Récapitulatif de la thèse

Le principal objectif de cette thèse est de fournir un algorithme robuste et ecace pour la détection du nerf dans les images échographiques. Ce travail prouve la faisabilité d'un système d'aide aux praticiens de l'anesthésie locorégionale écho-guidée. Les algorithmes développés pour la détection du nerf médian sont plus ecaces comparés au travaux existants dans la littérature et les méthodes traditionnelles.

Dans cette thèse, une étude des méthodes de segmentation dans les images US a été réalisée. L'analyse de ces méthodes a révélé que les méthodes hybrides (localisation et segmentation) sont les mieux adaptées dans les images US. Pour la localisation, les méthodes de détection assistées par ordinateur proposent des solutions intéressantes à partir de la combinaison de plusieurs étapes : dé-bruitage, extraction et sélection des caractéristique, classication. Cependant, l'ecacité de ces méthodes est fortement liée au choix des techniques mises en oeuvre à chaque étape de la chaîne de traitement. En conséquence, une étude approfondie des techniques utilisées a été élaborée. ce travail a permis de proposer d'une part, un nouveau descripteur basé sur les motifs de texture et le ltre fréquentiel et d'autre part, un nouvel algorithme de sélection de caractéristiques basé sur la combinaison de méthodes à base de ltres et d'apprentissage. Précisons que la qualité de l'image US est aectée par le bruit et les artefacts. Pour faire face à ces inconvénients, nous avons proposé un descripteur de texture basé sur un ltre de Gabor appliqué sur les éléments obtenus à partir de la méthode dite Motif Médian Binaire (MBP). Cette proposition résulte des observations suivantes : nous avons constaté que le ltre de Gabor seul réduit ecacement le bruit. Néanmoins, les méthodes fréquentielles en général ne sont pas propices à caractériser la structure du nerf. C'est

5.2. CONTRIBUTION

pour cela que nous proposons d'utiliser conjointement le descripteur MBP et le ltre de Gabor, an de contribuer plus ecacement à la réduction du bruit et à la préservation de la texture du nerf. Par ailleurs, pour réduire les caractéristiques de textures redondantes et sélectionner les plus pertinentes, nous proposons un nouvel algorithme de sélection de caractéristiques. Cet algorithme répond à la fois au besoin de réaliser une classication, en s'appuyant ici sur des méthodes à base de ltres et aussi à celui de performance dans le choix des classes, rendu possible ici grâce à l'évaluation des sous-ensembles de caractéristiques obtenus.

Dans le contexte très particulier des séquences US où les nerfs et les tissus anatomiques environ-nants présentent des variations morphologiques très variées, il nous a semblé essentiel de proposer un nouvel outil an de faciliter et améliorer le processus de détection automatique. Pour cela, nous proposons un traitement se décomposant en deux étapes. Au cours de la première étape, nous ajoutons à la méthode décrite au paragraphe précédent, un modèle adaptative "on line" basé sur la connaissance de trajectoire du nerf dans le temps. Puis lors de la seconde étape, pour assurer une détection performante, nous prenons en compte une mesure de la qualité de détection obtenue sur la base de deux propriétés : la forme obtenue et la conance de classication atteinte. Ce traitement supplémentaire est utile pour corriger la détection lorsqu'une erreur de reconnaissance apparaît. La combinaison de ces deux caractéristiques est établie par un modèle dit "naïve bayésien" avec une connaissance préalable. Une pondération étant aectée à chaque caractéristique, chaque poids est estimé selon la cohérence de la forme et la conance de la classication au cours du temps. Sachant que les techniques plus anciennes comme le modèle de forme statistique, sont incapables de représenter la forme du nerf dans le temps en raison des déformations du nerf dans une vidéo US, nous avons proposé un nouveau modèle de forme basé sur un ensemble d'intervalles de points de repères représentant un contour an de rajouter l'incertitude au modèle d'apprentissage. L'ajout de cette information permet de prendre en compte la variabilité de la forme dans le temps.

D'une manière générale, une distribution gaussienne est utilisée pour représenter une forme basée sur des valeurs de points de repères. D'ailleurs l'ACP est souvent consacrée pour calculer les paramètres de cette distribution. Cependant, l'ACP s'adapte seulement aux données qui suivent une distribution gaussienne. Dans notre cas de gure, la forme est basée sur un ensemble d'intervalles de points de repères. Pour cette raison, nous avons utilisé un modèle à base de gaussiennes généralisées, an d'éviter la perte d'information, où les paramètres de ce modèle sont estimés à partir des méthodes adaptées aux données d'intervalles. L'avantage de ce type de modèle est qu'il prends en compte plus d'informations, ce qui nous permet nalement d'obtenir un modèle de forme capable de s'adapter aux déformations du nerf présent dans la vidéo US.

5.2 Contribution

5.3. PERSPECTIVES

 L'anesthésie locorégionale écho-guidée a été étudiée pour comprendre les problèmes rencon-trés lors de la localisation visuelle du nerf par les praticiens. Ensuite une analyse sur la physique de l'ultrason et la structure anatomique du nerf a été eectuée pour découvrir les vrais dés de la détection du nerf dans les images échographiques.

 Une étude des méthodes de segmentation des régions d'intérêt dans les images échogra-phiques a été eectuée. Une taxonomie sur les approches théoriques et leurs application, a été dénie pour illustrer les avantages et inconvénients de chacune d'elles. Une discussion sur le choix de la stratégie de détection du nerf la plus appropriée est exposée. Nous avons pu conclure avec cette étude bibliographique que les méthodes hybrides basées sur une ma-chine d'apprentissage et les modèles déformables sont les plus adaptées à la problématique de détection du nerf dans le images US.

 Suite à cela, nous avons pu proposer un nouveau système de détection assisté par ordinateur a été proposé pour la détection du nerf. Cette méthode est basée sur une chaîne de traite-ments constitués de 5 étapes principales : ltrage, extraction, sélection de caractéristiques, classication et segmentation. Une étude comparative de chaque étape du système nous a permis à la fois de déterminer les techniques les plus appropriées au bruit et artefact dans les images US du nerf et de proposé un descripteurs et un algorithme de sélection mieux adaptés à la structure du nerf.

 Une nouvelle méthode basée sur des modèles en ligne et adaptatives a été proposée pour détecter le nerf dans une vidéo US. Trois modèles ont été élaborés (i.e position, forme et conance de classication). Cette méthode est basée sur la cohérence temporelle pour déterminer la priorité du modèle pour représenter le nerf.

 Un nouveau modèle de forme basé sur un ensemble d'intervalles de points de repères a été proposé pour gérer la variation morphologique de la forme dans le temps.

5.3 Perspectives

Dans cette thèse, nous avons étudié diverses solutions qui ont été décrites en détail. Cependant, un nombre important d'idées demeurent non-exploitées et devront être analysées et étudiées en détail. Les orientations futures envisagées pour une suite possible peuvent se décliner selon les actions suivantes :

 Optimiser l'algorithme de segmentation pour diminuer le temps de calcul.

 Exploiter l'information spatio-temporelle en utilisant des algorithmes de suivi d'objets.  Tirer prot des méthodes à base d'atlas pour générer une carte de distance entre les tissus

nerveuse et les autres tissus.

 Collecter plusieurs bases de données de diérents blocs nerveux.