Expérimentation sur une image réelle

Pour valider le comportement de la détection de zones plates floues, une expérimentation a été effec- tuée sur une image réelle. L’image considérée est une région d’intérêt extraite d’une coupe d’un volume de tomosynthèse du sein contenant une lésion de radiométrie à peu près constante. Cette image, qui est présentée à la figure 4.14(a), présente aussi une superposition entre la lésion et une autre structure invali- dant partiellement l’hypothèse que l’opacité est d’intensité constante. Pour voir si des zones plates floues correspondent à cette dernière dans l’image floue créée à partir de la même approche par ondelettes que précédemment, celle-ci a été filtrée par le même opérateur que pour les images synthétiques, c’est-à-dire celui défini à l’équation 4.1, ses paramètres étant adaptés à la taille de la lésion. On remarquera encore que ce filtre assez simpliste n’a pas pour but de détecter uniquement les lésions dans la mesure où seul un test sur la surface des objets est effectué. Au contraire, il sert juste à vérifier la présence de composantes connexes floues compatibles avec la lésion présente.

La figure 4.14 expose le résultat du filtrage pour différentes quantités de flou par pixel. Dans la mesure où la méthode de construction est la même que pour les exemples synthétiques, les images floues associées à ces différentes valeurs sont produites grâce au théorème 4.3.2. On remarquera qu’une partie interne de la lésion n’est pas complètement détectée alors que le reste l’est pour les valeurs de quantité de flou les plus faibles comme on peut le voir sur les figures 4.14(d) à 4.14(h). Cela est dû au fait qu’une structure se superpose à la lésion à cet endroit, rendant ainsi l’hypothèse de stabilité radiométrique invalidée aux frontières de cette zone. Lorsque l’on augmente encore la quantité de flou, on reconnecte ces deux parties comme illustré aux figures 4.14(i) et 4.14(j). Néanmoins, on s’apercevra qu’en faisant cela, la quantité de flou n’est plus optimale pour le reste de la lésion, dégradant ainsi légèrement le résultat comme on peut le voir sur la partie supérieure droite de l’opacité à la figure 4.14(j). Ce phénomène d’amélioration et de dégradation simultanées est visible sur un intervalle de qfpp illustré par les figures 4.14(g) à 4.14(k). Au- delà de cet intervalle, la qualité de la détection se dégrade de manière globale validant ainsi les conclusions tirées précédemment sur les images synthétiques.

4.4

Conclusion

Dans ce chapitre, nous avons abordé le problème de la construction des images floues. Nous avons proposé des méthodes générales comme le déploiement d’un patron sur les niveaux de gris originaux et l’utilisation de filtres de rang, mais aussi un cadre général de construction d’images à partir de méthodes de débruitage. En effet, dans la mesure où les images floues ne peuvent représenter correctement un bruit statistique, le débruitage des images est nécessaire. L’idée principale développée dans ce chapitre est de

(a) (b) (c) (d) (e)

(f) (g) (h) (i) (j)

(k) (l) (m) (n) (o)

(p) (q) (r) (s) (t)

(u) (v) (w) (x) (y)

FIG. 4.14 – Extraction des zones plates floues correspondant à une lésion dans une coupe d’un volume de tomosynthèse du sein. (a) Région d’intérêt contenant la lésion. Les figures (b) à (y) correspondent aux détections pour des qfpp croissantes.

modéliser l’imprécision produite dans cette étape de débruitage de manière à la transmettre dans les images floues. De cette manière on transforme le bruit statistique présent dans les images en imprécision de dé- bruitage. Dans ce contexte une extension des méthodes de débruitage par ondelettes a été proposée pour construire des images floues.

Une étude sur des images synthétiques a aussi été conduite permettant de mettre en évidence que la façon de construire les images floues, et notamment la quantité d’imprécision introduite dans l’image,

influe directement sur la capacité qu’a un filtre connexe à détecter diverses structures. Ainsi, on a montré que dans le cas d’images contenant un bruit gaussien ou de Poisson, la quantité optimale de floue à introduire dépendait du rapport contraste à bruit des structures à détecter. Ces conclusions ont aussi été validées sur une image réelle extraire d’une coupe de volume de tomosynthèse de sein.

Chapitre 5

Segmentation floue

La caractérisation des lésions est une étape importante dans une chaîne de détection automatique de lésions. Dans le cas des opacités, il est assez naturel de délimiter les structures suspectes à l’aide d’un contour. Malheureusement, certaines lésions peuvent parfois être assez mal discernables, posant ainsi le problème de leur localisation, de leur délimitation voire de leur présence. Dans ce chapitre, nous allons proposer des méthodes de segmentation reposant sur la logique floue et permettant de prendre en compte ces problèmes.

Dans un premier temps nous détaillerons le contexte de la segmentation floue. Nous parlerons ensuite d’une méthode de segmentation reposant sur des seuillages multiples. Puis, nous présenterons une ap- proche d’extraction de contours flous à partir d’une méthode de segmentation proposée par Peters et al. (2007). Nous finirons enfin par l’extension d’une méthode de segmentation reposant sur des principes de programmation dynamique (Timp et Karssemeijer, 2004).

5.1

Intérêt des contours flous

Certains problèmes comme la difficulté de définir un unique contour ou le doute sur la présence d’une lésion peuvent être pris en compte en utilisant le formalisme de la logique floue. Dans un premier temps nous rappellerons quels sont les défauts d’une image et leur implication en terme de segmentation puis nous parlerons du formalisme des contours flous.