Pistes proposées

Nous avons vu qu’il existait différentes stratégies pour analyser des images de lame entière d’histologie. Pour contourner le problème posé par la taille de ces images, ces der-nières sont, le plus souvent, divisées en imagettes dont la dimension doit être adaptée à la taille des structures que l’on cherche à détecter. Pour classer ces imagettes, différents para-mètres de texture sont calculés. Soit l’étiquetage des imagettes est fait directement à partir des valeurs des paramètres, soit ces valeurs sont utilisées pour paramétrer un classifieur qui permet ensuite de calculer la probabilité d’appartenance à une classe. Pour améliorer le temps de calcul, une approche multirésolution est souvent proposée. L’utilisation de diffé-rents moyens matériels ou logiciels est également envisageable. Certains auteurs [Yagi et Gilbertson, 2008] préconisent enfin l’acquisition multispectrale pour améliorer la qualité des images et faciliter la détection des structures.

Les articles présentés ci-dessus sont majoritairement postérieurs au début de cette thèse. Tous (sauf [Apfeldorfer et al., 2008]) réalisent une classification d’imagettes et non une segmentation de chaque pixel pris individuellement. Aucun ne traite de la seg-mentation des différents types de compartiments stromaux. Cependant, ces articles nous confortent dans les pistes que nous avons choisies afin de traiter notre problème. Nous avons en effet décidé d’appliquer une approche multirésolution permettant d’écarter cer-tains compartiments (comme le fond) à faible résolution et de diminuer ainsi la quantité de données à analyser à pleine résolution. Ensuite, après avoir étudié l’aspect des différents types de compartiments stromaux (couleur, texture, morphologie), nous avons décidé de considérer que chaque compartiment présentait une texture particulière qu’il fallait carac-tériser, les résultats des différentes approches pouvant éventuellement être fusionnés.

Dans le chapitre suivant, nous allons présenter un état de l’art concernant les diffé-rents outils ou méthodes proposés dans la littérature, utiles aux stratégies que nous avons choisies afin de mener à bien notre analyse : représentation de la couleur, de la texture, segmentation de texture, incluant ou non une approche multirésolution.

Les images que nous souhaitons traiter comportant plusieurs classes à segmenter, nous présenterons également la problématique de l’utilisation d’un classifieur multiclasse, op-posée à l’utilisation d’une combinaison de classifieurs binaires.

19Le Gentle Boosting est une version multiclasse plus robuste et plus stable de l’AdaBoost qui permet d’améliorer les performances d’un classifieur faible, en s’appuyant sur les exemples précédemment mal classés [Friedman et al., 2000].

É

TAT DE L

’

ART SUR LES OUTILS OU

MÉTHODES D

’

IMAGERIE

Sommaire

2.1 Représentation des images . . . 30 2.1.1 Représentation de la couleur . . . 30 2.1.2 Les descripteurs de texture . . . 37 2.1.3 Représentation en ondelettes . . . 44 2.2 Analyse de texture . . . 55 2.2.1 Segmentation de texture . . . 55 2.2.2 Classification de texture . . . 56 2.3 Description d’une méthode de segmentation de texture par modèle

d’arbre de Markov caché . . . 57 2.3.1 Modélisation des données . . . 57 2.3.2 Apprentissage des paramètres du modèle HMT. . . 60 2.3.3 Segmentation multiéchelle par modèle HMT . . . 60 2.3.4 Fusion interéchelle basée sur le contexte . . . 62 2.4 Classification supervisée d’un problème multiclasse . . . 65

2.4.1 Classification supervisée : classifieur multiclasse ou combinai-son de classifieurs binaires ? . . . 66 2.4.2 Stratégies de décomposition . . . 67 2.4.3 Stratégies de décodage . . . 70

Dans le chapitre précédent, nous avons étudié les « objets du domaine » présents dans les images à analyser. Nous avons vu qu’ils étaient principalement caractérisés par leur texture et leur forme. Nous avons vu par ailleurs que la taille des images utilisées imposait de faire appel à des stratégies particulières pour le traitement d’images. Nous avons choisi de privilégier une approche multirésolution.

Dans ce chapitre, nous allons réaliser un état de l’art des outils ou méthodes d’imagerie qui seraient pertinents pour segmenter les classes d’intérêt présentes sur ces grandes images. Nous allons tout d’abord passer en revue les différentes manières de représenter une image : par sa couleur, sa texture ou bien en la transformant dans un autre espace. Ici, nous introduirons les analyses multirésolutions à base d’ondelettes.

Nous décrirons au passage quelques méthodes de segmentation de texture et nous nous attarderons particulièrement sur la méthode que nous privilégions : la segmentation par modèle d’arbre de Markov caché.

Une fois les objets présents dans l’image caractérisés, notre objectif est de leur attribuer 29

une identité. Pour cela, nous nous pencherons sur l’opportunité d’utiliser un classifieur multiclasse plutôt qu’une combinaison de classifieurs binaires. Nous décrirons les diffé-rentes stratégies permettant de décomposer le problème multiclasse, puis de combiner les résultats de classification des classifieurs binaires.

2.1 Représentation des images

Dans cette partie, nous allons voir comment représenter une image en fonction de sa couleur, de sa texture ou de ses singularités (grâce à la transformée en ondelettes). Il est important de s’intéresser au mode de représentation de la couleur, car nous avons vu que les images de lames virtuelles que nous souhaitons traiter sont des images qui peuvent présenter des défauts de reproductibilité de la restitution couleur. Il est donc nécessaire de déterminer le (les) meilleur(s) espace(s) couleur pour représenter les images.

Il est également important de s’intéresser aux descripteurs de texture, car nous souhaitons caractériser chaque compartiment stromal par la texture qu’il exprime.

Il est enfin important de s’intéresser à la transformée en ondelettes d’une image, car elle permet non seulement de mettre en avant les singularités d’une image (ce qui rejoint l’ana-lyse de la texture), mais également d’introduire une anal’ana-lyse multirésolution qui imite l’ac-tion d’un pathologiste qui, lorsqu’il étudie une lame, navigue entre les différents objectifs du microscope.