Une approche d’indexation et de recherche d’images pulmonaires TDMpar le contenu visuel
46
Une approche d’indexation et de recherche d’images pulmonaires TDM par le contenu visuel Préparé par : Mohamed Belhassen Co-encadré par : Pr. Béchir El Ayeb Dr. Karim Kalti 1 Université de Monastir Faculté des Sciences de Monastir Unité de recherche PRINCE
Une approche d’indexation et de recherche d’images pulmonaires TDMpar le contenu visuel
Pendant la dernière décennie, plusieurs systèmes d’indexation et de recherche d’images par le contenu visuel ont émergé afin de combler les limites de l’indexation textuelle des images. Dans ce travail, nous proposons une approche d’indexation et de recherche d’images pulmonaires tomodensitométriques (TDM) par le contenu visuel. Dans cette approche, nous modélisons le contenu visuel des images pulmonaires par un graphe (arbre) attribué. Ce dernier nous permet de bien représenter les différents aspects de similarité sur lesquels peut porter les requêtes des utilisateurs. En outre, nous nous intéressons à l'adaptation des descripteurs de texture aux images pulmonaires. En plus, nous utilisons une technique de réduction de la dimension des vecteurs de descripteurs dans le but d’accélérer la phase de la recherche.
Citation preview
1. Universit de Monastir Unit de recherche Facult des Sciences
de Monastir PRINCE Une approche dindexation et de recherche dimages
pulmonaires TDM par le contenu visuel Prpar par : Mohamed Belhassen
Co-encadr par : Pr. Bchir El Ayeb Dr. Karim Kalti 1
2. Plan Introduction Approche propose Evaluation de lapproche
Conclusion et perspectives 2
3. Introduction Limites des approches textuelles dindexation
dimages Description des images grce son contenu visuel de bas
niveau Phase dindexation Extraction Images des indexer BDD
descripteurs Phase de la recherche Extraction Comparaison Afficher
le Image des des rsultat de requte descripteurs descripteurs la
recherche Schma standard dune approche dindexation par le contenu
visuel Introduction Approche propose Evaluation Conclusion 3
5. Objectif du travail Proposition dune approche dindexation et
de recherche dimages pulmonaires tomodensitomtriques (TDM) Rgions
pathologiques (RP) Exemples dimages pulmonaires TDM Introduction
Approche propose Evaluation Conclusion 5
6. Approche propose Phase dindexation Phase de recherche
Dlimitation des rgions dintrt Extraction des descripteurs physiques
Reprsentation de limage sous forme dun arbre attribu Paramtrage de
la procdure de recherche BDD Mesure de similarit Affichage du
rsultat Introduction Approche propose Evaluation Conclusion 6
7. Contributions Proposition dune approche spcifique
dindexation: Choix et adaptation des descripteurs de texture aux
images indexes Proposition dun modle de reprsentation du contenu
visuel ddi aux images pulmonaires TDM Proposition dune approche
spcifique de recherche dimages Amlioration du temps de la recherche
Introduction Approche propose Evaluation Conclusion 7
8. Choix des descripteurs physiques La texture des RP est
importante dans la dtermination des pathologies La forme, la taille
et la localisation des RP influencent le diagnostic Pathologie
demphysme Pathologie de cancer Familles de descripteurs de texture
Gabor, Histogramme, Cooccurrence, Longueurs de plages, Moments de
niveaux de gris, Diffrences de niveaux de gris, Auto-corrlogramme
de couleurs Descripteurs gomtriques et de forme Primtre , Surface,
Circularit, Rectangularit, edginess , Moments invariants,
Descripteurs de Fourier Introduction Approche propose Evaluation
Conclusion 8
9. Adaptation des descripteurs de texture aux images indexes
Variation de la pertinence Prparation dune vrit des descripteurs de
texture terrain pour ladaptation des suivant : familles de
descripteurs de Paramtres dentre texture Images indexes 22% Ncessit
de choisir les 9% 5% paramtres dentre BDD: appropris aux images 122
images 198 RP indexes 8% 43% 11% Introduction Approche propose
Evaluation Conclusion 9
10. Principe de lapproche dadaptation des familles des
descripteurs de texture Illustration: 198 RP 6 classes de texture
Vecteur de descripteurs de cooccurrence : VDC= (Homognit, Energie,
Contraste ) Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6
DMC=( 0,25+1+0,2+0,95+1+0,7)/6=0,68
CMC=(0,085+0,039+0,061+0,029+0,02+0,061)/6=0,05 DCci : 0,25 1 0,2
0,95 1 0,7 CCci : 0,085 0,039 0,061 0,029 0,02 0,061 Distribution
spatiale des RP Paramtres dentre: angle = 0, dplacement=1
Introduction Approche propose Evaluation Conclusion 10
11. Adaptation des descripteurs de texture aux images
pulmonaires TDM Synthse des rsultats Dtermination des paramtres
dentre adquats des diffrentes familles de descripteurs de texture
Descripteurs Paramtres dentre Histogramme 256 NG Color
autocorrelogram 256 NG, DistanceL1=1 Longueurs de plages 32 NG,
Direction : horizontale Diffrences de niveaux de gris dx=1, dy=3
Cooccurrences Dplacement=1, Angle=0 Estimation des performances des
familles de descripteurs 1 0.8 0.6 0.4 Dtachement 0.2 moyen des 0
Introduction Approche propose Evaluation Conclusion 11
12. Proposition dun modle de reprsentation des images
pulmonaires TDM Image pulmonaire Nud fictif Poumon droit Poumon
gauche Poumon Poumon Vecteurs de droit gauche descripteurs
Coordonnes des centres de gravit RP1 RP2 RP3 des RP RP1 RPN RPN+1
RPM Vecteurs de descripteurs Rgions dintrt dune image Modle de
reprsentation des pulmonaire TDM images pulmonaires TDM
Introduction Approche propose Evaluation Conclusion 12
13. Proposition dune approche spcifique de recherche dimages
But : o Mesurer le degr de similarit entre limage requte et les
images indexes Tirer profit des connaissances priori du domaine
dimagerie pulmonaire TDM Principe de lapproche de mesure de
similarit: Image requte Dtermination de lappariement optimal Images
de la BDD Introduction Approche propose Evaluation Conclusion
13
14. Appariement optimal entre deux arbres dimages pulmonaires
Pourquoi?: Plusieurs possibilits dappariement Maximisation du
critre de similarit de la texture des nuds apparis Principe : Cot
initial dappariement (CIA) Eq 5 Cot initial minimal dappariement Eq
6 Introduction Approche propose Evaluation Conclusion 14
15. Calcul des cots des options dappariement Options
dappariement La distribution spatiale des RP apparies La forme des
RP apparies La texture des RP non apparies La distribution spatiale
des RP non apparies Image requte Dtermination Calcul des cots de
lappariement des options optimal dappariement Images de la BDD
Principe de lapproche de mesure de similarit Introduction Approche
propose Evaluation Conclusion 15
16. Normalisation des cots dappariement Eq 7 Image requte
Calcul des cots Normalisation des options des cots dappariement
dappariement Images de la BDD Principe de lapproche de mesure de
similarit Introduction Approche propose Evaluation Conclusion
16
17. Calcul des cots totaux dappariement (CTA) Eq 8 avec: Image
requte Normalisation Calcul des cots des cots totaux dappariement
dappariement Images de la BDD Principe de lapproche de mesure de
similarit Introduction Approche propose Evaluation Conclusion
17
18. Amlioration du temps de la recherche 1/2 Famille de
descripteurs Dimension Forme 22 Gabor 40 Histogramme 8 RI1 RI2
Coccurrence 7 Longueurs de plages 11 Moments de niveaux de gris 4
Diffrences de niveaux de gris 5 RI3 RI4 RI5 Auto-corrlogramme de 32
couleurs Vecteur global de Texture 107 Rgions dintrt dune Dimension
des vecteurs des descripteurs image pulmonaire TDM 18
19. Amlioration du temps de la recherche 2/2 Problme :
Ralentissement de la procdure de recherche Objectif: Rduction de la
dimension Rduction du temps de recherche Mthode: Analyse en
composantes principales (ACP) Choix de nombre de composantes
retenir Indicateur de qualit global Utilisation de la mesure de
dtachement des classes Introduction Approche propose Evaluation
Conclusion 19
20. Rduction de la dimension des vecteurs des descripteurs
Dimension 120 1071 100 Dimension des vecteurs 80 des descripteurs:
60 403 Avant la rduction des dimensions 40 20 0 Famille des
descripteurs Nombre des dimensions des vecteurs des descripteurs
Introduction Approche propose Evaluation Conclusion 20
21. Amlioration de la performance des descripteurs de texture
0,870,9 0,860,97 DMC 1 0.9 Performance des descripteurs de 0.8 0.7
texture: 0.6 avant la rduction 0.5 des dimensions 0.4 0.3 aprs la
rduction 0.2 des dimensions 0.1 0 Famille des descripteurs
Dtachement Moyen des Classes(DMC) des familles de descripteurs de
texture Introduction Approche propose Evaluation Conclusion 21
22. Illustration de la phase de recherche RP 1 RP 2 Image
requte Segmentation Slection des RP Introduction Approche propose
Evaluation Conclusion 22
23. Evaluation de la performance du systme 1/2 Composition de
la BDD : 122 images 198 RP classifies 75 RP non classifies 3 2.5 2
1.5 RI de la classe 1 1 RI de la classe 2 RI de la classe 3 0.5 RI
de la classe 4 0 RI de la classe 5 -3 -2 -1 -0.5 0 1 2 3 RI de la
classe 6 -1 RI non classes -1.5 -2 -2.5 La distribution des RP de
la BDD selon les deux premires CP de vecteur global de descripteurs
de texture Introduction Approche propose Evaluation Conclusion
23
24. Evaluation de la performance du systme 2/2 Prcision 1 color
autocorrelogram 0.9 coccurrence 0.8 diffrence de niveaux de gris
0.7 Gabor 0.6 histogramme 0.5 longueurs des plages 0.4 moments de
couleur 0.3 tous les descripteurs 0.2 0.1 0 Rappel 0 0.1 0.2 0.3
0.4 0.5 0.6 0.7 0.8 0.9 1 Courbes de Prcision et Rappel
Introduction Approche propose Evaluation Conclusion 24
25. Conclusion Proposition dune approche spcifique dindexation
Choix et adaptation des descripteurs visuels Proposition dun modle
de reprsentation dimages spcifique Proposition dune approche
spcifique de recherche dimages Amlioration du temps de la recherche
par rduction des dimensions des vecteurs de descripteurs Evaluation
de la performance globale du systme Introduction Approche propose
Evaluation Conclusion 25
26. Perspectives Intgration dune procdure de recherche base sur
les paramtres cliniques du patient Proposition dun langage
dinterrogation capable de traiter les requtes de haut niveau
Introduction Approche propose Evaluation Conclusion 26
27. 27
28. Algorithme de segmentation Calcul des options dappariement
Evaluation de la performance du systme Principe de lapproche
dvaluation des descripteurs Appariement des arbres attribus
Illustration de la phase de la recherche 28
29. Algorithme de segmentation But : Isoler et identifier les
deux rgions pulmonaires droite et gauche Image en entre Image en
sortie 29
30. Diagramme de lalgorithme de segmentation propos Image TDM
pulmonaire Seuillage itratif Etiquetage des rgions noires
Elimination des petites rgions noires Temps moyen de segmentation :
Elimination des rgions noires 625 ms touchant le bord de limage
Etiquetage des rgions blanches Elimination des petites rgions
blanches Amlioration de la segmentation en utilisant les courbes
B-Spline Image pulmonaire segmente 30
31. Apport de lapproche de segmentation propose : Utilisation
de la technique dtiquetage dans llimination des rgions parasites
l'image segmenter aprs l'image rsultante de llimination des rgions
l'opration du parasites et des rgions seuillage touchant les bords
de limages 31
32. Apport de lapproche de segmentation propose : Lissage des
bords des deux rgions pulmonaires en utilisant les courbes B-Spline
et correction de la segmentation Avant le lissage Aprs le lissage
32
33. Facteurs influenant la prcision du calcul du cot de la
distribution spatiale La position des coordonnes de lorigine du
repre 34
34. Facteurs influenant la prcision du calcul du cot de la
distribution spatiale Variation de la taille des deux rgions
pulmonaires selon lindividu et selon la coupe du scan L1 L2 Ncessit
de la normalisation de la taille des rgions 35 pulmonaires
35. Normalisation de la position des rgions pathologiques (RP)
Choisir une hauteur fixe tous les poumons : H=300 pixels Soit L la
hauteur du poumon courant Normaliser les coordonnes du centre de
gravit de lime RP de ce poumon comme suit : 36
36. Prcision et Rappel 39
37. Evaluation de la performance du systme 40
38. Temps moyens des diffrentes tapes de la phase de recherche
dimages Dure Etape moyenne (ms) Segmentation automatique de la
rgion 625 pulmonaire Calcul des descripteurs et rduction de 447
leur dimension en utilisant lACP Construction du graphe de limage
10 pulmonaire Recherche dimages en utilisant la 22 mthode
dappariement global Recherche dimages en utilisant la 27 mthode
dappariement local Recherche dimages en utilisant la 41 mthode
dappariement global /local 41
39. Principe de la mthode dvaluation de performances des
descripteurs de texture 1/2 Considration du vecteur de descripteurs
de texture dcrivant chaque RP classe de la BDD comme tant un point
dans un espace multidimensionnel Approximation de la rgion occupe
par les lments de chaque classe c par son hyper-sphre minimale
englobante : s c i Le centre : cest llment (EPPCc) permettant de
minimiser la somme s s d ( si , s j ) Eq 9 s j Sc Le rayon : le
rayon est gale RHC RH c max d EPPC c , s j Eq 10 s j Sc 42
40. Principe de la mthode dvaluation de performances des
descripteurs de texture 2/2 Mesure des proprits spatiales :
Condensation de la classe : mesure le degr de proximit des lments
de la classe de texture de son centre card s i S S c / d EPPC c , s
i RH c DC c Eq 11 card s i S Sc Dtachement de la classe : mesure le
degr de sparation de cette classe de texture des autres classes d
EPPC c ,sj s j Sc CC c ,sj EPPC c Eq 12 n 1 Dim un bon descripteur
permet davoir une valeur de DC proche de 1 et une valeur de CC
proche de 0 43
41. Appariement des arbres attribus Quel est lappariement
retenu (optimal)? Minimiser le cot initial dappariement Comment
peut-on trouver lappariement optimal? Dcomposer lappariement de
graphes en deux appariements de sous-graphes 44