Dans ce chapitre, nous avons abordé le problème de la segmentation de lésion en tomosynthèse du sein. En plus des méthodes classiques de segmentation, nous avons abordé le problème de la manipulation de l’imprécision et de l’incertitude qui peuvent être présente dans les images à segmenter. Pour cela nous nous
sommes appuyé sur le formalisme des contours flous (Peters, 2007).
Nous avons étudié une méthode d’extraction de contours flous reposant sur différents seuillages de l’image en appuyant sur le lien avec le formalisme des filtres connexes flous proposés au chapitre 2. Nous avons aussi étudié l’extension d’une méthode de segmentation reposant sur les ensembles de niveaux. Enfin, en dernière contribution sur les contours flous nous avons proposé l’extension d’une méthode de segmenta- tion par programmation dynamique pour obtenir une segmentation floue.
La version originale (non floue) de cette dernière méthode de segmentation étant dédiée à la segmenta- tion de lésions en mammographie standard, nous l’avons évaluée sur des lésions issues de coupes recons- truites de tomosynthèse. Les résultats obtenus laissent penser que cette méthode de segmentation nette est viable pour l’utilisation dans une chaîne de détection automatique d’opacités, cela sera illustré au chapitre 8. Les résultats sur les contours flous obtenus par l’extension proposée de cette approche semblent pro- metteurs. Néanmoins, on pourrait imaginer apporter quelques améliorations quant à l’extraction de contours flous composés de contours qui partagent une même portion de contour. En effet notre approche de péna- lisation par bande empêche un tel comportement. Une autre piste d’investigation à suivre porterait sur l’élaboration d’une méthode formelle de validation des résultats de segmentations floues. En effet ce type de validation est très difficile de par la difficulté à prendre en compte et à expliciter l’incertitude et l’impré- cision présentes dans les images pour l’obtention d’une vérité. Une idée pour obtenir plusieurs contours de référence serait de combiner la segmentation de plusieurs experts travaillant indépendamment.
Chapitre 6
Utilisation des contours flous pour la
caractérisation de lésions
En mammographie, certains types de lésion sont parfois difficiles à délimiter précisément et de manière unique. Dans le chapitre 5, nous avons introduit des méthodes permettant d’extraire plusieurs contours pour une même structure. Ces approches de segmentation, formalisées grâce à la théorie des ensembles flous, peuvent potentiellement permettre de représenter l’imprécision sur la délimitation d’une lésion pour la propager dans la chaîne de traitement. Il devient alors possible d’attendre la disponibilité d’information pertinente non disponible lors de l’étape d’extraction de contours et ainsi obtenir une meilleure décision. Ce chapitre a pour but de détailler un exemple concret sur l’utilisation et la manipulation de telles méthodes de segmentation. Nous prendrons l’exemple d’un système de caractérisation du type d’une lésion à partir des projections de tomosynthèse servant à la reconstruction du volume.
Dans la méthode que nous proposons, nous différencions les lésions spiculées des lésions circonscrites. Un tel outil est intéressant en pratique dans la mesure où ces deux classes de contours sont généralement fortement corrélées à la malignité et respectivement à la bénignité de la lésion. Remarquons enfin que ce qui est présenté ici n’utilise pas tous les outils théoriques proposés dans les premiers chapitres. Ici, l’idée est principalement d’illustrer, par une application concrète, l’intérêt des méthodes de segmentation flou introduites au chapitre 5.
Dans un premier temps, nous présenterons la chaîne de traitement de manière générale. Cette dernière repose sur l’établissement de deux hypothèses (i.e. la lésion est spiculée ou circonscrite) qui doivent être validées ou invalidées. Nous détaillerons dans les deux sections suivantes les différentes étapes de cette chaîne de traitement, notamment le conditionnement de l’information résultante de l’étape de segmentation, puis l’utilisation d’arbres de décision flous à entrée floue. Enfin nous discuterons des résultats obtenus avec l’approche proposée.
6.1
Schéma global
Notre approche est fondée sur la détection et la segmentation de structures directement à partir des projections. Ce type d’approche a l’avantage de nécessiter un temps de traitement réduit en comparaison avec un traitement direct du volume reconstruit. Néanmoins, le traitement de manière indépendante des projections peut facilement aboutir à une prise de décision prématurée, comme une mauvaise segmentation, mettant en péril la validité de toute la chaîne de traitement. L’utilisation d’une segmentation floue permet de garder l’incertitude émanant de la segmentation dans chacune des projections et le cadre de la logique floue nous fournit les outils pour agréger l’information provenant de ces segmentations permettant ainsi de prendre une décision.
6.1.1
Marqueurs
Tout d’abord, des marqueurs doivent être positionnés sur les localisations des opacités dans les projec- tions. Cette étape peut être effectuée de manière manuelle, semi-manuelle ou complètement automatique. Dans le cadre des résultats présentés dans ce chapitre, les localisations ont été fournies par un expert. En effet, le but de ce chapitre est principalement de différencier les masses spiculées des masses circonscrites, et d’illustrer l’apport du flou pour accomplir cette tâche.
6.1.2
Hypothèses multiples
Dans le but de décrire le type d’une lésion donnée, nous considérons deux hypothèses (c.f. la figure 6.1) : il s’agit soit d’une lésion spiculée, soit d’une lésion circonscrite. Cela résulte en deux types d’informations a priori sur la forme du contour de la lésion qui seront utilisés pour l’étape de segmentation. Le point clé abordé dans ce chapitre sera de valider ou invalider ces hypothèses dans l’étape finale de décision.
Classification Projections Marqueurs Détection Segmentation Contours Contours flou 2D flou 2D Extraction Extraction de caractéristiques de caractéristiques Attributs Attributs flous 2D flous 2D Agrégation Agrégation Attribut Attribut cumulé 3D cumulé 3D Classification Décision Décision intermédiaire intermédiaire Hypothèse de lésion spiculée
Hypothèse de lésion circonscrite
Décision finale Résolution de conflits
FIG. 6.1 – Schéma global de l’algorithme.
Pour atteindre ce but, chaque structure d’intérêt est segmentée en deux ensembles de contours en uti- lisant des jeux de paramètres correspondant à chacune des hypothèses. Pour cette étape, nous utilisons la méthode de contour actifs flous proposée par Peters et al. (2007) et détaillée au chapitre 5. Ces segmen- tations sont effectuées pour chacune des projections, ainsi pour chaque hypothèse, une étape d’agrégation est mise en œuvre. Les données résultant de cette dernière étape sont alors utilisées en entrée d’arbres de décision flous comme il sera décrit à la section 6.3.