HAL Id: hal-00633531
https://hal.archives-ouvertes.fr/hal-00633531
Submitted on 18 Oct 2011
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Segmentation d’images échographiques par la méthode des ensembles de niveaux avec un modèle de Rayleigh
local
Djamal Boukerroui
To cite this version:
Djamal Boukerroui. Segmentation d’images échographiques par la méthode des ensembles de niveaux
avec un modèle de Rayleigh local. Traitement et Analyse de l’Information: Méthodes et Applications,
Oct 2011, Hammamet, Tunisie. pp.231-238. �hal-00633531�
ensembles de niveaux avec un mod` ele de Rayleigh local
Djamal Boukerroui
Universit´ e de Technologie de Compi` egne CNRS UMR 6599 Heudiasyc BP 20529 - 60205 Compi` egne Cedex, France.
djamal.boukerroui@hds.utc.fr
R´esum´e
Les images ´ echographiques sont tr` es bruit´ ees, poss` edent un faible contraste et l’att´ enuation de l’onde acoustique dans la profondeur du milieu observ´ e conduit ` a de tr` es fortes inhomog´ en´ eit´ es dans l’image. Ainsi, les approches de segmentation utilisant des statis- tiques globales donnent des r´ esultats peu satisfaisants. L’utilisation des statistiques locales de l’image peut solutionner de mani` ere efficace le probl` eme de l’att´ enuation. Nous proposons l’´ etude de l’adaptation du mod` ele global propos´ e par Sarti et al. [22]. Nous avons gard´ e le paradigme variationnel et le mod` ele de Rayleigh pour la mod´ elisation des statistiques de l’image enveloppe. Des r´ esultats sur des simulations r´ ealistes d’images ´ echographiques montrent la robustesse et la sup´ eriorit´ e de l’approche propos´ ee.
Mots cl´es :
segmentation, ensembles de niveaux, statistiques locales, maximum de vraisem- blance, ´ echographie.
Abstract
Ultrasound images are very noisy, with poor contrast and the attenuation of the acoustic wave in the depth of the observed medium leads to very strong inhomogeneities in the image. Segmentation approaches using global images statistics give unsatisfactory results. The use of local image statistics can solve effectively the problem of attenuation.
We propose the study of the adaptation of the global model proposed by Sarti et al. [22].
We kept the variational framework and the Rayleigh model of the observed image statistics.
Results on realistic simulations of ultrasound images show the robustness and the superiority of the proposed approach.
Key words
Segmentation, level set, local image statistics, Maximum Likelihood, echography.
1 Introduction
L’imagerie m´ edicale constitue aujourd’hui un outil extraordinaire d’aide au diagnostic.
Les modalit´ es d’acquisition de l’information ‘image’ sont nombreuses et vari´ ees. L’imagerie ultrasonore occupe une part importante et constitue la modalit´ e principale dans certains domaines d’application. L’imagerie ultrasonore poss` ede l’avantage d’ˆ etre non invasive, tr` es pratique et simple d’utilisation. Par ailleurs, la rapidit´ e d’obtention des images (temps r´ eel) fait de l’imagerie ultrasonore une modalit´ e d’image tr` es int´ eressante pour la visualisation et le diagnostic des tissus en mouvement. Elle est particuli` erement bien adapt´ ee ` a l’´ etude du cœur, (´ echocardiographie).
En imagerie m´ edicale, l’onde ultrasonore est assimil´ ee ` a une onde m´ ecanique plane
progressive. Lorsque cette onde rencontre une interface s´ eparant deux tissus ayant des
caract´ eristiques acoustiques diff´ erentes, une partie de l’onde incidente est r´ efl´ echie (´ echos
sp´ eculaires) en direction de la sonde. Parall` element ` a ces ´ echos sp´ eculaires, s’ajoutent
les ondes r´ etrodiffus´ ees par la structure microscopique du milieu. La r´ etrodiffusion est ` a
2 D. Boukerroui
l’origine du ph´ enom` ene de speckle, qui caract´ erise l’imagerie ´ echographique par un as- pect granulaire. Le speckle est un bruit multiplicatif, fortement corr´ el´ e et de statistique non gaussienne. Ces caract´ eristiques s’´ ecartent fortement des hypoth` eses classiques d’un bruit additif gaussien et blanc suppos´ ees dans la plus part des m´ ethodes de traitement, ce qui diminue leur efficacit´ e d’une fa¸ con cons´ equente. Ainsi, plusieurs auteurs se sont int´ eress´ es ` a l’´ etude des statistiques des niveaux de gris de l’image enveloppe afin d’obtenir des algorithmes de traitement sp´ ecifiques aux donn´ ees ultrasonores [20,21]. On trouve des mod` eles particuliers comme le mod` ele Rayleigh [6,26], Rice [26,12], Nakagami [23], K- Distribution [24,23,13] et des mod` eles plus g´ en´ eraux, les K-Distribution homodynes [8]
et plus r´ ecemment le RIIG [9,10]. Cette grande variabilit´ e de mod` eles est due ` a la forte d´ ependance des statistiques observ´ ees de la densit´ e des diffuseurs et de leur r´ epartition spatiale (uniforme ou al´ eatoire) dans le tissu imag´ e. Toutefois, la validit´ e de tels mod` eles sur des images enveloppe acquises dans des conditions cliniques n’est pas rigoureusement justifi´ ee [18,25,29].
Dans ce travail, nous nous int´ eressons au d´ eveloppement d’un algorithme de segmenta- tion d´ edi´ e aux images ´ echographiques. La segmentation d’image en g´ en´ eral est un probl` eme mal pos´ e, au sens de Hadamard, difficile ` a r´ esoudre et ` a mettre en œuvre; il est toujours d’actualit´ e. Ce probl` eme est d’autant plus difficile lorsque les donn´ ees ` a traiter sont de nature m´ edicale. La litt´ erature sur le sujet est tr` es abondante et le r´ esultat est fortement d´ ependant de la qualit´ e des donn´ ees [21,27]. Les donn´ ees ultrasonores sont tr` es bruit´ ees, poss` edent un faible contraste, et souvent des parties de l’organe imag´ e sont manquantes
`
a cause des probl` emes de r´ eflexion sp´ eculaire, de fenˆ etre acoustique ou d’att´ enuation de l’onde acoustique dans la profondeur du milieu observ´ e. Ainsi, la nature des donn´ ees rend la segmentation tr` es d´ elicate et les approches classiques exploitant l’amplitude du signal, telles que les d´ etecteurs de contours classiques bas´ es sur la diff´ erentiation, donnent des r´ esultats peu satisfaisants [21]. Des solutions utilisant l’information de phase, en th´ eorie in- variante au contraste de l’image, sont utilis´ ees avec succ` es dans [19,2]. Notons aussi, que les m´ ethodes de segmentation bas´ ees sur des mod` eles statistiques globaux, ind´ ependamment du paradigme utilis´ e, ´ echouent sur ce type de donn´ ees ` a cause du probl` eme d’att´ enuation.
Des solutions adaptatives robustes ` a l’att´ enuation existent [1,4,3,21]. Cela se formalise par l’utilisation des statistiques locales pour l’estimation des param` etres du mod` ele de segmentation.
En effet, il y a une r´ einvestigation de l’utilisation des statistiques locales par la commu-
naut´ e de segmentation d’image, dans un cadre variationnel [17,16,5]. Ainsi, on trouve une
adaptation du mod` ele binaire de Chan et Vese [7] dans [17]. Une formalisation g´ en´ erique
pour des mod` eles locaux de segmentation est propos´ ee dans [16], avec des illustrations
de d´ erivation d’´ energies locales ` a partir des globales. Enfin, une interpr´ etation statistique
du mod` ele de segmentation lisse par morceaux de Mumford-Shah en utilisant des mod` eles
locaux gaussien est propos´ ee dans [5]. Ces r´ ecents travaux montrent un meilleur comporte-
ment de ces mod` eles locaux sur des images pr´ esentant des d´ egrad´ es d’intensit´ e. C’est dans
cette optique que s’ins` ere notre contribution. Nous proposons l’´ etude de l’adaptation du
mod` ele global propos´ e par Sarti et al. [22]. Ce dernier suppose un mod` ele Rayleigh des
statistiques de l’image enveloppe.
2 Mod` ele de Segmentation
Soit I l’image observ´ ee d´ efinie comme une fonction du domaine Ω et prend des valeurs dans IR
+et soit C un contour ferm´ e repr´ esent´ e implicitement par le niveau z´ ero de la fonction distance sign´ ee φ, i.e., C = {x|φ(x) = 0, x ∈ Ω}. L’int´ erieur et l’ext´ erieur de la courbe C sont d´ efinis via la fonction de Heaviside respectivement par H(φ) et (1 − H(φ)).
Les niveaux de gris observ´ es de l’image sont suppos´ es ˆ etre les r´ ealisations de variables al´ eatoires ind´ ependantes avec une certaine densit´ e de probabilit´ e (ddp) p(I). Nous recher- chons la partition du domaine Ω qui maximise la fonction de vraisemblance des donn´ ees observ´ es. Cela se ram` ene ` a la minimisation d’une fonction d’´ energie [22] de forme g´ en´ erale:
E(φ) = − Z
Ω
H(φ) log p(I(x))dx − Z
Ω
(1 − H(φ)) log p(I (x))dx + λ Z
Ω
δ(φ)|∇φ|dx, (1) o` u les deux premiers termes repr´ esentent l’attache aux donn´ ees auxquels est additionn´ e un terme de r´ egularisation classique au sens de la longueur de la courbe avec un compromis λ. Nous supposerons que I (x) suit une ddp de Rayleigh de param` etre σ
2[22]:
p(I(x)) = I(x) σ
2exp
− I(x)
22σ
2avec σ c
2M V= R
Ωr
I(x)
2dx 2 R
Ωr
dx , (2)
o` u l’estimation du param` etre du mod` ele, σ
2, est donn´ ee au sens du maximum de vraisem- blance sur un domaine Ω
r. Dans [22] deux domaine sont utilis´ es Ω
ipour l’int´ erieur et Ω
epour l’ext´ erieur de la courbe. Cela implique l’hypoth` ese forte que tous les pixels d’un domaine sont identiquement distribu´ es. Cette hypoth` ese devient invraisemblable sur des images ´ echographiques ` a cause de l’inhomog´ en´ eit´ es des r´ egions due au ph´ enom` ene d’att´ enuation de l’onde acoustique. Toutefois, elle reste vraie si l’estimation est effectu´ ee localement dans une r´ egion centr´ ee autour de chaque pixel du domaine Ω. Ainsi l’´ energie correspondante au premier terme de (1) est donn´ ee par:
E
1(φ) = Z
Ω
H(φ)
I (x)
22σ
2(x) + log(σ
2(x))
dx avec σ
2(x) = R
Ω
H(φ)K(x − ξ)I(ξ)
2dξ 2 R
Ω
H(φ)K(x − ξ)dξ (3) o` u K(·) est un noyau d´ efinissant la localit´ e spatiale autour de la position x. Dans ce travail un noyaux gaussien d’´ ecart type σ
Kest utilis´ e.
L’´ evolution de la courbe se fait par une m´ ethode de descente de gradient. Le calcul du gradient est obtenu ` a l’aide de la d´ eriv´ ee Gˆ ateaux. En suivant la d´ emarche de [5], pour un point x dans la direction ψ(x), nous obtenons pour l’´ energie de l’´ equation (3):
∂E
1φ(x) + ψ(x)
∂
→0
=
Z
Ω
δ(φ(x))
I (x)
22σ
2(x) + log(σ
2(x))
ψ(x)dx +
Z
Ω
H(φ(x))
2σ
2(x) − I(x)
22σ
4(x)
σ
φ2(x)dx (4) avec
σ
φ2(x) = R
Ω
δ(φ(ξ))K(x − ξ)(I(ξ)
2− σ
2(x))ψ(ξ)dξ 2 R
Ω
H(φ(z))K(x − z)dz . (5)
4 D. Boukerroui
En utilisant les notation suivantes:
F
1(x) = Z
Ω
K(x − y)H(φ(y))dy = K ∗ H(φ) (x) , F
2(x) =
Z
Ω
K(y − x) H(φ(y))
2σ
2(y) − I(y)
2σ
4(y)F
1(y) dy =
K ∗ H(φ)(2σ
2− I
2) σ
4F
1(x) , F
3(x) =
Z
Ω
K(y − x) H(φ(y))
2σ
2(y) − I(y)
2σ
2(y)F
1(y) dy =
K ∗ H(φ)(2σ
2− I
2) σ
2F
1(x) , o` u K est la version miroir de K, l’´ equation d’Euler-Lagrange pour la minimisation de l’´ energie E
1, donn´ ee en (3), obtenue ` a partir de (4) se simplifie alors comme suite:
0 = δ(φ)
I (x)
22σ
2(x) + log(σ
2(x)) + 1
4 (I(x)
2F
2(x) − F
3(x))
. (6)
La d´ erivation du terme de l’´ equation d’Euler-Lagrange correspondant au terme de la r´ egion ext´ erieur (second terme de (1)) est obtenue par analogie ` a l’´ equation ci-dessus.
Le gradient du terme de r´ egularisation est donn´ ee dans [7,22]. Le calcul des diff´ erents termes peut se faire d’une mani` ere tr` es efficace en utilisant une mise en œuvre r´ ecursive des produits de convolutions [11].
3 R´ esultats
Nous avons utilis´ e le programme de simulation Field-II [15,14], pour synth´ etiser des donn´ ees avec v´ erit´ e terrain. Un balayage lin´ eaire d’un premier fantˆ ome (PH1) a ´ et´ e r´ ealis´ e avec un transducteur de 290 ´ el´ ements dont 64 sont actifs. 128 lignes ont ´ et´ e simul´ ees ` a 5 Mhz. Les diffuseurs ont ´ et´ e r´ epartis al´ eatoirement dans un cube de 80 × 80 × 15mm et deux configurations d’amplitude ont ´ et´ e simul´ ees. Le deuxi` eme fantˆ ome (PH2) de taille 100 × 100 × 15 mm cube a ´ et´ e scann´ e avec un balayage sectoriel ` a 7 Mhz pour obtenir 128 lignes ` a 0, 7 degr´ es d’intervalle angulaire. Une fenˆ etre d’apodisation de Hanning en
´ emission et en r´ eception a ´ et´ e utilis´ ee et trois niveaux d’att´ enuations des tissus ont ´ et´ e simul´ es pour les deux fantˆ omes. Quelques images typiques sont montr´ ees en figure 1.
Les r´ esultats de l’´ evaluation de l’approche propos´ ee par rapport ` a la v´ erit´ e terrain sont r´ esum´ es dans la table 1. La table montre les statistiques obtenues sur 24 images de la
Table 1.
Statistiques de la mesure DSC en comparaison avec la v´ erit´ e terrain obtenues sur 24 images.
σKest l’´ ecart type du noyau spatial gaussien.
σK= 200 repr´ esente l’approche globale de Sarti et al. [22].
Endocarde Epicarde ´
Taille du noyau min
µmax
σmin
µmax
σσK
= 20 75.42% 85.25% 88.66% 3.39% 88.72% 94.54% 98.30% 3.19
σK= 30 88.97% 93.04%
96.62% 2.98% 94.48% 97.46% 98.61% 1.64 σK = 4092.91%
95.62% 96.58% 0.88%97.54%98.27% 98.57% 0.23 σK= 70
92.93% 94.99% 96.47% 0.88% 96.61% 97.97% 98.30% 0.45 σK= 200 0% 57.81% 94.50% 37.90% 66.41% 91.20% 98.31% 11.85
σK
= 20
σK= 40
σK= 70
σK= 200
Figure 1.
Quelques r´ esultats sur des images US simul´ ees pour diff´ erentes valeurs de l’amplitude des dif- fuseurs et de l’att´ enuation. Le trait fin montre l’initialisation. La taille des images est de 256
×256 pixels.
Pour un meilleur contraste, les images sont affich´ es apr` es compression logarithmique de l’image enveloppe
mais l’algorithme de segmentation utilise les donn´ ees avant compression.
6 D. Boukerroui
mesure de similarit´ e de Dice, d´ efinie par DSC (S, S
id´eale) = 2
|STSid´eale|
|S|+|Sid´eale|