Admin CliCours
L’acquisition d’images médicales par les divers imageurs disponibles actuellement permet aux praticiens de visualiser des organes d’intérêt de manière non invasive. Cette visualisation est utilisée pour poser un diagnostic, effectuer un geste chirurgical ou pour procéder au suivi de l’état de santé d’un patient. En fonction de la pathologie ou des organes d’intérêt, il est parfois difficile de poser un geste médical fiable en se basant uniquement sur la visualisation d’une image médicale. En effet, la visualisation seule ne permet pas de distinguer avec précision les limites des organes ni d’en prendre une quelconque mesure. Il convient donc de procéder à la délimitation des organes d’intérêt dans les données médicales acquises. Cette délimitation est appelée segmentation. La segmentation est un procédé qui peut être manuel, semi-automatique ou automatique.
Dans le cadre d’une approche manuelle, un opérateur délimite les frontières des organes ciblés à l’aide d’outils de pointage comme la souris. Sur chaque image disponible, le praticien « dessine » le contour de l’organe à l’aide de sa souris. Cette opération longue et fastidieuse est sujette à erreur. Les résultats et la précision peuvent être variables d’un opérateur à l’autre. Pour faciliter ce travail, certaines aides ont été mises au point. Ces aides permettent par exemple une correction automatique du contour dessiné (Barret 1997) en modifiant le tracé pour le faire coïncider avec un gradient d’intensité proche du curseur de la souris. Cette approche peut être vue comme une segmentation manuelle assistée. Ce type d’outil introduit une aide relativement efficace. Toutefois il est important de noter que ces systèmes ne sont pas extrêmement fiables, car la correction automatique du contour peut être faussée par divers éléments présents dans l’image segmentée. Par exemple, la présence d’un fort gradient n’appartenant pas à l’organe d’intérêt peut induire une erreur locale majeure dans la délimitation de la frontière souhaitée.
Les techniques semi-automatiques ou automatiques sont préférées aux approches manuelles (ou manuelles-assistées). Généralement une segmentation semi automatique requiert l’intervention d’un utilisateur en début de processus. Il est en effet courant de spécifier au système un ou plusieurs points de repère permettant une initialisation adéquate des algorithmes de segmentation. Ces points initiaux peuvent être soit des points appelés « germes » (seed en anglais). Ces germes peuvent être les points de départ d’un accroissement de région (region growing en anglais) (Pohle 2001) ou bien être des points sources et puits (sink en anglais) d’un processus de Graph-Cut (Boykov 2000). Dans le cadre de méthodes de segmentation basées sur des modèles déformables telles que les Active Shape Models (ASM) (Cootes 1992) ou des méthodes basées sur des calculs de surfaces et chemins minimaux (Chav 2009, 2010), les points initiaux permettent de prépositionner le modèle à déformer. Lorsque les points requis par le système ont été initialisés par l’opérateur, le système procède à la segmentation de l’organe ciblé.
Les systèmes automatiques peuvent être vus comme des systèmes semi-automatiques auxquels l’étape d’initialisation a été automatisée. Cette automatisation est rendue possible en utilisant par exemple des algorithmes de reconnaissance de forme (pattern recognition en anglais). La reconnaissance de certains objets peut permettre de situer approximativement des points d’intérêt dans les données. Ces points peuvent être utilisés comme points de départ des méthodes de segmentation semi-automatiques.
Selon le type de données et le type de méthode de segmentation utilisé, les résultats obtenus peuvent être de nature différente. Dans le cadre de méthodes sans connaissances a priori telles que les méthodes d’accroissement de région, le résultat obtenu sera un ensemble de pixels en deux dimensions ou un ensemble de voxels en trois dimensions. Dans le cadre d’une méthode utilisant un modèle a priori, généralement représenté par un ensemble de triangles et de sommets (modèle maillé), le résultat obtenu est un modèle maillé. Cette différence qui peut paraître négligeable peut néanmoins avoir un impact sur la précision des résultats obtenus. Si la segmentation résulte en un ensemble de voxels et qu’il est nécessaire de transformer cet ensemble de voxels en modèle maillé, il conviendra de procéder une opération subséquente de type calcul d’isosurface. Même si cette opération est quelque peu éloignée de la segmentation, elle peut en modifier la précision et son processus doit en être maîtrisé le cas échéant, car ce sont généralement les modèles maillés qui sont utilisés dans le cadre de calcul de volumétrie et/ou pour un rendu 3D réaliste (i.e. réalité augmentée).
Les méthodes semi-automatiques de segmentation
En matière de segmentation d’images médicales, les méthodes semi-automatiques sont les méthodes les plus développées. Elles offrent l’avantage de restreindre les actions requises pour l’initialisation, ce qui réduit drastiquement la quantité de travail à fournir pour segmenter des données. De plus, l’initialisation manuelle est une étape facilitant le développement de la méthode de segmentation puisque les informations nécessaires au système pour segmenter l’image sont fournies par l’utilisateur et ne sont pas à calculer. Néanmoins, il est bon de souligner que les actions requises, aussi minimales soient-elles, peuvent induire une variabilité inter et intra-utilisateur.
Les méthodes semi-automatiques de segmentation peuvent être classées en deux grandes familles :
1. Les méthodes sans connaissances a priori
2. Les méthodes avec connaissances a priori
Dans le domaine de la segmentation d’image, la connaissance a priori peut être vue comme un ou plusieurs éléments contenant une ou des informations sur l’objet à segmenter. Ces informations peuvent être de plusieurs natures et être implantées dans le système de plusieurs manières.
INTRODUCTION |
Télécharger le document complet
