La détection des polypes dans les images issues de coloscopies

La détection des polypes dans les images issues de coloscopies

Une méthode pour la détection des polypes basée sur la forme

Constat sur la forme des polypes Quand on regarde des images contenant des polypes (figure 2.1) extraites d’examens coloscopiques, on peut effectuer le constat suivant : la forme des polypes est principalement soit circulaire, soit elliptique. Ainsi, on peut donc déduire qu’il y a un intérêt tout trouvé à proposer une méthode permettant de détecter ces formes dans ces images dans l’objectif de réduire le taux de polypes manqués durant l’examen. Si on recherche directement les formes circulaires dans les images, cela permet de réduire les étapes de traitement qui peuvent suivre en limitant le nombre de région d’intérêt et de ne pas traiter la totalité de l’image. Cette méthode se doit d’être embarquable pour être utilisée dans les salles d’examens, et donc de fonctionner en temps réel pour que l’information de la détection soit disponible le plus rapidement possible afin d’en informer le médecin. On peut alors proposer la chaine de traitement disponible en figure 2.2 pour la détection des polypes basée sur les formes circulaires. Figure 2.1 – Illustration concernant la forme des polypes Figure 2.2 – Chaine de traitement pour la détection des polypes basée sur la forme  La détection des formes circulaires Il existe de nombreux moyens pour détecter les formes circulaires dans les images avec plus ou moins d’avantages et d’inconvénients. Par exemple, on peut citer les méthodes suivantes : la transformée de Hough circulaire [Dav88], la méthode Log-Gabor, la méthode RANSAC [Der10] et bien d’autres qui sont disponibles dans la littérature. Cependant, le choix ici s’est porté sur deux méthodes en particulier : la transformée de Hough circulaire et la méthode Log-Gabor. Ces deux méthodes vont être introduites par la suite et seront comparées afin de montrer les avantages et inconvénients de chacune de ces deux méthodes puis de choisir la méthode la plus adaptée à la détection des polypes dans les images de coloscopies. La transformée de Hough La transformée de Hough est une méthode introduite par Hough [Hou62] en 1962. Elle permet de retrouver l’ensemble des lignes présentes dans une image quelconque. Le principe de cette transformée est qu’elle suppose qu’il existe un nombre infini de lignes qui peuvent passer par un point de contours, et dont la seule différence notable est l’angle d’orientation. La finalité de cette méthode est de déterminer quelles sont les lignes qui sont les plus fréquentes dans l’image analysée. La figure 2.3 illustre le résultat de la transformée de Hough sur une image afin d’en extraire les lignes droites. Afin d’y parvenir, une détection des contours est effectuée dans un premier temps, puis la transformée de Hough est appliquée. Figure 2.3 – Illustration de la transformée de Hough (Source : OpenCV Docs) Cependant, la méthode proposée par Hough [Hou62] permet de détecter uniquement les lignes mais Duda [DH72] propose un moyen d’adapter la transformée de Hough pour détecter des cercles dans une image, et de façon générale, les courbes dans une image. Il suffit alors de changer de représentation dans l’image. Pour les cercles, il suffit de choisir une représentation paramétrique pour la famille de tous les cercles et de transformer chaque point de la figure de la bonne manière. Selon [Dav88], on envisage alors toutes les  positions de centres possibles, à une distance R de chaque pixel unique, qui sont accumulées dans l’espace paramétrique, R étant le rayon du cercle cherché. L’espace paramétrique peut être considérée comme une zone de stockage, mais lorsqu’il s’agit de rechercher un cercle, il doit être congruent à l’espace de l’image : les centres de cercles possibles sont alors accumulés dans un nouveau plan de l’espace de l’image. Enfin, les pics dans l’espace paramétrique correspondent aux centres d’objets circulaires. La figure 2.4 donne une idée de comment est obtenu le centre d’un objet circulaire. Figure 2.4 – Illustration de la transformée de Hough circulaire. Sur la gauche, trois motifs circulaires dans l’espace de l’image, et sur la droite, trois cercles correspondants au point rouge dans l’espace paramétrique (de coordonnées (a, b) pour un rayon R fixé) Côté ressources de calcul, le processus afin d’appliquer la transformée de Hough reste simple et efficient [LLLM86][ZIN14]. Ce qui est un avantage dans l’optique d’embarquabilité de la méthode et donc d’un fonctionnement dans un environnement disposant de ressources de calcul limitées. La méthode des filtres Log-Gabor Karagyris et al. présente dans son article [KB09] dédié à la vidéocapsule une méthode basée sur les filtres Log-Gabor. Les filtres Log-Gabor sont basés sur les filtres de Gabor. Les filtres Log-Gabor ont une réponse gaussienne sur une échelle de fréquence logarithmique au lieu de linéaire comme les filtres de Gabor. Ils permettent alors d’avoir une bande passante optimisée afin de produire un filtre avec une étendue spatiale limitée [Kov00]. L’avantage le plus important des filtres Log-Gabor est que, par leur queue étendue dans les hautes fréquences, ils permettent d’encoder de façon plus efficace les images naturelles. Globalement, le filtre Log-Gabor ressemble donc au système visuel humain. Combiné au filtres Log-Gabor, Karagyris et al. utilisent en complément le détecteur de contour SUSAN (pour Smallest Univalue Segment Assimilating Nucleus) décrit dans [SB97]. Le but est d’améliorer les contours du résultats du filtrage par la méthode des filtres Log-Gabor. Et pour compléter cela afin de détecter les polypes dans les images de coloscopies, un algorithme parcourt les contours de l’image binaire obtenue par les différents filtrages afin de calculer la courbure de chaque point. Pour chacun de ces points, les centres de courbures sont trouvés et stockés. Cela va résulter en un nuage de points à l’intérieur de l’image binaire. Puis un simple seuillage permet de créer des régions simples. Le résultat de cette méthode est observable sur les figures 2.5 et 2.6. Enfin, un contrôle de chacune des régions trouvées permet de déterminer selon 2 critères si ces régions sont possiblement des polypes ou non.