Approches r´ egions

Les approches r´egions visent `a partitionner l’image en un ensemble de r´egions homog`enes selon un ou plusieurs crit`eres de similarit´e. Par la suite, nous allons pr´esenter les m´ethodes `a base de seuillage, les m´ethodes par croissance de r´egions, les m´ethodes division/fusion et finalement, celles fond´ees sur la morphologie math´ematique.

2.5.2.1 Seuillage

Les m´ethodes de segmentation par seuillage visent `a discriminer les pixels en fonction de leurs niveaux de gris. Le plus souvent, les seuils sont d´etermin´es `a partir des histogrammes. L’op´eration de seuillage permet d’isoler facilement les diff´erentes r´egions contenues dans l’image, et qui correspondent aux diff´erents pics de l’histogramme. On distingue trois types de seuillage : local, global, et dynamique.

L’op´eration de binarisation (seuillage simple), consiste `a mettre `a z´ero tous les pixels dont le niveau de gris est inf´erieur `a une valeur appel´ee seuil S, et `a la valeur maximale les autres pixels. Ainsi le r´esultat du seuillage est une image binaire contenant des pixels

2.5. M´ethodes de segmentation

Figure 2.5: Segmentation par seuillage simple : (a) image originale, (b) image binaire (seuil=0.6), (c) image binaire (seuil=0.5).

noirs et blancs (Figure2.5).

Soit I(x,y), la valeur radiom´etrique du pixel de coordonn´ees(x,y) dans l’image, S ´etant le seuil fix´e. Si I(x,y) > S , le pixel prend la valeur 1, sinon il prend la valeur 0. L’op´eration de multi-seuillage permet de d´efinir plusieurs seuils afin de regrouper les pixels dans diff´erentes classes, o`u chaque classe est d´elimit´ee par deux seuils.

Les m´ethodes de segmentation par seuillage ont ´et´e largement appliqu´ees `a la segmentation des IRM c´er´ebrales. Par exemple, dans [21], Evelin et al. ont appliqu´e un algorithme de segmentation par seuillage, pour la s´eparation des structures c´er´ebrales pathologiques et saines (MG, MB et LCR) sur des images IRM. Mozaffari et al. [22] ont propos´e une nouvelle approche de seuillage bas´ee sur l’optimisation par essaim de particules (PSO). Les auteurs ont utilis´e les deux techniques de seuillage automatique Otsu [23] et Kapur [24] comme des fonctions objectifs de PSO. Les r´esultats de test de cette approche, montrent la robustesse et l’efficacit´e de cette approche. Dans [25], un algorithme de segmentation par seuillage est appliqu´e sur des images IRM, pour d´etecter la maladie d’Alzheimer.

Les m´ethodes de segmentation par seuillage sont des m´ethodes rapides et simples `

a impl´ementer. N´eanmoins, elles sont tr`es sensibles aux bruits et donnent des r´esultats insuffisants lorsque les structures `a rechercher ne sont pas contrast´ees (recouvrement de structure). Leur utilisation n´ecessite, en particulier, la prise en compte des informations li´ees au voisinage d’un pixel. Enfin, le choix de la valeur du seuil S, n’est pas toujours facile.

Chapitre 2. Etat de l’art : Segmentation d’images IRM

2.5.2.2 Croissance de r´egions

Les m´ethodes dites croissance de r´egions sont fond´ees sur l’agr´egation progressive des pixels `a partir des points initiaux appel´es germes, selon un crit`ere d’homog´en´eit´e. Les pixels voisins de chaque germe sont ajout´es successivement `a la r´egion et deviennent `a leur tour un germe, s’ils v´erifient le crit`ere d’agr´egation. Dans le cas contraire, ils sont rejet´es. La croissance s’arrˆete lorsque tous les pixels ont ´et´e trait´es. En g´en´eral, le crit`ere de similarit´e est bas´e sur les niveaux radiom´etriques des pixels.

Mohd Saad et al. [26] ont utilis´e un algorithme de croissance de r´egion automatique pour la d´etection des l´esions pr´esentes en IRM. La s´election des germes initiaux dans leur approche est d´etermin´ee `a partir des histogrammes. Les r´esultats exp´erimentaux sur 4 types de l´esions, montrent l’efficacit´e de cette approche. Dans [27], les diff´erentes structures c´er´ebrales sont segment´ees par un algorithme automatique bas´e sur la croissance de r´egions sur des IRM saines et pathologiques.

Tout comme les m´ethodes `a base de seuillage, les approches de segmentation par croissance de r´egions sont simples `a impl´ementer mais parfois gourmandes en temps de calcul [19]. Leur avantage r´eside dans la prise en compte des informations contextuelles, qui permet la connexit´e des zones segment´ees. Cependant, leur inconv´enient est li´e `a la s´election des germes initiaux, surtout pour la d´etection des tumeurs, dont l’information a priori n’est pas connue.

2.5.2.3 Division/fusion (split & merge)

L’algorithme split & merge ´et´e propos´e par Horowitz et Pavlidis en 1974 [28]. Dans la premi`ere ´etape, ou division, on teste d’abord le crit`ere de similarit´e sur l’image enti`ere, si le crit`ere est v´erifi´e, alors l’image est consid´er´ee comme segment´ee. Sinon, l’image initiale sera d´ecoup´ee en blocs plus petits (g´en´eralement en 4 quadrants) et le processus est r´eappliqu´e sur chacun des nouveaux blocs obtenus. Dans la deuxi`eme ´etape, ou fusion, `

a partir d’un graphe d’adjacence, si l’union de deux r´egions voisines v´erifie le crit`ere d’homog´en´eit´e, alors, on fusionne ces r´egions et on met `a jour le graphe d’adjacence.

L’inconv´enient de la m´ethode split & merge r´eside dans le choix de l’ordre dans lequel on commence la phase de fusion. Nous notons ici, son utilisation restreinte dans le contexte de la segmentation d’IRM c´er´ebrales [29,30].

2.5. M´ethodes de segmentation

2.5.2.4 Morphologie math´ematique

Introduite par Serra [31] en 1982, la morphologie math´ematique est une m´ethodologie ensembliste permettant l’analyse des structures g´eom´etriques. Elle permet d’´etudier les objets en fonction de leur forme, taille, voisinage, et de leurs intensit´es (couleur, niveaux de gris, etc.) par des outils de base tels que l’´erosion, la dilatation, la fermeture et l’ouverture. L’algorithme de morphologie math´ematique le plus connu est LPE (Ligne de partage des eaux) [32].

En segmentation des IRM c´er´ebrales, Brumer et al. [33] ont utilis´e des ´erosions, des dilatations et des ´etiquetages en composantes connexes apr`es une ´etape de seuillage afin de s´eparer les structures non cerveau de la structure cerveau et d’affiner le masque initial. L’algorithme a ´et´e test´e avec succ`es sur un ensemble de 23 IRM de coupes coronales. Un nouvel algorithme de segmentation des IRM c´er´ebrales d’un nouveau–n´e, bas´e sur la morphologie math´ematique est pr´esent´e dans [34], l’avantage de cette contribution, est que la segmentation est faite automatiquement et ne n´ecessite aucune intervention manuelle. G´en´eralement, la morphologie math´ematique est utilis´ee conjointement avec d’autres techniques pour segmenter les structures c´er´ebrales [19].