Discussion sur les paramètres des contours actifs parallèles

Les différents paramètres de pondération α(s), β(s) et ϕ(s) sont, dans nos expérimen- tations, fixés à une valeur constante sur toute la courbe.

Nous commençons par discuter l’effet de l’initialisation sur les résultats de segmentation de la zone HRC. Nous avons appliqué le contour actif fermé ainsi que notre méthode avec

la même initialisation et les mêmes paramètres communs afin d’illustrer l’apport du terme de parallélisme (figure 2.12) (σ = 2, α = 10, β = 0, γ = 10, μ = 0, 1, nbGV Fiter = 5 et nbiter = 60). Initialisation Résultat avec contour actif+GVF Résultat avec contours actifs parallèles

Figure2.12 – Sensibilité du résultat des contours actifs classiques et parallèles par rapport à l’initialisation (ϕ = 200). La méthode proposée donne des résultats stables.

En analysant les résultats de la figure 2.12, on constate que dans le cas d’une ini- tialisation à l’intérieur de la zone recherchée, l’algorithme du contour actif n’arrive pas à trouver le bon contour. Cette sous-segmentation est bien visible au-dessous de la zone fovéolaire. Notre méthode arrive à pallier cette sous-segmentation à l’aide de la nouvelle énergie. Dans le cas contraire, avec une initialisation à l’extérieur de la zone HRC, notre algorithme arrive à éviter l’extremum local et converge vers la bonne segmentation. Par contre, le contour actif nous donne une sur-segmentation de la zone HRC. Comme dans la méthode des contours actifs, les paramètres sont choisis après un apprentissage sur un nombre limité d’images. De plus, le choix est fait selon l’interface à détecter.

Nous avons ensuite étudié l’influence du paramètre ϕ sur les résultats de segmentation par contours actifs parallèles. Nous avons fait varier ϕ en fixant les autres paramètres utilisés, comme dans l’exemple précédent. Les résultats sont illustrés dans la figure 2.13.

En observant les résultats dans la figure 2.13, on constate qu’une valeur assez impor- tante de ϕ évite une sous-segmentation ou une sur-segmentation. Ainsi, les contours actifs parallèles convergent vers les contours recherchés. Une valeur trop forte de ϕ engendre une contrainte de parallélisme très grande par rapport aux autres termes de l’énergie et favorise un parallélisme strict. De plus, nous avons testé la sensibilité de notre méthode par rapport à la valeur du paramètre ϕ. Nous avons constaté qu’une plage de valeur assez large de 100 jusqu’à 300 assure la bonne convergence de notre méthode pour la détection du contour recherché.

Initialisation

ϕ = 10

ϕ = 200

ϕ = 10000

Figure2.13 – Sensibilité du résultat des contours actifs parallèles par rapport au para- mètre ϕ.

2.5 Conclusion

Dans ce chapitre nous avons présenté l’ensemble des méthodes utilisées pour la segmen- tation des images OCT des sujets sains et pathologiques étudiées dans ce manuscrit. Pour chacune, nous avons présenté le principe de base et nous avons discuté le choix des para- mètres ainsi que leur influence sur les résultats. Nous avons appliqué la première méthode, classification par k-moyennes et régularisation avec les champs de Markov, essentiellement pour la segmentation des couches nucléaires internes (section 3.5). Cette méthode a été appliquée pour les images OCT des sujets sains et pathologiques de rétinopathie pigmen- taires. Nous avons estimé l’interface ONL/IS avec un filtre de Kalman dans les images des sujets sains (section 3.4). Pour les sujets pathologiques souffrant de rétinopathie pigmen- taire, nous avons développé les contours actifs parallèles pour la détection des frontières externes de l’INL et de la zone HRC, ainsi que pour la localisation de l’interface ONL/IS. Enfin, pour toutes les interfaces détectées, que ce soit pour les sujets sains ou patholo- giques, nous régularisons les résultats à l’aide des contours actifs détaillés dans ce chapitre en réglant à chaque fois les paramètres adéquats pour chacune des interfaces.

Chapitre 3

Segmentation des couches

rétiniennes chez des sujets sains

Nous nous intéressons ici à la segmentation des différentes couches rétiniennes détectées dans des images OCT. Nous avons présenté dans le chapitre précédent l’ensemble des méthodes et modèles développés dans cette thèse. Dans ce chapitre nous mentionnons comment ils sont utilisés dans un algorithme de segmentation des structures rétiniennes chez des sujets sains.

Ce chapitre est organisé de la manière suivante. Dans un premier temps, nous pré- senterons brièvement le processus choisi pour la segmentation. Dans un deuxième temps, nous développerons les différentes étapes de ce processus. Pour finir, nous présenterons notre protocole de validation de notre méthode de segmentation.

La figure 3.1 représente le processus de segmentation proposé. Les images sont d’abord prétraitées, afin d’en extraire les données OCT et d’atténuer le bruit. Ensuite, nous uti- lisons les connaissances anatomiques sur la position relative des couches de la rétine et leur apparence dans les images OCT pour détecter et localiser de façon séquentielle les couches rétiniennes. Les deux premières étapes consistent à détecter les interfaces qui pré- sentent le plus de contraste, à savoir les contours du complexe hyper-réflectif (HRC) et la membrane limitante interne (ILM). A ce stade, la zone de la rétine est complètement délimitée. L’analyse de la limite interne de la zone HRC est ensuite affinée, afin de loca- liser les segments internes (IS) et externes (OS) des photorécepteurs, avec précision. Les deux dernières étapes visent à aligner les images et à réaliser la segmentation des couches rétiniennes internes (RNFL, GCL + IPL, INL, OPL, ONL).

Figure3.1 – Processus de la méthode de segmentation proposée.

3.1 Pré-traitements