Les micro-anévrismes et les hémorragies sont les lésions rouges ou sombres.les microanévrismes apparaissent dans les stades très précoces de rétinopathie diabétique, alors que les hémorragies apparaissent au stade de la rétinopathie diabétique proliférante. La détection de ces deux lésions sombres est très importante, elles sont considérées comme des indicateurs de la progression de la maladie.
Les premières méthodes de détection des lésions sombres ont été publiées par Baudoin et al [83], ils ont détecté les microanévrismes dans les images angiographiques par l’application de la transformation chapeau haut de
forme en utilisant un élément structurant linéaire à différentes orientations. Ensuite une opération de seuillage est effectuée sous l’image du chapeau haut de forme. Les petits microanévrismes de forme ronde ont été distingués. Cependant cette méthode était très sensible elle a donnée beaucoup de faux positifs.
Walter et al [84] ont proposé un prétraitement qui consiste en un filtrage pour diminuer le bruit et augmenter le contraste. Les régions candidates ont été trouvées par l’utilisation des techniques de seuillage et des filtrages morphologiques. Cette méthode n’est pas prometteuse mais elle reste le premier travail qui porte sur la détection des micro-anévrismes dans les images couleur.
Hipwell et al. [85] ont proposé une méthode pour la détection des microanévrismes. Les images ont été initialement traitées par une correction de la teinte de l'image, suivie d’une élimination du réseau vasculaire par la transformation chapeau haut de forme.les régions candidates ont été trouvées par l’application des filtres adaptés, (convolution avec des gaussiennes bidimensionnelles de tailles différents, suivie par un seuillage).finalement une classification pixelaire a été effectuée. Le système produit une sensibilité de 81%, avec 93% de spécificité. Toutefois, cette approche n’a pas pu détecter tous les micros anévrismes en donnant peu de faux positifs.
Niemeijer et al. [86] ont proposés une méthode hybride pour la détection des micro-anévrismes et les hémorragies. Une combinaison de la méthode de chapeau haut de forme et un système de classification basé sur les pixels a été proposé pour trouver les régions candidates. La séparation entre les vrais pixels contenant les lésions a été effectuée par l’utilisation par le classifieur de k-plus proche voisin.
Sinthanayothin et al. [87] ont utilisé la technique de croissance de région suivie d’un seuillage adaptatif pour détecter les régions sombres. Le réseau de neurone a été ensuite utilisé. Pour 30 images (dont 14 contiennent des
HEs et des ME), un taux de sensibilité et spécificité de 77,5% et 88,7% a été obtenu respectivement.
Istvan Lazar et al [88] ont proposé une approche basée sur deux caractéristiques des micro-anévrismes : diamètre et circularité ; ils ont proposé une méthode pour construire une carte marquée à partir de laquelle les micro-anévrismes peuvent être extraites par une simple opération de seuillage.
Bob Zhang et al [89], ont présenté une approche basée sur sparse Représentation classifieur (SRC).tout d’abord, les micro-anévrismes ont été localisé par le filtrage de corrélation gaussienne multi-échelle ; ensuite les candidats ont été classé en micro-anévrismes ou non anévrismes par le SRC. Akara Sopharak et al [90] ont proposé d’utiliser un ensemble d'opérateurs morphologiques ajustés de façon optimale pour la détection des micro-anévrismes. Ils ont obtenus une sensibilité, spécificité et précision de 81.61, 99.99%, 99.98% respectivement.
Dans un autre travail de akara sopharak et al [91], ont utilisé les opérateurs morphologique et un classifieur baysien pour la détection des micro-anévrismes. Ils ont obtenus une sensibilité, spécificité et précision de 85.68, 99.99%, 99.98% respectivement.
Dupas et al [91] ont utilisé le chapeau haut de forme et un classifieur de k-plus proche voisin pour la détection des micro-anévrismes. Ils ont obtenus une sensibilité et spécificité de 83.9, 72,7%, respectivement.
Bae et al. [93], ont proposé une méthode hybride de détection de l'hémorragie. Les régions candidates ont été extraites à l'aide d'un modèle de forme circulaire adapté avec une à corrélation normalisée (NCC : normalized cross correlation (NCC).) ; Ensuite, les hémorragies ont été détectées par une segmentation par croissante de région par l’utilisation d’un un seuil local et régional. La méthode a atteint une sensibilité de 85%.
Saiprasad et al [94], ont proposé une méthode pour détecter les exsudats, micro-anévrismes et les hémorragies par l’utilisation de différentes opérations morphologiques appliquées de manière appropriée, ils ont
obtenus une sensibilité de 95,1% et une spécificité de 90,5% dans la détection ME et des HES.
Yuji Hatanaka et al [95] ont utilisé un système CAD (computer assisted diagnosis) pour détecter les hémorragies. Ils ont obtenu une sensibilité moyenne de 85%, une limitation de cette méthode, c'est que l'absence d'une technique de normaliser images rétiniennes et l'élimination des faux positifs. María García et al [96] ont utilisé le classifieur perceptron multicouche (MLP) pour détecter les lésions sombres.50 images ont été utilisées pour l’apprentissage et 50 pour le test.ils ont obtenus une sensibilité moyenne de 86,1% et une valeur prédictive de 71.4%.
Le principal problème dans la détection des lésions sombre pour les méthodes décrites ci-dessus est la présence de beaucoup de faux positifs (FP). Pour minimiser les FP ; une méthode hybride de détection de la lésion sombre est proposé dans le chapitre.III.
II.2. Détection de la dégénérescence maculaire liée a l’âge
Dans la littérature, la majorité des travaux ont été développés pour la détection des druses dans les images angiographiques. Peli, Chow, Ben Sbeh et al [97-99] ont proposé une approche fondée sur la morphologie mathématique pour les détecter. L’approche consiste à extraire des sous-classes de composantes connexes à partir des ensembles de maxima et minima locaux, en remarquant qu’à l’intérieur de chaque druse, il existe au moins un maximum d’intensité. Cette méthode a donné des bons résultats sur des images de bonne qualité.
A. Thaïbaoui et al [100] , ont introduit une nouvelle méthode de segmentation floue fondée sur une technique de partition optimale d’image. Cette technique de segmentation procède d’abord à un partitionnement optimal des pixels de l’image en trois classes. Une première classe représente le fond de l’image, une deuxième les objets qui sont les druses et une troisième, dite classe intermédiaire, correspond aux pixels ambigus. Sur la dernière classe de pixels, ils ont appliqué une classification floue.
Abramoff et al [101] ont employé deux méthodes pour la détection des druses dans les images couleur de la rétine. Les méthodes exploitent une approche basée sur la texture et une technique de filtrage multicanal pour la segmentation. La première approche n'est pas fiable en considérant de petites et faibles druses. Cependant, la deuxième approche, est très fiable en prenant des druses de toutes tailles et types (lumineux ou faibles) dans une image.
Ranjan et al [102], ont présenté une approche de détection des druses qui consiste à augmenter le contraste de l’image, appliquer une opération de seuillage, ils ont ensuite, déterminé le nombre des druses.
Jayanthi et al [103] ont utilisé le réseau de neurone et l’analyse par texture pour extraire les druses.
Ziyang Liang et al [104] ont proposé une approche de détection des druses qui consiste dans la première étape de détecter la macula, les druses sont ensuite identifiées dans la région de maximum intensité via les canaux RGB et HSV. Ils ont obtenus une sensibilité et spécificité de 75%
Parvathi et al [105] ont proposé de calculer l’énergie locale pour la détection et le comptage des druses.ils ont utilisé le filtre de Gabor pour calculer l’énergie locale de l’image. Les paramètres du filtre ont été ensuite, sélectionnés pour détecter les hautes fréquences afin de trouver les régions des druses. Cette méthode présente deux inconvénients : la sélection des paramètres appropriées et l’exigence de nombreuses étapes de prétraitement.
Conclusion
Dans ce chapitre, nous avons présenté les différents travaux reportés dans littératures pour la détection de la rétinopathie diabétique et la dégénérescence maculaire liée à l’âge.
Chapitre
Segmentation des Eléments
Principaux de la Rétine
SOMMAIRE
Introduction...43 I. Système d’Analyse des Images Rétiniennes Proposé...43 I.1. Évaluation de la qualité de l'image...43 I.2. Segmentation des principales composantes anatomiques de la rétine... 44 I.3. La détection des lésions liées a la RD et la DMLA... 44 I.4. La mise en œuvre d'un système d’évaluation ...45 II. Description des bases de Données ...45 II.1. Base d’images « DRIVE ... 46 II.2. Base d’images « STARE »...47 II.3. Base d’images «MESSIDOR»...47 II.4. Base d’images DIARETDB1... 49 III. Détection du Réseau Vasculaire, Disque Optique et Macula...50 III.1. Segmentation de l’arbre vasculaire ...50 III.1.1.Méthode proposée ...50 III.1.2.Résultats et Discussion... 61 III.2 Segmentation du disque optique ... 64 III.2.1. Méthodologie...65 III.2.2. Résultats et Discussion... 71 III.3. Segmentation de la macula...75 III.3.1. Méthodologie ...75 III.3.4 Résultats et Discussion...78 Conclusion ... 81
Introduction
L'imagerie numérique offre un enregistrement permanent des images rétiniennes qui peuvent être utilisées par les ophtalmologues pour le suivi de la progression des maladies ou de la réponse à la thérapie. Les images numériques ont le potentiel d'être traitées par les systèmes d'analyse automatisée. En effet, l’analyse des images du fond d'œil est une tâche compliquée, en raison de la variabilité des images rétiniennes en termes de couleur, contraste et luminosité qui peuvent conduire à une mauvaise interprétation. Dans la première section du chapitre, nous proposons un système d’aide au diagnostic des pathologies rétiniennes. Dans la deuxième section, nous décrivons les bases d’images utilisées dans cette thèse. La troisième section se focalise sur la présentation des différentes approches permettant l’extraction des éléments principaux de la rétine : L’arbre vasculaire, le disque optique et la macula. Ils sont des indicateurs clés lors du dépistage et le suivi des pathologies affectant l’œil, telles que le diabète, l’hypertension et l’artériosclérose. Leurs extraction est essentielle pour un système d’aide au diagnostique, Ils servent à s'orienter dans l'image et à classifier les lésions selon leur gravité. Finalement ; les méthodes de segmentations proposées sont évaluées et comparées par des segmentations manuelle effectuées par des ophtalmologues et par les recherches effectués dans ce domaine.