Elimination des fausses détections

Etat de l’art

De nos jours ; les méthodes de segmentation des vertèbres sont en forte demande en raison de leurs impact très important dans de nombreuses applications orthopédiques, neurologiques et oncologiques. Pour cela plusieurs méthodes ont été développées dans la littérature afin de répondre aux besoins des radiologistes dans ce domaine. En pratique dans les centres hospitaliers, la segmentation manuelle des vertèbres est effectuée par des radiologues experts, en se basant sur des informations visuelles et de leur expériences, afin de pouvoir identifier les différentes parties vertébrales : cervicales, thoraciques et lombaires, et assigner des étiquettes appropriées à chaque forme de ces vertèbres. Pour une telle segmentation, deux méthodes sont utilisés dans la pratique clinique : la méthode de segmentation semi quantitative et la morphométrie quantitative. Dans la segmentation semi quantitative, le radiologue peut identifier la pose et la forme général de la colonne vertébrale et quelques informations visuelles relatives à chaque vertèbre comme la forme des coins des plateaux de vertèbres qui peuvent donner des indices de présence de fracture [15],ou de séparation entre les vertèbres, etc.

Cette méthode demeure subjective et dépendante de l‟expérience des experts. Pour la morphométrie quantitative, des points de marquage sont placés manuellement sur l‟image radiographique pour plus ou moins délimiter les contours des vertèbres [38].Ces points peuvent servir comme base pour les méthodes de segmentation semi-automatiques. Cette méthode peut prendre beaucoup de temps, et on peut perdre des informations sur la forme lorsque le nombre de points est minimisé. Une solution efficace à ce problème serait l‟utilisation d‟un processus de segmentation d‟images automatique et semi-automatique. En effet avec l‟apparition des techniques de vision par ordinateur ; différents algorithmes ont été développé dans la littérature pour répondre au besoin d‟automatisation du processus de segmentation. Ces méthodes peuvent être classées en trois grandes catégories principales :

Les méthodes statistiques

La dernière classe de ces des méthodes de segmentation et qui est largement utilisé est la classe des méthodes statistiques. On peut distinguer les modèles statistiques de forme et d‟apparence Dans les modèles statistiques de forme, la forme d‟objet est représentée par un ensemble de points. Des annotations manuelles faites sur un ensemble d‟images vont former l‟ensemble d‟apprentissage. Le but est de construire un modèle représentant la variation de forme dans cet ensemble, qui va permettre d’analyser à la fois de nouvelles formes, et de synthétiser des formes analogues à celles de l‟ensemble d‟apprentissage. Parmi les applications largement utilisées pour ce type de méthodes nous pouvons citer les modèle de forme actif (en anglais Active Shape Model ou ASM) introduites par Cootes et al [6], les méthodes basées sur les contours actifs « snakes » ainsi que les contours actifs par courbes de niveaux « Levels sets ». Le principe des méthodes à base de contours actifs est d‟essayer de déplacer un contour initial qui est créé comme modèle moyen de forme de la vertèbre segmenté manuellement vers les bords de l‟objet.

Architecture et représentation de la méthode

La détection des vertèbres dans les images radiographiques est une tâche difficile qui est due à leurs structures complexes, et aussi au manque de contraste entre les structures osseuses et les tissues musculaires. Dans ce chapitre nous allons décrire l‟architecture de la méthode proposée pour résoudre ce problème. Notre processus de détection est divisé en trois principales parties : La première étape implique une procédure d‟amélioration de la qualité des images par ajustement d‟intensité, afin de clarifier les régions à extraire. La deuxième étape qui est primordiale dans notre système, représente l‟extraction de caractéristiques des régions des vertèbres. La dernière étape met en oeuvre un modèle de classification basée sur une méthode à base des machines à vecteur support –SVM – pour effectuer une bonne classification et renforcer la détection. Les résultats de cette étape sont ensuite raffinés par une méthode d‟estimation RANSAC. Un aperçue de notre système est montré dans le schéma ci-dessous (figure 1).

Etape de test et validation :

La phase d‟apprentissage est la plus importante, mais la détermination des bons paramètres n‟est pas toujours facile. Dans cette étude, nous nous intéressons aux paramètres du classificateur SVM afin d‟aboutir à une erreur de classification minimale. Pour fixer le modèle SVM approprié à la détection de différentes régions vertèbres, nous étudions les performances de trois types de modèles SVM : linéaire, à fonction noyau gaussien (RBF) et à fonction de noyau polynomiale (ordre 4). Chaque modèle est évalué en utilisant les quatre sous-ensemblesde paramètres (y compris les coefficients d‟approximation, les détails horizontaux, verticaux, et diagonaux) issus de la méthode d‟ondelettes, et un autre ensemble de moments géométriques de HU. Les différents paramètres qui ont été étudiés durant la phase d‟apprentissage représentent : la fonction noyau avec ses paramètres (exemple : la valeur sigma pour la fonction RBF), et le paramètre de pénalisation « C » par la méthode de validation croisé citée dans le chapitre précédent. Plusieurs essais ont été effectués afin de pouvoir fixer ce paramètre de régularisation. En effet ce paramètre contrôle le compromis entre l‟erreur de SVM sur les données d‟apprentissage et la maximisation de la marge. La figure suivante, Figure 16, illustre cette influence du changement de ce paramètre :

Conclusion :

Dans cette étude nous avons présenté une méthode d‟analyse qui peut être incluse dans un système d‟aide au diagnostic médical. Notre objectif était d‟examiner l‟application de la méthode des machines à vecteurs de supports pour la détection des régions de vertèbres dans les images radiographiques. Parmi les raisons du choix de l‟approche de classification par SVM est que cette dernière est mathématiquement bien établie, avec la mise en oeuvre du principe de risque structurel qui a pour objectif la minimisation d‟une limite supérieur pour l‟erreur de généralisation. Une autre raison est la simplicité de sélection des paramètres qui représentent la fonction noyau et la marge « C ». Les résultats de la représentation par ondelettes prouvent que cette dernière peut fournir des informations fréquentielles significatives concernant la classe des régions de vertèbres à détecter. Un taux de 83.5% a été atteint en utilisant un modèle de classificateur SVM avec un noyau Gaussien entrainé par les coefficients d‟approximations de la transformée en ondelette. Ce même modèle adonné un taux de 85.7% pour la méthode basée sur les moments de HU qui a prouvé aussi son efficacité grâce à la richesse de leurs informations sémantiques. Les résultats de la phase de détection sont renforcés par l‟utilisation de l‟algorithme RASAC qui à prouver son efficacité en combinaison avec la méthode SVM. Les résultats expérimentaux obtenus sont prometteurs et permettent d‟automatiser complètement le processus de segmentation. Nous estimons avoir atteint l‟essentiel de notre objectif, et nous souhaitons que notre réalisation servira comme un outil d‟automatisation de la procédure de sélection des vertèbres qui a été citée comme faiblesse des travaux de la segmentation des images rayons-X.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Introduction
Chapitre I : Etat de l’art
Introduction
I.1Les méthodes empiriques
I.2 Les modèles déformables
I.3 Les méthodes statistiques
Chapitre II : Méthodologie
II.1 Architecture et représentation de la méthode
II.2 Le prétraitement
II.2.1 Modification d’histogramme
II.2.2 L’égalisation d’histogramme
II.2.3 L’égalisation d’histogramme adaptative
II.3 L’extraction des caractéristiques
II.3.1 La représentation par la transformée d’ondelettes
II.3.1.1 Introduction à la théorie d’ondelettes
II.3.1.2 L’analyse en ondelettes
II.3.1.3 Le choix d’ondelettes
II.3.1.4 Ondelettes de Harr
II.3.1.5 Représentation par ondelettes proposée
II.3.2 La représentation par les moments invariants de HU
II.3.2.1 Les moments géométriques
II.3.2.2 Théorie des moments
II.4 Classification SVM
II.4.1 Notions sur l’apprentissage statistique
II.4.1.1 Généralités
II.4.1.2 Formulation d’un problème de classification
II.4.1.3 Minimisation du risque structurel
II.4.2 Théorie des machines à vecteurs de support
II.4.2.1 Introduction
II.4.2.2 Principe des machines à vecteurs de support
II.4.2.3 Cas des données linéairement séparables
II.4.2.4 Cas des données non linéairement séparables
II.4.3 Architecture d’un classificateur SVM
II.4.3.1 La fonction noyau
II.4.3.2 Sélection de modèle SVM
II.4.3.3 Estimation de l’erreur de généralisation
II.5 Détection par SVM
II.5.1 Coefficient de corrélation
II.6 Estimation par RANSAC
II.6.1 L’algorithme RANSAC
II.6.2 Sélection des paramètres
Chapitre III. Résultats Expérimentaux
III.1 Base d’image
III.2 Etape de classification
III.3 Etape de test et validation
III.4 Etape de détection
III.5 Raffinement des résultats de détection
III.5.1 Elimination des fausses détections
III.5.2 Recouvrement des vertèbres manquantes
Conclusion
Perspectives et travaux futur
Bibliographie