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.
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 un raffinement 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 comme élément potentiel d’un contour. Tout point dont l’intensité est supérieure au seuil haut est considéré comme élément d’un contour valide. Entre les deux seuils, les points connexes à au moins un point d’un contour valide sont considérés comme appartenant à ce contour. Il est là aussi souvent nécessaire de squelettiser les contours obtenus.
Seuillage – Analyse d’histogramme
Il s’agit ici d’utiliser les méthodes de type seuillage comme définies au paragraphe I.3.2.1, non plus sur l’image puissance mais sur l’image originale elle-même. Tous les pixels d’une image dont l’intensité est supérieure à un certain seuil sont considérés comme étant éléments d’une zone « objet » et les autres d’une zone de « fond ». La méthode est elle aussi sensible au bruit et un seuillage par hystérésis peut être employé afin de réduire l’influence des perturbations [CAN83] [CAN86]. Plus généralement, il est possible de travailler sur les histogrammes afin de tenter d’en extraire différentes zones homogènes. On cherche alors à placer différents seuils de séparation soit en prenant en considération l’histogramme entier (seuillage statique), soit en tentant de rechercher des seuils locaux au voisinage d’un pixel, soit en essayant de définir des seuils dynamiques (seuils dont les valeurs dépendent des coordonnées des pixels où ils s’appliquent) [WES78] [COC95]. Par exemple l’histogramme ci-dessous correspond à l’image d’une coupe anatomique du genou composée de plusieurs objets. Il est « assez aisé » de distinguer deux seuils, S1 et S2. Ils permettent de créer trois classes au sein de l’image, les chiffres, les muscles puis le « reste ». Néanmoins cet histogramme pourrait tout aussi bien correspondre à celui d’une image représentant plus ou moins d’objets, certains de niveaux de gris identiques. De même il est malaisé de trouver un seuil séparant les os de la graisse. Il est donc nécessaire de prolonger la division de l’histogramme par une recherche du nombre d’objets et de leur localisation. Une connaissance a priori de ces deux critères est même préférable si l’on désire obtenir une segmentation concluante.
Algorithme « division – fusion »
Cette méthode, décrite initialement dans [HOR74], effectue dans un premier temps un découpage récursif régulier et arbitraire de l’image. A chaque division un test de cohésion (vis à vis du critère d’homogénéité choisi) est réalisé sur chacune des sous-zones générées. Si l’une d’entre elles n’est pas suffisamment homogène, elle est à nouveau divisée de façon arbitraire. Sinon elle est conservée en l’état. Le processus s’arrête lorsque toutes les sous-zones sont homogènes vis-à-vis du critère choisi. Puis, dans un second temps, les zones adjacentes vérifiant des critères d’homogénéités similaires sont fusionnées. L’algorithme « division – fusion » le plus classique scinde l’image en quatre zones de taille égales, puis celles d’entre elles qui ne vérifient pas le critère d’homogénéité sont à nouveau divisées en quatre.
Les images scanner
De nos jours l’imagerie par scanner est une méthode très employée. Les images obtenues sont représentatives de l’atténuation d’un faisceau de rayons X traversant les différents tissus du corps humain. Cette atténuation est proportionnelle à l’épaisseur et la densité des tissus traversés. Une section noire est obtenue lorsque aucune atténuation du faisceau n’est constatée. Une section blanche témoigne quant à elle d’un tissu difficilement traversable par les rayons. Cela se produit pour des tissus de haute densité ou des tissus contenant des atomes de numéro atomique important. Nous avons aussi à notre disposition des méthodes d’injection de produit de contraste dans les vaisseaux sanguins qui permettent de les visualiser. Il existe deux grands types de scanners :
• le scanner hélicoïdal : l’acquisition des images est réalisée durant un déplacement continu de la table sur laquelle repose le patient. L’image obtenue à la fin du processus est reconstruite par interpolation. Ce scanner à l’avantage d’être rapide.
• le scanner incrémental : les images scanner sont acquises lorsque la table est immobile. Celle-ci se déplace entre chaque prise. Ce scanner peut fournir des images plus précises que le scanner hélicoïdal, mais est plus lent. Le rendu d’une image scanner est une image en niveaux de gris. La mesure de l’intensité du pixel est fixée par rapport à l’unité Hounsfield (HU), qui varie de -1024 à +3000. En ce qui nous concerne cette valeur est ré-échelonnée entre 0 et 255 par une simple règle de trois. Les manipulateurs de radiologie possèdent une échelle de correspondance qui leur permet d’identifier un type d’organe suivant l’intensité des pixels le décrivant (en unité Hounsfield). Par exemple :
• les os sont très denses, leur valeur est supérieure à 200 HU;
• la graisse à une valeur oscillant autour de -100 HU;
• l’air se situe aux alentours de -1000 HU.
Il est aisé de différencier des éléments comme les os, la graisse, l’eau, où l’air, de faire la différence entre parties molles et parties osseuses. Par contre discerner les différentes parties molles entre elles est assez difficile et ce malgré les différents réglages disponibles au cours de l’acquisition d’image sur un scanner. Il est aussi possible qu’une résolution trop faible entraîne des difficultés pour différencier deux parties osseuses anatomiquement proches et ayant été fusionné sur l’image. Deux autres défauts, plus fonctionnels, sont à noter. La méthode d’acquisition des images soumet le patient aux rayons X et peut difficilement être appliquée avec une grande précision sur un corps humain dans son intégralité. En effet le nombre de coupes effectuées et la précision des images sont liés, l’accroissement de l’un impliquant la diminution de l’autre.
Les images IRM
L’Imagerie par Résonance Magnétique (IRM) est une méthode elle aussi très employée. L’image obtenue est le reflet de la variation de l’orientation des atomes d’hydrogène. Le patient est soumis à un champ magnétique constant qui oriente les spins de tous les protons (atomes d’hydrogène) dans une même direction. Une seconde antenne génère de façon intermittente un autre champ magnétique qui permet d’écarter les protons de leur direction initiale. A chaque pause de cette seconde émission les protons, en reprenant leur position initiale, émettent une énergie que l’on mesure. Cette énergie peut-être décomposée suivant des axes parallèles ou perpendiculaires au champ magnétique, et donc génère deux images. Il s’agit d’images fonctionnelles du corps humain et non d’une véritable représentation anatomique de celui-ci. Les organes y sont assez aisément différentiables visuellement. Cependant les images IRM sont généralement de moins bonne résolution que les images scanner. Au niveau fonctionnel, le gros avantage de ce procédé est d’être non invasif. Malgré ses avantages certains au niveau de la distinction possible des contours, nous n’avons presque pas travaillé sur ce type d’imagerie. En effet notre travail a été réalisé en utilisant des sujets d’anatomie congelés. Or l’IRM a tendance à chauffer les tissus, provoquant une décongélation rapide.
|
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
CHAPITRE IV : RESULTATS ET APPLICATIONS
IV.1. INTRODUCTION
IV.2. DETECTION DE CONTOURS
IV.2.1. Acquisition des données – comparaison Coupes Sériées / Scanner
IV.2.1.1. Introduction
IV.2.1.2. Ancien protocole expérimental
IV.2.1.3. Nouveau protocole expérimental
Acquisition scanner
Coupes sériées
IV.2.2. Anatomie de la mandibule
IV.2.2.1. Le corps
Face antérieure
Face postérieure
Bords
IV.2.2.2. Branches montantes
Face latérale
Face médiale
Bords
IV.2.3. Détection des contours
IV.2.3.1. Organes à traiter
IV.2.3.2. Détection des organes
IV.2.3.3. Détection des autres structures
IV.2.3.4. Résumé de la procédure
IV.2.4. Travaux complémentaires
IV.2.4.1. Etude des muscles du membre pelvien
IV.2.4.2. Etude du membre thoracique
IV.2.4.3. Etude du pelvis
IV.3. RECONSTRUCTION ET MAILLAGE SURFACIQUE
IV.3.1. Reconstruction géométrique
IV.3.2. Maillage surfacique
IV.3.3. Simulation numérique d’un impact sur un modèle de tête
IV.3.3.1. Etablissement du modèle
IV.3.3.2. Tests de validation du modèle
IV.3.3.3. Conclusion
IV.3.4. Reconstruction et maillage du segment céphalique
IV.3.5. Travaux complémentaires
IV.4. MAILLAGE VOLUMIQUE
IV.4.1. Génération des hexaèdres
IV.4.2. Travaux complémentaires
IV.5. RESUME ET DISCUSSION
IV.6. CONCLUSION
CONCLUSION
DETECTION DE CONTOURS
RECONSTRUCTION TRIDIMENSIONNELLE ET MAILLAGE SURFACIQUE
MAILLAGE VOLUMIQUE
PERSPECTIVES
REFERENCES
ANNEXE A : ANATOMIE DU SEGMENT CEPHALIQUE
SQUELETTE DE LA TETE
Les os du crâne
Les os de la face
L’os hyoïde
LES MUSCLES DE LA TETE
VAISSEAUX SANGUINS DE LA TETE
LE CERVEAU
Configuration externe du Cerveau
Configuration interne du Cerveau
ANNEXE B : EXEMPLES DE PARAMETRES DE DETECTION D’ORGANES
DETECTION SUR COUPES SERIEES
DETECTION SUR SCANNER
DETECTION SUR IRM
Télécharger le rapport complet
