Les méthodes empiriques, déformables et statistiques

Cours les méthodes empiriques, déformables et statistiques, tutoriel & guide de travaux pratiques en pdf.

Les méthodes empiriques :

Ces méthodes se basent sur une connaissance « empirique » à priori concernant l’image et ces caractéristiques de forme.
Ces méthodes sont utilisées pour estimer la pose vertébrale afin de faire correspondre des modèles simples et également pour étiqueter les vertèbres.
Dans la littérature, beaucoup de travaux mettent en pratique ce principe, nous citerons comme exemple :
Long et Thoma [19] ont essayé de localiser la vertèbre cervicale C2 par rapport à la position de l‟arrière de crâne. Cette méthode est très utile pour réduire l‟incertitude de l‟emplacement des vertèbres cervicales. Plus tard, dans [18], les auteursont développé une méthode automatique permettant d‟obtenir une approximation de premier ordre de l‟endroit de la colonne vertébrale.
G.Zamora et al [11] ont développé un algorithme pour estimer l‟orientation et la position des vertèbres cervicales. Pour examiner l‟efficacité de cette estimation, des points morpho-métriques ont été placé par des radiologues experts sur un ensemble de 40 films radiographiques. Cette approche a donné des résultats acceptables ce qui peut mener à un placement précis d‟un modèle de forme moyen.
L‟inconvénient majeur des méthodes de segmentation empiriques est qu‟elles sont fortement dépendantes de la qualité de l‟image radiographique d‟une part, des facteurs comme le bruit et les bords faibles peuvent influencer les résultats.
D‟une autre part, ces méthodes ne présentent aucune information a priori sur les caractéristiques géométrique et la forme d‟objet d‟intérêt.

Les modèles déformables :

Cette deuxième classe de méthodes peut être considérée comme une plate-forme pour les méthodes semi-automatiques et automatiques.
Le principe de ces approches est d‟utiliser un modèle qui se déforme vers les bords de l‟objet d‟intérêt en se basant sur un processus de minimisation d‟énergie par exemple.
De nombreux travaux ont utilisés cette classe de méthodes de segmentation:
Tezmol et al [1] ont utilisé la Transformée de Hough généralisé (TGH) afin de trouver la pose (position, orientation et échelle) de deux vertèbres cervicales dans les images radiographiques. Ce travail est constitué de deux étapes :
1. Un modèle de forme moyen est d‟abord choisi parmi un ensemble d‟apprentissage.
2. Une technique de vote est implémentée pour trouver la meilleure correspondance dans le domaine de Hough.
Le taux de succès a atteint 90% pour la détection des vertèbres cervicales.
Yalin Zheng et al [51] ont utilisé un algorithme génétique pour la recherche dans l‟espace de Hough, et la forme de la vertèbre est caractérisée par les descripteurs de Fourier.
L‟inconvénient de ce type de méthodes est l‟initialisation « manuelle » qui doit être proche de l‟objet d‟intérêt. La THG peut apporter de bons résultats mais reste incapable de s‟adapter avec les déformations des formes à cause d‟usage de modèles rigides.
Une solutiona été proposée par Mahmoudi et al. [41] intégrant la méthode de contours actifs « snakes » [27] pour combler les imperfections de l‟approche de segmentation basée sur les modèles actifs de formes – ASM (marquage semi-automatique).Les résultats obtenus ont été satisfaisants.

Les méthodes statistiques :

La dernière classe de ces des méthodes de segmentation et qui est largement utilisé est la classe des méthodes statistiques. On peut distinguer les modèles statistiques de forme et d‟apparence.
Dans les modèles statistiques de forme, la forme d‟objet est représentée par un ensemble de points. Des annotations manuelles faites sur un ensemble d‟images vont former l‟ensemble d‟apprentissage.
Le but est de construire un modèle représentant la variation de forme dans cet ensemble, qui va permettre d’analyser à la fois de nouvelles formes, et de synthétiser des formes analogues à celles de l‟ensemble d‟apprentissage.
Parmi les applications largement utilisées pour ce type de méthodes nous pouvons citer les modèle de forme actif (en anglais Active Shape Model ou ASM) introduites par Cootes et al [6], les méthodes basées sur les contours actifs « snakes » ainsi que les contours actifs par courbes de niveaux « Levels sets ».
Le principe des méthodes à base de contours actifs est d‟essayer de déplacer un contour initial qui est créé comme modèle moyen de forme de la vertèbre segmenté manuellement vers les bords de l‟objet.
Plusieurs applications remarquables dans la littérature peuvent être citées :
 Une version améliorée de l‟ASM a été proposée dans [12] puis [13]pour la segmentation des vertèbres dans les images radiographiques numérisées.
o Cette étude a mis en œuvre le principe de la morphométrie quantitative pour générer des points de repère délimitant la vertèbre : d‟abord un module de la transformée de Hough généralisé est utilisé pour une estimation de la position, de l‟orientation et de l‟échelle de la vertèbre d‟une part et remédier au problème d‟initialisation d‟autre part.
o Ensuite, la variabilité de la forme des vertèbres est utilisée pour construire un modèle en utilisant un module d‟ASM amélioré.
o Finalement ce modèle va être déformé en fonction de la variabilité de formes observée dans l‟ensemble d‟apprentissage afin de bien capturer les détails fins des déformations locales au niveau de la vertèbre.
 Une autre étude rapportée par Klinder et al [46] pour la détection, l‟identification et la segmentation automatique des vertèbres dans l‟image tomographiques (en anglais CT images).La solution proposée dans ce travail est constitué des étapes suivantes :
o L‟extraction de la courbe de la colonne vertébrale, la détection de la position des vertèbres et l‟identification (nomination) de chaque vertèbre. Ce processus est finalisé par une étape de segmentation en utilisant un modèle de forme spécifique pour l‟ensemble des vertèbres. Le taux de succès d‟identification a atteint plus de 70% pour chaque vertèbre.
 Récemment, une seconde solution a été proposée dans [43] combinant deux méthodes afin de développer un algorithme automatique de la segmentation de colonne vertébrale y compris la partie cervicale, thoracique et lombaire dans les images CT :
o La première méthode utilise une segmentation initiale à base de modèles déformables.
o La deuxième méthode repose sur une segmentation fine à base de modèles de formes et d‟intensités statistiques. Les résultats ont été comparés aux résultats de la segmentation manuelle. La performance de cet algorithme a été jugé équitable.
Une autre variante de la méthode d’ASM est le Modèle Actif d’Apparence (en anglais Active Appearance Model AAM) qui est aussi largement décrite dans la littérature [16].
L‟utilisation de la forme et des paramètres d‟apparence du modèle ont été discutés dans [26] pour la localisation automatique des vertèbres lombaires. Cependant les méthodes ASM restent plus rapides avec des résultats meilleurs.
Une autre structure hiérarchique a été proposée dans [2] afin de prouver l‟efficacité des AAM pour la segmentation des vertèbres cervicales (avec un taux de succès de 65%) et lombaires (68%) dans les images à rayons-X.