La détection de contours des cavités du cœur dans des images ultrasons est une tâche complexe dû principalement à deux problèmes : le premier est que ce type d’images présente un haut niveau de bruit, appelé speckle. Le second problème est que ces images ont un contraste faible.
Dans ce chapitre, nous avons proposé un contour actif implicite pour la détection des cavités du cœur. Pour adapter le contour actif aux images ultrasons, nous avons proposé trois contributions dans le but d’améliorer la fonction d’arrêt.
Tab. 3.4 – Comparaison quantitative des méthodes de segmentation
FOM FOM
Méthode 1 Méthode 2
Image (notre) (ACwE)
Image 1 0.5750 0.2141
Image 2 0.5295 0.1551
Image 3 0.6337 0.1695
Image 4 0.6190 0.2650
La première contribution consiste à remplacer la fonction d’arrêt classique par la fonction de poids du M-estimateur de Tukey. Nous avons montré que cette nouvelle fonction a toutes les propriétés mathématiques que doit avoir une fonction d’arrêt.
La fonction d’arrêt classique dépend de l’opérateur gradient pour détecter les contours. Notre deuxième contribution est d’utiliser le coefficient de variation comme détecteur de contours au lieu du gradient. Le coefficient de variation est une statistique plus robuste que le gradient d’intensité permettant une meilleure détection de contours dans les images ultrasons. Dans la pratique, la fonction d’arrêt classique d’un contour actif ne permet pas d’arrêter l’évolution de la courbe du fait qu’elle ne s’annule jamais totalement sur les contours. Ces deux contributions ont permis d’adapter le contour actif aux images ultrasons, de manière à arrêter entièrement l’évolution de la courbe sur les contours. En outre, nous avons proposé une méthode automatique pour le calcul des paramètres de la fonction d’arrêt.
Finalement, pour enrichir la détection des contours de la fonction d’arrêt, nous avons proposé l’utilisation de la connaissance a priori sous la forme d’un MLP classificateur de contours.
Avec l’ensemble de ces améliorations, nous avons proposé un nouveau modèle de contour actif implicite adapté à la segmentation d’images ultrasons. Les résultats expérimentaux que nous avons présentés montrent le potentiel de cette approche.
Dans le chapitre suivant, nous montrons comment nous exploitons les contours ainsi dé- tectés pour estimer le mouvement de parois des cavités cardiaques.
(a) (b) (c) (d)
(e) (f) (g) (h)
(i) (j) (k) (l)
(m) (n) (o) (p)
(a) it ini (b) it 15 (c) it 30 (d) it 45 (e) it 60
(f) it ini (g) it 20 (h) it 40 (i) it 60 (j) it 70
(k) it ini (l) it 20 (m) it 30 (n) it 50 (o) it 60
(p) it ini (q) it 20 (r) it 40 (s) it 60 (t) it 70
(a) it ini (b) it 10 (c) it 300 (d) it 1000 (e) it 3000
(f) it ini (g) it 100 (h) it 300 (i) it 2000 (j) it 4000
(k) it ini (l) it 100 (m) it 1000 (n) it 2000 (o) it 3000
(p) it ini (q) it 100 (r) it 1000 (s) it 2000 (t) it 3000
(a) (b) (c) (d)
(e) (f) (g) (h)
(i) (j) (k) (l)
(m) (n) (o) (p)
Analyse du mouvement du cœur
par recalage géométrique B-spline
hiérarchique
4.1
Introduction du chapitre
Au chapitre précédent nous avons proposé une méthode de détection robuste des cavités du cœur à travers le contour actif implicite basé sur le coefficient de variation et un réseau de neurones d’apprentissage supervisé. Dans ce chapitre, nous développons une méthode pour l’analyse du mouvement du cœur basée sur le recalage hiérarchique B-spline des contours des cavités.
Nous supposons que la cavité correspond à une partie significative de la surface totale de l’image du cœur, donc l’image entière se déforme en suivant le mouvement des cavités. En plus, nous travaillons avec des séquences d’images, et le modèle est basé sur la supposition que deux images consécutives de la séquence ont un mouvement faible, et qu’on observe approximativement la même section du cœur dans chaque image de la séquence.
Le chapitre est organisé de la façon suivante. La section 4.2 traite du problème d’inter- polation des courbes par des bases B-splines. En suivant les mêmes concepts exposés dans la section précédente, la section 4.3 explique le problème du recalage élastique B-spline des images en utilisant les courbes de contours. Cette section traite le problème du recalage des courbes comme la résolution d’un système d’équations sur-déterminé, lequel est résolu par l’approximation aux moindres carrés. En outre, il traite l’usage des contraintes de mouvement
sur le calcul des points de contrôle de la transformation B-spline, afin d’obtenir des défor- mations qui représentent d’une façon appropriée le mouvement des cavités. On discute aussi l’usage de l’algorithme ICP pour la mise en correspondance entre les points des courbes de test et de référence. Dans la section4.4, nous développons notre proposition pour l’analyse du mouvement du cœur. Cette proposition considère d’une façon fondamentale deux étapes : pre- mièrement une détection des contours des cavités ; deuxièmement, la mise en correspondance des contours trouvés. L’étape de mise en correspondance considère trois types de recalage consécutifs, tout d’abord un recalage rigide, ensuite un recalage B-spline, et pour finir un raffinement hiérarchique B-spline. En outre, ce chapitre présente en section 4.5 les résultats expérimentaux de l’application de notre méthode à une paire d’images, afin de montrer en détail tout le procédé. Ensuite, nous comparons les résultats de notre méthode avec ceux qui sont obtenus avec une méthode récente de recalage proposée dans la littérature [Arganda- Carreras et al., 2006]. Après cette comparaison, nous montrons les résultats sur une séquence d’images. Pour évaluer d’une façon numérique l’erreur de recalage de chaque étape, on fait l’usage de l’indicateur figure of Merit (FOM) et le Coefficient de Corrélation (CC), mesures qui sont largement utilisées pour évaluer les résultats du recalage. Le chapitre se termine par la section 4.6où des conclusions sont tirées.