Mod`eles d´eformables et images multicomposantes

3.4 Traitement d’images multicomposantes par EDP

3.4.3 Mod`eles d´eformables et images multicomposantes

Ç c(|∇Iσ|) ^∇φ |∇φ| åô |∇φ| . (3.63)

Cette expression équivaut à un mouvement de S selon sa normale en proportion d’une pseudo-courbure H|∇I|dépendante du gradient :

∂_tS = H_|∇I|N. (3.64)

En d´ecomposant (3.63) en deux termes :

∂_tφ = c(|∇φ|) Ç ∇ · ^∇φ |∇φ| å |∇φ| + ∇c(|∇φ|) · ∇φ, (3.65)

Sapiro remarque une analogie analytique entre l’évolution des modèles déformables géodésiques et les schémas de diffusion non-linéaires. En remplaçant la fonction de dis-tance φ par l’image I elle-même :

∂_tI = c(|∇Iσ|) Ç ∇ · ^∇I |∇I| å |∇I| | {z }

Diffusion non lin´eaire

+∇c(|∇Iσ|) · ∇I

| {z }

Advection

. (3.66)

On retrouve, dans le premier terme, la diffusion dans la direction des isophotes pro-posée par Alvarez, Lions et Morel correspondant à l’équation (3.44). Le second terme peut être vu comme un filtre de choc : il opère une advection de I vers les régions de gradients élevés à la vitesse ∇c dans la direction du gradient. La figure 3.4 illustre ce comportement advectif sur un cas 1D, où le gradient de c entraˆıne le déplacement des isophotes vers les contours.

Les courbes de niveaux de l’image elles-mˆemes devenant l’objet du mouvement, Sapiro nomme cette m´ethode self snakes.

En rendant le coefficient de diffusion c dépendant de la norme N de cohérence du gradient vectoriel, il en étend le principe aux images multicomposantes à la fois pour la segmentation sous les termes color snakes et vector snakes, et au filtrage sous les termes color self snakeset vector self snakes.

3.4.3 Mod`eles d´eformables et images multicomposantes

Cette idée d’apporter l’information de norme du gradient vectoriel N aux modèles déformables évoluant dans les images multicomposantes a également été suivie par quelques autres approches.

Figure 3.4 – Illustration du comportement advectif du second terme de l’équation (3.66) sur un cas 1D. De haut en bas : I, Iσ et, c(|∇Iσ|), fonc-tion décroissante de |∇Iσ|. Le gradient de c illustré par les flèches entraˆıne le déplacement des isophotes de I vers les contours à la manière d’un filtre de choc. Adapté de [9]

Color invariant snakes, Gevers, Ghebreab et Smeulders (1998)

Gevers, Ghebreab et Smeuldeurs [94] proposent une généralisation de la méthode ori-ginale des contours actifs de Kass et al. au cas des images couleurs en remplaçant la carte des contours f par N =^√λ₁− λ2la norme de cohérence dans l’espace RGB.

Region aided geometric snakes, Xie et Mirmehdi (2004)

Dans le cadre des modèles géodésiques, Xie et Mirmehdi [95] proposent d’ajouter un terme d’évolution de la fonction φ dépendant d’une simplification antérieure R de l’image (par exemple par un filtre de type mean-shift [96] ou un filtre bilateral [97]). En incorporant un terme de forces extérieures otenu à partir d’un champ GVF calculé sur R, ils montrent qu’ils facilitent la convergence du modèle. Ils étendent leur approche au cas des images en couleurs en employant la norme de cohérence comme détecteur de contours.

Color GVF de Yang, Meer et Foran (2005)

Yang, Meer et Foran [98] proposent une extension des champs de FBC de type Gradient Vector Flow aux images en couleurs en remplaçant dans l’équation du GVF (3.24) f par la norme de cohérence dans l’espace Luv.

Multidimensional VFC, Jaouenet al. (2013)

Nous avons proposé [99] une généralisation de l’approche Vector Field Convolution au cas des images multicomposantes en imagerie TEPd, où nous remplaçons le détecteur de contour f dans l’équation du VFC (3.26) par la norme de Frobenius N =^√^Piλ_i.

Un cadre alternatif, le flot de Beltrami

Nous mentionnons une approche multicomposante similaire dans ses effets à celle de Di Zenzo, proposée par Sochen, Kimmel et Malladi pour la régularisation d’images en couleurs et nommée flot de Beltrami [100]. Elle consiste à considérer une image p-dimensionnelle à M composantes comme une surface évoluant dans un espace de dimen-sion p + M englobant à la fois l’information d’intensité et de position8.

I : (x1, ..., xp)∈ R^M → [x1, ..., xp, I1(x1, ..., xp), ..., IM(x1, ..., xp)]∈ R^p+M, (3.67) sur lequel est définie une métrique g reliée au tenseur de structure multicomposante ˜G par la relation :

g = ˜G +Ip, (3.68)

où Ip est la matrice identité de dimension p. Régulariser une image consiste alors dans ce cadre à minimiser la surface I selon cette métrique.

Goldenberg et al. proposent une approche de contours actifs géodésiques où l’évolution de φ est contrôlée par la norme du tenseur de Beltrami [101]. Récemment, Estellers et al. proposent une nouvelle équation d’évolution générale de contours actifs géodésiques basés région et gradient nommée contours actifs harmoniques[102]. Le cas multicomposante est géré par des termes de couplage entre les gradients de chaque composante et le gradient de la fonction φ (par le produit scalaire). Cette idée de coupler les gradients de chaque composante pour favoriser leur alignement est simultanément proposée dans le même numéro de IEEE Transactions on Image Processing par Ehrhardt et Arridge pour le filtrage d’images multicomposantes [103].

3.5 Conclusion

Les modèles basés EDP s’écrivent dans un formalisme intuitif dans lequel la solution s’entend comme une modification successive d’un état initial sous l’effet de contraintes issues de l’analyse de la structure locale des images.

Bien qu’ayant des finalités différentes, les approches de segmentation par modèles déformables et les approches de filtrage trouvent dans ce cadre une unité d’écriture cer-taine. Pour ces deux formes de traitement, le cas multicomposante est élégamment traité par le formalisme du tenseur de structure, permettant d’établir à la fois l’amplitude et la direction du gradient vectoriel, un estimateur robuste généralisant la notion de gradient.

Dans le cas du problème de segmentation d’images multicomposantes bruitées, les modèles basés contours présentés souffrent de deux défauts principaux. D’une part, seule l’information d’amplitude du gradient vectoriel est exploitée pour détecter les contours. Pourtant, la direction du gradient vectoriel, obtenue par décomposition du tenseur de structure multicomposante permet d’affiner l’estimation des contours. D’autre part, les modèles ne tiennent pas compte des variations de représentativité de l’objet d’intérêt dans les différentes composantes. En effet, comme c’est le cas en imagerie TEPd, les niveaux de bruit et de contrastes variables dans les différentes composantes confèrent à ces dernières un intérêt inégal pour la détection des vrais contours vectoriels de l’image.

8. la surface peut être également enrichie de toute autre information jugée utile, telle que des descripteurs locaux de texture, ou des coefficients de transformées en ondelette.

Dans le cas du problème de restauration par débruitage-rehaussement, les schémas d’advection-diffusion-réaction de type filtre de choc identifient la localisation du rehaus-sement soit de manière relativement peu robuste en raison de la recherche des zéros de la dérivée seconde du signal ([69]), soit de manière inégale le long des différentes compo-santes dans le cas d’approches marginales [73], conduisant à un rehaussement incohérent. De telles contraintes compliquent l’emploi des outils de traitement existants, développés pour des catégories d’images moins dégradées. Ces limitations nous conduisent à développer de nouvelles approches adaptées aux images fortement bruitées et floues no-tamment rencontrées en imagerie TEPd.

Nous présentons dans le chapitre comment le formalisme des EDP peut être employé dans le cadre d’une nouvelle approche de segmentation par modèles déformables pour les images multicomposantes, particulièrement adaptée aux contraintes de l’imagerie TEPd cérébrale.

CHAPITRE

4

Champ 4DGVF pour la segmentation d’images multicomposantes

R´esum´e

Dans ce chapitre, nous nous intéressons au problème de l’identification de régions d’intérêt dans des images multicomposantes présentant des niveaux de dégradation susceptibles de mettre en échec les approches de segmentation conventionnelles.

Nous proposons un nouveau champ de forces extérieures pour les modèles déformables évoluant dans les images multicomposantes, le champ 4DGVF (4D gra-dient vector flow). Les forces 4DGVF sont une généralisation aux images multicompo-santes des forces de type gradient vector flow applicables aux images scalaires. Elles présentent l’avantage de tirer profit de la complémentarité et de la redondance du signal de contour vectoriel pour améliorer la convergence des modèles.

Dans l’approche 4DGVF, les contours vectoriels sont identifiés par un gradient multicomposante de l’image, calculé à partir de l’analyse d’un tenseur de structure dans lequel les composantes sont pondérées par un estimateur aveugle du contraste de l’objet d’intérêt. Cette pondération permet d’évaluer de manière automatique les composantes dans lesquelles l’objet est le plus visible, et d’y renforcer en conséquence l’information de contours. En propageant les directions robustes de ce gradient vec-toriel, l’approche 4DGVF peut guider les modèles déformables dans des images vecto-rielles fortement bruitées pour lesquelles des approches de la littérature ne reposant que sur l’amplitude de ce gradient s’avèrent insuffisantes.

Après avoir motivé et présenté l’approche 4DGVF, nous la validons sur plu-sieurs types d’images multicomposantes : images synthétiques et simulations réalistes d’images TEPd. Nous nous comparons quantitativement à d’autres approches de la littérature et montrons des résultats de segmentation de volumes fonctionnels en TEPd sur des images réelles.

4.1 Introduction

L’identification de régions d’intérêt en imagerie multicomposante peut être rendue difficile en raison de niveaux de bruit et de contraste variables, impactant défavorablement la représentation des objets dans les différentes composantes de l’image.

Cette problématique se rencontre notamment en imagerie TEPd, cadre applicatif de notre travail. Dans cette modalité, le contraste entre les régions fonctionnelles varie le long

des différentes composantes temporelles de l’acquisition en raison des changements de concentration du radiotraceur au cours du temps, ce qui complique l’identification de vo-lumes cibles. Ces composantes temporelles sont de plus affectées par des niveaux de bruit variables, caractéristiques des paramètres de l’acquisition. Il existe peu d’approches de seg-mentation adaptées à ce type d’images. En particulier, les approches basées contours (et donc basées gradient) sont réputées peu applicables à l’imagerie TEP [104], où l’on observe généralement un faible rapport signal sur bruit du signal de gradient. Les approches basées sur les variations locales sont en effet très sensibles au sources de gradient parasites issues du bruit.

Le cadre multicomposante offre néanmoins la possibilité de dépasser les limitations de traitements marginaux en exploitant la redondance et la complémentarité de l’infor-mation de contour le long des différentes composantes. En imagerie TEPd, les contours physiques des objets ne varient pas, c’est à dire que les régions d’intérêt sont caractérisées par l’homogénéité de leur représentation le long des différentes composantes.

Dans ce contexte, bien que les contours puissent être mal définis sur les compo-santes individuelles, nous proposons d’appuyer la segmentation sur une combinaison adaptée des différentes informations structurelles des composantes, en tirant profit de la complémentarité et/ou de la redondance des contours afin d’en améliorer la localisation.

Le champ de forces proposé, nommé 4DGVF pour Four Dimensional Gradient Vector Flow, tire profit de l’intégralité de l’information disponible dans les composantes de l’image pour améliorer la convergence du modèle vers les zones d’intérêt. La contribution de ce travail est double :

— Nous définissons une carte vectorielle orientée en directions des contours vecto-riels calculée à partir de l’analyse du tenseur de structure de l’image. Cette carte caractérise à la fois en direction et en amplitude le gradient vectoriel. Nous mon-trons que cette information, propagée dans l’image, permet de guider les modèles déformables vers les contours des régions d’intérêt de manière plus précise que dans les approches ne reposant que sur l’information scalaire d’amplitude des contours. — Nous proposons une pondération automatique de l’influence des composantes dans le calcul du tenseur de structure pour contrôler leur influence respective et favoriser l’information quand le contraste de l’objet est supérieur aux variations causées par le bruit. Nous montrons l’intérêt d’employer un estimateur du rapport contraste sur bruit de l’objet d’intérêt s’appuyant sur le modèle déformable lui-même.

Appliqué à des images volumétriques multicomposantes produites en imagerie cérébrale par TEPd, le modèle 4DGVF permet la définition de volumes fonctionnels, une tâche importante et difficile de la chaˆıne d’analyse quantitative.

Dans la suite de ce chapitre, nous décrivons dans un premier temps une méthode de pondération des composantes adaptée aux modèles déformables évoluant dans ce type d’images à valeurs vectorielles. Après avoir justifié l’emploi d’une pondération d’un ten-seur de structure basée sur le rapport contraste sur bruit (CNR), nous établissons des es-timateurs aveugles de CNR reposant sur le modèle déformable lui-même. Nous décrivons ensuite le schéma 4DGVF de diffusion des directions des gradients vectoriels issus de la décomposition du tenseur de structure. Nous montrons que la propagation de ces direc-tions améliore la précision du champ de forces vis-à-vis d’approches ne considérant que l’information d’amplitude.

d’images multicomposantes : images multispectrales 2D, jeu de données synthétiques 3D et simulations Monte Carlo réalistes d’images TEP. Nous comparons nos résultats à la fois à des approches monocomposantes et multicomposantes de la littérature décrites au cha-pitre précédent. Nous illustrons enfin la capacité du modèle à segmenter des images TEP réelles.

Dans le document Traitement des images multicomposantes par EDP : application à l'imagerie TEP dynamique (Page 62-68)