INRODUCTION GENERALE

L’image est aujourd’hui un outil essentiel pour l’aide au diagnostic. L’essor de la médecine ces
dernières décennies est dû essentiellement au développement des techniques d’imagerie
médicale, grâce auxquelles il est devenu possible de visualiser de manière non invasive
l’anatomie du corps humain.

En effet, les différentes techniques de l'imagerie médicale particulièrement l’imagerie par

résonance magnétique, ont contribués à l’élargissement des connaissances sur les pathologies
neurologiques. Cependant, l’analyse et l’interprétation de cette masse sans cesse croissante des
images , a rendu l’utilisation de l’ordinateur vitale en raison de ses performances croissantes dans
les traitements.
L'imagerie par résonance magnétique cérébrale (IRM) est , à l’heure actuelle, l'une des
meilleures techniques d'imagerie sur lesquelles les chercheurs se sont appuyés pour détecter les
tumeurs cérébrales et modéliser la progression tumorale dans les phases de détection et de
traitement. 

Les images IRM lancent, donc, de proche en proche le domaine de l'analyse automatique
d'images médicales grâce à sa capacité de fournir la totalité d'informations sur la structure
cérébrale et les anomalies dans les tissus cérébraux en raison de la haute résolution des images .
Cette modalité d'imagerie est devenue un outil de plus en plus important en cancérologie.

Pour diagnostiquer certaines maladies liées à des lésions cérébrales internes, le médecin doit
analyser bien des images médicales. Pour étudier l’évolution d’une tumeur, il est nécessaire donc
de connaître avec exactitude les changements survenus sur ces images.
L’interprétation visuelle des IRM cérébrales, n’est pas toujours sûre. C’est pour cela le besoin
d’une interprétation automatique qui permet d’assister les médecins dans leur prise de décision
s’est fait ressentir.

Au confluent de technologies d'imagerie par résonance magnétique et du traitement automatique

intelligent des Images , les systèmes des diagnostiques automatisé des images cérébrales ont fait
d’immenses progrès et ouvrent de belles perspectives aux chercheurs en neurosciences cognitives .
Comme nous sommes spécialisées en technologies avancées et conscients de L'avenir
éblouissant de tel domaine , Ceci nous a poussé et motivé à développer un système permet la
compréhension complète de la nature de génomes de tumeurs ; leurs détection ainsi que leurs classe .

Dans ce cadre, et afin de réaliser notre projet de synthèse II à l’Ecole Nationale des Sciences et
Technologies Avancées à Borj Cédria, un système de diagnostique automatisé proposée permet la
détection et la classification à travers des algorithmes d'apprentissage profond qu’ ont surement toujours
une précision plus élevée que les techniques ancien .
Cet outil propose, avec la version actuelle, une solution simple et innovante. Cela a pour
vocation de permettre de  affranchir des contraintes d’inexactitude de l’analyse de l’imagerie
cérébrale , et est extrêmement utiles aux médecins du monde entier . Notre système donne donc
l’opportunité de mieux comprendre la maladie et donc d’orienter au mieux les traitements .
 Chapitre 1 : Etat de l’art sur le traitement des

images cérébrales IRM

I. Introduction

L’imagerie par résonance magnétique IRM est certainement l’imagerie qui permet la
meilleure distinction entre tissus sains et tissus pathologiques. Les performances des
imageurs actuels offrent surement des images de hautes résolutions bien supérieure à celle
des images scanographiques mais comme toute image issue d’un système d’acquisition, les
images IRM sont imparfaites. L’incertitude et l’imprécision sont alors leurs deux principaux
défauts.
Pour surmonter ces défauts on se focalise sur la segmentation qui divise les IRM en zones
d'intérêt.
Plusieurs méthodes de segmentation, qui sont développées dans la littérature, sont capables
de séparer les zones tumorales et par suite les classifier en se basant sur des techniques bien
intelligents.
Dans ce premier chapitre, nous nous intéressons donc d’abord à la définition de l’imagerie
IRM ainsi que ses défauts. Ensuite, nous présentons un état de l’art sur la segmentation
d’images cérébrale IRM.

I. L’imagerie par résonance magnétique pour le diagnostic

des tumeurs :
L'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale
d'apparition récente, non invasive et sans effets secondaires permettant d'avoir une vue 2D ou
3D d'une partie du corps, notamment du cerveau. Elle est basée sur le phénomène physique
de résonance magnétique. De plus, l’IRM, particulièrement sensible à de faibles
modifications anatomiques, permet une détection, un suivi et une classification des tumeurs
et de leur évolution.
Elle permet la meilleure caractérisation des tissus, c’est donc la modalité la plus adaptée pour
observer les tissus et les structures du cerveau.
1. Incertitudes et imprécisions des images IRM :
Comme toute image issue d’un système d’acquisition, les images IRM sont imparfaites.
L’incertitude et l’imprécision sont alors leurs deux principaux défauts.

En effet, l’imprécision concerne le contenu de l’information et porte sur un défaut quantitatif.

Les connaissances sur le contenu des informations ne sont pas suffisamment précises. Les
causes peuvent être diverses : manque de précision d’un capteur ou manque de précision du
langage ou du vocabulaire employé. L’incertitude, quant à elle, ne caractérise pas la donnée
mais la confiance que l’on peut lui attribuer.

1.1) Les principales causes d’incertitudes et d’imprécisions

liées à l’utilisation de l’IRM :

1.1.1) Le système d’acquisition :

La première cause d’incertitudes et d’imprécisions est naturellement le système d’acquisition.

En effet, on retrouvera ces défauts sous la terminologie de bruit d’acquisition. De bande
passante très large, il est assimilable à un bruit blanc. Il s’observe en particulier sur des
régions uniformes de l’image correspondant à une structure anatomique unique. Sur la figure
1, issue d’une coupe coronale pondérée en T1, on peut observer le bruit sur des zones telles
que le corps calleux ou les ventricules latéraux. Un autre phénomène de bruit peut être noté. Il
s’agit du repliement de l’image (aliasing) qui apparaît lors de la reconstruction des images en
cas de sous- échantillonnage du signal . Ce phénomène se traduit par un phénomène d’écho
qui peut s’ observer en particulier sur les coupes axiales supérieures (figure 2). Ce bruit
contribue à augmenter l’incertitude sur les données.
1.1.2) Effet de volume partiel

Parmi les causes d’imprécisions, nous pouvons citer l’effet de volume partiel. Cet effet est
directement lié à la résolution des images. Lors d’une acquisition, il est fréquent qu’un voxel,
image d’un volume élémentaire reconstruit, coupe une ou plusieurs zones anatomiques. Le
voxel ne contient alors pas la représentation d’une structure unique mais le mélange de
plusieurs structures. C’est l’effet de mélange partiel. Les transitions entre régions sont
progressives en termes de niveau radiométrique (figure 3) et les frontières entre les différentes
régions paraissent floues.

Il devient alors difficile de fournir la vraie frontière entre régions. Une conséquence de ce
phénomène est alors la réduction de l’efficacité et de la fiabilité des mesures quantitatives des
images. De manière simple, l’augmentation de la résolution des images diminue l’effet de
mélange partiel.

L’artefact de volume partiel est lié à la fois à la discrétisation de l’espace imagé et à la

réponse impulsionnelle du capteur de la machine IRM. En effet, lorsque l’élément de volume
discret (voxel) représente une surface séparant plusieurs objets, l’intensité mesurée est le
résultat d’un mélange de divers objets (Fig. 4). De plus, le support spatial du filtre de
convolution des observations par le système de mesure participe aussi à cet effet de volume
partiel.

L’effet de volume partiel se traduit donc par des transitions douces entre les différentes
structures anatomiques.
2..) 1.1.3) Bruit aléatoire de mesure

Il provient du patient (agitation thermique des protons à l’origine d’émissions parasites)

et dans une moindre mesure de la chaîne de mesure (bruit "électronique") (Fig. 5). Il
vient perturber le signal émis par les protons excités de la coupe d’intérêt.

Le bruit a un niveau constant quelles que soient les fréquences (bruit "blanc"). Plus
l’enregistrement du signal comprend une gamme de fréquence large (bande passante de
réception large), plus la proportion de bruit est élevée, et le rapport signal/bruit faible (et
l’artéfact de déplacement chimique peu épais).

II. Segmentation des IRM cérébraux dans la littérature :

La segmentation permet de séparer d’une manière précise des entités d’une image c’est-à-
dire trouver ses régions homogènes et contours supposés être pertinents . Elle exploite les
suggestions de l’utilisateur, qui interagit en sélectionnant les zones d’intérêts au moyen d’un
programme, en réalisant des cliques sur l’image ciblée.
C’est une application de l’analyse d’image qui donne souvent des résultats très variables
selon le type et la qualité d’image.

1. Qu’est-ce que la segmentation ?

Une définition formelle d’un algorithme de segmentation d’une image a été proposée
par Horowitz.
Définition :

Soit X le domaine de l’image et f la fonction qui associe à chaque pixel une valeur f(x,
y). Si nous définissons un prédicat P sur l’ensemble des parties de X, la segmentation de
X est définie comme une partition de X en n sous-ensemble {R1,
..., Rn} tels que :

1. X = ∐

2. ∀ i, Ri est connexe

3. ∀ {1,…,} P(Ri) = vrais

4.∀ {1,…, Ri est adjacent à Rj et i j P (Ri Rj) = faux

Le prédicat P est utilisé pour tester l’homogénéité des ensembles Ri. Ces sous-
ensembles constituent les régions de l’image. Or, la segmentation d’images est un
processus visant à décomposer une image en un ensemble de régions - ou classes ou
sous-ensembles - homogènes au sens d’un ou plusieurs critères [BAR06]. La couleur (ou
le niveau de gris), la texture ou encore la forme sont des critères souvent retenus ; leur
choix repose le plus souvent sur la nature des images traitées et les objectifs fixés.

2. La segmentation des images IRM cérébrales :

Le problème de la segmentation des tumeurs sur les images IRM peut être abordé sous deux
angles :

 Considérer la tumeur comme le seul objectif de la segmentation et ainsi employer

une méthode dédiée complètement à cette tâche.

 Considérer la tumeur et éventuellement les œdèmes, comme des entités particulières

du cerveau ; la segmentation consiste alors à isoler l’ensemble des structures cérébrales.

Il faut en outre signaler l’existence de variabilité biologique des structures étudiées qui rend
complexe la généricité des méthodes.
3.Segmentation d’IRM cérébrales : Etat de l’art

La segmentation fait partie des grands thèmes de l’imagerie numérique. A ce titre, de

nombreux travaux font état de techniques de segmentation.
Dans cette partie, nous abordons la problématique de la segmentation des images IRM
du cerveau d’un point de vue « Traitement d’images ».
Généralement, cette problématique peut être abordée sous deux grands axes duaux. D’un
côté, les approches régions visent à localiser les zones homogènes des images, marquant
la présence des régions. De l’autre, les approches contours recherchent les discontinuités
des images, caractérisant la présence des frontières entre les régions.

3.1.1) Segmentation à base de région

Les approches de segmentation régions visent à créer une partition de l’image en un

ensemble de régions homogènes au sens d’un ou plusieurs critères.
On recherche donc à rassembler les pixels (ou voxels) par critères de similarité. Par la suite,
nous nous intéressons plus particulièrement aux méthodes à base de seuillages, puis aux
méthodes par croissance de régions et finalement aux méthodes fondées sur la morphologie
mathématique.

a) Seuillage :

Les méthodes de segmentation par seuillages visent à discriminer les individus (pixels ou
voxels) en fonction de leurs niveaux radiométriques (niveaux de gris).
Elles supposent donc, de manière implicite, que l’intensité des structures est suffisamment
discriminante pour permettre leur bonne séparation. Le plus souvent, les seuils sont
déterminés à l’aide d’une analyse d’histogrammes, localement ou globalement à l’image ou au
volume.
La technologie de binarisation d'image en niveaux de gris peut être
divisée en deux catégories :

 Seuil global, où un seul seuil est utilisé dans l'image entière pour la diviser en deux
catégories (objet et arrière-plan).
 Seuil local, où le seuil de valeur est déterminé (pixel par pixel ou région par région).
Généralement, le seuillage est une technique très simple mais très efficace de traitement
d'image. En raison de sa simplicité, les exigences en matière de mise en œuvre en temps réel
sont élevées. Le résultat obtenu à partir de l'opération de seuil est une image binaire, et dans
de nombreuses applications de traitement d'image, l'utilisation d'images binaires peut réduire
le coût de calcul des étapes successives par rapport aux images en niveaux de gris.

Néanmoins, elles échouent lorsque les régions de recherche sont insuffisamment contrastées,
lorsque les niveaux radiométriques des structures anatomiques se recouvrent ou encore lors de
dérive du champ radiofréquence. Or, le recouvrement des niveaux radiométriques entre les
différentes structures et le phénomène de dérive sont des défauts typiques de l’imagerie IRM,
limitant de facto les performances de ces méthodes.

Toutefois, des solutions peuvent être mises en place. En particulier, l’effet de la dérive peut
être réduit par sa prise en compte lors de prétraitements ou simultanément à la segmentation.
De plus, l’absence de prise en compte de contraintes de voisinage rend ces méthodes très
sensibles au bruit, les régions obtenues pouvant alors être sémantiquement peu cohérentes.
Enfin, même si théoriquement les méthodes à base de seuillages peuvent s’appliquer à des
volumes multi- échos, elles n’exploitent, pour la plupart, qu’une seule pondération ou
exploitent indépendamment les différentes pondérations, sans réelle exploitation de leur
complémentarité.

Ceci est alors particulièrement pénalisant dans le cadre de la recherche de tumeurs cérébrales.

b) Croissance des régions

Les algorithmes de croissance de régions sont fondés sur l’agrégation progressive des pixels à
partir d’un point initial appelé « germe », selon un ou plusieurs critères, les points voisins du
germe sont successivement examinés. S’ils vérifient les critères d’agrégation, ils sont inclus à
la région et deviennent à leur tour un germe, dans le cas contraire, ils sont rejetés. Les
méthodes fondées sur la croissance de régions permettent aussi bien la segmentation de
structures saines que la segmentation de structures pathologiques.

La segmentation s’effectue sur une région d’intérêt sélectionnée par l’utilisateur.

Préalablement, des prétraitements sont nécessaires dont une égalisation d’histogramme de
même qu’un filtrage passe-bas au moyen d’un filtre à moyenne mobile. Une fois la région
d’intérêt segmentée, la région à laquelle appartient le point spécifié par l’utilisateur (germe)
est conservée et soumise à des opérations morphologiques binaires (fermeture et
ouverture).
L’avantage principal de cette technique réside dans la prise en compte des informations
contextuelles par le mécanisme de croissance, simple à mettre en œuvre, cette approche donne
de bons résultats est très rapide puisque seule la région d’intérêt est traitée.

Toutefois elle comporte quelques inconvénients :

 La disposition des germes initiaux nécessite systématiquement l’intervention

d’un opérateur.

 La répartition des classes et, par le fait même la segmentation finale dépend
fortement du germe (point de départ) sélectionné. Ainsi, les régions obtenues
n’ont pas nécessairement une sémantique particulière.

 Elle ne tient pas en compte de la non-uniformité du signal inhérente aux images

IRM.

 Elle comporte un faible pouvoir de séparation des régions de niveau de gris

semblable qui sont proches l’une de l’autre.

c) Morphologie mathématique

La morphologie mathématique est une branche des mathématiques fondée sur l’étude
des ensembles permettant d’analyser les structures géométriques.

La morphologie mathématique est couplée à un processus de seuillage adaptatif fondé

sur l’histogramme de l’image. Les outils de base de la morphologie mathématique
(érosion, dilatation, fermeture, ouverture, etc.) se retrouvent fréquemment dans des
méthodes de segmentation de l’enveloppe cérébrale.

La morphologie mathématique est rarement utilisée seule pour segmenter les structures
cérébrales mais fait généralement partie d’une chaîne de traitements plus complexe. À
notre connaissance, il n’existe pas de méthode directe de segmentation ou de détection
des tumeurs par morphologie mathématique. Cette technique, qui s’appuie sur des
informations a priori concernant la forme des objets à segmenter, ne semble donc pas
adaptée à la recherche de zones tumorales, celles-ci étant, par nature, caractérisées par
une grande variabilité de forme.
3.1.2) Segmentation à base de contour

Contrairement aux approches régions, qui cherchent à former des zones homogènes, les
approches contours travaillent sur les discontinuités des images afin de déterminer les
contours des régions.

Dans la suite, nous nous intéressons plus particulièrement aux méthodes dérivatives et
aux méthodes fondées sur les modèles déformables.

a) Méthodes dérivatives :

Les méthodes dérivatives permettent de détecter de manière simple les ruptures dans une
image ou un volume. Les contours (ou surfaces en 3D) sont assimilés à des points de
forts gradients ou de dérivées secondes nulles. On retrouvera alors des opérateurs tels
que les filtres de Roberts, de Sobel ou de Prewitt pour le gradient et le Laplacien pour les
dérivées secondes.

Parmi la diversité des opérateurs qui fournit des contours fermés, est plébiscité par de
nombreux auteurs.

Les régions définies à partir des contours sont ensuite manuellement labellisées. Les
structures cérébrales recherchées sont alors la peau, les os, le cerveau et le système
ventriculaire. Malgré une bonne détection de la peau et du système ventriculaire,
certains contours obtenus se trouvent décalés par rapport à la réalité anatomique. Dans
ce cas particulier, une fermeture morphologique est recommandée.

Pour l’imagerie cérébrale, le cerveau est segmenté en combinant un filtrage

anisotropique, une détection de contours par des opérations de morphologie
mathématique. Une procédure identique est utilisée comme préalable à la segmentation
des différents tissus du cerveau sur les images pondérées en T1.

Les méthodes dérivatives, employées pour la segmentation des images IRM cérébrales,
sont relativement peu nombreuses dans la littérature. Bien que rapides et ne nécessitant
pas d’apport d’information a priori, elles ne permettent pas, en général, d’obtenir des
contours fermés. Elles sont en effet très sensibles au bruit et à la dérive du champ
radiofréquence. Leur efficacité repose sur l’existence de contrastes entre les structures
recherchées. Si ceux-ci existent effectivement au niveau de la peau ou du système
ventriculaire, ils sont beaucoup moins importants au niveau de la transition matière
blanche - matière grise ou encore au niveau du liquide céphalo-rachidien périphérique.
Enfin, ces méthodes fournissent fréquemment de la sous- ou de la sur-segmentation.

b) Modèles déformables :

Les algorithmes de segmentation fondés sur les modèles déformables dérivent des
méthodes de contours dynamiques.

Ils ont l’avantage, par rapport aux méthodes dérivatives, de fournir des contours ou
surfaces fermés. Le principe de base est de faire évoluer un objet d’une position initiale
vers une position d’équilibre par la minimisation itérative d’une fonctionnelle. Cette
dernière permet de prendre en compte, par l’intermédiaire de forces externes et internes,
des informations a priori sur la forme de l’objet à détecter. Les différentes méthodes de
la littérature sont généralement dédiées, non pas à la segmentation de l’ensemble des
principales structures du cerveau, mais à celle d’une structure particulière.

III. Les applications récentes :

1. Applications cliniques :

La segmentation d’IRM cérébrales en clinique permet :

 de suivre l’évolution de certaines maladies dégénératives. Par exemple, la segmentation
du noyau caudé et le calcul de son volume sont impliqués dans des études sur la maladie de
Huntington, la maladie de Parkinson ou d’Alzheimer.

 la planification d’interventions et la simulation de l’acte neurochirurgicale. Lors de

l’exécution de l’acte elle permet la visualisation virtuelle du cortex et des structures
subcorticales, ainsi que l’aide au guidage pour le neurochirurgien.

 d’introduire des connaissances supplémentaires dans des modèles biomécaniques.

2. Applications en neurosciences :

La segmentation est aussi une étape centrale dans de nombreuses chaines de traitements liées
à des études neurocognitives.
Elle permet :
 de quantifier la variabilité inter-individuelle, par exemple lors d’études statistiques sur la
morphologie des structures cérébrales.

 la reconstruction tridimensionnelle du cortex, sur laquelle on peut ensuite projeter les

activations de l’IRMf. La segmentation des structures sous-corticales permet dans ce cas de
différencier matière grise du cortex et matière grise des structures sous-corticales, améliorant
la reconstruction 3D du cortex.

IV. Conclusion :

Nous avons présenté dans ce chapitre les travaux et les contributions les plus importantes
existantes dans la littérature, ces travaux serviront de références pour nos contributions dans
le cadre de notre projet de fin d’année.
Nous avons d’abord commencé donc d’abord à la définition de l’imagerie IRM ainsi que ses
défauts. Ensuite, nous présentons un état de l’art sur la segmentation d’images cérébrale IRM.

Vu les limites des méthodes cités dans la littérature nous proposons une approche hybride, qui
combine des méthodes basées régions et des méthodes basées contour. Cette approche sera
détaillée dans le chapitre suivant.