Cytologie sanguine et médullaire

CONTEXTE ET MOTIVATION

14 cis mais aussi d’étudier l’évolution des maladies et vérifier l’efficacité des traitements notamment en cancérologie où les enjeux portent principalement vers une meilleure détection et prévention. Cette spécialité est basée sur l’aspect morphologique des lésions à partir de l’observation microscopique et l’extraction d’un large ensemble de mesures quantitatives. On distingue deux types d’examens, l’examen histologique qui consiste en l’observation de la coupe microscopique d’un tissu et l’examen cytologique où les prélèvements sont étalés sur une lame puis fixés et colorés afin de reconnaître les différentes cellules présentes. Les lames offrent une visualisation unique des maladies et de leurs effets sur les tissus et les cellules puisque leur procédé d’acquisition préserve l’architecture du tissu. La lecture (screening) et l’analyse de ces lames ce fait au microscope par le pathologiste dans le but soit de détecter des cellules anormales soit la quantification des cellules selon leurs types afin d’établir un diagnostic. Cet examen manuel est fastidieux, très long et demande énormément de concentration et d’expérience. Pour cela, la réalisation de systèmes informatiques est nécessaire non seulement pour assister le praticien et faciliter la lecture des lames mais également afin d’améliorer la rapidité et la fiabilité du processus de diagnostic et comprendre les mécanismes liés aux maladies.

Les principaux axes de recherches dans ce domaine sont basés sur le développement des systèmes automatiques pour l’analyse et l’interprétation des images médicales. Ces systèmes intègrent des techniques de traitement d’images, de l’intelligence artificielle et nécessitent une très bonne compréhension du domaine afin de reproduire les analyses faites par les experts et d’établir un diagnostic fiable. La plupart des systèmes intègrent les mêmes étapes d’analyse. Une première étape de prétraitement afin d’adapter et d’améliorer les images médicales en éliminant les défauts et le bruit provenant des capteurs lors de l’acquisition, suivie par une segmentation des régions d’intérêts ; ce sont des composantes cellulaires pour notre application. Finalement l’étape de classification et identification des cellules selon leurs types en utilisant des connaissances a priori sur les cellules.

PLAN DE LA THÈSE

16 transformation sur cette nouvelle image d’intensité afin de mettre en évidence les régions d’intérêts, cette transformation supprime avec succès la quasi-totalité des pixels qui font partie des régions autre que les globules blancs tout en préservant l’intensité des pixels des cellules. Dans la littérature, différentes approches de segmentation des images médicales sont proposées en intégrant des connaissances du domaine afin d’améliorer les résultats et trouver une solution générique pour résoudre ce problème, il est à noter qu’il n’existe pas une seule méthode de segmentation convenable à tous les domaines. Dans les méthodes de segmentation, la couleur et la texture sont utilisées de manières différentes, alternant entre une utilisation séparée de ces deux sources d’information ou une utilisation conjointe pour plus de robustesse et de précision. Notre deuxième contribution s’inscrit dans cette logique. Nous proposons un schéma de segmentation combinant l’information couleur et texture basé sur l’algorithme de la ligne de partage des eaux contrainte par marqueurs suivi par un classifieur de type forêts aléatoires. Par conséquent cette méthode est capable de s’adapter avec la complexité des images cytologiques et garantir des résultats performants même dans le cas de chevauchement des cellules.

L’objectif principal de notre troisième contribution, est la mise en place d’une méthode de caractérisation et de classification de six types de leucocytes, à savoir : neutrophile, basophile, éosinophile, monocyte, lymphocyte et plasmocyte. En effet, dans des travaux menés par notre équipe de recherche [Benazzouz et al., 2017, Baghli et al., 2017, Benazzouz et al., 2016, Benazzouz et al., 2013] seulement les cellules plasmocytes sont identifiées. Dans ce travail, l’identification des différents types de leucocytes s’appuie sur un ensemble d’attributs (couleur, texture et forme) liée à la description du médecin lors du processus de lecture visuelle des images microscopiques dans le but de reproduire ces analyses et descriptions. Les résultats obtenus montrent que la reconnaissance des leucocytes est prometteuse [Benomar et al., 2018].

Les modèles de représentation de la couleur

Les travaux du médecin anglais Thomas Young en 1801 complété et amélioré par Hermann Von Helmotz en 1804 ont permis d’établir la théorie trichromatique (loi de Young-Helmotz) et définir précisément la couleur qui est le résultat de la perception d’ondes de lumière sur la rétine qui possède trois cônes qui sont photorécepteurs sensibles au bleu, rouge et vert dont les longueurs d’onde comprises entre 380nm et 780nm, la Figure 2.1 présente le spectre des couleurs visibles et continu, comme les transitions sont douces il n’existe pas de couleur véritablement appelée rouge, verte ou bleue. Ainsi, il est possible de créer la majorité des couleurs du spectre visible à partir de ces trois couleurs. Il s’agit du modèle de tri-stimulus qui est utilisé dans le codage des couleurs dans différents espaces couleurs, la CIE (Commission Internationale de l’Eclairage) a prouvé qu’il suffisait de trois variables indépendantes pour décrire presque toutes les couleurs existantes. Dans ce qui suit, nous allons présenter d’autres modèles de représentation de la couleur puis nous verrons les espaces de représentation couleur les plus utilisés dans la littérature.

Segmentation d’images

La segmentation consiste à partitionner une image en régions homogènes, cette étape est cruciale et complexe dans le processus de traitement et d’analyse d’images pour laquelle de très nombreuses méthodes existent, bien souvent ces techniques sont spécifiques à une unique application ou à une seule modalité d’imagerie. Ainsi, la connaissance à priori de l’image et du but recherché sont essentiels pour le choix de la méthode à utiliser (choix de l’espace couleur, présence ou non de texture, extraction de contour ou de région) [Meurie, 2005]. Dans la littérature on trouve plusieurs applications d’analyse d’images (la reconnaissance d’objets, la segmentation d’image, la compression, . . . etc) qui utilisent la couleur et la texture comme sources d’information. En effet, l’utilisation de la couleur en segmentation permet d’obtenir des régions plus significatives vu que l’information couleur est liée directement aux régions [Lezoray, 2000]. On trouve plusieurs sortes d’algorithmes de segmentation d’images en niveaux de gris et qui peuvent être adaptés pour une application couleur, pour lesquelles les composantes colorimétriques des pixels sont utilisées. Dans ce chapitre nous présentons d’abord les principales méthodes de segmentation dans la littérature et nous détaillons plus précisément la segmentation par la ligne de partage des eaux contrainte par marqueurs. par la suite nous nous intéressons à l’utilisation de la couleur et de la texture pour la segmentation d’image couleur. Enfin nous proposons une approche pour la segmentation d’image cytologique en utilisant une nouvelle transformation couleur.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Introduction Générale
1 Contexte et Motivation
2 Contribution
3 Plan de la thèse
I État de l’art
1 Cytologie sanguine et médullaire
1.1 Introduction
1.2 Hématologie et cytologie descriptive
1.2.1 Préparation des frottis (sanguin et médullaire)
1.2.2 Cytologie sanguine
1.2.3 Cytologie médullaire
1.3 Le traitement d’images dans le domaine médical .
1.3.1 Les différentes technologies d’imagerie médicale
1.4 Présentation des données (images utilisées)
1.5 Traitement d’image cytologique .
1.6 Conclusion .
2 La Couleur et la Texture
2.1 Introduction
2.2 Les modèles de représentation de la couleur
2.3 Les espaces couleur
2.3.1 Les systèmes de primaires
2.3.2 Les espaces luminance-chrominance . .
2.3.3 Les systèmes perceptuels
2.3.4 Les systèmes d’axes indépendants
2.4 La Texture
2.4.1 Attributs Géométriques .
2.4.2 Attributs basés sur la modélisation spatiale
2.4.3 Attributs spatio-fréquentiels
2.4.4 Attributs statistiques
2.5 Conclusion
II Approche adoptée pour la reconnaissance des globules blancs
3 Segmentation d’images
3.1 Introduction
3.2 Les différentes approches de segmentation
3.2.1 Méthodes basées contour (frontière)
3.2.2 Méthodes basées région
3.2.3 Approches Structurelles
3.2.4 Approche basée Forme
3.2.5 Théorie des Graphes
3.3 Intégration de la couleur et de la texture
3.3.1 Intégration implicite
3.3.2 Intégration successive
3.3.3 Intégration lors du processus de segmentation
3.4 Évaluation de la segmentation
3.4.1 Évaluation sans vérité terrain (non supervisée)
3.4.2 Évaluation avec vérité terrain (supervisée)
3.4.3 Une méthode d’évaluation adaptée à la cytologie
3.5 Approche de segmentation proposée
3.5.1 Prétraitement (pre-processing)
3.5.2 Segmentation
3.5.3 Résultats de la segmentation
3.6 Conclusion
4 Caractérisation et classification des cellules
4.1 Introduction
4.2 Caractérisation des cellules
4.2.1 Les attributs géométriques
4.2.2 Les attributs de texture
4.3 Classification des cellules
4.4 Résultats et discussions
4.5 Conclusion
Conclusion générale et perspectives