Soutenance mémoire
Les recherches sur la sécurité routière automobile, et plus particulièrement la sécurité secondaire (protection de l’occupant, évaluation des systèmes sécuritaires – airbag, ceinture de sécurité …), s’orientent de plus en plus vers l’utilisation des simulations numériques. Il est donc désormais nécessaire de disposer de modèles mathématiques et numériques fiables du corps humain (tels le modèles HUMOS [SER03]). Ces modèles bio-fidèles doivent permettre de rendre compte des mécanismes lésionnels intervenant au cours des accidents de la circulation routière. L’élaboration de ces modèles éléments finis est une tâche souvent longue et fastidieuse, en particulier pour l’élaboration des maillages. L’objectif global de ce projet est la création d’un ensemble de méthodes et d’outils informatiques permettant une automatisation maximale du processus de génération de maillages afin d’accélérer la mise au point de modèles.
Une première spécificité de notre recherche réside dans le degré de finesse des maillages que nous désirons générer. Il est important qu’ils se rapprochent de la manière la plus rigoureuse possible de la réalité anatomique, notamment en terme de géométrie. En effet les organes du corps humain ont souvent des formes très particulières et difficiles à représenter. Cependant chaque détail peut être important. Il est donc primordial d’avoir la possibilité de les restituer sur un modèle de la façon la plus rigoureuse possible.
DETECTION DE CONTOURS
La première étape vers la reconstruction tridimensionnelle et le maillage 3D surfacique ou volumique est la détection et l’extraction des contours 2D des organes étudiés. De nos jours il existe de nombreuses méthodes permettant d’effectuer ce travail [JAS02]. Cependant l’approche que nous avons choisie diffère légèrement de celles actuellement pratiquées. En effet la plupart des travaux menés aujourd’hui ont en commun de tendre vers une spécialisation dans la détection d’un groupe ou même d’un organe particulier sur un type d’images particulier. Par exemple dans [JAS02] les auteurs s’attachent à tirer parti des caractéristiques des organes à détecter afin d’améliorer les performances de leurs algorithmes. Ceux-ci sont donc plus particulièrement appliqués à des domaines tels la cardiologie, la neurologie ou la mammographie. Cette focalisation se retrouve dans la plupart des études récentes, comme [BAR00] qui étudie la détection des structures du cerveau sur IRM, [FEL01] pour les vaisseaux sanguins et [NOP00] pour les os sur images scanner).
Or l’une des spécificités primordiales de la méthode que nous désirons mettre au point est justement de permettre une application la plus générale possible. Notre but étant la reconstruction tridimensionnelle et le maillage surfacique et volumique d’un maximum d’organes du corps humain en se basant sur la plus grande variété possible de type d’images, les critères d’optimisation et de détection automatique de contours d’organes mis au point ces dernières années ne peuvent pas être utilisés dans toute leur potentialité. Nous avons donc décidé de revenir aux méthodes de détection plus anciennes mais par la même plus généralistes. La méthode la plus générale s’appliquant à tout type d’images est une méthode classique de contourage à la main, comme explicités dans [GHA93] [CHA98] et [BEH01]. Un anatomiste, se basant sur les images des coupes, trace manuellement les contours des organes qu’il discerne, et ce sur chacune des coupes contenant l’organe à reconstruire et à mailler. Il est évident que ce procédé, de part sa répétitivité, est long et fastidieux. Cependant ce procédé n’a pas que des désavantages. Leur connaissance exhaustive du corps humain permet aux anatomistes de ne pas se contenter d’une simple lecture coupe par coupe mais de faire des extrapolations et d’interpréter ce qu’ils voient sur les images. Ils peuvent ainsi, par exemple, anticiper la future apparition ou disparition d’un organe et donc interpréter avec précision l’interface entre ce qui est existant sur la coupe actuelle et ce qui est à venir dans les coupes suivantes.
Il est important de conserver cette spécificité, la possibilité d’exploiter les compétences des anatomistes et leur connaissance du corps humain. Nous nous sommes donc orientés vers des méthodes semi-automatiques de segmentation tout en conservant la possibilité d’une intervention manuelle classique sur les contours détectés. Les diverses méthodes de segmentation prennent alors une importance différente : elles deviennent des outils et sont par là même interchangeables. Nous avons donc décidé non pas d’améliorer les méthodes de segmentation mais plutôt de bâtir une boîte à outils dans laquelle quelques méthodes complémentaires seraient disponibles. Une telle approche, permettant d’obtenir différents résultats similaires (diverses segmentations d’une image) suivant les méthodes et les paramètres choisis, conduit directement à l’établissement de critères particuliers, de configurations de ces méthodes que l’on peut directement relier aux types d’organes et aux types d’images.
En résumé les améliorations que nous avons donc cherché à apporter au procédé classique de contourage sont :
• l’utilisation des méthodes de segmentation au maximum de leurs potentiels sans tomber dans le travers de la spécialisation ;
• l’acceptation d’un maximum de provenances diverses pour les images : coupes anatomiques, scanner, IRM ,…
• la capacité de travailler non plus simplement sur une image à la fois mais sur une série complète d’images afin d’accélérer le traitement d’un organe ;
• la mise en place d’un jeu de configurations de segmentation ciblant les grands groupes d’organes sur les grands types d’images, pour faciliter l’utilisation des méthodes par des utilisateurs non avertis ou non spécialisés.
Etat de l’art
Définition de la segmentation
L’œil humain a la capacité instinctive d’extraire les détails qui l’intéressent d’une scène complexe. Afin de parvenir à un résultat similaire l’ordinateur doit effectuer ce que l’on nomme un traitement de bas niveau, c’est-à-dire travailler de façon mathématique directement sur la valeur des pixels d’une image. Il ne cherche donc pas à faire le lien avec la réalité. Ce traitement de bas niveau est appelé segmentation d’images.
De façon plus rigoureuse, segmenter une image c’est détecter et séparer les différentes zones homogènes la composant. Ces zones, composées d’un ensemble de pixels, forment un pavage recouvrant l’image entière. De plus leur intersection deux à deux est vide.
Un contour est une frontière entre deux zones homogènes. Le critère d’homogénéité, défini par l’utilisateur, peut être la couleur, le niveau de gris, la texture, la couleur moyenne, ou l’un de l’infinie diversité de ceux que l’on peut imaginer. La segmentation est généralement réalisée sur une image dérivée de l’image originale : l’image puissance. Celle-ci est une représentation de l’image originale transformée afin de mettre en exergue et de ne conserver que les éléments pertinents de celle-ci (éléments pertinents vis-à-vis des critèresd’homogénéité choisis) .
Il existe deux principales approches en segmentation : l’approche contours et l’approche régions. La première recherche des discontinuités dans l’image et, en les détectant, génère les contours. La seconde recherche des zones homogènes et génère des groupes de pixels, ou régions. Il est clair que ces deux approches sont duales puisque l’on peut aisément passer de l’une à l’autre, les contours étant les frontières qui séparent les régions.
Approche contours
L’enjeu est de détecter des arêtes sur l’image. De nombreuses méthodes d’analyse locale d’image ont été créées. Leur point de départ est généralement l’analyse d’une image puissance.
Les différences fondamentales entre les méthodes d’approche contours proviennent le plus souvent du traitement qui est effectué pour générer ou post-traiter cette image puissance.
Seuillage de l’image puissance
La plus simple et la plus ancienne des segmentations est le seuillage [SAH88]. Tous les pixels de l’image puissance dont l’intensité est supérieure à un certain seuil sont considérés comme appartenant à un contour. Les pixels sont ensuite regroupés. Cependant il est ensuite nécessaire de squelettiser les différents groupes de pixels formant les contours car ceux-ci sont souvent épais (larges de plusieurs pixels).
De plus cette méthode est extrêmement sensible au bruit. Afin de palier à ce défaut, le seuillage par hystérésis est plus généralement employé [CAN83] [CAN86]. C’est unraffinement de la méthode de seuillage classique : deux seuils, un seuil haut et un seuil bas, sont utilisés. Tout point dont l’intensité est inférieure au seuil bas n’est pas retenu commeélément potentiel d’un contour. Tout point dont l’intensité est supérieure au seuil haut estconsidéré comme élément d’un contour valide. Entre les deux seuils, les points connexes à aumoins un point d’un contour valide sont considérés comme appartenant à ce contour. Il est là aussi souvent nécessaire de squelettiser les contours obtenus.
|
Table des matières
INTRODUCTION
CHAPITRE I : DETECTION DE CONTOURS
I.1. INTRODUCTION
I.2. ETAT DE L’ART
I.2.1. Définition de la segmentation
I.2.2. Image puissance
I.2.2.1. Génération
Opérateurs différentiels du premier ordre
Les opérateurs simples
Les opérateurs optimaux
Comparaison
Opérateurs différentiels du second ordre
I.2.2.2. Utilisation d’une image puissance
Traitement séquentiel
Traitement parallèle
I.2.3. Approche contours
I.2.3.1. Seuillage de l’image puissance
I.2.3.2. Contours actifs (ou « Snakes »)
I.2.3.3. Templates
I.2.4. Approche régions
I.2.4.1. Seuillage – Analyse d’histogramme
I.2.4.2. Ligne de Partage des Eaux (LPE)
I.2.4.3. Algorithme « division – fusion »
I.2.4.4. Accroissement de régions par agrégation de pixels
I.2.4.5. Classification – Statistiques bayésiennes
I.2.4.6. Modèles pyramidaux
I.2.5. Coopération
I.2.6. Synthèse
I.3. LES DIVERS TYPES D’IMAGES A SEGMENTER
I.3.1. Les coupes sériées anatomiques
I.3.2. Les images scanner
I.3.3. Les images IRM
I.3.4. Autre type d’imagerie
I.4. DETECTION DE CONTOURS – TRAITEMENT D’UNE IMAGE
I.4.1. Introduction
I.4.2. Fonctionnement global
I.4.3. Transformation d’une image couleur en image en niveaux de gris
I.4.4. Gestion du contraste
I.4.5. Précisions sur la méthode de Ligne de Partage des Eaux
I.4.6. Raffinement par agrégation de régions
I.5. DETECTION DE CONTOURS – TRAITEMENT D’UNE SERIE D’IMAGES
I.5.1. Fonctionnement global
I.5.2. Propagation de contour sur des images adjacentes
I.5.3. Branches orphelines
I.6. IMPLEMENTATION
I.6.1. Cahier des charges et choix d’implémentation
I.6.2. Présentation du logiciel
I.6.3. L’interface
I.6.4. Implémentation de la Ligne de Partage des Eaux
I.6.5. Scripts de commande
I.7. RESULTATS ET DISCUSSION
I.7.1. Vitesse d’extraction de contour
I.7.1.1. Remarques sur la propagation
I.7.2. Critères d’optimisation et qualité des résultats
I.7.2.1. Coupes sériées anatomiques
Gestion de la couleur
Précision de détection
I.7.2.2. Images scanner et Images IRM
I.8. CONCLUSION
CHAPITRE II : RECONSTRUCTION TRIDIMENSIONNELLE ET MAILLAGE SURFACIQUE
II.1. INTRODUCTION
II.2. DONNEES D’ENTREE
II.3. ETAT DE L’ART
II.3.1. Définitions
II.3.1.1. Surfaces
II.3.1.2. Maillages
II.3.2. Maillage surfacique
II.3.2.1. Classes de méthodes
Génération dans un espace de paramètres
Maillage direct des surfaces
Maillage de surfaces implicites
Remaillage des surfaces
II.3.2.2. Types d’approches
II.3.3. Méthodes directes
II.3.3.1. Méthode par Balayage
II.3.3.2. Méthode frontale
II.3.3.3. Méthode par subdivision adaptative
II.3.3.4. Méthode d’énumération exhaustive
II.3.3.5. Connection de sections
II.3.3.6. Modèles déformables
II.3.3.7. Triangulation de Delaunay
Marching triangles
II.3.4. Méthodes indirectes
II.3.4.1. Méthode algébrique
II.3.4.2. Projection paramétrée
II.3.4.3. Transformation de triangles en quadrangles
II.3.4.4. Remaillage
II.3.5. Synthèse
II.4. UN NOUVEL ALGORITHME : LE MARCHING OCTAHEDRA
II.4.1. Introduction
II.4.2. Mise en forme et ré-échantillonage des données
II.4.3. Un pavage octaédrique de l’espace
II.4.4. Le Marching Octahedra
II.4.5. Les configurations octaédriques
II.4.5.1. Première optimisation intégrée : les configurations alternatives
II.4.5.2. Deuxième optimisation intégrée : suppression de sommets
II.4.6. Récapitulatif des configurations de base
II.4.7. Maillage surfacique : optimisation des quadrangles
II.4.7.1. Critère de qualité d’un quadrangle
II.4.7.2. Algorithme de bougé de points
II.4.7.3. Suppression de sommets
II.5. IMPLEMENTATION
II.5.1. Cahier des charges et choix d’implémentation
II.5.2. Présentation du logiciel
II.5.3. L’interface
II.5.4. Format de sauvegarde des données
II.6. RESULTATS ET DISCUSSION
II.6.1. Vitesse de reconstruction et maillage
II.6.2. Qualité des résultats
II.7. CONCLUSION
CHAPITRE III : MAILLAGE VOLUMIQUE
III.1. INTRODUCTION
III.2. METHODES DE MAILLAGE HEXAEDRIQUE
III.2.1. Maillages structurés
Méthode par balayage (ou méthode produit)
Méthodes de type Transport – Projection
Maillage par multiblocs
III.2.2. Maillages non-structurés
III.2.2.1. Méthodes directes
Méthode basée sur une grille
Méthode frontale
Méthode basée sur la surface moyenne
Pavage
La méthode Whisker weaving
III.2.2.2. Méthodes indirectes
III.2.3. Synthèse
III.3. GENERATION D’UN MAILLAGE HEXAEDRIQUE
III.3.1. Choix du type de méthode
III.3.2. Parcours des cellules cubiques
III.3.3. Connectivité entre les éléments
III.3.4. Traitement des cellules cubiques
III.3.5. Traitement des cellules pyramidales
III.3.6. Traitement des cellules octaédriques
III.3.6.1. Etablissement des configurations de base octaédriques
III.3.6.2. Codage des configurations de base octaédriques
III.4. AMELIORATION DE LA QUALITE DU MAILLAGE
III.4.1. Algorithme d’optimisation des sommets internes
III.4.2. Critère de qualité
III.5. INTERFACE ORGANES – ORGANES
III.5.1. Séparation de deux organes
III.5.2. Maillages connectés
III.6. IMPLEMENTATION
III.6.1. Cahier des charges et choix d’implémentation
III.6.2. Présentation du logiciel
III.6.3. L’interface
III.6.4. Format de sauvegarde des données
III.7. RESULTATS ET DISCUSSION
III.7.1. Vitesse de maillage
III.7.2. Qualité des résultats
III.8. CONCLUSION
CONCLUSION
