Soutenance mémoire
L’arrivée des images numériques constitue un véritable atout dans beaucoup de domaines scientifiques. En effet, l’image numérique apporte un support de représentation permettant de modéliser et de véhiculer beaucoup d’informations les rendant ainsi accessibles à l’interprétation par un expert humain. Vers les années 70-80, la thématique de traitement et d’interprétation d’images est devenue indispensable afin d’apporter aux experts des outils informatiques pouvant leur faciliter l’exploitation des images numériques essentiellement en termes de contenu d’information. Parmi les thématiques de recherche soulevées en traitement d’images, celle de la segmentation d’images occupe une place importante et constitue un véritable challenge pour lequel n’existe aucune réponse générique. L’objet de la segmentation peut être formulé simplement. Il s’agit de partager une image en des régions homogènes, selon un critère prédéfini mesurant l’homogénéité, et où chaque région peut être associée à une classe thématique ou à une propriété représentant l’interprétation sémantique donnée par l’expert à l’homogénéité [128]. Il s’agit donc d’une thématique permettant de « réduire » la quantité d’information à analyser dans une image et de positionner le centre d’intérêt sur des régions ayant un sens de haut niveau sémantique au lieu de celui des mesures numériques associées aux différents pixels (qui dépendent fortement des capteurs physiques d’acquisition).
SEGMENTATION EN IMAGERIE MAMMOGRAPHIQUE
Le développement des techniques d’imagerie médicale, en particulier l’imagerie numérique, a profondément modifié la pratique médicale de ces dernières années. Ce développement a donné lieu à une nouvelle dimension liée aux méthodes de traitement d’images médicales et aux informations extraites par l’intermédiaire de ces méthodes. Néanmoins, et malgré ces technologies avancées dans le domaine médical, l’étude du cancer de sein est un problème difficile et reste un sujet de recherche d’actualité. L’une des modalités d’imagerie les plus couramment utilisées, à laquelle nous nous sommes intéressés dans ce travail, est l’imagerie mammographique, qui est devenue un outil indispensable pour tout examen clinique relatif au cancer du sein. Elle présente l’avantage d’être peu invasive et permet l’acquisition d’images du sein en plusieurs vues selon l’angle de projection des rayons X traversant le tissus. Dans ce cadre l’interprétation des mammographies se base essentiellement sur le savoir descriptif de l’expert humain.
Anatomie et épidémiologie
Le sein est un organe globuleux situé en avant et en haut du thorax. Il est d’une grande importance dans la représentation de la féminité du fait qu’il joue un rôle nourricier et esthétique [1]. Anatomiquement parlant, il s’agit d’une masse constituée de tissus glandulaires, gras et fibreux, positionnée au dessus du muscle pectoral et attachée à la paroi thoracique par les ligaments de Cooper [2]. Il est enveloppé d’une couche de tissus adipeux qui lui donne sa consistance souple et sa forme, de tissus conjonctifs fibreux et de tissus glandulaires. Ces derniers comportent des lobules ayant pour rôle la production du lait. Celuici est véhiculé par des canaux vers le mamelon situé au centre de l’aréole.
Le cancer du sein représente un problème majeur de santé et constitue une maladie très fréquente chez la femme. Une étude intéressante était réalisée en 2003 par la société américaine du cancer a montré qu’une proportion comprise entre 1/12 et 1/8 de la population féminine est atteinte du cancer de sein [3].
En Europe, le taux de mortalité causée par des cancers de tous les types est de 24%, celui du sein en particulier marque un taux de 19% de mortalité pour lui seul [4]. Des travaux de recherches ont prouvé que le risque d’avoir un cancer augmente avec l’âge. A titre d’exemple, environ 3,5% des femmes âgées de 60 ans développent un cancer du sein avant l’âge de 70 ans [2]. Au cours de ces dernières années, le processus de dépistage mammographique s’effectue dans des stades moins avancés [5]. Ceci permet une prise en charge plus précoce et permet de réduire le taux de mortalité comme on va le voir par la suite.
Imagerie mammographique
L’imagerie médicale est une technique explorant le corps humain de la manière la moins invasive possible. Son principe général consiste à mesurer, à l’aide d’un système imageur dédié, un phénomène physique (rayons X, écho-ultrasonore, …) provenant du patient d’une manière naturelle ou artificielle. De ce fait, l’imagerie médicale permet de fournir des informations sur l’anatomie et la fonctionnalité des organes et des cellules dans le corps humain. Elle a été considérée, par le journal médical anglais « New England » [6], comme l’un des développements les plus importants sur le plan médical des vingt dernières années. Dans ce travail, nous nous intéressons à la mammographie qui représente un outil essentiel de dépistage et de détection des anomalies du sein. Plusieurs études ont prouvé que l’utilisation de l’image mammographique a augmenté d’une manière significative le taux de détection des tumeurs cancéreuses. De plus, le risque de décès parmi les femmes surveillées par le programme de dépistage sur une période de 10 ans, a diminué de 30% [7-8].
L’acquisition des images mammographiques est assurée par des rayons X. Différentes vues sont obtenues selon l’angle de traversée de ces rayons [9]. les deux vues les plus utilisées dans l’acquisition d’images mammographiques :
✦ La vue Médio Latérale Oblique (MLO) : son acquisition est réalisée avec une position oblique par rapport au sein. Lors de la capture de ce type de vue, une région appartenant au muscle pectoral peut être présente dans la mammographie. Cette région se trouve au coin supérieur gauche ou au coin supérieur droit de l’image .
✦ La vue Carnio Caudale (CC) : la position du sein lors de l’acquisition de la vue CC doit être horizontale . Notons que cette vue montre autant que possible les tissus glandulaires (les canaux et les lobules) ainsi que les tissus gras qui entourent les tissus glandulaires.
Les anomalies détectables par mammographie
Un cancer du sein est caractérisé par la présence d’une tumeur maligne, due à la multiplication anormale et anarchique des cellules d’un tissu. Les différents types de cancer du sein ont été décrits par l’ACR (American College of Radiology) [10-11]. Parmi les familles d’anomalies repérables sur des images de mammographie nous pouvons citer : les masses, les distorsions architecturales, les micro-calcifications et l’asymétrie.
Les masses
Une masse est définie comme une lésion occupant dans l’espace une position qui peut être vue sous deux incidences différentes. Mais généralement, la masse est difficilement perceptible en mammographie, car elle est similaire aux tissus alentours. Pour cette raison, sa détection est considérée comme une tâche difficile [12]. La caractérisation d’une masse est basée sur sa forme (ronde, ovale, lobulée, irrégulière), sur ses contours (circonscrits, micro-lobulés, masqués, indistincts, spiculés) et sur sa densité (haute, moyenne, faible, graisseuse) .
|
Table des matières
INTRODUCTION GÉNÉRALE
1. SEGMENTATION EN IMAGERIE MAMMOGRAPHIQUE
1.1. INTRODUCTION ET MOTIVATION
1.2. CADRE D’ÉTUDE
1.2.1. Anatomie et épidémiologie
1.2.2. Imagerie mammographique
1.2.3. Les anomalies détectables par mammographie
1.2.3.1. Les masses
1.2.3.2. Les micro-calcifications
1.2.3.3. Les distorsions architecturales
1.2.3.4. L’asymétrie
1.2.4. Systèmes d’aide à la décision
1.2.5. Processus d’acquisition en mammographie et modélisation statistique d’images
1.3. SEGMENTATION D’IMAGES MAMMOGRAPHIQUES
1.3.1. Méthodes non itératives en segmentation d’images mammographiques
1.3.1.1. Méthodes de segmentation basées sur le seuillage d’histogramme
1.3.1.2. Méthodes de segmentation bayésienne
1.3.1.3. Méthodes de segmentation floue
1.3.1.4. Méthodes de segmentation basées sur l’analyse texturale et morphologique
1.3.2. Méthodes itératives en segmentation d’images mammographiques
1.3.2.1. Les méthodes basées sur l’estimation itérative de paramètres
1.3.2.2. Méthodes de segmentation à base de contours actifs
1.3.2.3. Méthodes de segmentation markovienne
1.3.2.4. Méthodes de segmentation par découpage Top-Down itératif
1.3.2.5. Méthodes de croissance de régions (Bottom-Up)
1.3.2.6. Méthodes hybrides de segmentation d’image
1.4. CONCLUSIONS – DISCUSSIONS
2. GESTION DE L’IMPERFECTION DE L’INFORMATION POUR LA SEGMENTATION D’IMAGE
2.1. INTRODUCTION
2.2. CARACTÉRISATION GÉNÉRALE DE L’INFORMATION PORTÉE PAR LES DONNÉES
2.2.1. Incertitude et Imprécision
2.2.2. Incomplétude et Ambiguïté
2.2.3. Redondance et Complémentarité
2.2.4. Conflit et contradiction
2.2.5. Modélisation de l’information imparfaite
2.3. LA THÉORIE DES PROBABILITÉS
2.4. LA THÉORIE DE DEMPSTER-SHAFER
2.5. LA THÉORIE DES ENSEMBLES FLOUS
2.5.1. Fonction d’appartenance
2.5.2. Caractérisation générale d’un ensemble flou
2.5.2.1. Formes standards de la fonction d’appartenance
2.5.3. Opérations sur les ensembles flous
2.5.4. Image et théorie des ensembles flous
2.6. LA THÉORIE DES POSSIBILITÉS
2.6.1. Distribution de possibilités
2.6.2. Mesures de possibilité et de nécessité
2.6.3. Distributions de possibilités non normalisée
2.6.4. Normalisation des distributions de possibilités non normalisées
2.6.4.1. Normalisation ordinale
2.6.4.2. Normalisation numérique
2.6.4.3. Normalisation par décalage de l’inconsistance
2.7. FUSION D’INFORMATIONS
2.7.1. Domaines d’application
2.7.2. Opérateurs de fusion possibiliste
2.8. APPROCHES FLOUES ET POSSIBILISTES EN SEGMENTATION D’IMAGES
2.8.1. Algorithme C-Moyennes flous (Fuzzy C-Means, FCM)
2.8.2. Classification hiérarchique floue
2.8.3. La classification floue contextuelle itérative
2.8.4. Classification possibiliste
2.9. CONCLUSION
3. ESTIMATION DES DISTRIBUTIONS DE POSSIBILITÉS POUR LA CLASSIFICATION PIXELIQUE EN MAMMOGRAPHIE
3.1. INTRODUCTION
3.2. MÉTHODES DE DÉTERMINATION DES FONCTIONS D’APPARTENANCE
3.2.1. Méthodes guidées par les connaissances d’expert
3.2.1.1. Approche directe
3.2.1.2. Approche indirecte
A. Les mesures floues
B. Algorithmes d’optimisation
3.2.2. Méthodes à base d’apprentissage
3.2.2.1. Méthode à base d’estimation statistique des paramètres
3.2.2.2. La méthode basée sur l’algorithme Fuzzy C-Means
3.3. SYSTÈME PROPOSÉ POUR L’ESTIMATION DES DISTRIBUTIONS DE POSSIBILITÉS
3.3.1. Prétraitement
3.3.2. Estimation des fonctions d’appartenance
3.3.3. Fusion des distributions de possibilités
3.4. RÉSULTATS ISSUS DE L’ESTIMATION DES DISTRIBUTIONS DES POSSIBILITÉS
3.5. EFFET DE PRÉTRAITEMENT SUR LA CONNAISSANCE POSSIBILISTE
3.6. CONCLUSION
4. DIFFUSION DES CONNAISSANCES POSSIBILISTES
4.1. INTRODUCTION
4.1.1. Système de prétraitement
4.1.2. Système de décision
4.1.3. Système de diffusion possibiliste
4.1.4. Système d’évaluation et de mise à jour
4.2. DIFFUSION POSSIBILISTE CLASSE/CLASSE
4.2.1. La diffusion par filtrage moyen
4.2.2. La diffusion par filtrage de Nagao
4.2.3. La diffusion par filtrage de Nagao modifié
4.2.4. La diffusion par filtrage anisotrope
4.2.5. La diffusion par filtrage de Gabor
4.3. DIFFUSION POSSIBILISTE CROISÉE
4.4. EXPÉRIMENTATIONS ET RÉSULTATS
4.4.1. Estimation initiale des cartes possibilistes
4.4.2. Diffusion itérative classe/classe des connaissances possibilistes
4.4.3. Effet de l’espace de diffusion des connaissances
4.4.4. Diffusion itérative croisée des connaissances possibilistes
4.4.5. Effet de l’initialisation des connaissances possibilistes
4.4.6. Effet de l’optimisation des paramètres de la fonction d’appartenance
4.4.7. Application aux images mammographiques
4.5. CONCLUSIONS
CONCLUSION GÉNÉRALE
Télécharger le rapport complet
