4. Segmentation des cellules 57
4.2. Pré-traitements
4.2.1. Les causes principales du bruit dans les images
Les principaux défauts rencontrés dans nos images sont :
– la diminution de la luminosité des parois en fonction de leur profondeur (voir figure
4.3), et aussi en fonction de leur orientation (cf paragraphe 3.4.2.2), ce dernier point
ayant déjà été abordé dans le chapitre précédent,
– le bruit des capteurs CCD,
– les erreurs de marquage (cf figure 4.4).
4.2.1.1. Le bruit des capteurs CCD
De manière évidente, il est plus aisé d’élaborer une solution de détection des cellules
lorsque le contraste de leurs frontières est constant sur toute l’image, et en particulier
lorsque le contraste est indépendant de la profondeur. C’est généralement le cas grâce à
la manière dont sont réglés le gain et l’offset des capteurs dans la plupart des protocoles
classiques d’acquisition.
Rappelons-nous tout d’abord que nos images de microscopie sont produites afin de
permettre l’observation des cellules des plantes. Lors de l’observation des couches
super-ficielles du tissu, la lumière émise par le laser traverse une faible épaisseur de tissu avant
de se focaliser sur un point peu profond du tissu, lequel va réémettre une lumière qui sera
captée par l’objectif du microscope. Lorsque la profondeur augmente, le chemin optique
se rallonge, et en particulier, le faisceau traverse une plus grande épaisseur de tissu. Or
les microscopes que nous utilisons fonctionnent dans des longueurs d’ondes
correspon-dant au spectre visible, et corresponcorrespon-dant aussi au spectre d’absorption des plantes. Dès
lors, une plus grande proportion de lumière est interceptée lorsque l’épaisseur de tissu
traversée augmente
1. Les conséquences sur l’image sont que les structures observées
Figure 4.4.: Défauts de marquage des images. On voit sur les agrandissements de cette
image de bouton floral d’Arabidopsis des structures inattendues (i.e. autres
que des parois ou membranes de cellules formées. A gauche, on réalise une
extraction de marqueurs en calculant les minima régionaux de l’image grâce
à l’opérateurh-min. Même en choisissant un seuilhde profondeur très élevé
(icih= 20), l’extraction conduit à un grand nombre de marqueurs pour une
seule cellule, ce qui aura pour conséquence une erreur de sur-segmentation
de cette cellule après calcul de la transformation en LPE.
sombrissent lorsque la profondeur augmente, et finissent par disparaître de l’image dans
les dernières coupes.
Pour pouvoir continuer à observer le tissu dans les couches les plus profondes, les
logiciels de contrôle du microscope et du laser permettent à l’utilisateur de régler la
puissance du laser et le gain des capteurs, et de programmer une variation linéaire de
ces paramètres en fonction de la profondeur entre deux points de contrôle spécifiés par
l’utilisateur au moment des réglages préliminaires. A titre d’exemple, les images de racines
coronaires de riz sont acquises avec une puissance laser de 0.04 watts dans les premières
coupes, la puissance atteignant 0.15 watts dans les dernières coupes. Il en va de même
avec le gain et l’offset des capteurs CCD, que l’on fait varier linéairement entre la première
et la dernière coupe. Cette méthode permet de produire des images dont le contraste est
relativement indépendant de la profondeur.
Mais l’augmentation du gain des capteurs CCD implique une augmentation du niveau
de bruit, à tel point que celui-ci finit par devenir prépondérant dans l’image et que le
signal des parois, qu’on observe très nettement en surface, est noyé dans les dernières
coupes des tissus les plus épais (voir figure 4.3). Nous serons donc confrontés à des
images comportant des zones avec un fort niveau de bruit, d’autant plus dans le cadre
de l’observation de la racine de riz, le tissu le plus épais étudié.
Le bruit des capteurs CCD peut être modélisé comme la réalisation d’un processus
aléatoire qui est généralement considéré comme stationnaire. La luminosité des voxels
est calculée grâce au défilement du pinceau laser, et en supposant que la valeur du bruit
du chemin optique, à la différence du microscope multi-photon pour lequel la lumière sera principalement interceptée sur le chemin retour, étant donné les longueurs d’ondes mises en jeu, comme il est expliqué au chapitre 2. Mais cette différence entre les deux techniques, qui donne l’avantage au microscope multi-photon, n’est pas perceptible dans nos images puisque nous en profitons pour augmenter la difficulté en étudiant des tissus beaucoup plus épais en microscopie multi-photon qu’en microscopie confocale.
dans un voxel de l’image n’est pas liée à la valeur du bruit mesurée sur l’ensemble des
voxels voisins, on peut dire que ce bruit est indépendant d’un voxel à l’autre. Par ailleurs,
on peut aussi supposer que ce bruit estblanc, c’est-à-dire que la moyenne de ce processus
sur le voisinage d’un voxel tendra vers 0 à condition de choisir le voisinage suffisamment
grand.
4.2.1.2. Les erreurs de marquage
Ce sont des erreurs de type structurel, au sens où celles-ci se manifestent par
l’appa-rition de structures inattendues dans l’image. Il peut arriver par exemple que le
fluoro-chrome se fixe sur une zone non ciblée, comme par exemple un noyau cellulaire, ce qui a
pour conséquence de le rendre visible dans l’image, et de le faire passer pour une paroi.
Dans d’autres cas, une zone d’une paroi peut apparaître moins lumineuse. On remarque
aussi que sur les images de boutons floraux, les parois en formation provoquent
l’appari-tion de petites structures lumineuses disparates à la place du contenu cellulaire qui doit
normalement apparaître comme sombre (voir figure 4.4). Ces erreurs conduisent à un
nombre trop important de minima lors de l’étape de détection des marqueurs, et à une
sur-segmentation des cellules concernées après le calcul des lignes de partage des eaux.
Contrairement au cas du bruit CCD, les erreurs de marquage forment des parasites
structurés et on ne peut donc pas les corriger par des filtres moyennes par exemple. Pour
cette raison, nous avons employé un autre type de filtre pour corriger ces erreurs, le filtre
alterné séquentiel, qui s’adresse aux structures de l’image en ne conservant que celles de
taille supérieure à l’élément structurant spécifié pour le filtrage.
4.2.2. Pré-traitements utilisés
Dans la littérature, plusieurs type de filtrage sont utilisés. Bao et al. mentionnent
un filtre passe-bas (sans plus de précision [Bao et al., 2006], on peut supposer qu’il
est linéaire, comme le filtre gaussien utilisé dans [Barbier de Reuille et al., 2005]). Des
filtres non-linéaires peuvent être également utilisés, ainsi le filtre BM3D proposé dans
[Dabov et al., 2007] est utilisé dans [Marcuzzo et al., 2008a]. Ces filtres non-linéaires
peuvent aussi être mis en œuvre par des équations aux dérivées partielles comme dans
[Campilho et al., 2006, Melani et al., 2007, Bourgine et al., 2010, Zanella et al., 2010]. Une
étude comparative de cette dernière classe de filtres a d’ailleurs été faite dans [Kriva et al., 2010].
La préservation des discontinuités peut aussi être faite avec des moyennes non-locales,
comme dans [Boulanger et al., 2005, Boulanger et al., 2010].
Nous avons de notre côté utilisé deux types de filtres : un filtre linéaire, le filtre gaussien,
et un filtre morphologique, le filtre alterné séquentiel.
4.2.2.1. Lissage gaussien
Le lissage gaussien revient à faire une moyenne pondérée autour du point considéré,
la pondération dépendant de la distance. Il consiste à convoluer l’image avec un noyau
gaussien d’écart-typeσ. Dans le cas d’un espace continu, la valeur en un pointv= (x, y, z)
G
σ(x, y, z) =Aexp
−x2+y2+z2 2σ2
A étant ici le facteur de normalisation de la gaussienne. En lui donnant la valeur
1
σ3(2π)32