Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

INRODUCTION GENERALE L’image est aujourd’hui un outil essentiel pour l’aide au

INRODUCTION GENERALE L’image est aujourd’hui un outil essentiel pour l’aide au diagnostic. L’essor de la médecine ces dernières décennies est dû essentiellement au développement des techniques d’imagerie médicale, grâce auxquelles il est devenu possible de visualiser de manière non invasive l’anatomie du corps humain. En effet, les différentes techniques de l'imagerie médicale particulièrement l’imagerie par résonance magnétique, ont contribués à l’élargissement des connaissances sur les pathologies neurologiques. Cependant, l’analyse et l’interprétation de cette masse sans cesse croissante des images , a rendu l’utilisation de l’ordinateur vitale en raison de ses performances croissantes dans les traitements. L'imagerie par résonance magnétique cérébrale (IRM) est , à l’heure actuelle, l'une des meilleures techniques d'imagerie sur lesquelles les chercheurs se sont appuyés pour détecter les tumeurs cérébrales et modéliser la progression tumorale dans les phases de détection et de traitement. Les images IRM lancent, donc, de proche en proche le domaine de l'analyse automatique d'images médicales grâce à sa capacité de fournir la totalité d'informations sur la structure cérébrale et les anomalies dans les tissus cérébraux en raison de la haute résolution des images . Cette modalité d'imagerie est devenue un outil de plus en plus important en cancérologie. Pour diagnostiquer certaines maladies liées à des lésions cérébrales internes, le médecin doit analyser bien des images médicales. Pour étudier l’évolution d’une tumeur, il est nécessaire donc de connaître avec exactitude les changements survenus sur ces images. L’interprétation visuelle des IRM cérébrales, n’est pas toujours sûre. C’est pour cela le besoin d’une interprétation automatique qui permet d’assister les médecins dans leur prise de décision s’est fait ressentir. Au confluent de technologies d'imagerie par résonance magnétique et du traitement automatique intelligent des Images , les systèmes des diagnostiques automatisé des images cérébrales ont fait d’immenses progrès et ouvrent de belles perspectives aux chercheurs en neurosciences cognitives . Comme nous sommes spécialisées en technologies avancées et conscients de L'avenir éblouissant de tel domaine , Ceci nous a poussé et motivé à développer un système permet la compréhension complète de la nature de génomes de tumeurs ; leurs détection ainsi que leurs classe . Dans ce cadre, et afin de réaliser notre projet de synthèse II à l’Ecole Nationale des Sciences et Technologies Avancées à Borj Cédria, un système de diagnostique automatisé proposée permet la détection et la classification à travers des algorithmes d'apprentissage profond qu’ ont surement toujours une précision plus élevée que les techniques ancien . Cet outil propose, avec la version actuelle, une solution simple et innovante. Cela a pour vocation de permettre de affranchir des contraintes d’inexactitude de l’analyse de l’imagerie cérébrale , et est extrêmement utiles aux médecins du monde entier . Notre système donne donc l’opportunité de mieux comprendre la maladie et donc d’orienter au mieux les traitements. Chapitre 1 : Etat de l’art sur le traitement des images cérébrales IRM I. Introduction L’imagerie par résonance magnétique IRM est certainement l’imagerie qui permet la meilleure distinction entre tissus sains et tissus pathologiques. Les performances des imageurs actuels offrent surement des images de hautes résolutions bien supérieure à celle des images scanographiques mais comme toute image issue d’un système d’acquisition, les images IRM sont imparfaites. L’incertitude et l’imprécision sont alors leurs deux principaux défauts. Pour surmonter ces défauts on se focalise sur la segmentation qui divise les IRM en zones d'intérêt. Plusieurs méthodes de segmentation, qui sont développées dans la littérature, sont capables de séparer les zones tumorales et par suite les classifier en se basant sur des techniques bien intelligents. Dans ce premier chapitre, nous nous intéressons donc d’abord à la définition de l’imagerie IRM ainsi que ses défauts. Ensuite, nous présentons un état de l’art sur la segmentation d’images cérébrale IRM. I. L’imagerie par résonance magnétique pour le diagnostic des tumeurs : L'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale d'apparition récente, non invasive et sans effets secondaires permettant d'avoir une vue 2D ou 3D d'une partie du corps, notamment du cerveau. Elle est basée sur le phénomène physique de résonance magnétique. De plus, l’IRM, particulièrement sensible à de faibles modifications anatomiques, permet une détection, un suivi et une classification des tumeurs et de leur évolution. Elle permet la meilleure caractérisation des tissus, c’est donc la modalité la plus adaptée pour observer les tissus et les structures du cerveau. 1. Incertitudes et imprécisions des images IRM : Comme toute image issue d’un système d’acquisition, les images IRM sont imparfaites. L’incertitude et l’imprécision sont alors leurs deux principaux défauts. En effet, l’imprécision concerne le contenu de l’information et porte sur un défaut quantitatif. Les connaissances sur le contenu des informations ne sont pas suffisamment précises. Les causes peuvent être diverses : manque de précision d’un capteur ou manque de précision du langage ou du vocabulaire employé. L’incertitude, quant à elle, ne caractérise pas la donnée mais la confiance que l’on peut lui attribuer. 1.1) Les principales causes d’incertitudes et d’imprécisions liées à l’utilisation de l’IRM : 1.1.1) Le système d’acquisition : La première cause d’incertitudes et d’imprécisions est naturellement le système d’acquisition. En effet, on retrouvera ces défauts sous la terminologie de bruit d’acquisition. De bande passante très large, il est assimilable à un bruit blanc. Il s’observe en particulier sur des régions uniformes de l’image correspondant à une structure anatomique unique. Sur la figure 1, issue d’une coupe coronale pondérée en T1, on peut observer le bruit sur des zones telles que le corps calleux ou les ventricules latéraux. Un autre phénomène de bruit peut être noté. Il s’agit du repliement de l’image (aliasing) qui apparaît lors de la reconstruction des images en cas de sous- échantillonnage du signal . Ce phénomène se traduit par un phénomène d’écho qui peut s’ observer en particulier sur les coupes axiales supérieures (figure 2). Ce bruit contribue à augmenter l’incertitude sur les données. 1.1.2) Effet de volume partiel Parmi les causes d’imprécisions, nous pouvons citer l’effet de volume partiel. Cet effet est directement lié à la résolution des images. Lors d’une acquisition, il est fréquent qu’un voxel, image d’un volume élémentaire reconstruit, coupe une ou plusieurs zones anatomiques. Le voxel ne contient alors pas la représentation d’une structure unique mais le mélange de plusieurs structures. C’est l’effet de mélange partiel. Les transitions entre régions sont progressives en termes de niveau radiométrique (figure 3) et les frontières entre les différentes régions paraissent floues. Il devient alors difficile de fournir la vraie frontière entre régions. Une conséquence de ce phénomène est alors la réduction de l’efficacité et de la fiabilité des mesures quantitatives des images. De manière simple, l’augmentation de la résolution des images diminue l’effet de mélange partiel. L’artefact de volume partiel est lié à la fois à la discrétisation de l’espace imagé et à la réponse impulsionnelle du capteur de la machine IRM. En effet, lorsque l’élément de volume discret (voxel) représente une surface séparant plusieurs objets, l’intensité mesurée est le résultat d’un mélange de divers objets (Fig. 4). De plus, le support spatial du filtre de convolution des observations par le système de mesure participe aussi à cet effet de volume partiel. L’effet de volume partiel se traduit donc par des transitions douces entre les différentes structures anatomiques. 2..) 1.1.3) Bruit aléatoire de mesure Il provient du patient (agitation thermique des protons à l’origine d’émissions parasites) et dans une moindre mesure de la chaîne de mesure (bruit "électronique") (Fig. 5). Il vient perturber le signal émis par les protons excités de la coupe d’intérêt. Le bruit a un niveau constant quelles que soient les fréquences (bruit "blanc"). Plus l’enregistrement du signal comprend une gamme de fréquence large (bande passante de réception large), plus la proportion de bruit est élevée, et le rapport signal/bruit faible (et l’artéfact de déplacement chimique peu épais). II. Segmentation des IRM cérébraux dans la littérature : La segmentation permet de séparer d’une manière précise des entités d’une image c’est-à- dire trouver ses régions homogènes et contours supposés être pertinents. Elle exploite les suggestions de l’utilisateur, qui interagit en sélectionnant les zones d’intérêts au moyen d’un programme, en réalisant des cliques sur l’image ciblée. C’est une application de l’analyse d’image qui donne souvent des résultats très variables selon le type et la qualité d’image. 1. Qu’est-ce que la segmentation ? Une définition formelle d’un algorithme de segmentation d’une image a été proposée par Horowitz. Définition : Soit X le domaine de l’image et f la fonction qui associe à chaque pixel une valeur f(x, y). Si nous définissons un prédicat P sur l’ensemble des parties de X, la segmentation de X est définie comme une partition de X en n sous-ensemble {R1, ..., Rn} tels que : 1. X = ∐ 2. ∀ i, Ri est connexe 3. ∀ {1,…,} P(Ri) = vrais 4.∀ {1,…, Ri est adjacent à Rj et i j P (Ri Rj) = faux Le prédicat P est utilisé pour tester l’homogénéité des ensembles Ri. Ces sous- ensembles constituent les régions de l’image. Or, la segmentation d’images est un processus visant à décomposer une image en un ensemble de régions - ou classes ou uploads/Sante/ etat-de-l-x27-art.pdf