Segmentation spectrale dimages IRM crbrales par la mthode des

coupes de graphes
VICTOR CHEN, SU RUAN
CReSTIC
IUT Troyes, Universit de Reims
9 rue de Qubec, 10026 Troyes Cedex
victor.chen-yuan@univ-reins;fr, su.ruan@univ-reims.fr

Rsum - Nous prsentons une mthode spectrale des graphes applique la segmentation dimages IRM (Imagerie par
Rsonance Magntique). Nous proposons ici un mode dapproche de segmentation rgions qui sappuie sur les caractristiques
des valeurs propres pour classifier les tissus crbraux. Lobjectif vis consiste extraire efficacement les contours des lsions
prsentes sur des clichs dimages dans le but dapporter des informations visuelles pour laide au diagnostic. Nous tendons
enfin cette approche pour raliser une topographie volumique de la tumeur en mettant en correspondance les contours 2D. Cette
reconstruction 3D constitue un apport diagnostic important pour ltude temporelle des tumeurs crbrales dans le cadre de suivi
clinique de patients sous traitements pharmaceutiques.
Abstract A method of spectral graph is presented to IRM image segmentation. We here propose an approach to region
segmentation which based on the eigenvalue kind to classify brain tissue. The objective consists of efficiency tumor contour
extraction shown in standard IRM sequences in order to bring visual information for diagnosis help. Our approach is extended to
build volume topography of the lesion by matching 2D contours. This 3D representation provides an important diagnosis for
temporal study of tumour brain in the case of a patient under pharmaceutical treatments.

Introduction

Dans le cadre de ltude sur la segmentation des images

anatomiques normales ou pathologiques, nous proposons de
segmenter des lsions ou tumeurs sur des coupes axiales
dIRM laide des graphes. Le but recherch consiste la
dtection et lextraction de faon supervise les zones
pathologiques. La littrature est riche sur la segmentation
dimages IRM crbrales. Les mthodes classiques utilisaient
la segmentation multimodale paramtrique qui met en uvre
lalgorithme Expectation-Maximization (EM) [1, 2]. En vue
de raliser une segmentation prcise et fiable sur
dventuelles pathologies, des mthodes de contours actifs [3,
4] qui se basent sur la minimisation fonctionnelle dnergie
dun processus complexe ont t introduites pour grer au
mieux le problme de topologie des structures crbrales.
Dans cet article, nous nous intressons une segmentation
rgions laide des graphes [5, 6]. Cette mthode apparat
tre en adquation avec lobjectif de notre travail qui est le
suivi et la planification thrapeutique. Elle permet de librer
le radiologue de cette tche fastidieuse qui consiste
dterminer les paramtres (taille, forme et position) dune
lsion ou tumeur partir des donnes IRM. Dlaisss depuis
des annes cause de la complexit de mise en uvre et de la
difficult de trouver des algorithmes efficaces et rapides,
lutilisation des graphes trouve de nos jours pleinement sa
place dans les systmes de vision par ordinateur avec
lmergence des calculateurs de plus en plus puissants et la
bonne matrise des modles de conception des graphes. Le
choix des coupes de graphes [5, 7] est li sa capacit de
segmenter limage moyennant une analyse spectrale [8] qui

utilise les vecteurs propres et le modle de dpendance entre

objets prsents sur une image, notamment leur rpartition
spatiale comme information potentielle pour la description
dune image. Le contenu de cet article est organis comme
suit : nous prsentons le modle propos dans la section 2 ;
nous prsentons un aperu des rsultats exprimentaux dans
la section 3 ; nous concluons en dernire partie les
perspectives dvolution pour cet outil dans son contexte futur
de reprsentation 3D.

2
Segmentation dimages avec des coupes de
graphes
La segmentation dimages rsulte de la classification des
pixels similaires. Ce rsultat implique un partitionnement de
limage sous la forme de classes. Cette procdure de
regroupement peut tre associe un graphe de pixels ou de
points caractristiques o les sommets reprsentent les pixels
et les artes relient les pixels voisins pour former une
connexit discrte. A partir del, lobjectif est de trouver un
modle dalgorithmes permettant de raliser une segmentation
de limage qui soit proche de la perception humaine base sur
des mesures globales et non sur des proprits locales. La
thorie des graphes apparat tre un moyen pour parvenir
cette reprsentation.
2. 1

Analyse par spectral clustering

Etant donn un nuage de points reprsentant les

caractristiques dune image, nous pouvons construire un
graphe pondr not G = (V, E, W ) o V et E sont

respectivement les nuds et les artes du graphe, et W

reprsente le graphe de maillage qui confronte tous les
sommets du graphe. Dans le cas de traitement dimages, le
graphe de maillage est obtenu en calculant le score fourni par
la multiplication des fonctions caractristiques :
Wi, j = exp -

2
2
Xi - X j

exp
2
2 2X
2 I
0

Ii - I j

si d Xi , X j R

(1)

lintensit du pixel, I et X les facteurs dchelle contrlant

laffinit entre les pixels et laffinit entre les sites , d(.) la
distance euclidienne entre deux pixels et un paramtre R fix
a priori.
Dans le procd de dcomposition, on cherche partitionner
le graphe en deux ensembles de points A et B en sparant les
contours connects en deux parties. Cette procdure de
sparation peut tre obtenue en calculant la somme totale des
critres :
(2)
Cut (A, B) = W (u, v ) .
uA, vB

Les coupes de graphes normalises

Dans de nombreux problmes de vision, une des facettes les

plus attrayantes des coupes de graphes est la recherche de
coupe minimale en calculant :

MinCut (A, B) = min (Cut (A, B ))

(3)

Malheureusement les rsultats du partitionnement donns par

cette technique ont montr des limites [5], le modle favorise
le regroupement de points isols et accrot le nombre dartes
de la coupe tout en entranant un sur-partitionnement de
limage. Pour remdier ce partitionnement biais, Shi et
Malik [5] proposent une nouvelle coupe de graphe dite
normalise qui supprime linfluence du nombre dartes dans
la coupe :
Cut (A, B)
Cut (A, B)
(4)
NCut (A, B) =
+
Asso (A, V ) Asso (B, V )
o Asso (A, V ) =

min

W(u, t ) et V = {A, B}

uA, tV

La finalit de cette coupe normalise de graphe vise trouver

une partition (A, B) de ce graphe optimisant une quantit qui
assure la fois la cohrence des pixels de A, celle des pixels
de B et la dissimilarit des pixels de A par rapport ceux de
B, tout en vitant le biais vers les petites coupes. La recherche
de la coupe normalise minimale est un problme NPdifficile. Cependant, en se plaant dans le domaine rel, il est
possible dobtenir une solution discrte approxime [5] qui
consiste calculer les vecteurs propres de la matrice
dadjacence moyennant un changement de variable. On peut
montrer que la minimisation de la coupe normalise:

revient

minimiser

y T (D - W )y

y T Dy
o D est la matrice diagonale de W.

lexpression

(5)

La minimisation de lquation prcdente peut tre rsolue

par le systme gnralis des vecteurs propres [5] :

sinon

o X i et I i reprsentent respectivement la position et

2. 2

min = NCut (x )

1
2

1
D2

(D W )

= y

(6)

La matrice associe L = D W correspond au Laplacien du

graphe. Dans la thorie spectrale des graphes [8], une relation
est tablie entre les caractristiques combinatoires et les
proprits algbriques de ce laplacien. On y dmontre que
lorsque les valeurs propres de L sont dans lordre croissant, la
relation entre la deuxime plus petite valeur propre 1 et le
nombre isoprimtrique hg (constante de Cheeger) du graphe
correspond :
hg
< 1 < 2h g
(7)
2
o hg tant la constante qui permet de quantifier lexistence
des coupes dans le graphe. En nous plaant dans le cas de
segmentation dimages, lalgorithme de Ncut utilise la valeur
propre 1 qui contient toutes les informations sur les petites
coupes de graphe pour partitionner limage.

Appariement gomtrique des contours

Nous nous intressons dans ce paragraphe la ralisation

dune segmentation volumique de donnes similaire une
reprsentation spatio-temporelle. Le but est dtablir dans le
dveloppement futur un rendu volumique des structures
tumorales dans limage pour un suivi volutif des lsions.
Pour cela, nous procdons une mise en correspondance
spatiale des contours 2D. A la diffrence des quations aux
diffrences finies dont la mise en uvre se heurte avec
limportance des rglages des paramtres et des temps de
calculs, notre approche semble rduire la complexit
calculatoire du schma prcdent en vitant non seulement la
rsolution numrique de lquation dvolution et lappel
tout modle de surface. Pour reprsenter le pseudo volumique
de la tumeur, nous procdons lappariement des strates de
contours dimages segmentes de faon indpendante. A
chaque squence correspond un rsultat de segmentation. La
phase dappariement consiste mettre en correspondance des
points de deux contours successivement obtenus.
Appelons C1 = {p1(i), i = 1,..,L1} et C2 = {p2(i), i = 1,..,L2}
deux courbes de taille L1 et L2 apparier. La procdure
dappariement employe ici vise aligner les contours
moyennant la transformation affine simplifie dHelmert [9].
La mthode dalignement des contours est obtenue en
sappuyant sur une mesure de dissimilarit entre deux points
appartenant deux contours. Elle est donne par lexpression
suivante :

D i, j = d i, j (k i, j ) k (n i, j ) n

(8)

o k et n sont des facteurs de pondration et D i, j est un

celui ralis par Shi et al. [5] mais nettement moins bon par
rapport la technique utilise par Boykov [7].
Tableau 1 : Comparaison de temps de calculs

nombre suprieur lunit. Lestimation de ce critre de

dissimilarit est value partir de la conjugaison de trois
paramtres principaux :
-

la

distance

euclidienne

entre

deux

points

Temps
(seconds)
Figure 2
(gauche)
Figure 2
(milieu)

d i, j = 1 + (x 1 (i) - x 2 (j)) + (y1 (i) - y 2 (j)) ;

2

- la diffrence de courbure locale au niveau de ces deux

k (i) k 2 (j)
o k1(i) et k2(j) sont
points : k i, j = 1 + log1 + 1

k
(i)
+
k
(j)
1
2

les courbures;
- la diffrence dorientation des vecteurs normaux aux
courbes en ces deux points :

n i, j = 2 - n 1T (i) * n 2 (j)

(9)

o n1(i) et n2(j) sont les vecteurs normaux.

Dans la plateforme tablie, ces caractristiques apparaissent
actuellement suffisantes pour une visualisation subjective de
lobjet maligne. Des effets de bord peuvent tre observs
lorsque la paire de contours aligner est trs diffrente. Ce
problme peut tre rsolu en optimisant la mthode de
recalage laide des mthodes dvolution ou de morphing
[10].

Implmentation et rsultats

Cette partie dcrit les expriences menes pour la

segmentation dimages IRM provenant dun systme
dimagerie 1.5T GE (General Electric) qui utilise une
squence axiale pondre TI dun voxel avec une taille de
1x1x1.2mm3. Dans le cadre de caractrisation des tumeurs
crbrales, la procdure actuelle de segmentation est
applique en boucle ouverte sur des images avec et sans
lsions et ne permet pas de dtecter ni localiser les lsions
sans lintervention du radiologue.
Actuellement, la mthode est teste sur des squences
dimages de taille 256x256 sur un portable Fujitsu Siemens
muni dun processeur Intel de 1,7 GHz et dune RAM de
512Ko. Le traitement global nous fournit une quarantaine de
rgions avec un temps de calcul infrieur la minute (figure
1). Pour des images de taille suprieure, nous observons lors
des calculs des valeurs propres un dpassement mmoire et
un exorbitant temps de calculs. La plateforme actuelle donne
une localisation grossire des lsions, mais les rsultats
dextraction issus dune srie de coupes montrent nanmoins
la pertinence de la coupe de graphe utilise (figure 2). Ces
rsultats illustrent lefficacit de la mthode pour segmenter
les tumeurs de formes trs variables. Nous rsumons dans le
tableau 1 les performances de notre approche vis--vis des
mthodes classiquement rencontres dans la littrature. Le
temps de calculs obtenus par notre approche est semblable

NCIS
[5]
53,86

Boykov
[7]
34,32

Notre
approche
48,74

47,42

37,48

45,62

Par ailleurs, Dans le but dtablir dans le dveloppement futur

un suivi des thrapies, en particulier une exploration
volumique visuelle des structures tumorales dans limage,
nous avons gnr, partir des dynamiques de contours, une
reprsentation tridimensionnelle de la tumeur dtecte en
ralisant lappariement temporel des contours 2D. Pour cela,
nous ralisons une extraction des contours diffrentes
coupes de la squence dimages. Cette opration est obtenue
laide des oprateurs morphologiques de dtection de
contours interne la forme. Lensemble de niveau associ
chaque contour permettra dillustrer la tumeur temporale
grce une tude spatiale simplifie. Il sagit ici dun rsultat
du suivi des contours pertinent qui permet, la place des
mthodes de courbes de niveaux, dobtenir une segmentation
approximative de la tumeur. Dans cette communication, le
pseudo volumique de la tumeur est construit grce un
maillage filaire (figure 3) en mettant en correspondance les
strates de contours dimages segmentes de faon
indpendante. Nous observons quune mesure de dissimilarit
0,24 D i, j 0,47 fournit une reprsentation dappariement
de contours sans chevauchement de trac, ce qui correspond
des rsultats satisfaisants.

Conclusions et perspectives

Nous avons prsent une application de coupe de graphes

normalise dans le cadre de la segmentation des squences
dimages IRM. Lapplication visant lextraction
dinformation utile correspondant aux tissus pathologiques
dune coupe de cerveau est traite. Les rsultats obtenus
montrent une bonne segmentation des structures anatomiques
pour lensemble des donnes savoir la taille et la position
des lsions mme si lvaluation est faite de manire visuelle
par des experts mdicaux. Une meilleure performance en
termes de cots de calculs peut tre ralise par ajout de
mmoires RAM 1 ou 2 Go et par lutilisation de
calculateurs plus rcents dIntel Core Duo 2 GHz. Une autre
piste explorer consisterait adapter la coupe de graphe aux
schmas de dcomposition en ondelettes qui, par effet de
dcimation, permet de comprimer et traiter une image de
taille rduite. Nous esprons tout simplement que cette
opration de sous chantillonnage ne dgrade pas trop les
informations pixelliques locales et les frontires des objets
discriminer.
Les rsultats concernant le pseudo-volumique sont en cours
de validation. Moyennant une transformation gomtrique
affine simplifie dHelmert, la technique dalignement sur les

diffrents contours successifs montre une reprsentation

dappariement sans chevauchement de trac.
Lutilisation de cette reprsentation 3D devrait donner aux
cliniciens une meilleure apprhension des lsions, en
particulier le suivi volutif des organes pathologiques dans le
temps du patient sous traitement pharmaceutique.

[5]

J. Shi, J. Malik, Normalized cuts and images

segmentation, IEEE Transactions on Pattern
Analysis and Machine Intelligence, 20(8), pp. 888907, 2000.
P. Sounddarararajan, S. Sarkar, Investigation of
measure for grouping by graph partitioning, CVPR
2001, vol.1, pp. 239-246.
Y. Boykov, O. Veksler, R. Zabih, Fast Approximate
Energy Minimization via Graph Cuts, IEEE
Transaction on Pattern Analysis and Machine
Intelligence, 23, pp. 1222-1239, 2001.
Fan R. K. Chung, Spectral Graph Theory, Number
92 in CBMS Regional Conference Series in
Mathematics, American Mathematical Society, 1997.
S. Randrianarisolo, E. Delchelle, E. petit, Y.
Chenoune, J. Garot, A Rahmouni, Evaluation des
deformations du myocardes sur des sequences
temporelles dimages IRM par estimation contrainte
du flot optique, Gretsi, 20me Colloque sur le
Traitement du Signal et des Images, 2005, pp. 978981.
Y. Chenoune, E. Delechelle, E. Petit, T. Goissen, J.
Garot, A. Rahmouni, Segmentation of cardiac cineMR images and myocardial deformation assessment
using level set methods, Computerized Medical
Imaging and Graphics, 29, pp. 607-616, 2005.

[6]

[7]

Rfrences
[1]

L. S. Ait-Ali, S. Prima, G. Edan, C. Barillot,

Segmentation longitudinale des lsions de SEP en
IRM crbrale multimodale, 15me Congrs
Francophone AFRIF/AFIA de Reconnaissance des
Formes et Intelligence Artificielle, RFIA2006.
K. Van Leemput, F. Maes, D. Vandermeulen, A.
Colchester, P. Suetens, Automated segmentation of
multiple sclerosis lesions by model outlier detection,
IEEE Transaction on Medical Imaging, 20(8), pp.
677-688, 2001.
F. Derraz, M. Beladgham, M. Khelif, Application of
active contour models in medical image
segmentation, proccedings of the International
Conference on Information Technology: Coding and
Computing, ITCC2004.
C. Baillard, P. Heltier, C. Barillot, Segmentation of
brain 3D MR images using level sets and dense
registration, Medical Image Analysis, 5(3), pp. 185194, 2001.

[2]

[3]

[4]

[8]

[9]

[10]

Rsultat de l'appariement

Classification par graphe spectrale

image originale

Figure 1 Coupe extraite dune image IRM (gauche) Rsultat de segmentation rgion par la coupe de graphe (milieu)
Localisation de la tumeur (droite).

Trame 18
Visualisation 3D de la tumeur
Trame 17

50
50

3.5
3

100
2.5

100

150

1.5

200

0.5

150

200

0
100
120

250

250
50

100

150

200

250

140

50

100

150

200

250

160

200

180

160

140

Figure 2 Illustration de la variabilit des tumeurs dtectes (gauche, milieu) Rendu 3D de la tumeur (droite)

120

100