Filtrage et segmentation des images échographiques

Filtrage et segmentation des images échographiques

Le filtrage du speckle :

Les filtres adaptatifs classiques :

Les filtres adaptatifs utilisent des statistiques locales de l’image afin de modifier leur comportement. On parle ici sur des filtres qui reposent sur la minimisation de l’erreur quadratique moyenne (EQMM). Ils se fondent sur l’évaluation du coefficient de variation dans l’image. On distingue deux types de coefficients de variation : un coefficient de variation global et un coefficient de variation local. Le premier donne une caractérisation globale du speckle présent dans l’image, alors que le second en donne une estimation locale qui peut être considéré comme un détecteur de contours dans les images affectés par le speckle,

Filtre médian :

Czerwinski [47] [48] [49] utilise un filtre médian directionnel pour préserver des contours et des lignes fines dans les images échographiques [1].
La technique de filtre médian remplace l’intensité de chaque pixel par l’intensité médiane prise parmi toutes les intensités des pixels voisins.

Filtre de Nagao :

L’idée de Nagao [43] est de faire un partitionnement de la fenêtre d’analyse, de taille 5×5, en plusieurs fenêtres de filtrage (9 fenêtre). Après calcul de la variance sur chaque fenêtre la sortie du filtre est la moyenne sur le domaine (fenêtre) ayant la variance la plus faible.
La majorité de ces méthodes de filtrage du speckle présente des inconvénients. En effet, le bruit est lisse de manière isotrope sauf dans le voisinage des contours où le filtrage est passetout. Ainsi, la séparation entre bruit et contour est marquée par une rigidité. Il est admis que le pré-filtrage permet d’améliorer les résultats de la segmentation surtout dans le cadre des images échographiques affectées par du speckle. La diffusion anisotrope est souvent préférée aux filtres classiques (Lee, Frost, Kuan, médian, etc.), nous détaillons par la suite l’aspect de la diffusion et son efficacité pour traiter le speckle dans les images échographiques.

Diffusion anisotropique :

Dans cette section, nous allons commencer dans la première partie par une introduction aux équations aux dérivées partielles (EDP) , puis nous présentons le principe physique de la diffusion ainsi que l’origine de l’équation de diffusion. Dans la seconde partie nous expliquons le lien entre le principe physique de la diffusion et l’application du processus en traitement d’image.

Les équations aux dérivées partielles (EDP):

La plupart des phénomènes physiques (électriques, mécaniques, optiques, etc) sont décrits par des équations aux dérivées partielles, l’EDP est équation qui contient des dérivées partielles. Si dans les EDO (équations aux dérivées ordinaires), la fonction inconnue ne dépend que d’une seule variable, dans les EDP, la fonction inconnue dépend de plusieurs variables .

Principe de la diffusion : Équation de la chaleur

Le processus de filtrage par diffusion est analogue à l’équation de diffusion de la chaleur [51], De la même façon que, dans un matériau, la chaleur diffuse d’un point à un autre, de proche en proche, et tend ainsi à se répartir uniformément au fur et à mesure que le temps s’écoule, on peut imaginer faire diffuser de proche en proche les niveaux de gris. Ainsi, les irrégularités des niveaux de gris diminueront, et l’on retrouvera un niveau de gris plus uniforme.

Ondelettes et filtrage d’images échographiques :

Dans cette section nous s’intéressons plus spécifiquement à l’utilisation de méthodes à base d’ondelettes pour le filtrage des images échographiques.
En raison de ces propriétés, les ondelettes ont souvent été utilisées en imagerie médicale et la procédure utilisée est souvent la suivante :
1. Calculer la transformée en ondelettes discrète du signal.

2. Filtrer les coefficients par seuillage.

3. Reconstruire le signal filtré en utilisant la transformée inverse.

Les techniques de la segmentation :

Le seuillage :

Le seuillage est certainement la méthode de segmentation la plus simple. L’objet à segmenter est l’ensemble des pixels dont l’intensité est supérieure à une valeur ou compris entre deux valeurs. La détermination des seuils est le problème principal de ce type d’approche [60].
On peut classer les algorithmes de seuillage en fonction du type d’information traitée [61]. Les catégories sont :

• Les méthodes basées sur la forme de l’histogramme.
• Les méthodes d’agrégation, o`u les niveaux d’intensité sont reparties en deux classe : fond et objet.
• Les méthodes reposant sur l’entropie, comme par exemple la maximisation de la somme des entropies du fond et de celle de l’objet.
• Les méthodes basées sur les attributs de l’objet, qui visent à maximiser une mesure de similarité.  Les méthodes utilisant la dépendance spatiale des pixels.
• Les méthodes adaptatives localement, dont le niveau de seuillage varie selon les caractéristiques locales de l’image.

En effet, les résultats du seuillage dépendent fortement de la nature du bruit, de la variance des niveaux de gris de l’objet, du contraste ou du fond . Le seuillage a été utilisé dans le cadre de la segmentation des images échographiques comme une étape préliminaire en adoptant des fenêtres adaptatives , dans le but de caractériser la texture des données à travers les matrices de co-occurrence .

La croissance de région :

Dans les méthodes de croissance de région, une région initialement définie par un point utilisateur croît de manière à segmenter une structure de l’image. Les pixels connectés à la région sont agrégés tant qu’ils respectent un critère de similarité .
Le choix du point initial ainsi que le choix du critère de similarité sont les problèmes principaux de ce type d’approche. Cette méthode s’avère efficace pour la segmentation de régions homogènes et inadaptée à la segmentation de structures possédant de fortes inhomogénéités comme dans le cas des images échographiques.

La classification:

Les méthodes de classification reposent sur le partitionnement de l’image en plusieurs classes. La décision de partitionnement est basée sur des caractéristiques extraites de l’image en chaque point. Il peut s’agir de la valeur d’intensité, du gradient ou de caractéristiques plus complexes. Les méthodes de classification peuvent être divisées en deux catégories, les méthodes de classification supervisées et celles non-supervisées.

Table des matières

Introduction générale
Chapitre I : Formation et caractérisation des images ultrasonores
1. Introduction
2. Formation de l’image échographique
2. 1.onde ultrasonore
2.1.1. Caractéristiques
2.1.1.1. Célérité
2.1.1.2. Impédance acoustique
2.1.1.3. Longueur d’onde
2.1.2. Formation de l’onde ultrasonore
2.2. Interactions avec la matière
2.2.1. Absorption
2.2.2. Réflexion et réfraction
2.2.3. Diffusion
2.2.4. Atténuation de l’onde ultrasonore
2.3. Origine de speckle
2.4. Faisceau ultrasonore
2.5. Résolution d’une image échographique
2.5.1. Résolution axiale
2.5.2. Résolution latérale (ou angulaire)
2.6. Focalisation
2.7. Acquisition du signal RF
3. modes de représentation de l’image échographique 
4. Conclusion
Chapitre II : Le filtrage d’images échographiques dans la littérature
1. Introduction
2. filtrage du speckle 
2.1. Filtres adaptatifs classiques
2.1.1. Coefficient de variation
2.1.1.1. Coefficient de variation global
2.1.1.2. Coefficient de variation local
2.1.2. Filtre de Lee
2.1.3. Filtre de Kuan
2.1.4. Filtre de Frost
2.1.5. Filtre de Lopès
2.2. Filtre homomorphique
2.3. Filtre médian
2.4. Filtre de Nagao
2.5. Diffusion anisotropique
2.5.1. Équations aux dérivées partielles (EDP
2.5.2. Principe de la diffusion : Équation de la chaleur
2.5.3. Lien entre équation de diffusion et traitement d’images
2.5.3.1. Diffusion isotrope
2.5.3.2. Diffusion anisotrope : Modèle de Perona et Malik
2.5.3.3. Modèle de Yu et Acton (SRAD)
2.6. Ondelettes et filtrage d’images échographiques
3. Conclusion
Chapitre III : Segmentation des images échographiques
1. Introduction
2. Définition formelle de la segmentation
3. Différentes approches de segmentation
4. Techniques de la segmentation 
4.1. Seuillage
4.2. Croissance de région
4.3. Classification
4.3.1. Classification supervisée
4.3.2. Classification non-supervisée
4.4. Méthodes dérivatives
4.5. Morphologie mathématique
4.6. Modèles déformables
4.6.1 Contours actif (Snakes)
4.6.2. Inconvénient des contours actifs
4.6.3. Méthodes des Ensembles de niveaux (Level Set)
5. Conclusion
Chapitre IV : Résultats Expérimentaux
1. Introduction
2. Evaluation quantitative
2.1. Erreur quadratique moyenne (MSE)
2. 2. RMSE (The root MSE)
2.3. Rapport signal sur bruit crête (PSNR)
2.4. Erreur de Minkowski
2.5. Indice de la Similarité Structurelle (SSIM)
2.6. Entropie
3. Environnement du Travail 
4. Résultats sur des images de synthèse
4.1. Résultats visuels
4.2 Statistiques
4.3. Résultats comparatifs sur une image de synthèse
5. Résultats comparatifs sur des images échographiques
5. 1.Cas de l’image échographique rénale
5.1.1. Résultats visuels
5.1.2. Résultats quantitatifs
5.2. Cas de l’image échographique de thrombose veineuse
5.2.1. Résultats visuels
5.2.2. Résultats quantitatifs
6. Limitation de filtrage de speckle 
7. Segmentation par Level Set 
7.1 Influence de l’initialisation sur la segmentation
7.2 Segmentation des organes
7.3. Résultats sur les Segmentations des tumeurs
8. Conclusion
Conclusion générale
Annexes
Références bibliographiques

Télécharger le rapport complet