tumeur s
cérébrales repose nt sur la base de la segmentation des images médicales. Dans
l'imagerie médicale, une image est capturée, numérisée puis traitée pour faire de la
segmentation et extraire des informations importantes. La segmentation des images
médicales peut être réalisé e d’une manière manuelle supervisée ou d’une manière
automatique non supervisée . Dans ce mémoire de fin d’étude, on vise à décrire les
principaux types des imag es médicales, les différentes techniques utilisées pour le
traitement et finalement les différentes approches de la segmentation des images et
de détection des tumeurs cérébrales.
La démarche adoptée dans ce mémoire suit la structuration suivante :
1Données et statistiques de l'OMS
18 Dans le premier chapitre nous présenterons le contexte général de notre étude depuis
l’acquisition des images médicales jusqu’à la détection et au diagnostic des tumeurs
cérébrales. Nous allons do nner la classification des images médicales cérébrales et
plus préc isément les images IRM ainsi que leur facteur de dégradation.
Le second ch apitre sera consacré à l’état de l’ art des différentes méthodes et
techniques utilisées en segmentation des images IRM cérébrales. Une étude
comparative des différentes approches de la segmentation et la classification
historique ser a exposée .
Dans le Troisième chapitre, nous allons présenter les étapes classiques de traitement
d’image pour la détection de tumeur cérébrale. Au cours de ce chapitre nous allons
aborder les concept s théoriques de base du pré -traitement, de la segmentation et de la
caractérisation des tumeurs cérébrales.
Le quatrième chapitre sera consacré à la présentation des applications pratiques
réalisées. Nous exposerons pour chaque application la démarche algo rithmique suivie
et les résultats trouvés ainsi que leur validité.
Enfin, nous en déduirons des conclusions sur les études menées et indiquerons les
éventuelles perspectives pour la suite de nos travaux
19
Chapitre 1 : L’imagerie cérébrale de
l’acquisition au diagnostic des tumeurs
20 Chapitre 1 : L’imagerie cérébrale de l ’acquisition au
diagnostic des tumeurs
1.1 Définition d’une tumeur
Une tumeur est une masse anormale qui résulte d’une multiplication accrue et non
contrôlée de cellules. Une tumeur peut également être appelée lésion, néoplasme ou
excroissance. On distingue en particulier deux types de tumeurs : la tumeur bénigne
et la tumeur maligne. La tumeur bénigne n’est pas un cancer. Elle se caractérise en
particulier par son absence de croiss ance, d’invasion et de métastases. Cependant,
elle peut s’aggraver et se transformer en tumeur maligne. Notre travail est axé autour
de la détection et de la mesure des volumes des tumeurs cérébrales . La désignation
bénigne ou maligne d’une tumeur est, le plus souvent, réalisée suite à u ne biopsie des
tissus cérébraux pathologiques. Par la suite, nous allons employer indifféremment les
termes « tumeur » ou « lésion », sans considération sur leur caractère bénigne ou
maligne .
1.2 La détection et le diagnostic de la tumeur
Pour diagnostiquer une tumeur il faut suivre une démarche clinique précise et
complexe conduisant, par la suite, à une décision thérapeutique adaptée. Cette
démarche passe par plusieurs étapes : suspicion, acquisition, détection, observation,
détermination de sa nature histologique. . .
Les signes cliniques constatés chez les patients atteints de tumeur cérébrale sont aussi
nombreux et variés .Il existe une variété de tumeurs du cerveau, différentes les unes
des autres . Leurs symptômes sont foncti on de la localisation et de la taille de la
tumeur2.
2 Source : http://www.ffn -neurologie.fr/grand -public/maladies/tumeurs -du-cerveau
21 L’apparition de symptômes cliniques évocateurs peut suspecter la présence d’une
tumeur cérébrale. Le médecin effectue un examen clinique neurologique et, en cas de
suspicion de tumeur, prescrit un examen d’imagerie cérébrale. On recherche alors des
masses opaques, claires ou de densité anormale, signes d’un processus tumoral. Si le
processus est détecté, on doit détermine r le nombre de lésions et leur topographie,
puis, pour chacune d’elles, on recherche différent es caractéristiques telles que : la
taille,la forme, le caractère infiltrant ou circonscrit,la localisation dans le cerveau et
par rapport aux structures cérébrales environnantes, l’homogénéité…
1.3 Imageries cérébrales et le diagnostic des tumeurs
L’imagerie médicale ne donne pas une simple « photographie » du tissu ou de
l’organe étudié mais une représentation visuelle basée sur des caractéristiques
physiques ou chimiques particulières.
Deux grandes classes de techniques d’imagerie sont utilisées :
1- L’Imagerie morphologique : qui permet d’assurer une étude anatomique . Dans
cette catégorie on peut classer , la radiologie conventionnelle aux rayons X,
l’échographie, le scanner, l’imagerie par résonance magnétique (IRM)…etc.
2- L’Imagerie fonctionnelle : qui permet l’étude des processus biochimiques et
physiologiques d’un organe. Elle regroupe l’imagerie scintigraphie qui est une
méthode d'imagerie médicale de médecine nucléaire qui produit une image par
l'administration d'un médicament radio -pharmaceut ique (MRP) dont on détecte les
rayonnements qu'il émet une fois qu'il a été capté par l'organe ou la cible à examiner3.
Pour le diagnostic des tumeurs cérébrales, trois grands types d’ima geries sont
fréquemment utilisé s. Chacun exploitant des propriétés p hysiques différentes, ils
mettent en évidence des informations de natures différentes et sont donc utilisés en
liaison avec le type de pathologie recherchée :
3 Source : https://fr.wikipedia.org/wiki/Scintigraphie
22 1.3.1 La tomographie à rayons X :
La découverte des rayons X par Rontgen en 1895 a ouvert de nouvelles perspectives
dans le milieu médical, notamment avec l’apparition de la radiographie. L’image
tomographique (Computed Tomography, CT), comme l’image standard à rayons X,
est obtenue par la mesure de l’atténuation des rayons X à travers différents tissus.
Cette atténuation dépend de l’épaisseur et de la composition des tissus traversés. De
façon simple, les différents corps traversés sont l’air, la graisse, l’eau et l’os. Ces
corps n’ayant pas la même composition atomique, ils répondent différemment aux
faisceaux de rayons X : l’air atténue moins que l’os et l’eau plus que la graisse. À la
composition atomique des corps, il faut ajouter l’influence de l’épaisseur des organes
traversés, créant des zones plus ou moins grises sur les acquisitions.
L’image sca nographique est le premier examen dans le cadre du diagnostic des
lésions cérébrales. Cette image est souvent associé e à des produits de contraste, ce
qui permet de donne r une première idée de la localisation de la tumeur . L’image
scanographique est égalem ent très utilisée pour la détection de tuméfactions ou de
saignements.
Figure 1: Coupes cérébrales obtenues par un tomographe à rayons X
23 1.3.2 L’imagerie par résonance magnétique (IRM)
1.3.2.1 Historique et principe
L’Imagerie par Résonance Magnétique ou L’IRM, existe depuis la fin des années
1970. C’est à ce jour la technique d’imagerie médicale qui permet d’obtenir les
images les plus précises de l’intérieur du corps. L’IRM vient ainsi compléter les
autres techniques d’imagerie médicale te lles que le scanner, l’échographie, ou la
radiographie4.Son principe consiste à réaliser des images du corps humain grâce aux
nombreux atomes d’hydrogène qu’il contient. Placés dans un puissant champ
magnétique, tous les atomes d’hydrogène s’orientent dans la même direction : ils sont
alors excités par des ondes radio durant une très courte période (ils sont mis en
résonance ). L’imagerie par résonance magnétique constitue une technique privilégiée
pour l’observation en temps réel, des structures anatomiques cérébrales et de leurs
pathologies, basée sur des phénomènes physiques complexes. L’im agerie par
résonance magnétique exploite les pro priétés magnétiques des tissus ce qui permet
une meilleure distinction entre tissus sains et tissus pathologiques. Les pe rformances
des imageurs actuels offrent des imag es de hautes résolutions et avec une très bonne
précision spatiale bien supérieure à celle des images scanographiques. L’IRM offre
la possibilité de reconstruire des volumes (images 3D) à partir des images ce qui
permet aux médecins un e autre vision de la tumeur particulièrement utile pour le
diagnostic.L’ensemble de ces qualités ont fait de l’imagerie par résonance
magnétique, l’outil d’imagerie l e plus utilisé en routine clinique.
4 Source :https://imageriemedicale.fr
24
Figure 2:Machine IRM en géométrie fermée 3 teslas fabriquée par Philips5.
1.3.2.2 Orientation des images IRM
L’image numérique IRM représente la répartition spatiale d’une grandeur physique :
chaque élément d’une coupe correspond à la représentation de l’aimantation nucléaire
d’un vol ume de l’espace exploré. Ces éléments sont habituellement appelés pixels quand
on considère individuellement une coupe et voxels quand on considère le volume. La
problématique liée au codage de l’image est alors de savoir différencier les signaux issus
des différentes zones examinées.L’orientation des coupes, qui dépend en particulier du
gradient de coupe sélective, varie enfonction de la pathologie recherchée. On retrouve
cependant trois orientations principales : axiale , coronale et sagittale (figure 3).
Figure 3: Plans axial, coronal et sagittal (de gauche à droite) d’une IRM acquisition
en T1
5 Image issue de : https://fr.wikipedia.org/wiki/Imagerie IRM
25 1.3.2.3 Phénomènes de résonance et de relaxation
Les phénomènes de résonance et de relaxation sont liés au principe énergétique de la
matière. Lorsque des protons, placés dans un champ magnétique, reçoivent un apport
d’énergie sous la forme d’ondes radiofréquences de pulsation égale à leur fréquence de
résonance et émises par un champ magnétique B1, ils passent d’un niveau bas d’énergie
à un niveau haut d’énergie ; cette transition correspond au phénomène de résonance
magnétiqu e. Le retour à l’ état de l’équilibre des protons appelée relaxation ,
s’accompagne d’un mouvement en spirale des protons autour du champ magnétique B0.
Bloch a montré que l’évol ution de ce mouvement est liée au temps de relaxation
longitudinal T1 et au temps de relaxation transversal T2. Les valeurs de ces derniers
dépendent de la nature des tissus biologiques rencontrés (tableau 1).
T2 T1
liquide céphalo –
rachidien 2500 ms 2000 ms
matière grise 900 ms 90 ms
matière blanche 750 ms 80 ms
graisse 300 ms 40 ms
Tableau 1 : Ordre de grandeur des temps de relaxation à 1.5 Tesla
1.3.2.4 Pondérations des IRM :
En modifiant les paramètres d'acquisition IRM, notamment le temps de répétition entre
deux excitations et le temps d'écho, temps entre le signal d'excitation et la réception de
l'écho, l'utilisateur peut modifier la pondération de l'image, c’est -à-dire faire apparaître
les différences de temps T1 et d e temps T2 des différents tissus d'un organisme. Les
tissus ayant des temps T1 et T2 différents en fonction de leur richesse en atome
d'hydrogène et en fonction du milieu dans lequel ces derniers évoluent, peuvent renvoyer
des signaux différents si l'on ar rive à mettre en évidence ces différences de temps. Pour
cela, on teste la réponse des atomes après des excitations particulières.
1.3.2.5 Pondération T1
En utilisant un temps de répétition court et un temps d'écho court (neutralise les
différences de temps T2), on obtient un contraste d'image pondérée en T1, pondération
26 dite « anatomique » : en pondération T1 sur le cerveau, la substance blanche apparaît
plus claire que la substance grise. Le liquide céphalo -rachidien, situé entre la substance
grise et l'os appar aît lui nettement plus foncé.
Les paramètres de la pondération :
– Temps d'écho : TE = 10 à 20 ms (ms = millisecondes)
– Temps de répétition : TR = 400 à 600 ms
Ces séquences sont également utilisées après injection de produit de contraste, pour
caractériser une anomalie .
1.3.2.6 Pondération T2
En utilisant un temps de répétition long (neutralise les différences de temps T1) et un
temps d'écho long, on obtient un contraste d'image dite pondérée en T2, dite aussi
pondération « tissulaire » : L'eau et l'œdème apparaiss ent en hyper signal
Les paramètres de la pondération :
– Temps d'écho : TE > 80 ms
– Temps de répétition : TR > 2 000 ms.
Il existe d’autre s pondérations mais de point de vue pratique, les pondérations en T1 et
enT2 restent les plus utilisées6.
Figur e 4 : Une même coupe obtenue sous différents paramètres d’acquisition .
6Source :https://fr.wikipedia.org/wiki/Imagerie_par_résonance_magnétique
27 1.3.2.7 Influence du produit de contraste Gadolinium
Pour mettre en évidence la présence de certaines tumeurs cérébrales, L’injection de
gadolinium présente un intérêt majeur. En effet, sans ce produit de contraste, une image
peut ne pas refléter la présence de la tumeur. Le Gadolinium permet de rehausser le
contraste de l’image mais il faut utiliser cet effet avec précaution car certaines tumeurs
sont partiellement ou totalement imperméables à ce produit ce qui risque de sous -estimer
le volume réel de la tumeur.
Figure 5 : Image RM avec injection de gadolinium
1.3.3 L’imagerie scintigraphique :
L’imagerie scintigraphique fait partie des méthodes di tes fonctionnelles, car elle permet
d’étudier le transport, la distribution, le métabolisme et la durée de vie d’une substance dans
l’organisme et de ce fait, le fonctionnement de l’organisme lui -même. Elle est le plus souvent
prescrit e par un médecin neur ologue, afin de distinguer plusieurs causes de tremblements
(tremblements essentiels, syndromes parkinsoniens). Le patient reçoit des molécules ou des
isotopes radioactifs qui vont se fixer sur les organes ou les tissus que l'on cherche à explorer.
Ensuite une machine, en général une gamma -caméra, détecte les rayons émis par le corps.
Enfin, on reconstruit l'image obtenue. La dose de radioactivité est maintenue faible de manière
à minimiser les risques liés à l'irradiation. Par exemple, une scintigraphie os seuse n'irradie pas
plus que d'autres examens d'imagerie comme une radiographie ou un scanner . L’image
scintigraphique est alors une représentation des rayonnements émis par les éléments radioactifs
injectés. Il existe différentes techniques de médecine nu cléaire. Elles se différencient par leur
28 mode d’acquisition et l’élément radioactif mesuré. Citons, à titre d’exemple, la
Tomoscintigraphie ou SPECT (Single Photon Emission Counter Tomography) qui mesure
l’émission des rayonnements γ et la Tomographie par Émission de Positons (TEP) qui mesure
les rayonnements β+ également utilisée pour la détection des lésions cérébrales, l’image
scintigraphie peut s’avérer plus efficace que l’imagerie scanographique ou par résonance
magnétique notamment dans le cas de tume urs récurrentes.
Figure 6 : Image scintigraphique cérébrale
1.4 L’imagerie médicale, incertitudes et imprécisions
Les images IRM offrent une observation de qualité de l’anatomie cérébrale du fait que
leur résolution est nettement supérieure aux résolutions des images tomographiques (scanner,
TEP, SPECT . . .). En plus de la sensib ilité, l’IRM a de faibles modifications anatomiques, ce
qui permet un bon suivi des tumeurs et de leur évolution.
Cependant, comme toute image issue d’un s ystème d’acquisition, les images IRM
présentent des incertitude s et des imprécision s. Dans ce qui suit, nous citerons les principales
causes d’incertitudes et d’ imprécisions liées à l’utilisation de l’IRM.
1.4.1 Le système d’acquisition
Le système d’acquisition représente l a première cause d ’incertitudes et
d’imprécisions. En traitement d’images, ces défauts sont connus sous la terminologie de
bruit d’acquisition. Ayant une bande passante très large, qu’on peut assimil er à un bruit
blanc , 7il est particulièr ement visible sur des régions uniformes de l’image
correspondant à une structure anatomique unique.
7 S. Langlois. Imagerie par résonance magnétique : du signal à l’image. Cahier du GREYC 10,
Group e de Recherche en Informatique, Image, Instrumentation de Caen, 1997
29 L’effet du bruit des images IRM se mesure grâce au rapport signal sur bruit
(RSB). Différents traitements numériques tels que le filtre moyenneur, le filtre gau ssien
ou encore le filtre médian peuvent être appliqués afin de réduire le bruit des images. Il
faut cependant veiller à travailler sur des voisinages de petites tailles afin de préserver
les contours et les détails fin s de l’image.
Figure 7 : Bruit d’acquisition dans une IRM
1.4.2 Phénomène de dérive
Le phénomène de dérive est une cause importante d’incertitudes. Ce phénomène , dû
principalement à une défaillance fonctionnelle à la machine IRM , se traduit sur les
images par des variatio ns importantes du niveau radiométrique moyen au sein d’une
même structure. Pour lutter contre ce phénomène, il est recommandé de contrôler
régulièrement la qualité des acquisitions et de réaliser des étalonnages. Or, le temps
d’immobilisation de l’imageur, induisant des coûts financiers et un retard dans les
routines cliniques, réduit dans la pratique le nombre de ces contrôles. Ce qui nécessite
en pratique d’installer des systèmes de suivi et d’étalonnage des images IRM d’une
manière automatique.
1.4.3 Effet de volume partiel
Cet effet est constaté principalement lors d’acquisition des images IRM en 3D car il
est fréquent qu’un voxel , image d’un volume élémentaire reconstruit, coupe une ou
30 plusieurs zones anatomiques. Le voxel peut contenir l e mélange de plusieur s
structures. C’est l’effet de mélange partiel ce qui entraine que les frontières entre les
différentes régions paraissent floues.
1.5 Conclusion :
Dans ce chapitre, nous avons introduit des éléments indispensables au contexte de
notre étude. Dans un premier temps, nous avons présenté la démarche clinique
adoptée lors du diagnostic et de la détection des tumeurs cérébrales . Puis, nous avons
présenté les principales technique s de l’imagerie médicale. L’imagerie IRM était plus
détaillée vu son importance et sa forte utilisation en traitement clinique . Enfin, nous
avons présenté les facteurs majeurs de la dégradation de la qualité d’une image IRM.
Suite à l’acquisition de l’image cérébrale, un ensemble de techniques de traitement
d’image doit être employé afin de détecter et de localiser précisément la zone
tumorale . Ces techniques sont basées sur la segmentation d’images . Ainsi, dans le
chapitre suivant, nous présentons un état de l’art des différentes méthodes de
segmentation des structures cérébrales utilisées .
31
Chapitre 2 : Segmentation des images
médicale s : État de l ’art
32
Chapitre 2 : Segmentation des images médicales : État de l ’art
2.1 Introduction :
Les images IRM fournissent des représentations contrastées et de haute résolution
de l’anatomie cérébrale. Cependant, l’étude systématique et « manuelle » de clichés
est une tâche longue et fastidieuse, en plus de la variabilité d’interprétation et
d’analyse des spécialistes. Ainsi, de nombreuses recherches ont été menées afin
d’automatise r l’analyse des images ; la segmentation en fait le point de départ. Notre
contexte d’étude repose plus particulièrement sur l’aide au diagnostic et à la détection
des tumeurs cérébrales. L’objectif est alors d’isoler la tumeur cérébrale des structures
environnantes . Ce qui se ramène, en terme de traitement d’images, à la segmentation
des tumeurs cérébrales. Cette segmentation doit naturellement être reproductible ,
précise et fiable.
Dans ce chapitre, nous présentons l’état de l’art des différentes méthodes utilisées en
segmentation des images IRM cérébrale .
2.2 Segmentation
La segmentation d'image est une opération de traitement d’images qui a pour but
de rassembler des pixels entre eux suivant des critères prédéfinis. Elle consiste à
diviser l’ensemble de pix els d’une image en régions connexes, homogènes et bien
séparées. Ces régions possèdent une certaine uniformité pour une ou plusieurs
caractéristiques (intensité, couleur, texture, …) et sont différentes pour au moins une
de ses caractéristiques des régions voisines.
Formellement, la segmentation d’une image numérique I consiste à chercher une
partition de I en un sous -ensemble R = {R1, R2, .., Rn} telle que:
33
2.3 Les différentes approches de la segmentation
La segmentation, telle qu’elle est définie , n’est évidemment pas unique . La
segmentation d’images a fait l’objet d’une vaste littérature, mais ce problème est
encore loin d’être résolu . La résolution du problème de la segmentation d’images
consiste à trouver :
1. Un ensemble de critères d’homogénéités des ré gions que l’on cherche ;
2. Un algorithme permettant l’obtention de régions optimisant au mieux ces
critères.
Les techniques utilisées en segmentation d’image peuvent être regroupées selon
cinq approches , mais ces catégories ne sont pas exhaustives et certaines méthodes se
situent à la frontière de nos cinq grands thèmes que sont les segmentations utilisant
les contours comme critère de décision, celles basées sur les régions, celles basées
sur la forme, celles préférant une approche structurelle et enfin c elles faisant appel à
la théorie des graphes. Cette classification et ses dérivées sont représentées sur la
figure 8.
Dans ce chapitre, nous ne sommes pas en mesure de citer tou tes ces approches ,
mais nous essayerons, en quelques lignes, de décrire les pri ncipaux types de la
segmenta tion utilisés et qui ont prouvé leur intérêt en traitement d’images IRM et
particulièrement en détection des tumeurs cérébrales
34
Figure 8 : Classification des différentes méthodes de segmentation
2.3.1 Appr oche Contour
Dans l’approche contour (ou ”frontière”), on cherche à extraire les lignes de
contrastes s éparant des r égions de niveaux de gris différents et relativement
homog ènes, ou bien des régions de texture différentes . En pratique, les approches
conto urs travaillent sur les discontinuités des images afin de déterminer les contours
35 La segmentation basée sur les contours donne très rarement des limites fermées
et distinctes Elle nécessite souvent de lui associer un autre traitement d’image pour
garanti r des résultats satisfaisants.
2.3.2 Approche Région
L’approche région cherche à regrouper des pixels(ou voxels) qui présentent une
similarité et une uniformité en niveau de gris. La segmentation en régions consiste à
décomposer l'image en des régions homogènes. Il compare un pixel avec ses voisins,
si le critère de convenance est satisfait, le pixel peut être configuré pour appartenir au
cluster en tant qu'un ou plusieurs de ses voisins. Différents algorithmes de clustering
sont utilisés dans ce type d'approche.
2.3.2.1 Seuillages
C'est la méthode de segmentation la plus couramment utilisée . Elle vise à
discriminer les individus (pixels ou voxels) en fonction de leurs niveaux
radiométriques (niveaux de gris). Elles supposent donc, de manière implicite, que
l’intensité de s structures est suffisamment discriminante pour permettre leur bonne
séparation. Le plus souvent, les seuils sont déterminés à l’aide d’une analyse
d’histogrammes, localement ou globalement à l’image ou au volume. Les méthodes
de segmentation par seuillag es sont des méthodes rapides et simples à mettre en
œuvre. Néanmoins, elles échouent lorsque les régions de recherche sont
insuffisamment contrastées, lorsque les niveaux radiométriques des structures
anatomiques se recouvrent.
2.3.2.2 Algorithme K -means (K-Moyen nes)
L'algorithme K -means est un algorithme itér atif qui p artitionne l’image en un
ensemble de k régions appelées clusters. En supposant que les attributs des objets
forment un espace vectoriel. L’objectif est de minimiser la variance intra -cluster :
36 Où Si avec i = 1, 2, …, k sont les k clusters et µ i est le centro ïde ou point moyen
des points x j∈ Si. L’algorithme commence par partitionner , au hasard , les points en k
ensembles initiaux. Il calcule ensuite le centro ïde de chaque ensemble et construit
une nouvelle partition en associant chaque point avec le centro ïde le plus proche.
S’ensuit une alternance entre calcul des centro ïdes des nouveaux clusters et
appariement des points avec le centro ïde le plus proche jusqu’à convergence. Celle –
ci est obtenue qu and plus aucun point ne change de groupe (ou bien quand les
centro ïdes ne changent plus) .
L’algorithme K -means est une technique de clustering largement utilisée. Ce qui
est également connu sous le nom d'algorithme de clustering dur . Cet algorithme est
simple et rapide à mettre en œuvre. En termes de performance, cet algorithme ne
garantit pas un optimum global. La qualité de la solution dépend grandement des
ensembles initiaux. Comme l’algorithme est très rapide, une méthode courante est de
le lancer plus ieurs fois et de garder la meilleure partition . Un autre handicap de la
méthode c’ est qu’il est nécessaire de spécifier à l’avance le nombre de clusters, cela
n’étant pas réellement un grand problème dans le cas de la segmentation cérébrale du
fait qu e le nombre de classes est le plus souvent connu .
2.3.2.3 Groupement flou
Le cluster flou est égaleme nt connu sous le nom de clusterin g doux. Dans ce cas,
un objet peut être membre de plusieurs clusters. C’est -à-dire que les objets situés sur
les limites des clusters ne sont pas forcés d'appartenir à un certain cluster, mais ils
peuvent être membres de plusieurs clusters en même temps . Il existe plusieurs
variantes de cette méthode de segmentation :
2.3.2.4 C-Moyennes floues
L’algorithme des c -moyennes floues (ou fuzzy c -means – FCM – en anglais),
introduit par Dunn , géné ralise l’algorithme des k -moyennes en permettant la
classification floue basée sur la théorie des ensembles flous. Dans le cas desc –
moyen nes floues, la fonctionnelle à minimiser est :
37
ou n est le nombre de po ints à traiter, c le nombre de classes désirées, ω ∈ [1, +∞]
est le poids defuzz yfication, v= ( v1, …, vc) est le vecteur des centres de classes, || ·
||A est un produit scalaire où A est une matrice définie positive et x = [x ik] ∈ Rc×n, avec
xik∈ [0, 1] ∀ 1 ≤ i ≤ c et 1 ≤ k ≤ n.
Le tableau suivant illu stre une comparaison entre les algorithmes K -means et
Fuzzy C -means ( Tableau 2)
Algorithme K -means Algorithme Fuzzy c -means
Il est désigné comme Hard clustering. Il est désigné comme une extension de hard c means
clustering.
Cet algorithme est appliqué pour analyser les
données et traiter l'observation des données. Les
objets sont basés sur l'emplacement et la distance
entre les différents points de données d'entrée. Cet algorithme est appliqué pour une analyse basée sur
la distance entre différents poi nts de données d'entrée
Chaque cluster a un point central, c'est -à-dire connu
sous le nom de centroïde. Cluster a un centre de cluster basé sur la distance entre
les points de données.
Peut ne pas réussir à trouver un chevauchement
de clusters Les objets peuvent être associés à des clusters
différents.
Tableau 2 : Comparaison de K-means et Fuzzy clustering
2.3.2.5 C-moyennes floues adaptatives
Xue et coll ont développé une classification dite FCM adaptative qui combi ne la
FCM classique aux filtres moyenneur et m édian local afin de réaliser la segmentation
locale de volumes IRM de cerveaux. Pham et coll. ainsi que Jiang et coll. utilisent les
inhomogénéit és d’intensité des volumes IRM dans la fonctionnelle de la FCM et
obtiennent ainsi une meilleure segmentation .
2.3.2.6 Algorithmes génétiques
Des nouvelles approches de segmentation se sont développées sous le nom
d’algorithmes générique s (GA) et de nombreuses versions sont bien reçues dans les
38 universités et l'industrie en raison de ses avantages tels que la facilité
d'implémentation, la capacité de résoudre des non -linéarités plus élevées et son
intuition.
Dans cet algorithme, au début du nombre de solutions ou de populations est
initiée , la solution d'une population est utilisée pour former une nouvelle population
supérieure à l'ancienne. Tant qu'une condition satisfait le processus est répété. Un
coût de calcul coûteux est l'inconvénient de GA.
2.3.2.7 PSO (optimisation des ess aims de particules)
Il s'agit d'un algorithme de recherche basé sur la popul ation (pixels ou voxels )
qui est initié avec les populations sélectionnées au hasard, également appelées
particules. Toutes les particules dans le PSO ont leur valeur de condition physique
individuelle, qui peut être calculée par la fonction de conditionne ment physique .
Contrairement à GA, PSO n'a pas d'opérateur de recombinaison directe.
L'inconvénient de PSO est que l'essaim peut converger prématurément car il existe
une information rapide entre les particules. Il dépend également du problème car la
sortie repose sur le paramétrage de l'algorithme. La comparaison entre GA et PSO est
donnée dans le tableau 3.
Algorithme génétique GA Optimisation des essaims de
particules PSO
GA peut implémenter ses trois
opérations principales, c'est -à-dire
la sélection, l e croisement et la
mutation de plusieurs façons. Des analogies existent dans PSO
bien qu'il ne marque pas ses
opérations comme les GA.
Le GA est théoriquement
ergodique mais pratiquement
existe une probabilité non nulle. Un
système de programmation évolut if
Le EP est vraiment ergodique en
raison d'une probabilité finie qu'un
individu puisse apprendre à
n'importe quel point par un saut. Le comportement du système PSO
tombe entre GA et E P. C'est peut –
être parce que PSO panicule ne
peut pas atteindre un poin t dans
l'espace du problème en une seule
itération.
Tableau 3 : Comparaison de GA and PSO
39 2.3.2.8 Algorithme EM(Espérance -Maximisation )
L'algorithme espérance -maximisation8 (en anglais expectation -maximization
algorithm, souvent abrégé EM), proposé par Dempster et al. (1977), est un algorithme
itératif qui permet de trouver les paramètres du maximum de vraisemblance d'un
modèle probabiliste lorsque ce dernier dépend de variables latentes non observables.
L'algorithme d'espérance -maximisa tion comporte :
Une étape d'évaluation de l'espérance (E), où l'on calcule l'espérance de
la vraisemblance en tenant compte des dernières variables observées,
Une étape de maximisation (M), où l'on estime le maximum de
vraisemblance des paramètres en maxim isant la vraisemblance trouvée
à l'étape E.
De nombreuses variantes ont par la suite été proposées, formant une classe entièr e
d'algorithmes . Parmi les variantes existantes de cet algorithme nous évoquerons
l'algorithme GEM ( Generalized EM) qui permet de s implifier le problème de l'étape
maximisation ; l'algorithme CEM ( Classification EM) permettant de prendre en
compte l'aspect classification lors de l'estimatio n, ainsi que l'algorithme SEM
(Stochastique EM) dont l'objectif est de réduire le risque de tomb er dans un optimum
local de vraisemblance.
Dans le tableau 4 suivant nous dressons l’évolution historique des algorithmes de
segmentation d’images IRM cérébrales entre 1992 et 2016 (Amruta & Sudha, 2016) .
8 Source :https://fr.wikipedia.org/wiki/Algorithme_es p%C3%A9rance -maximisation
40
Année Méthode Remarque
1992 1 ) Approche FCM non
supervisé.
2) Supervised Feed Forward
Cascade Coil elation Les deux méthodes ont été testées sur un ensemble d'images et comparées. La
FCM non supervisée a montré de meilleurs résultats par rapport à la FFCC
supervisée .
2005 One class support vec tor
machine (SVM) Le SVM de premier classe a obtenu de meilleurs résultats de segmentation
d'image pour la segmentation tumorale que la méthode de regroupement floue
2005 Alignment based feature
encoding Cette méthode évalue quatre types différents de fo nctions AB pour la
segmentation d'image. Ces fonctions AB sont combinées à l'aide de
l'apprentissage par machine.
fonctionnalité
2009 Mathematical Morphology.
Wavelet Transform and K –
means technique Dans la première étape du processus d'amélioration, la m orphologie
mathématique est appliquée. Dans la deuxième étape, la segmentation d'image
se fait à l'aide de la transformée en ondelettes et la dernière étape pour
l'extraction des utilisations tumorales, l'algorithme de clustering K -means non
surveillé.
2010 Clustering algorithm – Fuzzy
C-means along with
intelligent
optimization tools:
1) GA.
2) PSO GA et Fuzzy C -means nécessitent plus de temps que l'algorithme proposé de
PSO avec Fuzzy C – means. En outre, le PSO avec Fuzzy C' -means offre une
meilleure pré cision.
2010 Adaptive Threshold approach
and Canny Edge detection
method Le seuil d'adaptation et le bord de Canny sont comparés avec les quatre taux
1) Diagnostic erroné d'un cerveau sain en tant que cerveau avec une tumeur.
2) Diagnostic erroné d'un cer veau avec une tumeur en tant que cerveau sain.
3) Diagnostic erroné d'une tumeur bénigne avec des maladies malignes.
4) Diagnostic erroné d'une tumeur maligne avec une maladie bénigne.
2010 SVM Dans cette méthode, la méthode est extraite en utilisant la m éthode de
dépendance au niveau de gris spatial (SGLDM) avec une technique hybride qui
classe le résultat dans le cerveau normal. tumeur bénigne ou maligne.
2014 K-means , Fuzzy c means
and histogram thresholding La comparaison de ces trois méthodes est di scutée. Et les résultats sont indiqués
car la combinaison des trois méthodes donne une meilleure performance.
2015 Expectation
Maximization Cela comprend l'étude et l'analyse d'histogramme. On prétend que la méthode
proposée est rapide. C'est facile et tr ès simple à programmer, le temps pris pour
la simulation est moins élevé. environ 5 à 8 secondes.
2016 Classification using two tier
classifier. Le système proposé utilise l'algorithme adapté Pillar K -means pour la
segmentation et pour la classification, il utilise un classificateur à deux niveaux.
La performance du système est comparée à la SVM en termes de mesure
statistique comme la sensibilité. la précision de la spécificité et de la
classification est analysée, ce qui est supérieur à celui de la SVM.
Tableau 4 : Évolution historique des algorithmes de segmentation des images
IRM cérébrales (Amruta & Sudha, 2016)
41 2.4 Conclusion
Dans ce chapitre, nous avons présenté l’état de l’art des principales techniques de
la segmentation de s images IRM. Le problème de la segmentation reste un sujet
ouvert à la recherche. En effet, il n’existe pas de méthode générale fonctionnant pour
tout type d’images, les techniques existantes étant optimisées pour une application
donnée. Le choix d’une te chnique plutôt qu’une autre est assez ardu. Mais le choix
d’une méthode dépend essentiellement des besoins de l’utilisateur. Le tableau 4
donne une vision assez complète de principales techniques de segmentation des
images IRM cérébrales .
42
Chapitre 3 : Outils de la segmentation des
images IRM
43 Chapitre 3 : Outils de la segmentation et de détection des
tumeurs dans les images IRM
3.1 Introduction :
Dans Le chapitre précèdent, nous avons présenté un ensemble de techniques de
segmentat ion des images IRM cérébrales. Au cours de ce présent chapitre, nous allons
donner un aperçu des outils de traitement des images IRM utilisés pour la détection
des tumeurs cérébrales. Ce chapitre va nous servir comme une base théorique pour
aborder la part ie consacrée à la mise en œuvre pratique de l’application de détection
des tumeurs cérébrales. Les techniques de traitement d'images IRM, utilisées pour
détecter une tumeur suivent principalement les étapes : Pré-traitement, segmentation,
Extraction de caractéristiques et Classification9.L'organigramme des étapes suivies
dans la détection et la classification des tumeurs cérébrales est illustré à la figure 9.
Figure 9 : Étapes de traitement d’image pour la détection de tumeur cérébrale
9
Acquisition de l’image IRM
Pré-traitement et
Rehaussement
Segmentation IRM
Extraction et caractérisation
de la tumeur
Classification
44 3.2 Pré-traitements
Le pré -traitement d’images (ou traitement bas niveau) regroupe l’ensemble des
processus visant à améliorer l es caractéristiques d’une image :
Le lissage local : il s’agit de supprimer le bruit, ou les petites variations, présent s
dans une image. L’intensité d’un pixel est transformée en fonction des intensités
sur un petit voisinage du pixel.
L’amélioration d’images consiste à modifier les caractéristiques visuelles de
l’image (luminance, contraste, …) pour faciliter so n interprétation par l’œil
humain.
Rehaussement de contours qui consiste à détecter les contours et de repérer les
points d’une image numérique qui correspondent à un changement brutal de
l’intensité lumineuse. Ces changements de propriétés de l’image trad uisent en
général des évènements importants ou des formes qu’il est important de détecter.
Certaines méthodes de détection de contours utilisent des filtres (linéaires ou
pas), qui vont permettre de mettre en évidence les contours.
3.2.1 Le lissage local
Le liss age local (ou filtrage) consiste à supprimer le bruit présent dans une image
numérique dégradée en étudiant, pour chaque pixel, les valeurs d’intensité sur son
voisinage.
3.2.1.1 La dégradation de l’image médicale :
Lors de l’acquisition, de la transmission ou de la compression d’une image, il peut
apparaitre de nombreuses dégradations. Un des domaines principaux en traitement
d’image consiste à traiter et corriger ces dégradations pour obtenir une image de
meilleure qualité.
3.2.1.2 Les bruits de l’image médicale :
Le br uit d’image est la présence d’informations parasites qui s’ajoutent de façon
aléatoire aux détails de la scène photographiée numériquement. Il a pour conséquence
la perte de netteté dans les détails. Pour voir les effets des bruits sur l’image on considère
45 une image originale du cerveau à laquelle on va appliquer des bruits artificiels générés
par des codes Matlab :
Figure 10 : Image originale IRM
On s’intéresse ici à deux types de dégradations fréquemment rencontrées dans les
images :
Le bruit additif : ce bruit affecte tous les pixels de l’image. Dans notre travail,
nous considérerons un bruit blanc additif Gaussien, de moyenne m nulle et de
variance v. Il s’agit d’un modèle fréquemment utilisé en première approximation
pour modé liser le bruit d’acquisition et de lecture (si l’on ne dispose pas d’un
modèle plus raffiné). Le bruit Gaussien affecte à la fois les basses et les hautes
fréquences. Il est caractérisé par sa variance v : plus v est élevé, plus l’image est
dégradée. Le co de source permettant de générer un bruit Gaussien additif est
donné en annexe1.
Figure 11 : Bruit Gaussien additif appliqué sur l’image originale (m=0 et v=0.01)
46 Le bruit impulsionnel : ce bruit n’affecte que certains pixels de l’image. Dans
notre travail, nous considérerons un bruit sel et poivre, qui est une dégradation
de l’image sous la forme de pixels noirs et blancs répartis au hasard. Ce bruit est
dû soit à des erreurs de transmission de données, soit à la défaillance d’él éments
du capteur CCD, soit à la présence de particules fines sur le capteur d’images.
On donne ci -dessous le code source Matlab permettant de générer un bruit
impulsionnel P&S.
1 clc
2 clear all;
3 %bruit p&s
4 I=imread( 'C:\Users \abd\Desktop \Image cere brale \image1.jpg' );
5 [u,v]=size(I);
6 d=uint8(sqrt(u*v*15/100));
7 for i=1:d
8 for j=1:d
9 I(uint16((u -1)*rand(1,1))+1,uint16((v -1)*rand(1,1))+1)=uint8(0);
10 I(uint16((u -1)*rand(1,1))+1,uint16((v -1)*rand(1,1))+1)=uint8(255);
11 end
12 end
13 figure(2),imshow(I),title( 'bruit p&s' );
Figure 12 : Bruit P&S appliqué sur l’image originale .
3.2.1.3 Filtrage de l’image médicale :
Un filtrage est un traitement qui s’applique globalement à toute l’image. Pour
chaque pixel de l’image , le filtre calcule sa nouvelle valeur en tenant compte du
47 voisinage du pixel. Le filtrage peut être vu comme une opération transformant une image
en une autre image ayant des propriétés spatiales et fréquentielles différentes. On
distingue de deux types d e filtrage :
Le filtrage linéaire : c’est une opération de convolution en 2D transformant une
image en une autre en général de même taille. Il est défini par une matrice h(m,n)
de taille M =h × N ; h est appelée masque de convolution. Le filtrage linéaire
revient à remplacer la valeur de chaque pixel par une moyenne pondérée calculée
avec les pixels voisins.
Filtres non-linéaires : ces filtres sont utilisés par exemple pour diminuer un bruit
spécifique.Il s’agit encore une fois de remplacer la valeur de chaqu e pixel à partir
des pixels voisins. En revanche, contrairement au filtrage linéaire, l’opération
réalisée sur les pixels voisins est cette fois ci non -linéaire (par exemple une
médiane)
On décrit dans ce qui suit, les principaux types de filtres utilisés en traitement des
images IRM, la mise en application de ces filtres sera abordée dans chapitre
suivant :
3.2.1.3.1 Filtre moyenneur
Le filtre moyenneur est un filtre passe -bas, il permet de Lisser l’image (effet de
flou) et réduire le bruit. C’est un filtre dont to us les coefficients sont égaux (chaque pixel
est remplacé par la moyenne de ses voisins). Cette opération linéaire peut être vue
comme la convolution discrète de l’image par un masque.
Où I est l’intensité de l’image d’origine, I′ est l’intensité de l’image filtrée,
est
le voisinage utilisé et h est le masque de convolution.
48
Figure 13 : Noyau de convolution d’un filtre moyenneur d’ordre 3
3.2.1.3.2 Filtre Gaussien
Le filtre Gaussien est un filtre de traitement d'image appliqué par convolution (utilise
un masque appliqué à chaque pixel). La fonction Gaussienne est aussi souvent utilisée
dans les distributions statistiques. Ce type de filtre est utilisé pour diminuer le bruit ou
appliquer un flou sur une image.
Figure 14 : Représentation graphique d’ un filtre ga ussien
Si par exemple σ=0.8 on a le filtre 3×3 suivant :
Et pour σ=1 on a le filtre 5×5 suivant :
49
L'effet de ce filtre sur l'image est a ssez similaire au filtre moyen , mais la moyenne
est pondérée en ce sens ou les pixels près du centre ont un effet ou un "po ids" plus
important que ceux qui sont situés plus loin. En général un filtre Gaussien avec σ < 1
est utilisé pour réduire le bruit et σ > 1 dans le but de fabriqué une image qu’on va
utiliser pour faire un "masque flou" personnalisé qu’on applique souvent aux images
planétaires, Il faut noter que plus le sigma est grand, plus la cloche Gaussienne est large
et plus le flou appliqué à l'image sera marqué.
3.2.1.3.3 Filtre Médian
Le filtre médian est un filtre spatial qui calcule en pixel la moyenne des niveaux
de gris des pixels de la fenêtre, ce qui donne le niveau de gris du pixel dans l'image
filtrée. L'opération de filtrage médian est effectuée sur une image en appliquant le
concept de fenêtre coulissante, similaire à ce qui est fait avec la convolution. Dans un
filtre médian,o n remplace la valeur d’un pixel par la valeur médiane dans son voisinage
2n + 1 × 2n + 1 :
Figure 15 : Principe d’un filtre médian d’ordre 3×3.
3.2.2 L’amélioration d’images IRM
L’amélioration de l’image IRM consiste à modi fier les caractéristiques visu elles de
l’image de manière à faciliter son interprétation par l’œil humain. Il peut s’agir de
rehausser les contrastes, d’accentuer certaines intensités pour mettre en valeur une
50 région…, Les histogrammes sont fréquemment uti lisés pour effectuer ce type
d’opérations .
3.2.2.1 L’histogramme
L’histogramme d’une image hist(i) est la fonction qui associe à une valeur d’intensité i
le nombre de pixels dans l’image ayant cette valeur.
Figure 16 : Histogramme d’un e image numérique
Pour une image couleur, il y a un histogramme par composante.
3.2.2.2 Amélioration de la luminance :
La luminance (ou brillance) est définie comme la moyenne de tous les pixels de
l’image.Pour augmenter la luminance, il suffit de décaler l’histo gramme :
I’(i,j) = I (i,j) + b
3.2.2.3 Amélioration du Contraste
Le contraste peut être défini de plusieurs façons :
Variance des niveaux de gris :
N
nMoy) (I(i,j)N 12 1
Où N nombre de pixels dans l’image
51 Variation entre nivea ux de gris max et min
)],( min[)],( max[)],( min[)],( max[
jiI jiIjiI jiI
Pour améliorer le contraste, deux techniques sont principalement utilisé es :
Extension linéaire de la dynamique
Égalisation de l’histogramme
Extension linéaire de la dynamique
On étire la dynamique en rééchelo nnant les niveaux de gris entre 0 et 255
min)),((min max255),( jiI jiI
Figure 17 : Égalisation linéaire de la dynamique
Égalisation de l’histogramme
L’égalisation consiste à aplanir l’histogramme
52
Figure 18 : Égalisation de l’histogramme
1.Calcul de l’histogramme h(k) avec k
[0; 255]
2. Histogramme cumulé
k
iih kC
1))(( )(
3.Transformation des niveaux de gris de l’image
3.2.3 Rehaussement de contours
Un contour correspond à une variat ion d’intensité ou à une discontinuité entre les
propriété s de deux ensembles de points. L e rehaussement de contours consiste à
les mettre en évidence pour une segmentation ultérieure. Deux techniques sont
principalement utilisées :
– les extrêma locaux d e la dérivée première
– les passages par zéro de la dérivée seconde
3.2.3.1 Gradient : dérivée première de l’image :
La première dérivée (gradient) de l’image est l’opérateur de base pour mesurer
les contours dans l’image.
NyxICyxI255)).,((),(
53
)),(,),((),(yyxI
xyxIGG Gy x
Figure 19 : Gradient d’une image selon la direction horizontale ou verticale
3.2.3.2 Calcul du gradient
On approxime les dérivées par "différences finies".
),1(),1(),( y xIy xIyxGx
Le calcul peut se faire par convolution de l’image avec un masque de différ ences.
L’opération de gradient se ramène alors à un simple filtrage par des noyaux appropriés ,
on distingue : le filtre de gradient, de Sobel, de P rewitt…
3.2.3.3 Filtre Gradient
Il s'agit d'un des opérateurs les plus simples qui donne toutefois des résultats corr ects ;
l'opérateur calcule le gradient de l'intensité de chaque pixel. En utilisant les noyaux
h =[ 1 -1] et h’=[1 -1]’
3.2.3.4 Filtre de Sobel :
Le calcul des dérivées directionnelles en x et en y revient à la convolution avec les
noyaux suivants, respectivement :
Pour limiter les effets du bruit, un lissage par filtre gaussien est compris dans le calcul
54 3.2.3.5 Filtre de Prewitt :
Le calcul des dérivées directionnelles en x et en y revient à la convolution avec les
noyaux suivants, respectivement :
Pour limiter l es effets du bruit, un lissage par filtre moyenneur est compris dans le calcul.
3.2.3.6 Laplacien : deuxième dérivée de l’image
Le laplacien d’une image est donné par la formule :
)),(,),((),(
22
22
2
yyxI
xyxIyxI
Le laplacien peut être calculé par convolution avec les masq ues :
3.2.3.7 Filtre Laplacien
Le filtre de gradient est un opérateur utilisé en traitement d'image pour accentuer l’effet
de contours. Le Laplacien peut servir de prétraitement pour la segmentation de contours
c’est à dire soustraire l’image transformée par le Laplacien de l’image originale.Il en
résulte une image aux détails rehaussés.
3.3 Segmentation de l’image IRM
Les principales techniques de segmentation des images IRM sont développées au chapitre 2.On
s’intéresse dans cette section particulièrement à la segm entation par seuillage et par région
morphologique utilisés pour la mise en œuvre pratique .
55 3.3.1 Segmentation par seuillage.
Le seuillage a pour objectif de segmenter une image en plusieurs classes en n'utilisant
que l'histogramme. On suppose donc que l'informa tion associée à l'image permet à elle
seule la segmentation c’est -à-dire que chaque classe est caractérisée par sa distribution
de niveaux de gris. A chaque pic de l'histo gramme est associée une classe .Le seuillage
peut être :
Global : un seuil pour toute l'image
Local : un seuil pour une portion de l'image
Adaptatif : un seuil s'ajustant automatiquement selon les parties de l’image.
3.3.1.1 Seuillage de base (2 classes) :
– Si valeur(pixel) > seuil alors valeur(pixel) = 1
– Si valeur(pixel) < seuil alors valeur(pix el) = 0
Le résultat du seuillage est une image binaire 0 ou 1 (qu’on transforme en 0 :255 pour
l’affichage)
Avantages : Universel, temps réel, simplicité, fonctionne bien sur des histogrammes
multi -modaux
Inconvénient : Apparition de faux éléments (aucune prise en compte de la composante
spatiale )
Figure 20 : Seuillage de base cas d’un histogramme multi -modaux
56 3.3.1.2 Seuillage multi -seuils
Deux ou plusieurs seuils sont définies de tel sorte à séparer l’image en plusieurs classes :
Figu re 21 : Seuillage multi -seuils
3.3.1.3 Comment choisir le seuil ?
Le choix du seuil peut se faire par :
– Une valeur obtenue par tests (empirique)
– La valeur moyenne des tons de gris
– La valeur médiane entre le ton maximum et le ton minimum
– Une valeur qui balance les deux sections de l'histogramme
– Par des méthodes automatiques.
Dans notre application, le choix du seuil se fait par tests et d‘une manière manuelle.
Le seuillage automatique sera traité dans une section ultérieure.
3.3.2 Segmentation m orphologique :
La morphologie mathématique est basée sur la théorie des ensembles . Elle permet
l’extraction de composantes d’image utilisées pour représenter des formes .En
morphologie mathématique on applique les opérateur s de la théorie des ensembles :
union, intersection,inclusion, exclusion, complémentation de l’élément… Nous allons
par la suite décrire les 4 opérations morphologiques de base, à savoir l'érosion , la
dilatation, l'ouverture et la fermeture.
57 3.3.2.1 L’érosion
L’érosion est une opération morphologi que qui correspond à l’opérateur d’ inclusion ou
l’opérateur mathématique min.Elle permet d’éroder les formes, c’est à dire diminuer
leur taille. Le rôle de l’érosion est de faire disparaitre Les éléments de petites tailles.
Figure 22: Exemple d’une érosion par un élément structurant carré d’ordre3.
3.3.2.2 La d ilatation
Dilatation est une opération morphologique qui correspond à l’opérateur d’intersection
ou l’opérateur mathématique max. Elle permet de dilater les formes, c’est à dire
augmenter leur taille. Les « trous » de petites tailles ont tendance à disparaitre.
Figure 23 :Exemple d’une dilatation par un élément structurant carré d’ordre 3.
3.3.2.3 Ouverture morphologique :
C’est une érosion suivie d’une dilatat ion. Cette opération permet de supprimer les
éléments de petites tailles comme le bruit tout en conservant la taille des formes.
58 3.3.2.4 Fermeture morphologique :
C’est une dilatation suivie d’une érosion. Cette opération permet de supprimer les «
trous » de pet ites tailles tout en conservant la taille des formes.
3.4 Extraction des caractéristiques
L'extraction de la tumeur cérébrale exacte est une tâche cruciale en raison de la structure
complexe du cerveau. Certains paramètres sont pris en compte pour l'extraction des
fonctionnalités en tant que taille, forme, composition, emplacement de l'image. Cette
partie ayant un sens plus pratique sera détaillée au prochain chapitre.
3.5 Conclusion
Dans le présent chapitre, nous avons détaillé les démarches utilisées pour la dét ection
de tumeurs cérébrales. D’abord L’image IRM est prétraitée pour éliminer l’effet des bruit s qui
peuvent s’ajoute r à l’image lors de l’acquisition. U n effet de rehaussement permet de mettre en
évidence les particules non homogènes.E nsuite , une étape d e segmentation permet d’isoler la
tumeur du reste de l’mage IRM et finalement une phase de caractérisation de la tumeur.
Dans le prochain chapitre nous allons aborder l’aspect pratique et la mise en œuvre de
la détection des tumeurs cérébrales dans les im ages IRM.
59
Chapitre 4 : Mise en œuvre d ’une
application de détection supervisée de
tumeur cérébrale
60 Chapitre 4 : Mise en œuvre d ’une application de détection
supervisée de tumeur cérébrale
4.1 Introduction
Le développemen t d'une application de traitement d'images consiste à produire
un programme exécutable spécialisé dans la réalisation d’un objectif de traitement et dédié à
une classe d’images. Le traitement d'images n'est pas une fin en soi, mais il s 'inscrit comme une
étape dans une chaîne plus complète qui va de l'acquisition à l'interprétation. Dans
le même concept, notre objectif vise à développer une application de traitement d’images IRM
cérébrales, capable de détecter avec précision la zone tumorale et calculer par la suite son
volume. Ce que l'on exige de notre application, c’est qu'il soit capable de traiter
toutes les images IRM cérébrales avec les mêmes performances. On doit égalem ent
veiller à donner à notre application des qualités d'adaptabilité et de robustesse pour lui
permettre de faire face à la variabilité inhérente des images IRM cérébrales.
Dans cette section, nous allons présenter les étapes de mise en œ uvre depuis
l’acquisition des images IRM cérébrales jusqu’à la détection de la tumeur et la mesure de son
volume. Les résultats obtenus seront comparés avec les données réelles pour valider l’efficacité
de l’application.
4.2 Démarches de mise en œuvre
4.2.1 Descript ion sommaire de la conception :
La conception a pour but d'élaborer une solution conceptuelle, qui est
une description fonctionnelle et abstraite de la future application. A ce stade
on doit décrire une liste d'algorith mes et leur enchaînement pour atteindre
l'objectif initial. La vision globale de la démarche algorithmique de notre application a
été détaillée au chapitre 3.
Dans ce projet, qui vise à la détection de tumeurs cérébrales à partir d es images
IRM, nous allons proposer deux applications de détection supervisées. Pour chaque
application, nous avions suivi une méthode et des outils de programmation différents :
61 Application 1 : l’interface utilisateur réalisée sous l’environnement LABVIEW
et le traitem ent de l’image sous MATLAB script.
Application 2 : l’interface utilisateur et le traitement de l’image sont réalisés sous
l’environnement LABVIEW.
4.2.2 Choix de Langage graphique(LabVIEW) :
Au cours des dernières années, le terme instrument virtuel est largemen t
impliqué dans la mesure et dans le langage d’instrumentation. Les VIS sont de vrais
instruments, car ils sont capables de capturer et traiter de données provenant des
phénomènes dans le monde réel. Le logiciel est la composante la plus importante d'un
instrument virtuel. La bio -instrumentation virtuelle peut être implémentée en utilisant
deux approches. Tout d'abord, en utilisant le langage de programmation classique, où le
système de simulation a été construit dans l'environnement Matlab ou a été dévelop pé
dans la plateforme Linux. Deuxièmement , à l'aide du langage graphique G basé sur
LabVIEW qui est l'outil le plus répandu de l'instrumentation virtuelle. Nous avons choisi
l’outil LabVIEW pour les caractéristiques suivantes: capacités de visualisation ( y
compris un large éventail d'outils de visualisation pour présenter des données sur
l'interface utilisateur de l'instrument virtuel), connectivité et contrôle d’instrument
(l'intégration facile des instruments et une grande capacité de développement de pi lotes
personnalisés qui fonctionnent sur toutes les grandes plateformes PC), la flexibilité et
l'évolutivité (qui assure que le VI non seulement fonctionne bien aujourd'hui, mais peut
intégrer de nouvelles technologies dans le futur). LabVIEW a été appliqu ée dans de
nombreux domaines, y compris la bio -instrumentation virtuelle. Il permet la réalisation
d'une nouvelle génération d'appareils de qualité supérieure, et de remplir les fonctions
de nombreux instruments médicaux sur le même ordinateur. L'utilisati on de LabVIEW
dans la branche biomédicale facilite le développement rapide d'interfaces utilisateur,
système d'acquisition de données, le traitement d’image , l'affichage, le stockage. De
plus, ce logiciel rend le temps réel de systèmes de suivi des perform ances très élevées,
les coûts réduits, et il est plus fiable et plus flexible que les instrumentations
traditionnelles. Sachant que l'utilisateur contrôle la technologie grâce à des logiciels.
LabVIEW fournit une solution simple et peu coûteuse, d’où son e fficience.
62 4.3 Mise en œuvre de l’application1
La démarche algorithmique pour la détection et la mesure du volume de la tumeur est décrite
ci-dessous :
– Phase 1 : Acquisition de l’image cérébrale IRM
– Phase 2 : Prétraitement et amélioration de l’image IRM
– Phas e 3 : Ouverture morphologique
– Phase 4 : Seuillage en deux classes (binarisation)
– Phase 5 : fermeture morphologique
– Phase 6 : Mesure et estimation du volume de la tumeur.
Les fonctionnalités et les outils de traitements d’images utilisés sont détaillés au
cahpitre3.
Ci-dessous un aperçu de la face avant et le block diagra mme de l’application sous
LabVIEW :
63
Figure 24 : Face avant de l’application 1
64
Figure 25 : Face avant de l’application 1
4.3.1 Acquisition d e l’image cérébrale IRM
Afin d’assurer une efficacité et une crédibilité de notre application, les images IRM
cérébrales traitées doivent être de provenance sûr e. Les images cérébrales
téléchargeables directement sur internet peuvent ne pas correspondre à des images IRM
vierge (sans pré -traitement). Pour cela nous avons choisi de travailler sur la base d’un
central des images médicales dédié à la recherche.
4.1.1 Central d’imagerie médicale XNAT
Les images cérébrales IRM utilisé es dans notre projet sont téléchar gées à partir du
central XNAT qui est l'outil d'archivage de données pour de multiples projets de neuro –
imagerie et de laboratoires de recherche à travers le monde.
XNAT est utilisé dans les laboratoires de recherche en neuroscience dans plusieurs
universi tés et institutions, notamment :
Biomedical Imaging Group, Rotterdam (BIGR) chez Erasmus MC, Pays -Bas
Le Centre d'imagerie et d'analyse du cerveau à Duke / UNC Chapel Hill
65 Centre d'excellence et innovation technologique en bioimagerie (CEIB -CS),
Ministère régional de Valence
Center of Medical Image Computing au University College de Londres
Neuroscience de l'Université Cornell
Center of Medical Image Computing au University College de Londres
Neuroscience de l'Université Cornell
Emory University Neuroscienc e
XNAT est la base de la gestion interne du projet de données informatiques, la gestion
des petabytes des données d'image de 1.200 sujets à plusieurs résolutions (3T, 7T,
10.5T) et les types de balayage (fMRI, MEG, EEG). C'est aussi l'épine dorsale de la
plate -forme de partage de données ConnectomeDB publiquement publiées.
[Informations site XNAT]
Figure 26 : Page d’accueil du central XNAT
66 Il s'agit d'une collection de 33 ensembles de données MR disponibles publiquement
contenant des tumeurs cérébrales (gliomes). Chaque ensemble de données contient une
présentation du patient (âge et sexe) et plusieurs acquisitions de MR (T1, T2 ou SPGR) au sein
d'une seule série, ainsi qu'une description de la tumeur, sa taille, son grade et sa localisation.
Par la suite on choisira de travailler sur la base des images IRM de 5 patients (Case 01 à case
05).
4.1.2 Exemple d’acquisition : Patient 1
Figure 27 : Présentation du patient 1 et les caractéristiques de la tumeur .
67
Figure 28 : Acquisition IRM en T2 du patient1
Figure 29 : Acquisition IRM en 3D du patient1
68
Chaque cadre des images IRM contient entre 20 et 35 images cérébrales prise à
des intervalles de temps déc alées afin de permettre aux analyseurs d’en choisir les
images les mieux adaptées aux traitements. Nous avons intégré dans la programmation
de notre application l’extraction d’une image IRM à partir du cadre Global en utilisant
la fonction LabVIEW :IMAQ Se lect Rectangle.
Figure 30 : Extraction d’une image IRM à partir du cadre global.
4.3.2 Phase2 : Prétraitement et amélioration de l’image IRM
4.3.2.1 Lissage de l’image IRM
On se propose dans ce qui suit d’appliquer l’opération de lissage à l’i mage IRM
à travers des filtres spécifiques. On illustre l’effet des différents filtres de lissage sur
l’image IRM affectée de bruit P&S ou de bruit additif gaussien.
Lissage par filtre gaussien :
69
(a) (b)
Figure 31 : (a) Image avec Bruit P&S (b)image filtrée avec filtre Gaussien d’ordre
5×5 et σ =0,5
(a) (b)
Figure 32 :(a) Image avec Bruit P&S (b)image filtrée avec filtre Gaussien d’ordre 5×5
et σ =3
(a) (b)
Figure 33 : (a) Image avec Bruit P&S (b)image filtrée avec filtre Ga ussien d’ordre
15×15 et σ =0.8
70
(a) (b)
Figure 34 : (a) Image avec Bruit additif Gaussien additif (b)image filtrée avec filtre
Gaussien d’ordre 5×5 et σ =0.5
(a) (b)
Figure 35 : (a) Image avec Bruit additif Gaussien additif (b)image filtrée avec filtre
Gaussien d’ordre 15×15 et σ =0.8
Le filtrage gaussien n’est pas adapté pour les images affectées de bruit P&S par contre
il est très efficace pour atténuer l’effet de bruit additif. D’autant que l’ordre est élevée
l’image est mieux lissée mais en contrepartie on risque de perdre les détaille s de l’image .
Lissage par filtre moyenne ur
71
(a) (b)
Figure 36 : (a) Image avec Bruit P&S (b)image filtrée avec filtre moyenneur d’ordre
3×3
(a) (b)
Figure 37 : (a) Image avec Bruit additif Gaussien (b)image filtrée avec filtre
moyenneur d’ordre 3×3
(a) (b)
Figure 38 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre
moyenneur d’ordre 10×10
72 L’effet du filtre moyenneur modéré sur l’image avec bruit P&S mais il est très bien
adapté pour l’image avec bruit additif. Un ordre élevé du filtre moyenneur rend l’ image
floue.
Lissage par filtre Médian
(a) (b)
Figure 39 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre médian
d’ordre 3×3
(a) (b)
Figure 40 : (a) Image avec bruit additif Gaussien (b)image filtrée avec filtre médian
d’ordre 10×10
(a) (b)
Figure 41 : (a) Image avec bruit P&S (b)image filtrée avec filtre médian d’ordre 3×3
73
(a) (b)
Figure 42 : (a) Image avec bruit P&S (b)imag e filtrée avec filtre médian d’ordre 5×5
Le filtre médian est très bien adapté au lissage de l’image affectée de bruit P&S et
également pour le bruit additif. Un ordre élevé du filtre produit une image floue.
4.3.2.2 Rehaussement de contours
Filtre de Sobel :
(a) (b) (c)
Figure 43 :(a):Image IRM originale, (b),(c) :Images avec filtre Sobel horizontal et
vertical
Filtre de Perwitt :
74
(a) (b) (c)
Figure 44 : (a):Image IRM originale, (b),(c) :Images avec filtre Perwitt horizontal et
vertical
(a) (b)
Figure 45 :(a) : Image IRM originale, (b) : Image avec filtre laplacien
4.3.3 Phases 2,3 et 4 : Traitement morphologique et seuillage
Les résultats de ces trois phases ne peuvent pas être traités séparément car leurs effets
se combinent et se complètent. Plusieurs essais ont été effectués pour trouver les
combinaisons optimales qui permettent d’avoir la meilleure détection de la tumeur
cérébrale. Ces phases sont réalisées pour des images IRM sans aucu n prétraitement ou
rehaussement du contour. Au cours de ces essais, on retient les meilleurs résultats pour
l’ouverture et la fermeture morphologique qui correspondent à un élément structurant
d’ordre 3. Cette optimisation nous permet de rendre l’applicati on semi -automatique et
libérer l’utilisateur de la tâche fastidieuse à chercher les paramètres optimums. La seule
valeur qui reste à ajuster est le seuil de la binarisation de l’image. Les résultats sont
détaillés au paragraphe 4.3.5 :
75 4.3.4 Phase 6 : Mesure et estimation du volume de la tumeur.
La mesure des dimensions de la tumeur se fait grâce aux fonctions LABVIEW
prédéfinies IMAQ Clamp Horizontal Max et IMAQ Clamp Vertical Max qui permettent
de donner d’une manière automatique le nombre de pixels en horizont ale et en verticale
occupés par la tumeur.
Connaissant la résolution de l’image IRM, on peut retrouver les distances horizontale s
et verticale s en mm occupée s par la tumeur et par conséquent, estimer le volume en
mm3. Sur le central, on a la même réso lution horizontale et verticale pour toutes les
images :
Résolution=0,859375 pix/mm
Le calcul du volume de la tumeur se fait par 3 approximations possibles :
– Approximation parallélépipédique :
La distance a est prise égale à la taille horizontale de la tu meur, b à la taille verticale.
La profondeur h de la tumeur n’est pas connue, on l’estime alors à b. On retrouve un
volume : V=a.b2 .
– Approximation cylindrique :
La distance h est prise égale à la taille horizontale de la tumeur, le rayon r est
pris égal à la moitié de la taille verticale. Soit un volume estimé : V = π.(b/2)2.a
– Approximation ellipsoïdale :
volume :V =a.b. h
Volume : V = π.r 2.h
76
La distance a est prise égale à la taille horizontale de la tumeur, b à la taille
verticale. La profondeur h de la tumeur n’est pas connue, on l ’estime alors à b.
On retrouve un volume : V = (4/3)π.a.b2.
4.3.5 Résultats et discutions :
Dans ce qui suit, nous allons présenter les résultats de la détection, de la
localisation et de la mesure des volumes des tumeurs cérébrales pour le cas de 5
premiers pa tients enregistrés dans le central XNAT. Pour chaque cas, on va
préciser :
– La valeur du seuil utilisé.
– Ordre de l’élément structurant de l’érosion et de la dilatation.
– Volume de la tumeur estimé.
– Approximation utilisée pour la mesure du volume de la tume ur.
4.3.5.1 Images IRM du patient1, acquisition en T2 :
Pour le traitement de l’image IRM du patient 1, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=95
– Ordre de l’élément structurant de l’érosion et de la dilatation :Ordre =5
– Volume de la tumeur estimé :V=23108mm3 par l’approximation
parallélépipédique ,V=18140 mm3 par l’approximation cylindrique et
V=96801mm3 par l’approximation ellipsoïdale.
– Volume de la tumeur donné sur le central supposé réel : Vréel=23638mm2
Volume : V =(4/3)π.a.b.c
77
(a) (b) (c)
Figure 46 : (a)IRM du patient1,acquisitient en T2, (b) :Tumeur détectée, (c) Mesure
Figure 47 : Calcul du volume de la tumeur patient1.
4.3.5.1.1 Interprétation :
L’image de la tumeur détectée est bien localisée par rapport à l’image d’origine.
Les volumes donnés par les approximations parallélépipédique s et cylindrique s
sont proches du volume rée l donné sur le central. L’approximation sphérique est
trop grande par rapport au volume rée l, ceci est bien justifié vu la forme de la
tumeur qui est loin d’être ellipsoïdale.
78 4.3.5.2 Images IRM du patient 2, acquisition en T2 :
4.3.5.2.1 Résultats
Pour le traitement de l’i mage IRM du patient 2, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=100
– Ordre de l’élément structurant de l’érosion et de la dilatation : Ordre=5
– Volume de la tumeur estimé : V=16368mm3 par l’approximation
ellipsoïdale.
– Volume de la tumeur donné sur le central supposé réel :Vréel=14586mm2
Figure 48 : (a)IRM du patient2, acquisition en T2, (b) : Tumeur détectée, (c) Mesure
Figure 49: Calcul du volume de la t umeur patient2.
79 4.3.5.2.2 Interprétation :
La tumeur détectée est bien localisée par rapport à l’image d’origine. Le volume
donné par l’approximation ellip soïdale est proche du volume rée l donné sur le
central. L’approximation ellipsoïdale est bien justifiée vu la forme de la tumeur.
4.3.5.3 Images IRM du patient 3, acquisition en T2 :
4.3.5.3.1 Résultats
Pour le traitement de l’image IRM du patient 3, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=103
– Ordre de l’élément structurant de l’éros ion et de la dilatation :Ord=5
– Volume de la tumeur estimé : V=23817mm3 par l’approximation
ellipsoïdale.
– Volume de la tumeur donné sur le central supposé réel :Vréel=24001mm2
Figure 50 : (a)IRM du patient3, acquisition en T2, ( b) : Tumeur détectée, (c) Mesure
80
Figure 51 : Calcul du volume de la tumeur patient3.
4.3.5.3.2 Interprétation :
La tumeur détectée est bien localisée par rapport à l’image d’origine. Le volume
donné par l’approximation ellip soïdale est pr oche du volume rée l donné sur le
central. L’approximation ellipsoïdale est bien justifiée vu la forme de la tumeur.
4.3.5.4 Images IRM du patient 4, acquisition en 3D :
4.3.5.4.1 Résultats
Pour le traitement de l’image IRM du patient 4, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=88
– Ordre de l’élément structurant de l’érosion et de la dilatation :Ordre=5
– Volume de la tumeur estimé : V=14268mm3 par l’approximation
ellipsoïdale.
– Volume de la tumeur donné sur le central supposé rée l :Vréel=13361mm2
81
Figure 52 : (a)IRM du patient 4, acquisition en 3D, (b) : Tumeur détectée, (c) Mesure
Figure 53 : Calcul du volume de la tumeur patient4 acquisition en 3D.
4.3.5.4.2 Interprétation :
4.3.5.5 Images IRM du patient 4, Acquisition en T1 :
4.3.5.5.1 Résultats
Pour le traitement de l’image IRM du patient 4, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=88
– Ordre de l’élément structurant de l’érosion et de la dilatation :Ordre=5
82 – Volume de la tumeur estimé : V=14916mm3 par l’approximation
ellipsoïdale
Figure 54 : (a)IRM du patient4,acquisition en T1, (b) :Tumeur détectée, (c) Mesure
Figure 55 : Calcul du volume de la tumeur patient4 acquisition en T1
4.3.5.6 Images IRM du patient 5, Acquisition en T2 :
4.3.5.6.1 Résultats
Pour le traitement de l’image IRM du patient 5, la détection de la tumeur a donné
les résultats suivants :
– Valeur du seuil utilisé : S=88
– Ordre de l’élément structurant de l’érosion et de la dilatation :Ordre=5
– Volume de la tumeur estimé : V=38664mm3 par l’approximation
cylindrique.
83
Figure 56 : (a)IRM du patient5, acquisition en T2, (b) : Tumeur détectée, (c) Mesure
Figure 57 : Calcul du volume de la tumeur patient 5
84 4.3.6 Conclusion :
D’après les essais ef fectués sur les images IRM des cinq patients, on constate que
les tumeurs ont été bien localisé es et les volum es mesurés sont très proches des
volumes réels don nés sur le central. On enregistre une erreur relative maximale de
17,21% pour le cas du patient 5, mais en observant la forme de la tumeur, on voit
bien qu’elle présente une forme dispersée ce qui justifie bien l’erreur de mesure.
Dans le tableau 5 ci-après, on donne un résumé des résultats de mesure et les erreurs
relatives correspondantes.
Patient Volume réel de
la tumeur(mm3) Volume donné par
l’application(mm3) Approximation Erreur
relative %
Patient 1 23638 23108 parallélépipédique 2,24
Patient 2 14586 16368 ellipsoïdale 12,21
Patient 3 24001 23817 ellipsoïdale 0,76
Patient4 -3D 13361 14268 ellipsoïdale 6,79
Patient4 -T1 13361 14916 ellipsoïdale 11,63
Patient 5 32987 38664 cylindrique 17,21
Tableau 5 : Résumé des résult ats de mesure et erreurs relatives
4.4 Mise en œuvre de l’application2
La démarche algorithmique pour la détection et la mesure du volume de la tumeur
utilisée dans l’application2 est décrite ci -dessous :
– Phase 1 : Acquisition de l’image cérébrale IRM
– Phase 2 : Prétraitement et amélioration de l’image IRM
– Phase 3 : Traitement morphologique
– Phase 4 : Seuillage en deux classes (binarisation)
– Phase 5 : Érosion morphologique et filtrage
– Phase 6 : Mesure et estimation du volume de la tumeur.
85 Ci-dessous un aperçu de la face avant et le block diagramme de l’application sous
LabVIEW :
Figure 58 :Face avant de l’application 2
86
Figure 59 :Face avant de l’application 2
4.5 Résultats et discutions :
Les résultats des trai tements effectués de la phase 1 à la phase 6 sont pratiquement
identiques à ceux présentés dans l’application1.Pour résumer, nous allons
présenter dans ce qui suit les résultats de la détection, de la localisation et de la
mesure des volumes des tumeurs cé rébrales pour le cas de 5 premiers patients
enregistrés dans le central XNAT. Pour chaque cas, on va préciser :
– Les valeurs des seuils utilisés.
– Ordre de l’élément structurant de l’opération morphologique, ainsi que sa
nature.
– Volume de la tumeur estimé.
– Approximation utilisée pour la mesure du volume de la tumeur.
4.5.1 Images IRM du patient1, acquisition en T2 :
Pour le traitement de l’image IRM du patient 1, la détection de la tumeur a donné
les résultats suivants :
87 – Valeurs des seuils utilisées : S1=120 et S2= 180.
– Opération morphologique ouverture avec un élément structurant carré
d’ordre 3.
– Ordre de l’élément structurant de l’érosion :ordre= 5.
– Volume de la tumeur estimé :V=19330mm3 pour l’approximation
parallélépipédique .
Figure 60 : Résultat de la détection de la tumeur, cas du patient 1
Figure 61: Calcul du volume de la tumeur patient 1
4.5.2 Images IRM du patient 2, Acquisition en T2
Pour le traitement de l’image IRM du patient 1, la détection de la tumeur a donné
ces résultats :
– Les valeurs des seuils utilisées : S1=130 et S2=240.
88 – Opération morphologique ouverture avec un élément structurant carré
d’ordre 3.
– Ordre de l’élément structurant de l’érosion :ord= 5.
– Volume de la tumeur estimé :V=12840mm3 pour l’a pproximation
cylindrique .
Figure 62: Résultat de la détection de la tumeur, cas du patient 2
Figure 63 : Calcul du volume de la tumeur patient 2
4.5.3 Images IRM du patient 3, Acquisition en T2
Pour le tr aitement de l’image IRM du patient 3, la détection de la tumeur a donné
les résultats suivants :
– Les valeurs des seuils utilisées : S1=114 et S2=182.
89 – Opération morphologique ouverture avec un élément structurant carré
d’ordre 3.
– Ordre de l’élément structur ant de l’érosion :ordre= 5.
– Volume de la tumeur estimé :V=27971mm3 pour l’approximation
ellipsoïdale.
Figure 64 : Résultat de la détection de la tumeur, cas du patient 3
Figure 65 : Calcul du volume de la tumeur patient 3
4.5.4 Images IRM du patient 4 , Acquisition en T1
Pour le traitement de l’image IRM du patient 4, la détection de la tumeur a donné les
résultats suivants :
– Les valeurs des seuils utilisées : S1=80 et S2=120.
90 – Opération morphologique ouverture avec un élément structurant carré
d’ordre 3.
– Ordre de l’élément structurant de l’érosion :ordre= 5.
– Volume de la tumeur estimé :V=21860mm3 pour l’approximation
ellipsoïdale.
Figure 66 : Résultat de la détection de la tumeur, cas d u patient 4 EN T1
Figure 67: Calcul du volume de la tumeur patient 4
4.5.5 Images IRM du patient 5, Acquisition en T2
Pour le traitement de l’image IRM du patient 4, la détection de la tumeur a donné c es
résultats :
– Les valeurs des seuils utilisées : S1=90 et S2=150.
91 – Opération morphologique ouverture avec un élément structurant carré
d’ordre 3.
– Ordre de l’élément structurant de l’érosion :ordre= 5.
– Volume de la tumeur estimé :V=42568mm3 pour l’approximation
ellipsoïdale.
Figure 68 : Résultat de la détection de la tumeur, cas du patient 5
Figure 69: Calcul du volume de la tumeur patient 1
4.5.6 Analyse des résultats et conclusion :
D’après les essais effectués sur les images IRM des 5 p atients, on constate que les
tumeurs ont été bien localisées et les volumes mesurés sont très proches des volumes
réels donnés sur le central. On enregistre une erreur relative maximale de 16,54%
pour le cas du patient 3. Dans le tableau 6 récapitulatif , on donne les résultats de
mesure et les erreurs relatives correspondantes.
92 Patient Volume réel de
la tumeur(mm3) Volume donné par
l’application(mm3) Approximation Erreur
relative %
Patient 1 23638 24443 parallélépipédique 3,41
Patient 2 14586 12840 cylindrique 11,97
Patient 3 24001 27971 ellipsoïdale 16,54
Patient4 -T1 13361 15343 ellipsoïdale 14,83
Patient 5 32987 38174 cylindrique 15,70
Tableau 6 : Résumé d es résultats de mesure et des erreurs relatives
4.6 Automatisation de la détection :
Afin d’automatiser la détection des tumeurs dans les images IRM cérebrales , plusieurs
techniques sont utilisées :
– Seuillage automatique.
– Segmentation automatique séparant la tumeur du reste de l’image
4.6.1 Principe du choix automatique du seuil :
On considère 2 surfaces dans l’image : l’arrière -plan et l’objet.
On suppose des modèles mathématiques pour les distributions (gaussiennes, …)
On peut déterminer la probabilité d’erreur de classification dans les classes 1 et 2.
On cherche alors un seui l T qui causera une erreur minimale (surface E1 U E2 minimale)
Figure 70: Choix automatique de seuil de binarisation
93 4.6.2 Méthode de Otsu :
4.6.2.1 Principe :
On balaie toutes les valeurs de seuil possible T, pour chaque seuil T : On calcule
les moyennes et les variances de chaque classe correspondante. Le seuil retenu
est celui qui minimise la variance intraclasse :
4.6.2.2 Méthodologie
4.6.3 Algorithme EM (maximisation de l’espérance) :
L’algorithme EM est un algorithme itératif très utilisé pour la recherche d’un paramètre
réalisant le maximum de vraisemblance. Grâce à cet algorithme, un histogramme H sera
approximée par une somme pondérée de gaussiennes. Il est alors p ossible d’estimer
automatiquement les valeurs de seuils.
4.6.4 Principe :
Soit G(x, µi ,σi) une gaussienne de moyenne µi et d’écart -type σi
L’histogramme est alors estimé de la manière suivante :
Avec α i les poids de pondérations et N le nombre de gaussienne. Le maximum de
vraisemblance est atteint par calcul d’un facteur de v raisemblance V propre à
94 chacune des gaussiennes i et des pixels x qui va permettre, à chaque itération, de
recalculer les paramètres des gaussiennes.
Le critère d’arrêt de l’algorithme est soit un nombre maximum d’itérations pour limiter
le temps de calc ul, soit une erreur inférieure à ε entre 2 approximations successives de
l’histogramme.
Figure 71: Histogramme s de l’algorithme EM
Figure 72: Choix automatique des seuils
95 4.6.5 Limitation :
Il faut connaître le nombre de gaussiennes à l’avance. On parle d’algorithme supervisé.
4.6.6 Mise en œuvre de l’algorithme Otsus :
Dans l’application 1, on intègre dans le script Matlab l’algorithme Otsus qui permet de
générer le seuil d’une manière automatique grâce à la fonct ion prédéfinie graythresh.
Les résultats sont performants pour le cas des images IRM des patient s 1, 2, 3 et 5 :
4.6.6.1 Résultats
Figure 73: Images IRM du patient 1, Acquisition en T2
Figure 74: Images IRM du patient 2, Acquisition en T2
96
Figure 75 : Images IRM du patient 3, Acquisition en T2
Figure 76 : Images IRM du patient 5, Acquisition en T2
97 4.6.6.2 Analyse des résultats et conclusion :
D’après les essais de la détection automatique des tumeurs cérébrales , effectués sur les
images IRM des 4 patients , on constate que les tumeurs ont été bien localisé es mais elles
sont moins haussées par rapport à celles trouvées précédemment. Les volumes mesurés
sont alors pl us faibles mais proches des volumes réels à l’exception du cas du patient 1
où on enregistre une erreur relative maximale de 39%. Dans le tableau 7 récapitulatif ,
on donne les résultats de mesure et les erreurs relatives correspondantes. Pour les images
IRM du patient 4, la méthode Otsus nous n’a pas permis la détection de la tumeur. En
observant ces images on trouve qu’elles sont plus sombres que les autres d’où une
nécessité d’un seuil plus faible.
Patient Volume réel de
la tumeur(mm3) Volume donné par
l’application(mm3) Approximation Erreur
relative %
Patient 1 23638 14321 parallélépipédique 39,41
Patient 2 14586 16594 ellipsoïdale 13,76
Patient 3 24001 22393 ellipsoïdale 6,70
Patient 5 32987 28534 cylindrique 13,50
Tableau 7 : Résumé des mesures et des erreurs relatives.
4.7 Conclusion :
Au cours de ce chapitre, nous avons mis en œuvre trois applications de détection de
tumeurs à partir des images IRM cérébrales et développées sous l’environnement
LABVIEW . Les images IRM cérébra les sont téléchargées à partir d’un central
d’imageries médicales . Les deux premières applications sont semi automatiques avec
une segmentation combinée morphologique et par seuillage. Les résultats obtenus des
mesures des volumes des tumeurs cérébrales so nt très satisfaisants avec un taux d’erreur
maximum enregistré de 17,21%pour l’application 1 et 16,54% pour l’application 2. La
troisième application est réalisée à la base de la première en intégrant l’algorithme Otsus
qui permet de générer le seuil de bi narisation de l’image d’une manière automatique.
Les résultats de cette méthode sont acceptables pour quelques images. On doit alors
98 chercher à ajouter au traitement d’image d’autres fonctionnalités afin d’améliorer cette
méthode. Ce qui nous donne une ouv erture sur un nouvel axe de recherche.
99 Conclusion et Perspectives
Ce projet de fin d’études vise à réaliser une application de détection de tumeurs
céréb rales à partir des images IRM, e n utilisant comme outil de programmation le
langage Grap hique LabVIEW. L’application doit être testée sur la base des images IRM
du central d’imagerie médicale XNAT.
Dans le premier chapitre, nous nous sommes attachées à présenter le contexte général
de notre étude. Nous avons commencé par décrire la démarche c linique du diagnostic
des tumeurs cérébrales. Puis, nous avons présenté les principales technique s de
l’imagerie médicale et particulièrement l’imagerie par résonance magnétique vu ses
nombreux avantages (précision, efficacité …). Nous avons également sign alé que les
images IRM malgré leurs qualités peuvent être entachées d’imprécision et d’incertitude
liées au bruit d’acquisition et aux défauts des machines d’imagerie à résonance
magnétique.
Dans le second chapitre, nous avons produit un état de l’art des principales méthodes
de segmentation des images IRM cérébrales. Nous avons présenté une étude
comparative des techniques et des algorithmes les plus utilisés dans le domaine et à la
fin, nous avons donné une classification chronologique des différentes te chniques de
segmentation des images IRM. La diversité des méthodes utilisées témoigne de la
complexité du problème de la segmentation.
Dans le troisième chapitre, nous avons présenté l’ensemble des techniques utilisées en
traitement d’images pour la détect ion des tumeurs cérébrales qui sont : l’acquisition de
l’image IRM, le pré -traitement, la segmentation et finalement la caractérisation de la
tumeur. Nous avons essayé de développer particulièrement l’ensembles de s techniques
de traitement d’image qu’on va appliquer pour la mise en œuvre pratique. Dans la phase
de prétraitement, nous avons exposé les techniques utilisées pour le lissage des images
IRM et le rehaussement de contrats et des contours. Dans la partie segmentation nous
nous sommes intéressés aux segmentation par seuillage et morphologique.
Dans le quatrième et dernier chapitre, nous avons présenté la mise en œuvre pratiques
pour la détection des tumeurs dans les images IRM. Deux applications semi –
automatiques ont été développés sous l’environneme nt LABVIEW, la première en
100 utilisant des scripts Matlab pour le traitement et la deuxième uniquement par des
fonctions prédéfinies du LABVIEW. Les résultats ont été validées sur des images IRM
prises du central d’imagerie médicale XNAT et nous avons enregi stré une erreur relative
observée maximale de 17,21% ce qui est très satisfaisant. En dernière partie
l’application 1 a été améliorée afin de la rendre complètement automatique en intégrant
l’algorithme de seuillage Otsus. L’application ainsi réalisée perm et une bonne
localisation de la tumeur (pour quelques images) mais avec un volu me des tumeurs sous
dimensionné . Nous devrions chercher des fonctionnalités à ajouter au traitement pour
améliorer son efficacité. Une fois ce travail sera finalisé et la détect ion automatique sera
opérationnelle, nous devrions penser à implémenter notre application sur une carte
FPGA dédiée au traitement d’image ce qui nous ouvre une nou velle prescriptive de
recherche . D’autre axes de recherches consiste à intégrer dans notre ap plication, les
nouveaux algorithmes de segmentation non su pervisés.
101 Bibliographies :
[1] P.H. AMRUTA, G. SUDHA "BRAIN TUMOR DETECTION USING IMAGE
PROCESSING: A SURVEY " Proceedings of 65th IRF International Conference, 20th
November, 2016, Pune, India, ISBN: 978 -93-86291 -38-7.
[2] S. SANDABAD, Y. SAYD TAHRI, A. Benba, A. HAMMOUCH " Novel automatic
tumor extraction method based on decision Tree Classifier " International Journal of
Engineering and Technology (IJET) , Vol 8 No1 Feb -Mar 2016.
[3] S. Sandabad, A.Benba, Y. Sayd Tahri and A.Hammouch "New method of tumor
detection using K -means classifier and thresholding process", IJCSI International
Journal of Computer Science Issues, Volume 12, Issue 4, July 2015.
[4] K. DIMILILER , B. UGUR YK. EVER,"TU MOR DETECTION ON CT LUNG
IMAGES USING IMAGE ENHANCEMENT", The Online Journal of Science and
Technology – January 2017 Volume 7, Issue 1
[5] SG. Kulkarni, SB. Baga " LUNG CANCER TUMOR DETECTION USING IMAGE
PROCESSING AND SOFT COMPUTING TECHNIQUES" , Interna tional Conference
on “Recent Research Development in Science, Engineering and Management”
Mahratta Chamber of Commerce Industries & Agriculture, Pune (ICRRDSEM -16) 29th
May 2016
[6] M. Masroor Ahmed, Dzulkifli Bin Mohamad," Segmentation of Brain MR Images
for Tumor Extraction by Combining Kmeans Clustering and Perona -Malik Anisotropic
Diffusion Model" International Journal of Image Processing, Volume (2) : Issue(1)
[7] A.Verma, G.Khanna, "A Survey on Digital Image Processing Techniques for
Tumor Detection ", Indian Journal of Science and Technology, Vol 9(14), April 2016
[8] D.Aboul Dahab, Samy S. A. Ghoniemy, Gamal M. Selim, "Automated Brain Tumor
Detection and Identification Using Image Processing and Probabilistic Neural
Network Techniques", Internationa l Journal of Image Processing and Visual
Communication ISSN (Online)2319 -1724 : Volume 1 , Issue 2 , October 2012.
[9] M.Saii, Z.Kraitem, "Automatic Brain Tumor Detection in MRI Using Image
Processing Techniques", Biomedical Statistics and Informatics . Vol. 2, No. 2, 2017,. pp.
73-76, March , 2017
102 [10] Ruchita A. Banchpalliwar , Dr. Suresh S. Salankar , "Diagnosis of Brain Tumor
Through MRI Image Processing using Clustering with Optimization Technique",
International Journal of Innovative Research in Comput er and Communication
Engineering (An ISO 3297: 2007 Certified Organization) Vol. 4, Issue 4, April 2016
[11] Jérémy Lecoeur, Christian Barillot. Segmentation d’images cérébrales : Etat de
l’art. [ Rapport de recherche ] RR -6306, INRIA. 2007, pp
[12] BAAKEK Touria "Segmentation trois dimensions (3D) des Images Médicales "
Thèse de Magister en Electronique Biomédical , Université Abou Bekr Belkaïd –
Tlemcen Faculté des Sciences de l’Ingénieur
[13] Josiane Adrienne YANKAM NJIWA, "Reconstruction d ’images de résonance
magnétique à partir de l’espace k partiel" , Thèse de doctorat en Électronique,
électrotechnique et automatique, sous la Direction de M. Yue Min ZHU , Institut
National des Sciences Appliquées de Lyon , Octobre 2007, 191p.
[14] Guillau me Dugas -Phocion, " Segmentation d’IRM Cérébrales Multi -Séquences et
Application à la Sclérose en Plaques ", Thèse de doctorat en sciences, sous la Direction
de M. Nicolas AYACHE, École des Mines de Paris , Mars 2006 , 203p.
[15] Anne -Sophie Capelle -Laize, "Segmentation des images IRM multi -échos
tridimensionnelles pour la détection des tumeurs cérébrales par la théorie de l’évidence".
Interface homme -machine , Thèse de doctorat en sciences pour l’ingénieur, sous la
Direction de Mme. Christine FERNANDEZ -MALOIGN E, Faculté des sciences
fondamentales et appliquées, université de poitiers , Décembre 2003, 238p.
103 Annexes :
Annexe 1 : Code source Matlab d’un bruit additif Gaussien
1 clc
2 clear all;
3 %bruit Gaussien additif
4 I=imread( 'C:\Users\abd\Desktop\Image_cerebrale \image1.jpg' )
5 I=double(I)
6 I=I/255; % Image renormalisée (Valeur de 0 à 1)
7 Im1=imnoise(I, 'gaussian' ,0,0.01); % Bruit Gaussien additif
8 de moyenne nule et de variance v=0,O1
9 figure(1);imshow(Im1) ;title('Image avec bruit Gaussien additif' );
Annexe 2 : Code source Matlab d’un bruit "P&S"
1 clc
2 clear all;
3 %bruit p&s
4 I=imread('C: \Users\abd\Desktop\Image cerebrale \image1.jpg');
5 [u,v]=size(I);
6 d=uint8(sqrt(u*v*15/100));
7 for i=1:d
8 for j=1:d
9 I(uint16((u -1)*rand(1,1))+1,uint16((v -1)*rand(1,1))+1)=uint8(0);
10 I(uint16((u -1)*rand(1,1))+1,uint16((v -1)*rand(1,1))+1)=uint8(255);
11 end
12 end
13 figure(2),imshow(I),title('bruit p&s');
104 Annexe 3 : Code s source s Matlab script des applications 1 et 3.
Application 1
% Acquisition d'image
im1=im;
% Filtre gaussien
if( B == 1)
filtre = fspecial('gaussian',[n n], p);
im1 = conv2(im,filtre);
end
% Filtre moyenneur
if( B == 2)
filtre = fspecial('average',[n n]);
im1= conv2(im,filtre);
end
% Filtre médie n
if( B == 3)
im1 = medfilt2(im,[n n]);
end
% filtre laplacien
if( B== 4)
filtre = fspecial('laplacian',p);
im1= conv2(im,filtre);
end
% Filtre logarithmique
if( B == 5)
filtre = fspecial('log',[n n],p);
im1= conv2(im,filtre);
end
% Filtre de sobel
if( B== 6)
filtre = fspecial('sobel');
im1= conv2(im,filtre');
end
% Filtre de Prewitt
if( B==7)
filtre = fspecial('prewitt');
im1= conv2(im,filtre');
end
% Aucun traitement
if (B==0)
im1=im;
end
% Elément structurant
ero_noyau = strel('disk',ero);
dil_noyau = str el('disk',dil);
% Ouverture morphologique
erosion1=imerode(im1,ero_noyau);
dilat1 = imdilate(erosion1,dil_noyau);
% seuillage
105 for i = 1:L
for j = 1:C
if(dilat1(i,j) >=S)
im2(i,j) = 255;
else
im2(i,j)= 0;
end
end
end
% Fermeture morphologique
dilat= imdilate(im2,dil_noyau);
erosion=imerode(dilat,ero_noyau);
% Ajout de la lum
[L1,C1]= size(erosion);
h=erosion;
for u = 1:L1
for v = 1:C1
h(u,v) = 0;
if(erosion(u,v) ==255)
h(u,v) = im1(u,v)+Lum;
end
end
end
Application 3
% Acquisition de l'image
im1=im
% prétraitement de l'image.
if( B == 1)
filtre = fspecial('gaussian',[n n], p);
im1 = conv2(im,filtre);
end
if( B == 2)
filtre = fspecial('average',[n n] );
im1= conv2(im,filtre);
end
if( B == 3)
im1 = medfilt2(im,[n n]);
end
if( B== 4)
filtre = fspecial('laplacian',p);
im1= conv2(im,filtre);
end
if( B == 5)
filtre = fspecial('log',[n n],p);
im1= conv2(im,filtre);
end
if( B==6)
106 filtre = fspecial('sobel');
im1= conv2(im,filtre);
end
if( B==7)
filtre = fspecial('prewitt');
im1= conv2(im,filtre);
end
if (B==0)
im1=im;
end
im1=im1+Lum;
im2=im1;
[L,C]= size(im1);
% Eléments structurant de l'erosion et de la délatation
ero_noyau = strel('disk',ero);
dil_noyau = st rel('disk',dil);
% Ouverture morphologique
erosion1=imerode(im2,ero_noyau);
dilat1 = imdilate(erosion1,dil_noyau);
% Génération automatique de seuil par l'algorithme Otsus
I = dilat1;
I=double(I);
I=I/255;
level = graythresh(I);
level=70+level*255;
seuil=S +level;
% seuillage en deux classes
for i = 1:L
for j = 1:C
if(dilat1(i,j) >=seuil )
dilat1(i,j) = 255;
else
dilat1(i,j)= 0;
end
end
end
%Fermeture morphologique
dilat = imdilate(dilat1,dil_noyau);
erosion=imerode(dilat,ero_noyau);
% Ajout lum inosité
[L1,C1]= size(erosion);
h=erosion
for u = 1:L1
for v = 1:C1
h(u,v) = 0;
if(erosion(u,v) ==255)
h(u,v) = im1(u,v)+Lum;
end
end
end
Copyright Notice
© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.
Acest articol: Mémoire de projet de fin détudes [600639] (ID: 600639)
Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.