Nous avons vu dans ce chapitre trois types d’approches de segmentation qui sont diff´erentes par leur fa¸con de percevoir les contours et leur mani`ere de traiter les d´eformations des courbes. Elles consid`erent les contours soit comme des courbes planes (les mod`eles d´eformables param´etriques, les snakes), soit des courbes de niveau (les mod`eles g´eom´etriques, les levels sets), ou alors dans le cas des mod`eles statistiques, comme une adaptation des contours `a partir des trac´es manuels. Dans ce qui suit, nous discutons ces diff´erents mod`eles.
3.5.1 Les mod`eles statistiques
Ces m´ethodes bien qu’elles offrent l’avantage de segmenter les donn´ees multidimen- sionnelles, ont cependant deux grandes limitations :
– elles d´ependent toujours du mod`ele initial qui est souvent construit `a partir de segmentations manuelles,
– elles ont besoin d’un grand nombre de donn´ees pour la phase d’apprentissage, ceci pour prendre en compte la variabilit´e observ´ee sur une population donn´ee. De plus, le mod`ele appris sur un type de s´equences d’images ou sur une pathologie sp´ecifique, doit ˆetre r´e-appris `a chaque fois qu’il y a une diff´erence au niveau de l’ac- quisition des s´equences ou au niveau des pathologies trait´ees.
Le comportement de cette approche vis-`a-vis de l’inclusion des piliers dans la cavit´e, d´epend du mod`ele de base et du choix de l’expert de les inclure ou non dans la cavit´e. Finalement, ces mod`eles sont complexes `a construire et n´ecessitent des calculs num´eriques importants, vu que les m´ecanismes de correspondance entre le mod`ele et les donn´ees n´ecessitent un recalage de donn´ees volum´etriques denses soit par rapport `a un mod`ele d’intensit´e [Lorenzo-Vald`es et al., 2004,Mitchell et al., 2002,Frangi et al., 2002], soit en mettant `a jour un mod`ele de surface [Van Assen et al., 2003,Kauss et al., 2004]. Ensuite, il n’existe pas des ´etudes qui ´etudient l’influence de l’apprentissage sur la qualit´e des r´esultats.
3.5.2 Les mod`eles d´eformables g´eom´etriques
Les m´ethodes de type Level Sets permettent de s’affranchir de la d´ependance param´etrique du contour, dans la mesure o`u ils poss`edent une param´etrisation in- trins`eque.
Leur avantage principale est qu’ils permettent de segmenter plusieurs objets `a la fois car ils g`erent le changement de topologie. Cette propri´et´e est int´eressante pour prendre en compte les piliers lorsqu’ils sont `a l’int´erieur de la cavit´e et bien marqu´es par rapport au niveau de gris de la cavit´e. Cependant, lorsque les muscles papillaires sont partielle- ment coll´es `a la paroi endocardique, le mod`ele ne peut pas segmenter correctement la cavit´e en incluant ces muscles `a l’int´erieur. Ces mod`eles connaissent plusieurs autres limitations :
– le positionnement du contour initial qui doit ˆetre, selon la direction de l’´evolution de la courbe de niveau `a l’int´erieur ou `a l’ext´erieur de l’objet `a segmenter.
– le choix du crit`ere d’arrˆet qui est d´eterminant dans le r´esultat final de la seg- mentation.
– le probl`eme de fuites de contours lorsque l’objet `a segmenter n’est pas tr`es bien contrast´e avec l’ext´erieur ou les contours sont mal d´efinis voir interrompus.
3.5.3 Les mod`eles d´eformables param´etriques
Le mod`ele initial introduit par Kass a les avantages de combiner deux op´erations en une seule `a savoir la d´etection et le chaˆınage ; il offre aussi la possibilit´e d’avoir un contour r´egulier. En effet la connexit´e de la courbe permet d’int´egrer de mani`ere implicite l’information le long de la courbe sans avoir `a chercher comment il faut connecter les points obtenus. En revanche, une limite de ce mod`ele consiste en la tendance des points `a s’accumuler dans des portions de contours `a forts gradients. Mais cette limitation a ´et´e d´epass´ee dans [Cohen, 1991] en consid´erant la force de ballon. Cette force qui s’applique suivant la normale a pour rˆole de propager la courbe vers l’objet, tout en ´evitant qu’elle ne soit attir´ee par les points de forts gradients d’intensit´e ”parasites” correspondant soit au bruit pr´esent dans l’image, soit `a la texture.
Un avantage offert par les snakes est la possibilit´e d’introduire dans la d´efinition de de l’´energie des caract´eristiques de l’image ainsi que des informations qui peuvent ˆetre ajout´ees suivant le contexte. Ces m´ethodes sont simples `a implanter et `a utiliser mais requierent une initialisation qui doit ˆetre en g´en´eral proche de la solution finale et un r´eglage des param`etres, pas toujours pr´ecis´es dans les articles.
3.5.4 Synth`ese des diff´erentes m´ethodes
Parmi les diff´erentes m´ethodes pr´esent´ees ci-dessus, rares sont les m´ethodes qui sont appliqu´es sur des images 3D+t, 2D+t.
Pour ces diff´erentes m´ethodes, on peut citer les points ci-dessous :
– le trac´e manuel r´ealis´e par un expert, tr`es rarement par deux est toujours pris comme r´ef´erence,
– les principaux crit`eres utilis´es pour l’´evaluation de la segmentation sont soit des param`etres physiologiques comme la fraction d’´ejection, les volumes t´el´e- diastolique et t´el´e-systolique, et la masse myocardique soit exprim´es en termes de distances moyennes entres deux contours ou les distances moyennes entre contour et surface,
– le probl`eme de l’interaction de l’utilisateur est rarement discut´e,
– le choix des param`etres en g´en´eral n’est pas d´etaill´e dans la plupart des articles.
3.5.5 Choix de la m´ethode
Dans le cadre de cette th`ese, la segmentation du ventricule gauche vise des applica- tions cliniques n´ecessitant une inclusion des piliers `a l’int´erieur de la cavit´e. Un crit`ere principal pour notre choix de la m´ethode de segmentation est d’avoir une m´ethode de segmentation simple, facile `a impl´ementer et fournissant une cavit´e englobant les muscles papillaires pour les applications d´edi´ees.
L’´etude que nous avons r´ealis´e dans ce chapitre, relative aux trois grandes m´ethodes de segmentation en IRM cardiaque nous conduit `a choisir les mod`eles d´eformables param´etriques pour la segmentation du ventricule gauche. En effet, notre probl`eme consiste d’une part `a segmenter un objet unique et de forme r´eguli`ere, de type cir- culaire, et d’autre part `a mettre en place une m´ethode simple, robuste et facile `a impl´ementer et `a utiliser pour les applications cliniques. De ce fait, les m´ethodes per- mettant de changer de topologie ou de types mod`eles statistiques ne s’av`erent pas ad´equates pour notre probl`eme.