L’analyse des clichés mammographiques

Anatomie du sein

Organe pair et symétrique de forme hémisphérique, situé en avant du thorax, entre la troisième et la cinquième côte, au-dessus du muscle grand pectoral .Une coupe longitudinale passant par le mamelon (Figure 1). La glande mammaire se divise en 15 à 20 unités glandulaires indépendantes, lobes mammaires, divisés en lobules par des cloisons conjonctives, qui s’achèvent en douzaines de minuscules bulbes, acini, base de tout raisonnement physiopathologique du sein. Les lobes, lobules et bulbes sont reliés entre eux par les canaux galactophores, qui se terminent par un canal unique s’abouchant au niveau du mamelon, situé au centre d’une zone pigmentée, l’aréole. La plus grande partie du sein est constituée de tissu adipeux qui comble l’espace situé entre les différentes structures du sein. En période d’allaitement, les lobules fabriquent du lait et les canaux le transportent vers le mamelon où il est tété par le bébé. Les tissus mammaires baignent dans des liquides lymphatiques, qui permettent d’éliminer les déchets, les cellules mortes et autres débris. La circulation lymphatique du sein est importante dans la mesure où elle va déterminer les lieux où l’on retrouvera des métastases lors de cancer.[1]

Les propriétés des opacités dans les images mammographiques Rappelons qu’une opacité est une anomalie focale de densité, traduisant une lésion des tissus conjonctifs ou épithéliaux. Sur une image mammographique, elle apparait comme une région de surdensité légèrement plus lumineuse qu’un tissu normal. Au niveau d’une zone graisseuse elle apparait sous le meilleur contraste, donc aisément visible, tandis qu’au niveau d’une zone dense de tissu conjonctif, elle sera plus difficilement perceptible (Figure 8). Leur nature (bénignes ou malignes) est définit par une combinaison de différentes caractéristiques : taille, densité, contour, forme, …ext. Une masse circonscrite, habituellement ronde, lobulaire ou ovale avec de bords nets est souvent bénigne. Tandis qu’une masse de forme irrégulière ayant des frontières mal définies / flous ou spécules (lignes radiaires prenant naissance sur le contour de la masse) est suspecte et représente un risque élevée de malignité. Les exemples de la figure 8 illustrent les différents cas possible d’une opacité mammaire.

l’analyse de texture

L’analyse de texture regroupe un ensemble de techniques permettant de quantifier les différents niveaux de gris présents dans une image en termes d’intensité et de distribution dans le but de calculer un certain nombre de paramètres caractéristiques de la texture à étudier. Les applications possibles de l’analyse de texture sont la segmentation, la classification ou la caractérisation de textures homogènes. Comme il existe deux grandes classes de textures, l’analyse peut se faire selon deux classes de méthodes: les méthodes structurelles et les méthodes statistiques [06]. Les méthodes structurelles permettent de décrire la texture en définissant les primitives et les « règles » d’arrangement qui les relient. Elles sont donc applicables sur les textures aléatoires. Alors que les méthodes statistiques étudient les relations entre un pixel et ses voisins et définissent des paramètres discriminants de la texture en se basant sur des outils statistiques. Généralement, elles sont utilisées pour caractériser des structures fines, sans régularité apparente. Plus l’ordre de la statistique est élevé et plus le nombre de pixels mis en jeu est important.

Attributs statistique du second ordre

Matrice de co-occurrence La matrice de co-occurrence est largement utilisée dans l’analyse de texture. Elle est très facile _a mettre en oeuvre et donne de bons résultats sur plusieurs types de texture. Dans la plupart des applications, les images utilisées sont représentée en niveaux de gris et la matrice de co-occurrence est connue sous le nom GLCM (Gray Level Co-occurrence Matrix). La matrice de co-occurrence C d’un vecteur de déplacement ( x,y ) d’une image I de la taille (m*n) est définie par la formule :

Pour améliorer la performance de la méthode, nous pouvons réduire la taille de la matrice. Pour le faire, nous pouvons grouper des niveaux gris de l’image par les techniques de partitionnement de données (clustering). La Figure 10 montre la façon dont est calculée la matrice de co-occurrence du vecteur de déplacement (1,0). Le choix du vecteur de déplacement est toujours très important pour la réussite de la méthode. Normalement, nous voulons obtenir des matrices de co-occurrence de plusieurs vecteurs de déplacement sur des directions et des distances différentes. Le problème est la combinaison des indices des matrices pour que nous pussions utiliser cette méthode avec des orientations et des échelles différentes. A côté de ce problème, nous voulons réduire le nombre de matrice de co-occurrence matrice calcule. Pour faire cela, nous devons évaluer l’importance des vecteurs de déplacement par rapport des types de textures. Plusieurs études ont été menées pour déterminer une distance ou une orientation optimale.

En pratique, une distance courte donne généralement de bons résultats [09],[10]. La masse d’informations sur cette matrice est trop grande et nous ne pouvons pas retirer directement des remarques utiles pour l’analyse de texture. Quatorze indices intermédiaires (Table 4) sont propose par Haralick en 1973 [11]. Ces indices réduisent l’information contenue dans la matrice de co-occurrence et permettent une meilleure discrimination entre les différents types de textures. En outre, nous pouvons réduire le nombre d’indice utilise dans les quatorze caractéristiques de Haralick. Pour l’indépendance de la taille d’image et pour l’expression en termes de probabilité, nous utilisons la matrice de co-occurrence normalisée pour calculer

Calcule de La matrice de cooccurrence :

La méthode des matrices de cooccurrence demeure la méthode de référence pour l’analyse de la texture naturelle, elle est largement utilisée dans le monde du traitement d’image. Elle présente une grande performance et donne de bons résultats sur la plupart des types d’images ; ce qui justifie notre choix de la confronter avec une autre méthode d’analyse aussi performante «K-means ». La méthode des matrices de cooccurrence exploite les relations qui existent entre les pixels de l’image dans une direction θ et une distance donnée d. Il s’agit en fait de la probabilité de trouver, si on part d’un pixel de valeur i, un pixel de valeur j quand on se déplace en suivant un vecteur dans la direction θ d’une distance d. [24] Un important problème de ces matrices est leur manipulation. En effet, elles sont de taille imposante et utilisent un grand espace de mémoire, puisque le nombre d’éléments qui les composent est de Ng*Ng (Ng étant le nombre de niveaux de gris de l’image). C’est pour cette raison même que l’on procède à une étape de normalisation. [25] En plus ces matrices contiennent une masse très importante d’informations difficilement manipulable.

C’est pour cela qu’elles ne sont pas utilisées directement mais à travers des mesures dites indices de texture. Ces indices réduisent l’information contenue dans la matrice de cooccurrence et permettent une meilleure discrimination entre les différents types de textures. La question principale lors de la génération des paramètres texturaux concerne le choix de la taille de la fenêtre d’analyse et du vecteur de déplacement, ceux sont les paramètres sur lesquels repose la réussite de la méthode. La difficulté à surmonter lors de l’application de cette technique réside justement dans le choix de ces paramètres car ils varient en fonction du type d’images et de textures. Pour ce qui est du vecteur de déplacement, si toutes les directions sont étudiées avec différents pas de déplacement, un grand nombre de matrices de cooccurrence doit être calculé. Ceci conduit à une grande complexité calculatoire. Plusieurs études ont été menées pour déterminer une distance ou une orientation optimale en concluant, qu’en pratique, une distance courte donne généralement de bons résultats. [26]. La matrice de co-occurrence C d’un vecteur de deplacement (dx,dy), d’une image P de taille MxN est définie par la formule suivante:

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

Chapitre I : Contexte Médicale
I.Introduction
II.Anatomie du sein
III. Cancer du sein
IV.L’imagerie mammaire
IV.1. Définition de l’image
IV.2. La mammographie
IV.2.1. De film radiologique aux clichés Numérisés
a- La numérasiatation indirecte
b- La mammographie numérique
IV.2.3. L’analyse des clichés mammographiques
IV.2.3.1. Densité mammaire
IV.2.3.2. Radio anatomie d’un sein normale
V.Les opacités du sein
V.1. Définition
V.2. L’analyse des opacités mammaire
V.3. Les propriétés des opacités dans les images mammographiques
Conclusion
Chapitre II : L’analyse de texture
I.Introduction
II.Définition de la texture
III. Types de textures
IV.L’analyse de texture
IV.1. Méthode statistique
IV.1.1. Attributs statistique du premier ordre
IV.1.2. Attributs statistique du second ordre
V.Conclusion
Chapitre III : Segmentation des images
I.Introduction
II.Traitement d’image
II.1. Images médicales
II.2.Définition de Traitement
III. Segmentation des images
III.1. Définition de la segmentation
III.2. Les différentes approches de segmentation
III.2.1. Segmentation basée sur les contours
Définition (un contour)
Méthode des contours actifs (snacke)
Méthode d’ensembles de niveau zéro (LEVEL SETS)
III.2.2. Approches de segmentation par région
III.2.2.1. Définition (Segmentation par région)
Méthodes par croissance de régions
Segmentation morphologique : LPE
K-means
III.2.3. Segmentation basée sur les pixels
III.2.4. Autres méthodes de segmentation
Conclusion
Chapitre IV : Implémentation
I.Introduction
II.Synoptique de la démarche préconisée
II.1. La base d’image
II.2. Prétraitement
II.3. Calcule de La matrice de cooccurrence
II.4. Extraction des descripteurs de haralick
II.5. K-MEANS
III. Implémentation
III.1. Environnement matériel et logiciel de programmation
III.2. Présentation de quelques vues
III.3. Résultats et discussions
Conclusion
Conclusion générale
Annexe
Bibliographies