HAL Id: hal-01695414
https://hal.univ-reims.fr/hal-01695414
Submitted on 11 Feb 2019
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.
Méthodes variationnelles pour la segmentation d’images médicales
Olivia Miraucourt, Stéphanie Salmon, Hugues Talbot, Nicolas Passat
To cite this version:
Olivia Miraucourt, Stéphanie Salmon, Hugues Talbot, Nicolas Passat. Méthodes variationnelles pour la segmentation d’images médicales. Journée des Jeunes Chercheurs - SFR CAP-Santé, 2015, Reims, France. 2015. �hal-01695414�
M´ethodes variationnelles pour la segmentation d’images m´edicales
Olivia MIRAUCOURT
a, St´ephanie SALMON
a, Hugues TALBOT
b, Nicolas PASSAT
ca
Universit´e de Reims, LMR ;
bUniversit´e Paris-Est, ESIEE, LIGM ;
cUniversit´e de Reims, CReSTIC
Contexte : projet ANR VivaBrain
1ARM
Equipes médicales
Segmentation
Equipes informatiques
Simulation
d'écoulements sanguins
Equipes mathématiques
Simulation
d'images virtuelles
Equipes physiques
Segmentation : un double challenge
Difficult´es : D´etecter des structures tubulaires :
• tr`es fines
• bruit´ees
• g´eom´etriquement complexes Double objectif :
• d´ebruitage
• segmentation/r´ehaussement
Etat de l’art : m´ ethodes variationnelles
Soit l’image observ´ee f : Ω ⊂ RN 7→ R telle que f = u + n
• u : image originale
• n : bruit gaussien
Mod`ele Tykhonov (1963) : le probl`eme revient `a minimiser un crit`ere de
r´egularit´e convexe sous la contrainte que l’image obtenue u soit la plus proche de l’image observ´ee f :
minu
Z
Ω
|∇u|2
| {z }
terme de r´egularisation
+ λ
Z
Ω
ku − f k2dx
| {z }
terme de fid´elit´e
Mod`ele ROF (1992) : terme de r´egularisation = R
Ω |∇u| Mod`ele TV-L1 (1992) : terme de fid´elit´e = R
Ω |u − f | Comment bien choisir l’´energie ?
Norme Approche statistique R´egularisation Fid´elit´e
|.| M´ediane Bords lisses Bruit laplacien
k.k2 Moyenne Bords saillants Bruit gaussien
Algorithme d’optimisation convexe
Importance de la convexit´e ?
• minimum local = minimum global
• ne d´epend pas de la condition initiale
Choix de l’algorithme : Primal-dual [Chambolle et Pock, 2011]
• convergence garantie et rapide
• impl´ementation facile
Tubularit´ e de Frangi
Soient γ1, γ2 et γ3 les valeurs propres de la matrice hessienne. Pour une structure tubulaire id´eale, on a
• |γ1| ≈ 0
• |γ1| |γ2|
• |γ2| ≈ |γ3|
Fonction de tubularit´e de Frangi (1998) V(x) = (1 − e−
−R2 A
2α2 ) · e−
−R2 B
2β2 · (1 − e−
−S2 2γ2 )
• RA =
γ2 γ3
discrimine les structures planaires et tubulaires
• RB = √|γ1|
|γ2γ3| discrimine les structures isotropes (blob) et le bruit
• S = p
Σiγi2 ´evalue le niveau de bruit du voisinage
Mod` ele hybride
λ = λ
reg+ (1 − α)V (x )
• λreg : param`etre de r´egularisation
• V(x ) : tubularit´e de Frangi
• α ∈ [0, 1] : pond´eration entre r´egularisation et tubularit´e
Image originale Image bruit´ee Mod`ele ROF ROF+tubularit´e
R´ esultats de segmentation
Image r´etinienne V´erit´e terrain Mod`ele Chan-Vese non-local
Tubularit´e de Frangi TV-L1+tubularit´e (α = 0.3) TV-L1+tubularit´e (α = 0.7)
Perspectives
• Inclure le mod`ele de Chan-Vese [Jezierska, 2014]
Fid´elit´e = Z
Ω
kuk2ku1 − f k2
| {z }
r´egion d’int´erˆet
+ k1 − uk2ku0 − f k2
| {z }
fond
dx
• Tests sur le r´eseau vasculaire c´er´ebral 3D
1 Cette recherche est financ´ee en partie par l’Agence Nationale de la Recherche (R´ef´erence projet ANR-12-MONU-0010)