Détection de vertèbres dans les images radiographiques

Cours détection de vertèbres dans les images radiographiques, tutoriel & guide de travaux pratiques en pdf.

Etape d’apprentissage :

L‟ensemble d‟apprentissage est formé de la façon suivante :
1. Pour la classe « région vertèbre » (désignée classe 1), un ensemble de 50 sous images est formé par l‟extraction de fenêtres de taille 25*25 contenant la vertèbre à partir de chaque image radiographique. Cet ensemble représente les exemples positifs.
2. Un autre ensemble est formé par l‟extraction aléatoire des fenêtres de même taille dans des zones différentes dans l‟image (autre que la
vertèbre), pour la classe « région non vertèbre » (désignée classe2). Cet ensemble représente les exemples négatifs.
Pour chaque exemple de cette base, deux méthodes d‟extraction de caractéristiques ont été appliqués :
1. Méthode d‟ondelettes : qui consiste à extraire un ensemble de coefficients d‟ondelettes comprenant : les détails horizontaux, verticaux, diagonaux et les coefficients d‟approximation.
2. Méthode des moments géométriques.
Pour la méthode d‟ondelettes les vecteurs caractéristiques (descripteurs) utilisées pour entrainer le classifier SVM ont les dimensions suivantes :
1. D=13*13 pour le premier niveau de décomposition d‟ondelette.
2. D=7*7 pour le deuxième niveau.
3. D=4*4 pour le troisième niveau.
D=1*7 est la dimension du descripteur de la deuxième méthode pour les septes moments HU géométriques.
Chaque orientation de détails est entrainée et classifiée séparément en utilisant le classificateur SVM avec différents noyaux y compris le noyau linéaire, Gaussien, et polynomial de degré 04 (quadratique).

Etape de test et validation :

La phase d‟apprentissage est la plus importante, mais la détermination des bons paramètres n‟est pas toujours facile.
Dans cette étude, nous nous intéressons aux paramètres du classificateur SVM afin d‟aboutir à une erreur de classification minimale.
Pour fixer le modèle SVM approprié à la détection de différentes régions vertèbres, nous étudions les performances de trois types de modèles SVM : linéaire, à fonction noyau gaussien (RBF) et à fonction de noyau polynomiale (ordre 4).
Chaque modèle est évalué en utilisant les quatre sous-ensemblesde paramètres (y compris les coefficients d‟approximation, les détails horizontaux, verticaux, et diagonaux) issus de la méthode d‟ondelettes, et un autre ensemble de moments géométriques de HU.
Les différents paramètres qui ont été étudiés durant la phase d‟apprentissage représentent : la fonction noyau avec ses paramètres (exemple : la valeur sigma pour la fonction RBF), et le paramètre de pénalisation « C » par la méthode de validation croisé citée dans le chapitre précédent. Plusieurs essais ont été effectués afin de pouvoir fixer ce paramètre de régularisation. En effet ce paramètre contrôle le compromis entre l‟erreur de SVM sur les données d‟apprentissage et la maximisation de la marge. La figure suivante, Figure 16, illustre cette influence du changement de ce paramètre
Des coefficients de corrélation sont ensuite calculés entre la fenêtre à classifier et un modèle moyen (Template) de notre base d‟apprentissage, afin d‟identifier le degré de ressemblance entre le résultat et la région de vertèbre désirée.
La performance de notre classificateur est déterminée par le calcul de la sensibilité (rappel) et la spécificité (précision) de la classification de la manière suivante :
La sensibilité: est la capacité à détecter les ”vrais positifs(VP) ».
Dans notre cas :
VP ou vrai positif représente les exemples classés « région vertèbre » et qui le sont vraiment.
FP ou faux positif représente les exemples classés « région vertèbre » et qui sont en fait « non vertèbre ».
VN ou vrai négatif représente les exemples classés « non vertèbre » et qui le sont vraiment.
FN ou faux négatif représente les exemples classés « non vertèbre » et qui sont en fait « région vertèbre ».
Les résultats obtenus dans le tableau, table 01, ont été calculés en utilisant les différentes représentations possibles par les deux méthodes de caractérisation, avec une valeur de C=0.1 et un Sigma=3 pour le noyau Gaussien (RBF).
Les différents tests nous donnent de bons résultats pour la représentation des moments pour le noyau Gaussien RBF 85,7%, qui donne aussi 83.5% pour la représentation par les coefficients d‟approximation et les coefficients de détails verticaux pour le premier niveau de décomposition.
Pour raffiner plus les résultats issus de la représentation par ondelettes, nous procédons de la même manière pour le deuxième et le troisième niveau de décomposition.
Les meilleurs résultats restent toujours élevés en utilisant le noyau Gaussien avec un sigma=3 et un taux de 84% et 83.2% pour la représentation par les coefficients d‟approximation pour le niveau 2 et 3 respectivement.

Etape de détection :

Dans la figure (17) nous présentons des exemples d‟application de notre système de détection de vertèbres dans les images radiographiques. Les images de tests ont été redimensionnées à 250*250 afin de réduire le temps de parcours de l‟image.