LInterprtation des Images Mdicales Crbrales : Segmentation par Lapproche Split et Merge

Berrichi Fatima Zohra 1, Benyettou Mohamed 1

1

Laboratoire de Modlisation et Optimisation des Systmes Industriels : LAMOSI. Facult des Sciences, Dpartement dInformatique, USTO. B.P. 1505 EL MNAOUER 31000 ORAN ALGERIE. {berrichi.fatima, med_benyettou}@yahoo.fr

Rsum. Le traitement des images mdicales est une discipline nouvelle, riche et varie, mais dans laquelle les nombreuses mthodes existantes sont dlicates appliquer aux problmes rels. Dans ce travail, nous prsentons un systme de traitement des images scanographies et IRM crbrale qui est base sur la mthode split & merge pour ltape de segmentation et lapplication du rseau de neurone de type Perceptron Multicouches(PMC) pour la dtection des anomalies dans ces images. Le systme propos a pu effectuer la tche dinterprtation des images mdicales avec succs. Il est trs important noter que le choix du sous ensemble dattributs des rgions de limage contribue dans la discrimination de lanomalie par rapport au tissus normal. Mots cls: anomalie, images scanographies, IRM, Perceptron Multicouches, segmentation, split & merge.

1 Introduction
Le traitement dimage est n de lide de la ncessit de remplacer lobservateur humain par la machine. Ce remplacement tait sans fondement exprimental, car nul ne pouvait esprer quune machine serait un jour dote de facults intellectuelles gale ou mme suprieure celle de lhomme. La vision intervenant dans un grand nombre dactivits humaines, le champ des applications du traitement dimages est trs vaste ; la mdecine est un des domaines qui na pu chapper ce souffle numrique que ce soit dans la chirurgie, le diagnostic, la pratique thrapeutique etc. Le but du traitement des images mdicales est dextraire partir des images acquises, les informations utiles au diagnostic, de rvler des dtails difficiles percevoir lil nu, tout en vitant la cration dartefacts, faussement informatifs. Pour cela le traitement fait appel des outils, des algorithmes, qui permettent dagir sur limage numrise ; Lun des processus fondamentaux dans la chane de traitement dimage est la segmentation. La segmentation est un processus qui permet dengendrer une description compacte de limage et donc symbolique plus, exploitable que lensemble des pixels ; cette description va tre utilise dans une prochaine phase de la chane de reconnaissance visuelle, afin de bien caractriser limage et de concevoir des outils permettant de dtecter les diffrentes pathologies du corps humain. Dans cet article, nous prsentons une partie des systmes dinterprtation des images mdicales. Lobjectif de ce travail est de concevoir un systme de reconnaissance des images crbrales scannographies et IRM, la reconnaissance est base sur une segmentation de ces images par une approche rgion de type split & merge pour lextraction des informations pertinentes ncessaires, par la suite, dans la procdure de dcision ; tout en nous concentrant sur la qualit de la segmentation car un traitement ultrieur dpend troitement du rsultat de cette dernire. La dtection danomalies dans ces images se fait grce un classifieur neuronal de type Perceptron Multicouches.

2 Imagerie Mdicale et Tumeurs Crbrales

L'importance que revt l'imagerie mdicale tient d'abord au fait qu'une image est un concentr d'information bien plus efficace qu'un texte ou qu'une explication verbale. Linterprtation des images mdicales est un des domaines de recherche les plus encourageants, tant donn quil offre des facilits pour le diagnostic et les dcisions thrapeutiques dun grand nombre de maladies tel que le cancer et en particulier le cancer du cerveau. Le cerveau est le moteur du corps humain, sige de la pense et des motions c'est le centre ou s'intgrent et ou s'laborent les grandes fonctions motrices, sensitives; malgr sa position dorgane central, il nest pas pargn par le cancer. Les premiers troubles lis au dveloppement d'une tumeur cancreuse peuvent tre trs diffrents d'une personne l'autre. Il peut s'agir d'une paralysie temporaire d'une partie du corps, d'une crise d'pilepsie, de troubles de la vue, de vertiges etc. Aucun des symptmes cits prcdemment n'est spcifique d'un cancer; C'est leur persistance

qui doit attirer l'attention. Lorsquil suspecte une tumeur crbrale, le mdecin va d'abord raliser un examen neurologique complet dans le but de dterminer la zone du cerveau atteinte. Cet examen sera complt par des techniques d'imagerie. Le scanner et l'IRM crbraux sont les examens les plus frquemment pratiqus. Le scanner est un examen qui utilise les rayons. Le scanner permet de voir la tumeur qui apparat clairement et concentre souvent le produit iod qui a t administr. LIRM permet de
visualiser la structure anatomique de tout volume du corps, en particulier des tissus mous tels que le cerveau, elle n'utilise pas les rayons X, mais les proprits magntiques du corps humain [1].

3 Segmentation
La segmentation des images constitue le cur de tout systme de vision ; cest une tape importante dans le processus danalyse des images ; c'est un des sujets qui a t le plus tudi dans ce domaine. La segmentation a pour objectif l'extraction d'indices visuels dans une image. Elle permet de partitionner une image en ensembles de points appels rgions, homognes pour une ou plusieurs caractristiques (intensit, couleur, texture, ) et sont diffrentes pour au moins une de ses caractristiques des rgions voisines. Formellement ; la segmentation dune image numrique I utilisant un prdicat d'homognit P est communment dfinie comme une partition S= R1, R2, R3,., Rn telle que : 1. I= U Ri , i [1n] 2. Ri est connexe,

i [1n] 3. P(Ri) =vrai, i [1n] 4. P (Ri U RJ)= faux i j

Ainsi, une multitude de techniques de segmentation est prsente dans la littrature, On peut les regrouper en trois grandes familles : Les mthodes de segmentation par contours, Les mthodes de segmentation en rgions et Les mthodes de classification [2][3]. Notre choix sest port sur une mthode de segmentation par approche rgion de type "Split and Merge" est dit aussi division & fusion pour la performance de cette mthode en traitement dimages. L'algorithme split & merge ; a t prsent la premire fois en 1974 par Pavlidis et Horowitz. Cet algorithme est compos de deux tapes. Dans la premire tape, nous allons utiliser l'opration de "Split"(division) on utilisant la structure quadtree pour partitionner limage. Une fois l'image partitionne, nous pouvons passer la deuxime tape de l'algorithme : l'opration de Merge (fusion) [4]. 3.1 Algorithme Split and merge Soient Xi, i=1,.., N l'ensemble des rgions constituant une partition de l'image I (on peut avoir N=1, X1=I). Soit H un prdicat d'homognit [5].

Etape 1 : SPLIT (algorithme rcursif) Pour toute rgion Xi Si H [Xi] faux Alors Split (Xi). Etape 2 : MERGE Pour tout couple (Xi, Xj) Si Voisin (Xi, Xj) et Alors Fusion (Xi, Xj).

H [Union (Xi, Xj)]

3.1.1 Phase de Split (Division) Lalgorithme se rsume en les tapes suivantes : 1. Diviser limage initiale en 4 rgions (principe de structure quatree) o lon H (images) = Faux. 2. Si pour une rgion Ri, le prdicat dhomognit H nest pas vrifi (H (Ri) = faux), alors diviser la rgion en 4. 3. Aller 2). Lalgorithme sarrte lorsque toutes les rgions satisfont le prdicat H.

Fig. 1. Structure quadtree 3.1.2 Phase de Merge (fusion) Lalgorithme commence par une image sur-segmente, pour ensuite : 1. Fusionner tout couple de rgions adjacentes qui vrifie un critre dhomognit. 2. Dfinir un prdicat Fusionne (Ri, Rj) o Ri et Rj sont deux rgions adjacentes. Cette mthode est base sur la labellisation, elle permet daffecter une mme valeur tous les pixels appartenant un mme objet. Alors quelle sapplique sur des images binaires rsultant de la division en quadtree. La labellisation est caractrise pour sa connexit savoir 4 ou 8 :

Fig. 2. Principe de labellisation

4 Le rseau de neurones Perceptron Multicouches (PMC)

La biologie a apport un grand nombre d'informations sur le fonctionnement du cerveau, des neurones... Des mathmaticiens ont alors tent de reproduire le fonctionnement du cerveau en intgrant ces connaissances en biologie dans des programmes informatiques, et en leur donnant la possibilit d'apprendre. En 1943, Warren McCulloch et Walter Pitts en sinspirant de leurs travaux sur le neurone biologique, ont propos un des premiers modles de neurone artificiel qui deviendra la base des rseaux de neurones artificiels. Un rseau de neurones est un rseau compos gnralement d'un grand nombre d'units de calcul trs simples appels neurones formels. Ces neurones formels sont interconnects entre eux, de sorte que les signaux sortant des neurones deviennent des signaux entrant dans dautres neurones. Le PMC (Multi layer perceptron ou MLP) cest historiquement le premier RNA, c'est le Perceptron de Rosenblatt.Le MLP est un rseau non boucl caractris par une structure bien particulire. Lactivation de ce rseau se propage de la couche dentre vers la couche de sortie par lintermdiaire de couches caches, et lerreur se calcule dans le sens inverse de sa propagation dactivation [6].

Fig. 3. Le fonctionnement de rseau MLP

4.1 Fonctionnement Un PMC fonctionne en deux temps dans: La phase dapprentissage : Elle est fondamentale. Elle consiste faire apprendre au rseau les diffrentes configurations des vecteurs de paramtres caractristiques des images de fonds que lon souhaite classifier Pour cela on utilise : La propagation, qui consiste prsenter une configuration dentre au rseau, puis la propager celle de sortie en passant par les couches caches. Pour chaque neurone, On calcule :

yi = G

W jk j = G(a k ) j =0 , d

(1)

Wjk : poids de la connexion de la cellule j la cellule k. ak : activation de la cellule k. g : fonction dactivation. X g(x)= 1/1+ linaire logistic (sigmoid) (2)

Le rtropropagation, qui consiste, aprs le processus de propagation. Lalgorithme de rtro-propagation a t dvelopp en particulier par Rumelhart et Parkenet le Cun en 1985 [14]. Cet algorithme repose sur la minimisation de lerreur quadratique entre les sorties calcules et celles souhaites; Lerreur considre comme une fonction des poids synaptiques. Cette erreur reprsente la somme des diffrences au carr entre les rponses calcules et celles dsires pour tous les exemples contenus dans lensemble de lapprentissage. Principe : 1. Evaluation de lerreur

j (ou E) due chaque connexion :

E = j Zi =
Ide :

a j E i E i = Wij a j Wij

(3)

Calculer lerreur sur la connexion wji en fonction de lerreur aprs la cellule j Pour les cellules de la couche de sortie.

E E i = g ' (ak ) = g ' (a k ).(u k ( xi ) y k ) k = a k y k

i

(4)

Pour les cellules dune couche cache :

j =

a k z E i a k E i = = k = g ' (a j ) w jk k a j z j a j k a k a j k k
ai : activation de la cellule i. zi : sortie de la cellule i.

(5)

Avec

Fig. 4. Evaluation de lerreur 2. Modification des poids On suppose gradient pas (constant ou non): (t) Si apprentissage stochastique (aprs prsentation de chaque exemple).

WJI = (t ) j ai
Si apprentissage total (aprs prsentation de lensemble des exemples).

(6)

w JI = (t ) jn a in
n

(7)

La phase de test Ou de gnralisation consiste prsenter un vecteur de paramtres inconnu en entre du rseau et observer la rponse quil fournit.

5 Le systme dinterprtation des images mdicales

Le systme que nous avons dvelopp contient cinq tapes essentielles qui sont : le prtraitement des images, segmentation, extraction des caractristiques des rgions, lactivation du MLP, la classification (dtermination de la classe dimage).[6] 5.1 Base de donnes Nous avons travaill sur des images procures de deux sources, des images tlcharges de linternet : http://www.med.harvard.edu/AANLIB/home.html, et des clichs numriss dune clinique dimagerie mdicale sur des patients prsentant diffrents types danomalies. Nos images sont regroupes en deux ensembles selon la technique dimagerie par laquelle elles sont obtenues. On note BDD1 pour le premier ensemble qui contient (09) images scannographie crbrales.et BDD2 le deuxime ensemble de (09) images IRM crbrales.

5.2 Prtraitement des images Aprs lacquisition des images mdicales crbrales on passe au prtraitement qui se fait en deux tapes suivantes : Le redimensionnement dimage : le but de cette tape est de rendre tous les images traiter une taille identique 256*256 pour quelle soit facile manipul par la mthode de segmentation choisie qui utilise des images carr. Filtre mdiane : Les filtres mdians sont un type de filtres passe-bas dont le principe est de faire la mdiane des valeurs des pixels avoisinants. On conclure que globalement, le filtre mdian prsente une meilleure fidlit limage initiale. Ce filtre donne d'excellents rsultats sur le bruit "poivre et sel". De plus, il prserve bien les contours. 5.3 Segmentation Les images mdicales sont segmentes par la mthode split&merge dtailler dans la parti (3.1).Le prdicat dhomognit pour une rgion R se repose sur deux critres: 1. La moyenne des niveaux de gris de la rgion R est infrieure un seuil fix. 2. La variance des niveaux de gris de la rgion R est suprieure un seuil fix. 5.4 Extraction des caractristiques de limage segmente Le choix des attributs pour caractriser une rgion est un problme difficile qui demande toute lexprience du traiteur dimages. Ce choix dpend de limage traiter et du problme rsoudre. A partir des rsultats de la segmentation par split & merge appliques sur les images, nous obtenons une carte de rgions homognes o les pixels de chaque rgion portent une seule valeur caractrisant la rgion. Pour le calcul des attributs de chaque rgion de limage, on cherche les valeurs des niveaux de gris de chaque pixel de la rgion obtenue par la segmentation dans limage initiale. Ces attributs sont dfinis comme suite: Surface (sur): cest le nombre de pixels de la rgion. Variance (var) : cest le critre dhomognit calcul comme suite (8) Avec : Niveau de gris du pixel i de la rgion R. : La moyenne des niveaux de gris de R.

Primtre(Per): la longueur de la frontire de la rgion ou le nombre de pixels formant cette frontire. Niveau de gris moyen (Ngm): cest la moyenne des niveaux de gris des pixels de la mme rgion.

(9) Elongation (Elg): on dtermine le rectangle exinscrit aux rgions. Llongation des rgions est assimile celle du rectangle (cest le rapport longueur L sur largeur I). Elg=L/I Compacit (Com): appel aussi facteur de circularit dfini par Com= (11) (10)

Avec ces attributs, chaque image est prsente comme une matrice de taille N*M. Ou N: le nombre total des rgions rsultantes de limage segmente et M: le nombre des attributs qui caractrisent chaque rgion, avec lordre suivant (Sur, Var, Ngm, Elg, Com). Laffectation des rgions On associe chaque rgion une valeur y qui prend 1 ou 0 selon que la rgion prsente une anomalie ou pas. Aprs plusieurs tests, nous avons pu tablir les conditions qui permettent de dire si une rgion est infecte ou pas. Ces conditions sont bases sur les valeurs de la surface, la variance, le niveau de gris moyen. 5.5 Classification par le rseau MLP LActivation du MLP, signifie quon va simuler limage dentre (prsente par un ensemble de rgions) par MLP qui est dj cre auparavant, ce MLP contient : Une couche dentre: cette couche compte 5 neurones reprsentant les attributs choisis de chaque rgion de limage. Les attributs extraits partir des rgions de limage, aprs la phase de segmentation sont: surface, variance, niveau de gris moyen, longation, compacit. La couche cache : contient 50 neurones. Ce nombre est choisie aprs plusieurs tests afin daboutir une meilleure gnralisation, car pour un problme donn, on ne peut pas savoir au pralable quelle architecture de rseau adquat pour rsoudre ce problme. La couche de sortie: cette couche contient un seul neurone.

Fig. 5. Architecture de notre rseau

Lapprentissage Notre choix de lapprentissage sest port sur un apprentissage supervis (diffrents exemples avec leurs sorties dsires sont prsents au rseau). Nous avons utilis la retropropagation du gradient comme algorithme dapprentissage dcrite dans la partie prcdente. Pour Le nombre ditrations il faut choisir un nombre important permet au rseau de bien sorganiser et dadapter de mieux en mieux ses poids. Pour cette phase dapprentissage, on a collect 2 ensembles dimages mdicales crbrales sains et infects distinctes, tels que le 1ier ensemble tir du BDD1 contient 4 images et le 2ime ensemble pris du BDD2 avec un nombre de 4.Aprs avoir obtenu les meilleurs rsultats de convergence de lapprentissage du MLP(le taux le plus lev) on stocke les poids et les seuils du MLP dans un fichier spcifique. Le test : Le rseau doit tre test, en lui prsentons un autre ensemble dexemples et cest lui de dcider si la rgion prsente est une zone suspecte ou non, en regardons sa sortie .Le taux de reconnaissance est calcul par la formule suivante : Taux de reconnaissance= (nombre des exemples reconnus) / nombre totale des exemples. La dcision sur limage dpend de lexistence dau moins dune seule rgion infecte parmi lensemble des rgions constituent cette image. Dans notre application la phase de test sest applique sur le reste de BDD1 et BDD2 chacun part.

6 Rsultats et discussion
Nous avons implment lapplication en utilisant le langage : MATLAB Version 6.5 pour Windows, sous systme dexploitation Windows XP. Cette implmentation a tait faite sur un PC de type Pentium IV INTEL 2.66 GHz, avec une RAM de 128 Mo de capacit. SERIM (Segmentation Et Reconnaissance des Images Mdicales) est le logiciel rsultat de ce projet. Il prsente diffrents modules et assure un trs bon taux de reconnaissance [6]. La segmentation par une approche rgion de type split & merge a ncessit la dtermination de plusieurs paramtres .Bien que cette mthode a donn des rsultats encourageants.

Fig. 6. Segmentation dune image IRM

Fig. 7..Segmentation dune image Scanner Voici un chantillon dextraction des attributs des rgions dune image segmente : Table.1 Les attributs des rgions.

Ces attributs extraits partir des rgions sont prsents aux entres du rseau de neurone MLP conu pour la dtection. Comme il est difficile pour un problme donn de savoir larchitecture optimale qui sert le rsoudre, on a essay plusieurs tests de cration du rseau et plusieurs types dalgorithmes afin davoir les meilleurs proprits dinterpolation. Dans ces deux tableaux, nous allons appliques les diffrentes fonctions dactivation utilises pour les rseaux MLP sur les deux bases de donnes dcrites prcdemment. Table 2. Comparaison des rsultats pour BDD1.
Le type de fonction Linear Logistic TDA% 100 100 TDT% 97 100 NBC 160 164 NMC 4 0 TEA(s) 37.672 32.687 TET(s) 0.016 0.015

Table 3. Comparaison des rsultats pour BDD2

Le type de fonction Linear Logistic TDA% 100 100 TDT% 97.57 98.18 NBC 161 162 NMC 4 3 TEA(s) 10.14 10.046 TET(s) 0.016 0.016

Avec TDA : Taux Dapprentissage.

TDT : Taux de test. NBC : Nombre de rgions bien classes.

NMC : Nombre de rgions mal classes. TEA : Temps dapprentissage. TET : Temps de test.

Les tableaux ont montr la variation du taux dapprentissage et de test du MLP en changeant la fonction dactivation. Nous remarquons que le changement de la fonction dactivation entrane un changement du taux. Cette remarque est valide pour nimporte quelle image traite, et peut tre explique par le fait que le fonctionnement de rseau sappuie sur la fonction de transfert. Par exemple, laugmentation du taux de test dans les deux bases de donnes est due lutilisation de la fonction logistique .Contrairement la fonction linaire, lemploi de cette dernire implique une diminution remarquable du taux, ceci est clairement vu dans les tableaux.

7 Conclusion
Lobjectif de notre travail cest la conception et limplmentation dun systme de reconnaissance des images scannographies et IRM appliqu pour le diagnostic des anomalies dtectes. Ce systme a pour rle daide linterprtation des images mdicales et fournir au mdecin des informations prcises sur le contenu de limage qui va expliciter les diffrentes rgions dintrt ainsi que les aspects pathologiques des structures prsentes dans limage. Le travail prsent a permis dintervenir et damliorer les diffrentes tapes de lanalyse des images mdicales. Aprs une estimation globale et un choix adquat des prtraitements, le logiciel SERIM fait appelle : la segmentation par une approche rgion split&merge , lextraction des attributs des rgions et la classification des donnes qui consiste classifier les rgions obtenues par les rseaux de neurones de type MLP. Les rsultats de la segmentation et la dtection obtenus montrent que le systme a pu donner des meilleures performances en reconnaissance. Il demeure vident que ces mthodes ne remplaceront jamais lil du clinicien, mais en lui offrant un outil dinterprtation plus rapide et minutieux, elles seront toujours un outil fiable daide au diagnostic ainsi qua la dtection de la pathologie.

Rfrences
1. J.Vignaud. Tomodensitomtrie Crnio-Encphalique. Edition VIGOT 1988.
2. R.Horaud et O.Monga. Vision par ordinateurs outils fondamentaux.2 ditions .Edition Herms, Paris ,1995. 3. Zoug Tarik, H.Benoit-Catin et C.OdetUne vision fonctionnelle de la segmentation d'images Congrs Francophone de Vision par ordinateur, ORASIS'01, PAGES 4256433,588 JUIN 2001. 4. S.L. Horowitz and T. Pavlidis.Picture segmentation by a directed split and merge procedure.1977. 5. H.Samet. Region representation: quadtre from binary arrays.Computer Graphics and Image Processing .1980. 6. Berrichi,F.Z.Guendouz,H, Benyettou,. Segmentation et Classification des Images Mdicales Crbrales, Projet de Fin dEtude, USTO (2007).