L Interprétation des Images Médicales Cérébrales : Segmentation par L approche Split et Merge

Transcription

1 L Interprétaton des Images Médcales Cérébrales : Segmentaton par L approche Splt et Merge Berrch Fatma Zohra 1, Benyettou Mohamed 1 1 Laboratore de Modélsaton et Optmsaton des Systèmes Industrels : LAMOSI. Faculté des Scences, Département d Informatque, USTO. B.P EL M NAOUER ORAN ALGERIE. {berrch.fatma, med_benyettou}@yahoo.fr Résumé. Le tratement des mages médcales est une dscplne nouvelle, rche et varée, mas dans laquelle les nombreuses méthodes exstantes sont délcates à applquer aux problèmes réels. Dans ce traval, nous présentons un système de tratement des mages scanographes et IRM cérébrale qu est basée sur la méthode splt & merge pour l étape de segmentaton et l applcaton du réseau de neurone de type Perceptron Multcouches(PMC) pour la détecton des anomales dans ces mages. Le système proposé a pu effectuer la tâche d nterprétaton des mages médcales avec succès. Il est très mportant à noter que le chox du sous ensemble d attrbuts des régons de l mage contrbue dans la dscrmnaton de l anomale par rapport au tssus normal. Mots clés: anomale, mages scanographes, IRM, Perceptron Multcouches, segmentaton, splt & merge.

2 1 Introducton Le tratement d mage est né de l dée de la nécessté de remplacer l observateur human par la machne. Ce remplacement état sans fondement expérmental, car nul ne pouvat espérer qu une machne serat un our dotée de facultés ntellectuelles égale ou même supéreure à celle de l homme. La vson ntervenant dans un grand nombre d actvtés humanes, le champ des applcatons du tratement d mages est très vaste ; la médecne est un des domanes qu n a pu échapper à ce souffle numérque que ce sot dans la chrurge, le dagnostc, la pratque thérapeutque etc. Le but du tratement des mages médcales est d extrare à partr des mages acquses, les nformatons utles au dagnostc, de révéler des détals dffcles à percevor à l œl nu, tout en évtant la créaton d artefacts, faussement nformatfs. Pour cela le tratement fat appel à des outls, des algorthmes, qu permettent d agr sur l mage numérsée ; L un des processus fondamentaux dans la chaîne de tratement d mage est la segmentaton. La segmentaton est un processus qu permet d engendrer une descrpton compacte de l mage et donc symbolque plus, explotable que l ensemble des pxels ; cette descrpton va être utlsée dans une prochane phase de la chaîne de reconnassance vsuelle, afn de ben caractérser l mage et de concevor des outls permettant de détecter les dfférentes pathologes du corps human. Dans cet artcle, nous présentons une parte des systèmes d nterprétaton des mages médcales. L obectf de ce traval est de concevor un système de reconnassance des mages cérébrales scannographes et IRM, la reconnassance est basée sur une segmentaton de ces mages par une approche régon de type «splt & merge»pour l extracton des nformatons pertnentes nécessares, par la sute, dans la procédure de décson ; tout en nous concentrant sur la qualté de la segmentaton car un tratement ultéreur dépend étrotement du résultat de cette dernère. La détecton d anomales dans ces mages se fat grâce à un classfeur neuronal de type Perceptron Multcouches. 2 Imagere Médcale et Tumeurs Cérébrales L'mportance que revêt l'magere médcale tent d'abord au fat qu'une mage est un concentré d'nformaton ben plus effcace qu'un texte ou qu'une explcaton verbale. L nterprétaton des mages médcales est un des domanes de recherche les plus encourageants, étant donné qu l offre des facltés pour le dagnostc et les décsons thérapeutques d un grand nombre de malades tel que le cancer et en partculer le cancer du cerveau. Le cerveau est le moteur du corps human, sège de la pensée et des émotons c'est le centre ou s'ntègrent et ou s'élaborent les grandes fonctons motrces, senstves ; malgré sa poston d organe central, l n est pas épargné par le cancer. Les premers troubles lés au développement d'une tumeur cancéreuse peuvent être très dfférents d'une personne à l'autre. Il peut s'agr d'une paralyse temporare d'une parte du corps, d'une crse d'éplepse, de troubles de la vue, de vertges etc. Aucun des symptômes ctés précédemment n'est spécfque d'un cancer; C'est leur persstance

3 qu dot attrer l'attenton. Lorsqu l suspecte une tumeur cérébrale, le médecn va d'abord réalser un examen neurologque complet dans le but de détermner la zone du cerveau attente. Cet examen sera complété par des technques d'magere. Le scanner et l'irm cérébraux sont les examens les plus fréquemment pratqués. Le scanner est un examen qu utlse les rayons. Le scanner permet de vor la tumeur qu apparaît clarement et concentre souvent le produt odé qu a été admnstré. L IRM permet de vsualser la structure anatomque de tout volume du corps, en partculer des «tssus mous» tels que le cerveau, elle n'utlse pas les rayons X, mas les proprétés magnétques du corps human [1]. 3 Segmentaton La segmentaton des mages consttue le cœur de tout système de vson ; c est une étape mportante dans le processus d analyse des mages ; c'est un des suets qu a été le plus étudé dans ce domane. La segmentaton a pour obectf l'extracton d'ndces vsuels dans une mage. Elle permet de parttonner une mage en ensembles de ponts appelés régons, homogènes pour une ou pluseurs caractérstques (ntensté, couleur, texture, ) et sont dfférentes pour au mons une de ses caractérstques des régons vosnes. Formellement ; la segmentaton d une mage numérque I utlsant un prédcat d'homogénété P est communément défne comme une partton S= R1, R2, R3,., Rn telle que : 1. I=U R, [1 n] 2. R est connexe, [1 n] 3. P(R) =vra, [1 n] 4. P (R U RJ)= faux Ans, une multtude de technques de segmentaton est présentée dans la lttérature, On peut les regrouper en tros grandes famlles : Les méthodes de segmentaton par contours, Les méthodes de segmentaton en régons et Les méthodes de classfcaton [2][3]. Notre chox s est porté sur une méthode de segmentaton par approche régon de type "Splt and Merge" est dt auss «dvson & fuson» pour la performance de cette méthode en tratement d mages. L'algorthme splt & merge ; a été présenté la premère fos en 1974 par Pavlds et Horowtz. Cet algorthme est composé de deux étapes. Dans la premère étape, nous allons utlser l'opératon de "Splt"(dvson) on utlsant la structure quadtree pour parttonner l mage. Une fos l'mage parttonnée, nous pouvons passer à la deuxème étape de l'algorthme : l'opératon de «Merge» (fuson) [4]. 3.1 Algorthme Splt and merge Soent X, =1,.., N l'ensemble des régons consttuant une partton de l'mage I (on peut avor N=1, X1=I). Sot H un prédcat d'homogénété [5].

4 Etape 1 : SPLIT (algorthme récursf) Pour toute régon X S H [X] faux Alors Splt (X). Etape 2 : MERGE Pour tout couple (X, X) S Vosn (X, X) et H [Unon (X, X)] Alors Fuson (X, X) Phase de Splt (Dvson) L algorthme se résume en les étapes suvantes : 1. Dvser l mage ntale en 4 régons (prncpe de structure quatree) où l on à H (mages) = Faux. 2. S pour une régon R, le prédcat d homogénété H n est pas vérfé (H (R ) = faux), alors dvser la régon en Aller à 2). L algorthme s arrête lorsque toutes les régons satsfont le prédcat H. Fg. 1. Structure quadtree Phase de Merge (fuson) L algorthme commence par une mage sur-segmentée, pour ensute : 1. Fusonner tout couple de régons adacentes qu vérfe un crtère d homogénété. 2. Défnr un prédcat Fusonne (R, R) où R et R sont deux régons adacentes. Cette méthode est basée sur la labellsaton, elle permet d affecter une même valeur à tous les pxels appartenant à un même obet. Alors qu elle s applque sur des mages bnares résultant de la dvson en quadtree. La labellsaton est caractérsée pour sa connexté à savor 4 ou 8 : Fg. 2. Prncpe de labellsaton

5 4 Le réseau de neurones Perceptron Multcouches (PMC) La bologe a apporté un grand nombre d'nformatons sur le fonctonnement du cerveau, des neurones... Des mathématcens ont alors tenté de reprodure le fonctonnement du cerveau en ntégrant ces connassances en bologe dans des programmes nformatques, et en leur donnant la possblté d'apprendre. En 1943, Warren McCulloch et Walter Ptts en s nsprant de leurs travaux sur le neurone bologque, ont proposé un des premers modèles de neurone artfcel qu devendra la base des réseaux de neurones artfcels. Un réseau de neurones est un réseau composé généralement d'un grand nombre d'untés de calcul très smples appelés neurones formels. Ces neurones formels sont nterconnectés entre eux, de sorte que les sgnaux sortant des neurones devennent des sgnaux entrant dans d autres neurones. Le PMC (Mult layer perceptron ou MLP) c est hstorquement le premer RNA, c'est le Perceptron de Rosenblatt.Le MLP est un réseau non bouclé caractérsé par une structure ben partculère. L actvaton de ce réseau se propage de la couche d entrée vers la couche de sorte par l ntermédare de couches cachées, et l erreur se calcule dans le sens nverse de sa propagaton d actvaton [6]. Fg. 3. Le fonctonnement de réseau MLP 4.1 Fonctonnement Un PMC fonctonne en deux temps dans: La phase d apprentssage : Elle est fondamentale. Elle consste à fare apprendre au réseau les dfférentes confguratons des vecteurs de paramètres caractérstques des mages de fonds que l on souhate classfer Pour cela on utlse : La propagaton, qu consste à présenter une confguraton d entrée au réseau, pus à la propager à celle de sorte en passant par les couches cachées. Pour chaque neurone, On calcule :

6 y = G = 0, d W ( φ = G a ) W : pods de la connexon de la cellule à la cellule. a : actvaton de la cellule. g : foncton d actvaton. (1) X lnéare g(x)= 1/1+ logstc (sgmod) (2) Le rétropropagaton, qu consste, après le processus de propagaton. L algorthme de rétro-propagaton a été développé en partculer par Rumelhart et Parenet le Cun en 1985 [14]. Cet algorthme repose sur la mnmsaton de l erreur quadratque entre les sortes calculées et celles souhatées; L erreur consdérée comme une foncton des pods synaptques. Cette erreur représente la somme des dfférences au carré entre les réponses calculées et celles désrées pour tous les exemples contenus dans l ensemble de l apprentssage. Prncpe : 1. Evaluaton de l erreur Ε (ou E) due à chaque connexon : E = δ Z = a W E a = E W (3) Idée : δ Calculer l erreur sur la connexon w en foncton de l erreur après la cellule Pour les cellules de la couche de sorte. E y = g' ( a ).( u ( x ) y ) δ Pour les cellules d une couche cachée : E E a a z E = = g' ( a a = = = δ = g' ( a ) a a a z a w δ ) (4) (5) Avec a : actvaton de la cellule. z : sorte de la cellule.

7 Fg. 4. Evaluaton de l erreur 2. Modfcaton des pods On suppose gradent à pas (constant ou non): η (t) S apprentssage stochastque (après présentaton de chaque exemple). Δ W JI = η ( t) δ a S apprentssage total (après présentaton de l ensemble des exemples). Δw JI = η ( t) n δ a n n (6) (7) La phase de test Ou de généralsaton consste à présenter un vecteur de paramètres nconnu en entrée du réseau et à observer la réponse qu l fournt. 5 Le système d nterprétaton des mages médcales Le système que nous avons développé content cnq étapes essentelles qu sont : le prétratement des mages, segmentaton, extracton des caractérstques des régons, l actvaton du MLP, la classfcaton (détermnaton de la classe d mage).[6] 5.1 Base de données Nous avons travallé sur des mages procurées de deux sources, des mages téléchargées de l nternet : et des clchés numérsés d une clnque d magere médcale sur des patents présentant dfférents types d anomales. Nos mages sont regroupées en deux ensembles selon la technque d magere par laquelle elles sont obtenues. On note BDD1 pour le premer ensemble qu content (09) mages scannographe cérébrales.et BDD2 le deuxème ensemble de (09) mages IRM cérébrales.

8 5.2 Prétratement des mages Après l acquston des mages médcales cérébrales on passe au prétratement qu se fat en deux étapes suvantes : Le redmensonnement d mage : le but de cette étape est de rendre tous les mages à trater à une talle dentque 256*256 pour quelle sot facle à manpulé par la méthode de segmentaton chose qu utlse des mages carré. Fltre médane : Les fltres médans sont un type de fltres passe-bas dont le prncpe est de fare la médane des valeurs des pxels avosnants. On conclure que globalement, le fltre médan présente une melleure fdélté à l mage ntale. Ce fltre donne d'excellents résultats sur le brut "povre et sel". De plus, l préserve ben les contours. 5.3 Segmentaton Les mages médcales sont segmentées par la méthode splt&merge détaller dans la part (3.1).Le prédcat d homogénété pour une régon R se repose sur deux crtères: 1. La moyenne des nveaux de grs de la régon R est nféreure à un seul fxé. 2. La varance des nveaux de grs de la régon R est supéreure à un seul fxé. 5.4 Extracton des caractérstques de l mage segmentée Le chox des attrbuts pour caractérser une régon est un problème dffcle qu demande toute l expérence du trateur d mages. Ce chox dépend de l mage à trater et du problème à résoudre. A partr des résultats de la segmentaton par «splt & merge» applquées sur les mages, nous obtenons une carte de régons homogènes où les pxels de chaque régon portent une seule valeur caractérsant la régon. Pour le calcul des attrbuts de chaque régon de l mage, on cherche les valeurs des nveaux de grs de chaque pxel de la régon obtenue par la segmentaton dans l mage ntale. Ces attrbuts sont défns comme sute: Surface (sur): c est le nombre de pxels de la régon. Varance (var) : c est le crtère d homogénété calculé comme sute (8) Avec : Nveau de grs du pxel de la régon R. : La moyenne des nveaux de grs de R. Pérmètre(Per): la longueur de la frontère de la régon ou le nombre de pxels formant cette frontère. Nveau de grs moyen (Ngm): c est la moyenne des nveaux de grs des pxels de la même régon.

9 Elongaton (Elg): on détermne le rectangle exnscrt aux régons. L élongaton des régons est assmlée à celle du rectangle (c est le rapport longueur L sur largeur I). (9) Elg=L/I (10) Compacté (Com): appelé auss facteur de crcularté défn par Com= (11) Avec ces attrbuts, chaque mage est présentée comme une matrce de talle N*M. Ou N: le nombre total des régons résultantes de l mage segmentée et M: le nombre des attrbuts qu caractérsent chaque régon, avec l ordre suvant (Sur, Var, Ngm, Elg, Com). L affectaton des régons On assoce à chaque régon une valeur y qu prend 1 ou 0 selon que la régon présente une anomale ou pas. Après pluseurs tests, nous avons pu établr les condtons qu permettent de dre s une régon est nfectée ou pas. Ces condtons sont basées sur les valeurs de la surface, la varance, le nveau de grs moyen. 5.5 Classfcaton par le réseau MLP L Actvaton du MLP, sgnfe qu on va smuler l mage d entrée (présentée par un ensemble de régons) par MLP qu est déà crée auparavant, ce MLP content : Une couche d entrée: cette couche compte 5 neurones représentant les attrbuts choss de chaque régon de l mage. Les attrbuts extrats à partr des régons de l mage, après la phase de segmentaton sont: surface, varance, nveau de grs moyen, élongaton, compacté. La couche cachée : content 50 neurones. Ce nombre est chose après pluseurs tests afn d aboutr à une melleure généralsaton, car pour un problème donné, on ne peut pas savor au préalable qu elle archtecture de réseau adéquat pour résoudre ce problème. La couche de sorte: cette couche content un seul neurone. Fg. 5. Archtecture de notre réseau

10 L apprentssage Notre chox de l apprentssage s est porté sur un apprentssage supervsé (dfférents exemples avec leurs sortes désrées sont présentés au réseau). Nous avons utlsé la retropropagaton du gradent comme algorthme d apprentssage décrte dans la parte précédente. Pour Le nombre d tératons l faut chosr un nombre mportant permet au réseau de ben s organser et d adapter de meux en meux ses pods. Pour cette phase d apprentssage, on a collecté 2 ensembles d mages médcales cérébrales sans et nfectés dstnctes, tels que le 1 er ensemble tré du BDD1 content 4 mages et le 2 ème ensemble prs du BDD2 avec un nombre de 4.Après avor obtenu les melleurs résultats de convergence de l apprentssage du MLP(le taux le plus élevé) on stoce les pods et les seuls du MLP dans un fcher spécfque. Le test : Le réseau dot être testé, en lu présentons un autre ensemble d exemples et c est à lu de décder s la régon présentée est une zone suspecte ou non, en regardons sa sorte.le taux de reconnassance est calculé par la formule suvante : Taux de reconnassance= (nombre des exemples reconnus) / nombre totale des exemples. La décson sur l mage dépend de l exstence d au mons d une seule régon nfectée parm l ensemble des régons consttuent cette mage. Dans notre applcaton la phase de test s est applquée sur le reste de BDD1 et BDD2 chacun à part. 6 Résultats et dscusson Nous avons mplémenté l applcaton en utlsant le langage : MATLAB Verson 6.5 pour Wndows, sous système d explotaton Wndows XP. Cette mplémentaton a état fate sur un PC de type Pentum IV INTEL 2.66 GHz, avec une RAM de 128 Mo de capacté. SERIM (Segmentaton Et Reconnassance des Images Médcales) est le logcel résultat de ce proet. Il présente dfférents modules et assure un très bon taux de reconnassance [6]. La segmentaton par une approche régon de type «splt & merge» a nécessté la détermnaton de pluseurs paramètres.ben que cette méthode a donné des résultats encourageants. Fg. 6. Segmentaton d une mage IRM

11 Fg. 7..Segmentaton d une mage Scanner Voc un échantllon d extracton des attrbuts des régons d une mage segmentée : Table.1 Les attrbuts des régons. Ces attrbuts extrats à partr des régons sont présentés aux entrées du réseau de neurone MLP conçu pour la détecton. Comme l est dffcle pour un problème donné de savor l archtecture optmale qu sert à le résoudre, on a essayé pluseurs tests de créaton du réseau et pluseurs types d algorthmes afn d avor les melleurs proprétés d nterpolaton. Dans ces deux tableaux, nous allons applquées les dfférentes fonctons d actvaton utlsées pour les réseaux MLP sur les deux bases de données décrtes précédemment. Table 2. Comparason des résultats pour BDD1. Le type de foncton TDA% TDT% NBC NMC TEA(s) TET(s) Lnear Logstc Table 3. Comparason des résultats pour BDD2 Le type de foncton TDA% TDT% NBC NMC TEA(s) TET(s) Lnear Logstc

12 Avec TDA : Taux D apprentssage. TDT : Taux de test. NBC : Nombre de régons ben classées. NMC : Nombre de régons mal classées. TEA : Temps d apprentssage. TET : Temps de test. Les tableaux ont montré la varaton du taux d apprentssage et de test du MLP en changeant la foncton d actvaton. Nous remarquons que le changement de la foncton d actvaton entraîne un changement du taux. Cette remarque est valde pour n mporte quelle mage tratée, et peut être explquée par le fat que le fonctonnement de réseau s appue sur la foncton de transfert. Par exemple, l augmentaton du taux de test dans les deux bases de données est due à l utlsaton de la foncton logstque.contrarement à la foncton lnéare, l emplo de cette dernère mplque une dmnuton remarquable du taux, cec est clarement vu dans les tableaux. 7 Concluson L obectf de notre traval c est la concepton et l mplémentaton d un système de reconnassance des mages scannographes et IRM applqué pour le dagnostc des anomales détectées. Ce système a pour rôle d ade à l nterprétaton des mages médcales et fournr au médecn des nformatons précses sur le contenu de l mage qu va explcter les dfférentes régons d ntérêt ans que les aspects pathologques des structures présentées dans l mage. Le traval présenté a perms d ntervenr et d amélorer les dfférentes étapes de l analyse des mages médcales. Après une estmaton globale et un chox adéquat des prétratements, le logcel SERIM fat appelle à : la segmentaton par une approche régon «splt&merge», l extracton des attrbuts des régons et la classfcaton des données qu consste à classfer les régons obtenues par les réseaux de neurones de type MLP. Les résultats de la segmentaton et la détecton obtenus montrent que le système a pu donner des melleures performances en reconnassance. Il demeure évdent que ces méthodes ne remplaceront amas l œl du clncen, mas en lu offrant un outl d nterprétaton plus rapde et mnuteux, elles seront touours un outl fable d ade au dagnostc ans qu a la détecton de la pathologe. Références 1. J.Vgnaud. «Tomodenstométre Crâno-Encéphalque». Edton VIGOT R.Horaud et O.Monga. «Vson par ordnateurs outls fondamentaux».2 édtons.edton Hermès, Pars, Zoug Tar, H.Benot-Catn et C.Odet«Une vson fonctonnelle de la segmentaton d'mages» Congrès Francophone de Vson par ordnateur, ORASIS'01, PAGES ,588 JUIN S.L. Horowtz and T. Pavlds.«Pcture segmentaton by a drected splt and merge procedure» H.Samet. «Regon representaton: quadtre from bnary arrays.computer Graphcs and Image Processng» Berrch,F.Z.Guendouz,H, Benyettou,. Segmentaton et Classfcaton des Images Médcales Cérébrales, Proet de Fn d Etude, USTO (2007).