La détection des lésions sombres (micro-anévrismes et hémorragies)

La détection des lésions sombres (micro-anévrismes et hémorragies)

Les micro-anévrysmes et les hémorragies sont les lésions rouges ou sombres et ils sont l’une des premières lésions de la rétinopathie diabétique (RD). Les micro-anévrysmes apparaissent dans les stades très précoces de rétinopathie diabétique, alors que les hémorragies apparaissent au stade de la rétinopathie diabétique proliférante. La détection des lésions rouges joue un rôle crucial dans le diagnostic de la rétinopathie diabétique. Dans cette section du chapitre, nous décrivons les différents travaux récents reportés dans la littérature pour la détection des lésions sombres (micro-anévrismes et hémorragies). Les premières méthodes de détection des lésions sombres ont été publiées par Baudoin et al,1984 [10], ils ont détecté les micro-anévrysmes dans les images agiographiques par l’application de la transformation chapeau haut de forme en utilisant un élément structurant linéaire à différentes orientations.

Ensuite une opération de seuillage est effectuée sous l’image du chapeau haut de forme. Les petits micro-anévrysmes de forme ronde ont été distingués. Cependant cette méthode était très sensible elle a donnée beaucoup de faux positifs. García M et al, 2008 [11] Ils ont utilisé la morphologie mathématique pour extraire un ensemble de caractéristiques à partir de régions d’image et Un classifieur de perceptron multicouche (MLP) a ensuite été utilisé pour obtenir la segmentation finale des lésions rouge, base de données utilisé est composée de 100 images avec une couleur, une luminosité et une qualité variables. 50 d’entre eux ont été utilisés pour obtenir les exemples pour former le classifieur MLP. Les 50 images restantes ont été utilisées pour tester la performance de la méthode. Ils ont atteint une sensibilité moyenne de 86,1% et une valeur prédictive de 71,4%. Atushi et al,2009 [12] Ils ont suivi une approche supervisée en utilisant filtre (double ring) dans les images à faible contraste. Le système pourrait réussir à supprimer les fausses positifs situés dans les régions correspondant aux vaisseaux sanguins, mais était insuffisant pour les petits vaisseaux sanguins de taille capillaires. Il a été testé sur l’ensemble de données de ROC (Retinopathy Online Challenge), et atteint une vraie fraction positive de 0,45 à 27 faux positifs par image.

Giri Babu Kande et T. Satya Savithri,2010 [13] ont proposé une méthode pour la détection des lésions rouges dans les images du fond d’oeil basée sur la classification des pixels et la morphologie mathématique. L’approche proposée prend en compte les avantages de l’information d’intensité provenant des canaux rouges et verts de la même image rétinienne, du filtrage adapté et du seuillage basé sur l’entropie relative locale. L’approche proposée atteint une sensibilité de 100% et une spécificité de 91%. Dupas et al,2010 [14] ont utilisé le chapeau haut de forme et un classifieur de k-plus proche voisin pour la détection des micro-anévrismes. Ils ont obtenu une sensibilité et spécificité de 83.9, 72,7%, respectivement. Akara Sopharak et al,2011 [15] ont proposé d’utiliser un ensemble d’opérateurs morphologiques ajustés de façon optimale pour la détection des micro-anévrismes. Ils ont obtenu une sensibilité, spécificité et précision de 81.61, 99.99%, 99.98% respectivement. Jaafar et al,2011 [16] ont utilisé des classifieurs pour discriminer les lésions rouges en fonction des caractéristiques de l’image. Le traitement morphologique a été exploité pour extraire les candidats des lésions rouges et des vaisseaux sanguins. Cette méthode puisse détecter automatiquement les lésions rouges et atteindre une grande précision et une sensibilité de 98.6.7% et spécificité de 89.7%. Bae et al,2011 [17], ont proposé une méthode hybride de détection de l’hémorragie. Les régions candidates ont été extraites à l’aide d’un modèle de forme circulaire adapté avec une à corrélation normalisée (NCC : normalized cross correlation (NCC).) ; Ensuite, les hémorragies ont été détectées par une segmentation par croissante de région par l’utilisation d’un un seuil local et régional. La méthode a atteint une sensibilité de 85%.

Détection des lésions lumineuse (exsudats durs)

Parmi les anomalies provoquées par la RD le plus souvent ; sont les lésions lumineuses telles que les exsudats. Les exsudats sont des liquides qui filtrent du système circulatoire dans les lésions ou la zone d’inflammation. Au cours de la progression de la rétinopathie diabétique, la taille et la distribution des lésions lumineuses peuvent être modifiées. En effet, ils peuvent conduire à la perte de la vue lorsqu’ils sont présents dans la fovéa. La détection précoce des lésions lumineuses pourrait diminuer la gravité de la maladie. Hussain et al,2011 [30] ont développé une approche basée sur l’utilisation d’un seuillage adaptatifs et une classification pour détecter les exsudats. L’algorithme qui a été proposé consiste à une étape de décomposition de l’image en sous-image par l’utilisation de la technique de segmentation par région, ensuite, une détection du contour par gradient morphologique. Finalement une classification a été effectuée pour séparer les exsudats par rapport au non –exsudats. Une sensibilité de 93.1% é été obtenu par l’algorithme. Kavitha et al,2011 [31] ont utilisé une méthode basée sur le seuillage d’histogramme couleur pour identifier les exsudats et les nodules cotonneux. La sensibilité, la spécificité et la précision obtenue par cette approche ont été 89,78 %, 99,12 % et 99,07 %, respectivement. Cependant, cette méthode a donné une fausse détection en raison de similitude entre certains pixels exsudatifs et ceux du disque optique et du bord des vaisseaux sanguins. D. Marin et al,2012 [32] ont présenté un système de détection des exsudats. L’approche consiste a appliqué des algorithmes de traitement numérique d’image pour extraire les régions candidates.

En se basons sur les caractéristiques des exsudats, des algorithmes de classification supervisés ont été utilisés pour extraire que les exsudats. L’algorithme a été testé sur 1058 images, il a atteint un taux de sensibilité et de spécificité de 90% et 69% respectivement. M. Usman Akram et al,2012 [33], ont présenté une méthode de détection et de classification des exsudats dans des images rétiniennes. Les auteurs ont utilisé des filtres pour extraire les régions candidates. Le disque optique a été ensuite éliminé. Finalement, un classifieur bayésien a été appliqué pour détecter les exsudats. Diptoneel Kayal et Sreeparna Banerjee,2012 [34] ont proposé une méthode de détection des exsudats en utilisant diverses techniques, comme la transformation de Hough et le seuillage Otsu. L’algorithme a atteint une sensibilité de 97,60%, une spécificité de 98,15% et une précision de 97,85%. Kittipol et. Al,2012 [35] Ils ont détecté les exsudats dans les images rétiniennes de faible qualité en utilisant FCM avec des méthodes morphologiques avec une précision améliorée de 92,49 par rapport aux systèmes utilisant uniquement des méthodes morphologiques. Kekre et al,2013 [36], ont développé une méthode basée sur la morphologie mathématique et une approche hybride.

L’algorithme se compose de trois étapes : prétraitement, regroupement et post traitement. Dans la phase de prétraitement l’image a été redimensionnée, ensuite une dilatation morphologique a été effectuée. Dans la deuxième phase les techniques de Linde-Buzo-Gray et k-means ont été appliquée pour détecter les exsudats. Dans la dernière phase, les pixels indésirables ont été enlevés pour obtenir que les exsudats. Nidhal et al,2013 [37], ont développé un algorithme basé sur l’utilisation des canaux de couleur et certaines caractéristiques de l’image afin de distinguer les exsudats par rapport au fond de l’image. Saifuddin & Vijayalakshmi,2016 [38] Ils ont introduit une méthode pour localiser les exsudats et classer les images du fond d’oeil. Ils ont effectué la détection des exsudats en utilisant la morphologie mathématique et classés exsudats et non-exsudats en engageant le classifieur perceptron multicouche (MLP). Ils ont signalé 100% de précision. Shuang et. Al,2017 [39] Ils ont réalisé une identification d’exsudat en utilisant un CNN profond. Les exsudats potentiels sont extraits par des opérateurs d’ouverture ultime morphologiques qui sont transmis au modèle CNN formé. Le système atteint une précision de 91,92 sur une base de données open source pour exsudats E-ophthaEX avec une sensibilité de 88,85.