Approches collectives et distribuées pour l’interprétation d’images et la reconnaissance des formes
Loading...
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
université 20 Aout 1955 skikda
Abstract
Depuis l’avènement de la radiologie, l’imagerie médicale n’a cessé de gagner du terrain
comme premier moyen pour l’établissement de diagnostics médicaux. Cependant, le volume
de données enregistrées dans une image médicale, ainsi que les différents artéfacts auxquels
elle est sujette rendent son traitement manuel, par des praticiens de santé, problématique et
consomme énormément de temps et d’effort, avec la possibilité accru de commettre des
erreurs d’interprétation, conduisant à de faux diagnostics. Dans ce travail de thèse, nous nous
sommes penchés sur deux problématiques co-récurrentes dans la littérature du traitement
d’images médicales. D’une part, la segmentation d’images à grands volumes en adoptant des
approches ne nécessitant pas de données d’apprentissage massives, et produisant des résultats
satisfaisants en un temps raisonnable pour les utilisateurs. D’autre part, le traitement de
certains artéfacts spécifiques aux images médicales, tels que la non uniformité d’intensité
(INU : Intensity Non Uniformity), notamment dans les images à résonance magnétique
(IRM). Pour la première problématique, nous avons proposé une nouvelle méthode de
segmentation d’IRM, consistant en un nouveau schéma de combinaison de deux méthodes de
base, une par clustering et l’autre par accroissement de région. Les deux méthodes sont
intrinsèquement faibles en computation mais aussi et en performance de classification. Par
contre, le schéma de combinaison proposé, qui se base sur des volumes de probabilités selon
différentes distributions statistiques des données IRM nous a permis d’améliorer
considérablement la performance de la segmentation.
Pour la seconde problématique, nous avons proposé une nouvelle méthode de modélisation
et de correction du champ de biais, responsable de la non uniformité des intensités (INU) dans
les IRM. Tout d’abord le volume global de l’IRM est subdivisé aléatoirement en sousvolumes de faibles tailles qui se chevauchent, et dont chacun est affecté à un agent pour le
segmenter en ses trois tissus qui composent la matière cérébrale. Dans de tels sous volumes,
l’effet du champ de biais est pratiquement négligeable, et la non uniformité d’intensité
résiduelle ne fausse pas l’étiquetage des voxels. Ainsi, la première segmentation qui en résulte
est utilisée pour estimer le champ de biais global dans l’IRM en l’approximant par une hypersurface de variation d’intensité, ajusté par interpolation Lagrangienne et en utilisant les voxels
fiablement étiquetés. Au reste de l’IRM, le champ de biais est estimé par interpolation en
utilisant l’hyper surface obtenu.
Les résultats expérimentaux obtenus pour les deux méthodes, de segmentation par
combinaison probabiliste et de correction de l’INU par interpolation Lagrangienne, ont
montré l’intérêt des deux méthodes et leur potentiel pour une correction de l’INU et une
segmentation fiable et rapide des IRMs. Selon les deux contributions réalisées, nous avons pu
confirmer que la combinaison de méthodes de base de segmentation, de complexité
computationnelle faible et de performances intrinsèques moyennes, permet de mettre en
œuvre des méthodes avec des performances boostées, mais de complexité de calcul
raisonnable, compatible avec l’utilisation de telles méthodes sur un terrain réel d’exploitation.