Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segue

Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 1 Chapitre Méthodes de segmentation d’images médicales tridimensionnelles I Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 2 La segmentation est une des étapes critiques de l’analyse d’images qui conditionne la qualité des traitements d’images effectués ultérieurement. Elle permet d’isoler dans l’image les objets sur lesquels doit porter l’analyse. En effet, à partir des résultats de la segmentation, il est possible d’identifier les objets d’une scène. Par rapport aux images en niveaux de gris, la segmentation d’images couleur est un domaine de recherche assez récent. En effet, pendant plusieurs années, beaucoup d’attention a été focalisée sur la segmentation d’images en niveaux de gris. Cependant, des études montrent que du fait de l’adaptation à la lumière, l’œil humain peut seulement discerner quelques douzaines de niveaux d’intensités dans une image complexe, mais reconnaît des milliers de variations chromatiques. Ainsi, l’utilisation des attributs couleurs pour la segmentation d’images devrait fournir de meilleurs résultats que l’attribut d’intensité, dès lors que ces attributs fournissent une caractéristique naturelle sur les scènes observées. [Bitam.A, 2006] Introduction Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 3 I.1 Pourquoi le traitement d’image ? « Traitement d’image » est un terme assez vague, et il semble opportun de commencer par définir les termes.  Définition de l’image L’image est une représentation d’une personne ou d’un objet par la peinture, la sculpture, le dessin, la photographie, le film ou divers procédés électroniques de visualisation. C’est aussi un ensemble de structure d’informations qui, après affichage su l’écran, a une signification pour l’œil humain. Chaque point de l’image peut être représentée par une fonction f (x’, y’,ߣ , t), où x’, y’ sont les coordonnées spatiales d’un point de l’objet décrit dans un système de coordonnées cartésiennes, ࣅ est la longueur d’onde rayonnée par le point et t le temps. En réalité, à chaque instant, on ne voit qu’une image fixe et l’image peut être simplifiée sous la forme f (x’, y’, ߣ ). Pour un système détecteur ayant une courbe de réponse spectrale Vs (ߣ), l’image observée par celui-ci peut être représentée par la relation suivante : Ι (x’, y’) = ∫݂(ݔ′,ݕ′, ߣ )ܸݏ(ߣ )݀ߣ ∞ ଴ (Ι.1) L’image Ι (x’, y’) est donc la somme des images observées à chaque longueur d’ondeߣ , pondérée par un coefficient de sensibilité Vs (ߣ). L’énergie associée à un point de l’image est la somme des énergies associées à chaque longueur d’onde du spectre. Sous cet aspect, l’image est inexploitable par ordinateur. Ainsi, il est nécessaire de procéder à sa numérisation. [Ameur.Z, 2001]  Définition de Traitement (Larousse) Ensemble des opérations relatives à la collecte, à l’enregistrement, à l’élaboration, à la modification, à l’édition, . . . de données. Mettons de cotés les termes enregistrement et édition. Le principe général du traitement d’image est donc à quelques détails près toujours le même (figure Ι. 1): un système reçoit des images, y applique un traitement, et produit une information de nature liée à l’application visée. [R. ENFICIAUD, 2007] Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 4 Figure ધ. ૚ : Principe du traitement d’image Une source de rayonnement envoie des ondes sur un objet, qui sont ensuite réfléchies et collectées par un capteur. Le capteur transforme ces ondes en un ensemble de points. Ces points sont traités et une information est produite en sortie du système. On peut résumer le traitement d’image en quatre étapes principales :  Acquisition des images Mise en œuvre des processus physiques de formation des images suivis d'une mise en forme pour que ces images puissent être traitées par des systèmes informatiques.  Traitement des images Son but : améliorer ces images lorsqu'elles possèdent du bruit ou des défauts.  Segmentation des images Son but : construire une image symbolique en générant des régions homogènes selon un critère défini à priori.  Analyse des images Consiste à extraire des paramètres ou des fonctions représentatives de l'image ou des régions. Nous pouvons illustrer ces étapes par un exemple simple tiré du cours de [L.Brun] Figure I.2. Figure ધ. ૛ Étapes du traitement d’images Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 5 I.2 Les images médicales L’imagerie médicale représente l’ensemble des techniques permettant d’obtenir des images à partir de différents types de rayonnements (ultrasons, rayons X, etc.). Au cours des deux dernières décennies le traitement des images médicales est devenu un outil fondamental dans la médecine, et le traitement des images cérébrales en est un paradigme. Le développement rapide des techniques d’acquisition des images médicales a permis au personnel médical d’avoir une grande variété de données appartenant à des images de différentes modalités, à titre d’exemple l’échographie ultrasonore, le scanner, la tomographie par émission de positons, la tomographie par émission de photon unique et l’imagerie par résonnance magnétique IRM. On possède donc un choix multiple de modalités d’acquisition d’images tridimensionnelles. Seulement on s’est trouvé devant le fait que chacune des images sources possède ses spécificités. Citons l’IRM qui permet de connaître la densité et la structure des protons contenus dans les tissus du corps, notamment du cerveau. Elle nous renseigne donc sur la nature des tissus internes. Cependant, l’analyse d’une telle quantité de données basée sur l’inspection visuelle reste très difficile et requiert une grande dépense de temps. Souvent, l’information contenue dans une image médicale ne peut pas être entièrement captée par l’œil humain et vice-versa, les ordinateurs n’ont pas le sens pratique d’un être humain ou l’expérience acquise par les experts en médecine. Par conséquent, il est souhaitable de combiner les deux, experts et ordinateurs, dans un compromis optimal pour améliorer les résultats de l’étendue des applications où le traitement des images médicales est de nos jours appliqué. [Francisco. J ; 2007] I.3 Aspects fondamentaux de la segmentation d’images La segmentation en général consiste au découpage spatial de l'image en zones homogènes, elle joue un rôle prépondérant dans le traitement et l'analyse d'image et la vision par ordinateur. En analyse d'images, on distingue les traitements de bas niveau et les traitements de haut niveau. Cette distinction est liée au contenu sémantique des entités traitées et extraites de l'image. Les traitements de bas niveau opèrent en général, sur les grandeurs calculées à partir des valeurs attachées à chaque point de l'image sans faire nécessairement la liaison avec la réalité qu'elles représentent. Par exemple, la détection des contours est un traitement de bas niveau qui est effectué «sans comprendre» l'image. Le contour détecté peut très bien ne pas correspondre à un bord d'objet dans la réalité et ne présenter aucun intérêt, Ainsi les traitements de bas niveau opèrent plutôt sur des données de nature numérique. A l'opposé, les traitements de haut niveau s'appliquent à des entités de nature symbolique associées à une représentation de la réalité extraite de l'image. Ils sont relatifs à l'interprétation et à la compréhension de l'image et sont exprimés avec des mots du vocabulaire de l'application. Par exemple, des zones d'une image aérienne peuvent être caractérisées par leur forme (rectangulaire, linéique,..), être étiquetées avec les termes : bâtiment, route, bosquet, ombre, etc... Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 6 Des relations entre ces zones sont exploitées pour comprendre la scène étudiée, par exemple : une route ne peut pas être incluse dans un bosquet. [Ammadi.A et Baslam.A; 2008] Il est difficile de définir d’une manière absolue, une bonne segmentation. La segmentation, souvent, n’est pas une fin en soi, le choix d’une technique est lié à :  La nature de l’image (éclairage, contours, texture…)  Aux opérations en aval de la segmentation (compression, reconnaissance des formes, mesures…)  Aux primitives à extraire (droites, régions, textures,…)  Aux contraintes d’exploitation (temps réel, espace mémoire, …) Les différentes étapes permettant la segmentation d’une image sont résumées dans la figure Ι. 5 [Ameur.Z, 2005] Figure ધ. ૞ : Étapes de segmentation d’images  Le prétraitement consiste en diverses opérations visant à améliorer la qualité de l’image et à faciliter la segmentation. Ces opérations sont principalement le rehaussement du contraste, la modification des histogrammes et la réduction du bruit.  L’analyse a pour but d’extraire les paramètres caractéristiques permettant de classifier les pixels de l’image.  La classification est une opération préalable à la segmentation ; l’image étant formée d’un certain nombre de classes, la classification revient à affecter chaque pixel de l’image à l’une de ces classes selon des critères appropriés. Image originale Prétraitement Analyse Classification Segmentation Image segmentée Méthodes de segmentation d’images médicales tridimensionnelles Chapitre I Segueni Lamia 7  La segmentation est un traitement de bas niveau qui consiste à créer une partition de l’image en sous-ensembles appelés régions. La segmentation est alors obtenue par extraction des composantes connexes des pixels appartenant à la même classe. Ainsi une région sera constituée de pixels d’une même classe. Mais, il peut aussi y avoir dans l’image plusieurs régions correspondant à une même classe. De façon plus précise, on peut définir la segmentation comme étant une partition d’une image Ι uploads/Sante/ segmentation-des-images-medicales.pdf

  • 20
  • 0
  • 0
Afficher les détails des licences
Licence et utilisation
Gratuit pour un usage personnel Attribution requise
Partager
  • Détails
  • Publié le Aoû 05, 2021
  • Catégorie Health / Santé
  • Langue French
  • Taille du fichier 0.9633MB