Segmentation des images médicales

La segmentation des images constitue le cœur de tout système de vision et une étape importante dans le processus d’analyse des images. La segmentation d’images est en fait un traitement de bas niveau qui consiste à partitionner une image en régions (ensembles des pixels) appartenant à une même structure (objets ou scène). La qualité de la segmentation mesurée par sa précision de localisation (partition des régions) a une influence directe sur les performances des applications ultérieures.

Définition de la segmentation

La segmentation est un traitement de bas-niveau qui consiste à effectuer une partition de l’image en régions homogènes par rapport à un ou plusieurs critères. Les régions obtenues se distinguent les unes des autres par des différences significatives selon ces mêmes critères. La segmentation consiste à extraire des points, des lignes ou des régions. Le choix d’une technique de la segmentation est liée à plusieurs facteurs comme : la nature de l’image, les conditions d’acquisition (bruit), les primitives à extraire (contour, texture,…).

Les différentes approches de segmentation

Approches de segmentation par contour

Les méthodes basées contours sont parmi les méthodes les plus classiques en segmentation d’images. Ces méthodes s’appuient sur la détection des discontinuités dans l’image et peuvent être divisées en trois classes: les méthodes dérivatives, les méthodes analytiques et les méthodes déformables [7].

a) Définition du contour
Un contour peut approximativement être défini comme une frontière entre deux régions ou l’intensité des pixels qui changent brusquement. Généralement l’utilisation d’un tel operateur de contour [15] se combine avec un seuillage et comme étant ce dernier est généralement imparfait, on obtient, d’une part, des contours qui ne limitent pas les régions fermées. Donc, on doit faire recours à des algorithmes de fermetures des contours. D’un autre part, les zones de fortes variations ne correspondent pas forcement à un contour d’objet.

b) Méthode des contours actifs
Les contours actifs ou snakes [16] sont des courbes déformables qui peuvent se déplacer au sein de l’image, d’une position initiale vers une configuration finale, selon un processus itératif de déformation contrôlé par un test de convergence.

L’intérêt principal des contours actifs est de détecter des objets dans une image en utilisant les techniques d’évolution de courbes. L’idée est de partir d’une courbe initiale, généralement un carré ou un cercle, et de la déformer jusqu’à obtenir le contour de l’objet.

En effet, celui-ci présente quelques inconvénients tels que la sensibilité à l’initialisation, au bruit, et le réglage des différents paramètres.

c) Contour actif géométrique (Level set)
La méthode des Ensembles de Niveau Zéro est une méthode de simulation numérique utilisée pour l’évolution des courbes et des surfaces dans les domaines discrets [17]. L’idée de base de la méthode des level sets est de considérer une courbe (ou interface) en mouvement comme le niveau zéro d’une fonction de dimension plus élevée.

Approches de segmentation par région 

Les méthodes de segmentation par approche régions sont nombreuses [7]. Elle consistent à rechercher des ensembles de pixels connexes représentant des caractéristiques de luminosité communes.

➤ Segmentation par croissance de région
La segmentation par croissance de régions est une méthode ascendante [19]. Initialement, des germes, généralement de la taille d’un pixel, sont choisis. A partir de ces derniers, des régions sont construites par ajout de pixels adjacents et similaires (valeurs identiques de niveau de gris, similarité colorimétrique…etc.).

➤ Segmentation par division de région (split)
La division [20] consiste à partitionner l’image en régions homogènes selon un critère donné. Le principe de cette technique est de considérer l’image elle-même comme région initiale, qui par la suite sera divisée en régions.

➤ Segmentation par fusion de région (Merge)
L’idée de cette méthode est d’exploiter une image pré-segmentée, ce qui veut dire que l’image contient des régions dont l’homogénéité n’est pas vérifiée. Ces dernières sont regroupées successivement selon un critère donné jusqu’à l’obtention des classes homogènes [20].

➤ Segmentation morphologique (LPE)
La ligne de partage des eaux est l’outil de segmentation par excellence en morphologie mathématique [21].

La Ligne de Partage des Eaux (LPE) est une technique de segmentation d’image assez répandue. Cet outil consiste à chercher les contours des bassins versants dans l’image à segmenter. Après avoir déterminé les contours de ces bassins qui forment les minima locaux, on obtient une carte de régions. L’inconvénient majeur de cette technique réside dans sa sensibilité au nombre de germes (généralement les minima locaux) qui s’avère, souvent, à une sur-segmentation de l’image .

Minima régionaux, bassins versants et LPE

La notion de LPE est étroitement liée à celle de minimum régional. Nous rappelons qu’un minimum régional  est un ensemble connexe de pixels d’altitude constante [22]. Une manière de déterminer les minima régionaux d’une image peut consister en l’expérience suivante : considérons le relief sous un nuage de pluie. Une goutte d’eau tombant en un point x va couler le long du relief et va finalement rejoindre le fond d’une vallée : un minimum régional.

Marqueurs

La première technique pour éviter la sur-segmentation est d’utiliser des marqueurs qui ont pour rôle d’imposer la présence de certains bassins versants seulement de manière à contraindre la topologie de la LPE [22].

Les points clefs de la segmentation par LPE 

Nous avons vu que les algorithmes de segmentation par ligne de partage des eaux divisent en trois étapes :
1. Extraire des marqueurs des régions à segmenter.
2. Déterminer l’image sur laquelle on calcul la LPE (image gradient le plus souvent).
3. Calculer la LPE associée aux marqueurs.

La LPE s’avère être une technique puissante de segmentation, à partir du moment où les étapes préparatoires (1 et 2) qui lui sont associées sont correctement effectuées : la segmentation finalement obtenue est en effet entièrement conditionnée par les marqueurs sélectionnés et l’image sur laquelle la LPE est calculée.  il s’agit ici de segmenter des cellules musculaires séparées sur l’image par des filaments clairs. Cet exemple est particulier car on peut calculer directement la LPE sur l’image originale. Soulignons que les lignes de séparation entre les différentes cellules présentent de fortes irrégularités locales d’intensité [22].

A chaque cellule est associé un et un seul marqueur connexe localisant très approximativement les régions à extraire (nous avons obtenus ces marqueurs “à la main” en les choisissant parmi les minima régionaux de l’image). La LPE est calculée directement sur l’image originale. Nous constatons que certaines cellules ont été mal segmentées .

Approche coopérative

La segmentation par coopération régions-contours suscite un grand intérêt. Elle consiste en une coopération entre la segmentation par régions et la segmentation par contours [23]. Globalement, une approche contour permet la localisation des contours non continus donc difficilement utilisables. En y joignant une approche région dont les caractéristiques sont l’obtention de zones fermées et homogènes, elle peut ainsi pallier les faiblesses de chacune des techniques: la faible précision du contour (approche région) et l’obtention de régions non fermées (approche contour).