p. pouletauta*, l. yina, f. marina, m.c. ho ba thoa et f ... · segmentation semi-automatique...
TRANSCRIPT
Segmentation semi-automatique d'images IRM de rachis par méthode d'ondelettes
P. Pouletauta *, L. Yina, F. Marina, M.C. Ho Ba Thoa et F. Charleuxb
a UMR 6600 Biomécanique et Bioingénierie, UTC, Compiègne b Polyclinique Saint-Côme, Compiègne
* courriel : [email protected]
Journées Françaises de Radiologie - 24-28 octobre 2008 - Paris
EXPOSITION SCIENTIFIQUE - spécialité recherche en imagerie
2
PLAN DE PRÉSENTATION
Introduction
Contexte
Matériels et méthodes
Résultats
Conclusion
3
INTRODUCTION
Objectif :Détection des contours de vertèbres sur des image s IRM
Solution étudiée :• Transformation d’ondelette
• Analyse multi-résolution
• Bibliothèque Matlab©
Introduction Matériel & MéthodesContexte Résultats Conclusion
4
CONTEXTE
Physiologie du rachis cervical
• Paramètres géométriques
Colonne vertébrale (rachis) :
- 33 os articulés
- Protège la moelle épinière
- Supporte la tête et transmet le poids du corps
Fig.1 – Rachis [1]
Introduction Matériel & MéthodesContexte Résultats Conclusion
5
CONTEXTE
Physiologie du rachis cervical• Paramètres géométriques
- Vertèbres cervicales
- Les vertèbres cervicalessont numérotées de haut en bas, de C1 à C7
- Le rachis cervical permet principalement d'orienter le regard
- Mouvements : inclinaison, flexion-extension etrotation
Fig.2 – Vertèbre C7 [1]
Introduction Matériel & MéthodesContexte Résultats Conclusion
6
CONTEXTE
Étude des ondelettes utilisées dans la littérature
• Qu’est-ce qu’une ondelette ?
Une ondelette est une forme d'onde de durée limitée qui a une valeur moyenne nulle, ou les ondelettes sont des ondes localisées dans un temps court.
Fig.3 – Ondelettes
Introduction Matériel & MéthodesContexte Résultats Conclusion
7
CONTEXTE
Étude des ondelettes utilisées dans la littérature• Ondelettes orthogonales [2, 3]
Fonction d’échelle
- Fonction d’ondelette
• Exemple- Daubechies
- Haar
ailleurs
Fig.4 – Ondelette Haar et sa fonction d’échelle
Introduction Matériel & MéthodesContexte Résultats Conclusion
8
CONTEXTE
Étude des ondelettes utilisées dans la littérature
• Ondelettes biorthogo nales [2, 3]- 2 fonctions de dilatation- Générer différentes analyses de multi-résolution- 2 fonctions d’ondelette- Exemple : l’ondelette B-spline
(a) (b)Fig.5 – B-spline : (a) fonction d’échelle et (b) ondelette
Introduction Matériel & MéthodesContexte Résultats Conclusion
9
CONTEXTE
Étude des ondelettes utilisées dans la littérature
• Application à la détection de contours- La transformée en ondelette discrète (DWT)
-
- Le coefficient d'approximation échelle haute BF- Le coefficient de détail échelle basse HF
Fig.6 – Transformée en ondelette discrète
Introduction Matériel & MéthodesContexte Résultats Conclusion
10
CONTEXTE
Étude des ondelettes utilisées dans la littérature
• Algorithme de Mallat [ 3]
- Est une application directe d’analyse multi-résolution
Fig.7 – Décomposition de la transformée en ondelette discrète
Introduction Matériel & MéthodesContexte Résultats Conclusion
11
MATÉRIELS ET MÉTHODES
Démarche choisie
• Détection de contour :- Méthode de l’ondelette
• Étape de fermeture :- Méthode de contour actif
• Paramètres importants :- Niveau d’échelle- Méthode de seuillage- Valeur de seuil
• Évaluation par rapport à unesegmentation manuelle
Image IRM
Décomposition par l’ondelette
Gradient Multi-Echelles
Détection des Contours
Contour Actif
Image de contours
Reconstruction multi-échelles
Détection des contours
Contour actif
Image de contours
Fig.8 – Chaîne choisie de traitements d’image
Introduction Matériel & MéthodesContexte Résultats Conclusion
12
MATÉRIELS ET MÉTHODES
Segmentation manuelle
• Logiciels : - ImageJ- IrfanView
• Tracé du contour manuel desvertèbres C3-C7
• 3 images test (PNG 8 bits)
• Méthode de référence pour l’évaluation des traitements
(a) (b) (c)Fig.9 – (a) image IRM, (b) contour manuel et
(c) régions des vertèbres
Introduction Matériel & MéthodesContexte Résultats Conclusion
13
Algorithme de décomposition et de reconstruction par la méthode d’ondelette
La méthode de Feng & Suen [6]
Analyse multirésolution
1 coefficient approximation & 3 coefficients de détail (CH, CV, CD)
Fig.10 – Image contour selon la méthode de Feng et Suen
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
14
Algorithme de décomposition et reconstruction par la méthode d’ondelette
• Choix de famille d’ondelette- l’ondelette Haar- l’ondelette Daubechies 2- l’ondelette Biorthogonal 1.3- l’ondelette Coiflets- l’ondelette Biorthogonal inverse- l’ondelette Symlet 2
• Niveau d’échelle 1 à 5
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
15
Méthode de seuillage
• Seuillage global [7]- Ne conserve que les pixels dont l’intensité est au dessus d’un
certain de seuil - La valeur de seuil est déterminée à partir de l’histogramme- Pour un pixel, si son intensité est supérieure au seuil t, on le
met à 1 ; sinon on le met à 0.
Fig.11– Méthode de seuillage global
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
16
Méthode de seuillage• Seuillage local
- Dans la méthode de seuillage local, nous obtenons aussi une image binaire.
- Si un point a un voisinage d’intensité supérieure au seuil t (voisinage 4-connexe ou voisinage 8-connexe), on lui applique une intensité à 1.
- Nous avons utilisé la fonction imextendedmax dans MATLAB pour réaliser le seuillage local.
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
17
Méthode de seuillage• Seuillage par hystérésis [8]
- Nous devons déterminer 2 seuils : un seuil haut th, un seuil bas tb.
- On sélectionne d’abord les points au dessus de th, puis on applique le
seuil tb en ne gardant que les composantes connexes qui contiennent
au moins un point au dessus de th.
Fig.12– Méthode de seuillage par hystérésis
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
18
Contour actif
• Étape de fermeture
• Un contour actif est un ensemble de points qu'on va tenter de déplacer pour leur faire épouser une forme.
• Gradient Vector Flow (GVF) [10 ]
• Le contour initial : 5 cercles ; Le nombre d’itérations : 20 (a) (b) (c)
Fig.13 – Contour actif (a) au départ, (b) à la dernière itération et
(c) après extraction
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
19
Évaluation des traitements [11]• La distance de Hausdorff DH
où
• L’erreur moyenne de distance DM
• L’erreur d’Odet OCU
• L’erreur de sous-segmentation UDE
Introduction Matériel & MéthodesContexte Résultats Conclusion
MATÉRIELS ET MÉTHODESMATÉRIELS ET MÉTHODES
20
RÉSULTATS
Analyse de la segmentation manuelle
• Méthode de référence
• 3 images test (A, B, C)segmentées par un expert
• 3 essais de contourage
(a) (b) (c)Fig.14 – Contour manuel
(a) pour l ’image A, (b) pour l ’image B et
(c) pour l ’image C
Introduction Matériel & MéthodesContexte Résultats Conclusion
21
Analyse de la segmentation manuelle sur une image test
Fig.15– Indice de précision moyen avec écart type pour chaque image test
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
22
Analyse de la segmentation par ondelettes sur 3 images• Avec seuillage global
Fig.16– Indice de précision moyen pour le traitement avec seuillage global
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
23
Analyse de la segmentation par ondelettes sur 3 images
• Avec seuillage global
- En comparaison avec le résultat obtenu avec la méthode de
Canny, l’ondelette Haar et l’ondelette Biorthogonal permettent
d’avoir une moyenne plus faible.
- Meilleur choix :
l’ondelette Biorthogonal en 1er niveau,
et la valeur de seuil égale à 100.
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
24
Analyse de la segmentation par ondelettes sur 3 images• Avec seuillage par hystérésis
Fig.17– Indice de précision moyen pour le traitement avec seuillage par hystérésis
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
25
Analyse de la segmentation par ondelettes sur 3 images
• Avec seuillage par hystérésis
- th = 2* tb
- Le meilleur choix dans la méthode de seuillage par hystérésis :
l’ondelette Biorthogonal en 1er niveau
et la valeur de seuil égale à 100
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
26
Analyse de la segmentation par ondelettes sur 3 images• Avec seuillage local
Fig.18– Indice de précision moyen pour le traitement avec seuillage local
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
27
Analyse de la segmentation par ondelettes sur 3 images
• La méthode de seuillage global est la meilleure méthode dans notre étude
• Les paramètres comme le niveau d’échelle et la valeur de seuil sont beaucoup plus reproductibles avec l’ondelette Biorthogonal par rapport à l’ondelette Haar
• Meilleur choix : - Famille de l’ondelette : Biorthogonal- Valeur de seuil : 100- Niveau d’échelle : 1er
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
28
(a) (b) (c)
Fig.19 – Résultats de segmentation et de contours manuels(a) pour l ’image A,
(b) pour l ’image B et(c) pour l ’image C
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
29
Protocole de notre démarche• Décomposer l’image origine avec
l’ondelette Biorthogonal
• Reconstruire avec les 3 coefficients de détail
• Utiliser la méthode de seuillage global avec une valeur de seuil définie à 100
• Inverser l’image (échanger le blanc en noir)
• Fermer et lisser l’image par la méthode de contour actif
(a) (b) (c)Fig.20 – Images transformées après
(a) transformation en ondelette seuillée, (b) inversion et(c) contour actif
Introduction Matériel & MéthodesContexte Résultats Conclusion
RÉSULTATSRÉSULTATS
30
CONCLUSION
• Méthode semi-automatique de détection de contourspar analyse en ondelettes et contour actif
• Possibilités d’application au suivi du mouvement des vertèbres
• Possibilités d’amélioration de notre démarche- Le nombre d’itération- La forme du contour initial
Introduction Matériel & MéthodesContexte Résultats Conclusion
31
Merci de votre attention
Biomécanique et BioingénierieUMR 6600, Université de Technologie de Compiègne
P. Pouletaut
C0
C1
C2
C3C4C5C6C7
32
Références bibliographiques
[1] Vertèbre –Wikipédia, http://fr.wikipedia.org/wiki/Vert%C3%A8bre[2] H. V. Luong, Étude de la méthode de la transformation en ondelette et l'application à la compression des images, rapport de master IFI, Hanoi, 15 juillet 2005, p. 7.[3] S. Mallat, S. Zhong, Characterization of signals from multiscale edges, IEEE Trans, Pattern Anal, Machine Intell, 14 (7) (1992) 710–732.[4] Y. Yuan, O. Zhong Ying, Method of edge detection based on wavelet transform andfuzzy algorithm, Jou. Dalian University of Technology, Vol. 42, No. 4, 2002, 504-508.[5] S. Wen, B. Li, Multidirectional Image edge detection based on wavelet laid, Acta Automatica Sinica Vol. 33, No. 5, May 2007, 480-487.[6] L. Feng, C.Y. Suen, Edge extraction of images by reconstruction using waveletdecomposition details at different resolution levels, International Journal of Pattern Recognition and Artificial Intelligence, Vol 14, N°6, 2000, 779-793.[7] S. Mavronmatis, O. Coulon, Analyse d’image – Détection de contours, Laboratoire des Sciences de l’Information et des Systèmes UMR CNRS 6168.[8] J.O. Lachaud, Analyse d’image I : Segmentation, LaBRI, Université/ IUT Bordeaux 1, 3 novembre 2006.[9] A. Manzanera, ENSTA/LEI, Cours de Morphologie Mathématique.[10] C. Xu, J.L. Prince, Generalized gradient vector flow external forces for active contours, Signal Processing, 71, 1998, 131-139.[11] S. Chabrier, H. Laurent, C. Rosenberger et B. Emile, Comparative study of contour detection evaluation criteria based on dissimilarity measures, EURASIP Journal on Image and Video Processing, Volume 2008, Article ID 693053.