Le traitement d'image est né de l'idée de la nécessité de remplacer l'observateur humain par la machine. Ce remplacement était sans fondement expérimental, car nul ne pouvait espérer qu'une machine serait un jour dotée de facultés intellectuelles égale ou même supérieure à celle de l'homme. La vision intervenant dans un grand nombre d'activités humaines, le champ des applications du traitement d'images est très vaste ; la médecine est un des domaines qui n'a pu échapper à ce souffle numérique que ce soit dans la chirurgie, le diagnostic, la pratique thérapeutique etc. Le but du traitement des images médicales est d'extraire à partir des images acquises, les informations utiles au diagnostic, de révéler des détails difficiles à percevoir à l'oeil nu, tout en évitant la création d'artefacts, faussement informatifs. Pour cela le traitement fait appel à des outils, des algorithmes, qui permettent d'agir sur l'image numérisée ; L'un des processus fondamentaux dans la chaîne de traitement d'image est la segmentation. La segmentation est un processus qui permet d'engendrer une description compacte de l'image et donc symbolique plus, exploitable que l'ensemble des pixels ; cette description va être utilisée dans une prochaine phase de la chaîne de reconnaissance visuelle, afin de bien caractériser l'image et de concevoir des outils permettant de détecter les différentes pathologies du corps humain. Dans cet article, nous présentons une partie des systèmes d'interprétation des images médicales. L'objectif de ce travail est de concevoir un système de reconnaissance des images cérébrales scannographies et IRM, la reconnaissance est basée sur une segmentation de ces images par une approche région de type « split & merge »pour l'extraction des informations pertinentes nécessaires, par la suite, dans la procédure de décision ; tout en nous concentrant sur la qualité de la segmentation car un traitement ultérieur dépend étroitement du résultat de cette dernière. La détection d'anomalies dans ces images se fait grâce à un classifieur neuronal de type Perceptron Multicouches. Dans la première étape, nous allons utiliser l'opération de "Split"(division) on utilisant la structure quadtree pour partitionner l'image. Une fois l'image partitionnée, nous pouvons passer à la deuxième étape de l'algorithme : l'opération de « Merge» (fusion) [4].
Soient Xi, i=1,.., N l'ensemble des régions constituant une partition de l'image I (on peut avoir N=1, X1=I). Soit H un prédicat d'homogénéité [5]. La propagation, qui consiste à présenter une configuration d'entrée au réseau, puis à la propager à celle de sortie en passant par les couches cachées. Pour chaque neurone, On calcule :
Wjk : poids de la connexion de la cellule j à la cellule k. ak : activation de la cellule k. g : fonction d'activation.
Le rétropropagation, qui consiste, après le processus de propagation. L'algorithme de rétro-propagation a été développé en particulier par Rumelhart et Parkenet le Cun en 1985 [14]. Cet algorithme repose sur la minimisation de l'erreur quadratique entre les sorties calculées et celles souhaitées; L'erreur considérée comme une fonction des poids synaptiques. Cette erreur représente la somme des différences au carré entre les réponses calculées et celles désirées pour tous les exemples contenus dans l'ensemble de l'apprentissage.
Principe :
Evaluation de l'erreur j Ε (ou E) due à chaque connexion :
Calculer l'erreur sur la connexion wji en fonction de l'erreur après la cellule j Pour les cellules de la couche de sortie.
) ) ( ).( ( '
Pour les cellules d'une couche cachée :
Avec ai : activation de la cellule i. zi : sortie de la cellule i.
On suppose gradient à pas (constant ou non): η (t)
Si apprentissage stochastique (après présentation de chaque exemple).
Si apprentissage total (après présentation de l'ensemble des exemples).
La phase de test Ou de généralisation consiste à présenter un vecteur de paramètres inconnu en entrée du réseau et à observer la réponse qu'il fournit.
Le système que nous avons développé contient cinq étapes essentielles qui sont : le prétraitement des images, segmentation, extraction des caractéristiques des régions, l'activation du MLP, la classification (détermination de la classe d'image). [6]
Nous avons travaillé sur des images procurées de deux sources, des images téléchargées de l'internet : http://www.med.harvard.edu/AANLIB/home.html, et des clichés numérisés d'une clinique d'imagerie médicale sur des patients présentant différents types d'anomalies. Nos images sont regroupées en deux ensembles selon la technique d'imagerie par laquelle elles sont obtenues. On note BDD1 pour le premier ensemble qui contient (09) images scannographie cérébrales.et BDD2 le deuxième ensemble de (09) images IRM cérébrales.
Après l'acquisition des images médicales cérébrales on passe au prétraitement qui se fait en deux étapes suivantes : Le redimensionnement d'image : le but de cette étape est de rendre tous les images à traiter à une taille identique 256*256 pour quelle soit facile à manipulé par la méthode de segmentation choisie qui utilise des images carré. Filtre médiane : Les filtres médians sont un type de filtres passe-bas dont le principe est de faire la médiane des valeurs des pixels avoisinants. On conclure que globalement, le filtre médian présente une meilleure fidélité à l'image initiale. Ce filtre donne d'excellents résultats sur le bruit "poivre et sel". De plus, il préserve bien les contours.
Les images médicales sont segmentées par la méthode split&merge détailler dans la parti (3.1).Le prédicat d'homogénéité pour une région R se repose sur deux critères: 1. La moyenne des niveaux de gris de la région R est inférieure à un seuil fixé. 2. La variance des niveaux de gris de la région R est supérieure à un seuil fixé.
Le choix des attributs pour caractériser une région est un problème difficile qui demande toute l'expérience du traiteur d'images. Ce choix dépend de l'image à traiter et du problème à résoudre. A partir des résultats de la segmentation par «split & merge » appliquées sur les images, nous obtenons une carte de régions homogènes où les pixels de chaque région portent une seule valeur caractérisant la région. Pour le calcul des attributs de chaque région de l'image, on cherche les valeurs des niveaux de gris de chaque pixel de la région obtenue par la segmentation dans l'image initiale. Ces attributs sont définis comme suite: Surface (sur): c'est le nombre de pixels de la région.
Variance (var) : c'est le critère d'homogénéité calculé comme suite (8) Avec : Niveau de gris du pixel i de la région R. : La moyenne des niveaux de gris de R.
Périmètre(Per): la longueur de la frontière de la région ou le nombre de pixels formant cette frontière.
Niveau de gris moyen (Ngm): c'est la moyenne des niveaux de gris des pixels de la même région.
On associe à chaque région une valeur y qui prend 1 ou 0 selon que la région présente une anomalie ou pas. Après plusieurs tests, nous avons pu établir les conditions qui permettent de dire si une région est infectée ou pas. Ces conditions sont basées sur les valeurs de la surface, la variance, le niveau de gris moyen.
L'Activation du MLP, signifie qu'on va simuler l'image d'entrée (présentée par un ensemble de régions) par MLP qui est déjà crée auparavant, ce MLP contient :
Une couche d'entrée: cette couche compte 5 neurones représentant les attributs choisis de chaque région de l'image. Les attributs extraits à partir des régions de l'image, après la phase de segmentation sont: surface, variance, niveau de gris moyen, élongation, compacité.
La couche cachée : contient 50 neurones. Ce nombre est choisie après plusieurs tests afin d'aboutir à une meilleure généralisation, car pour un problème donné, on ne peut pas savoir au préalable qu'elle architecture de réseau adéquat pour résoudre ce problème.
La couche de sortie: cette couche contient un seul neurone.
Avec TDA : Taux D'apprentissage.
TDT : Taux de test. NBC : Nombre de régions bien classées.
Les tableaux ont montré la variation du taux d'apprentissage et de test du MLP en changeant la fonction d'activation. Nous remarquons que le changement de la fonction d'activation entraîne un changement du taux. Cette remarque est valide pour n'importe quelle image traitée, et peut être expliquée par le fait que le fonctionnement de réseau s'appuie sur la fonction de transfert. Par exemple, l'augmentation du taux de test dans les deux bases de données est due à l'utilisation de la fonction logistique .Contrairement à la fonction linéaire, l'emploi de cette dernière implique une diminution remarquable du taux, ceci est clairement vu dans les tableaux.
L'objectif de notre travail c'est la conception et l'implémentation d'un système de reconnaissance des images scannographies et IRM appliqué pour le diagnostic des anomalies détectées. Ce système a pour rôle d'aide à l'interprétation des images médicales et fournir au médecin des informations précises sur le contenu de l'image qui va expliciter les différentes régions d'intérêt ainsi que les aspects pathologiques des structures présentées dans l'image. Le travail présenté a permis d'intervenir et d'améliorer les différentes étapes de l'analyse des images médicales. Après une estimation globale et un choix adéquat des prétraitements, le logiciel SERIM fait appelle à : la segmentation par une approche région « split&merge », l'extraction des attributs des régions et la classification des données qui consiste à classifier les régions obtenues par les réseaux de neurones de type MLP. Les résultats de la segmentation et la détection obtenus montrent que le système a pu donner des meilleures performances en reconnaissance. Il demeure évident que ces méthodes ne remplaceront jamais l'oeil du clinicien, mais en lui offrant un outil d'interprétation plus rapide et minutieux, elles seront toujours un outil fiable d'aide au diagnostic ainsi qu'a la détection de la pathologie.