Segmentation d'images couleur par un opérateur gradient vectoriel ...

More documents

Recommendations

Info

ANNEXE C APPLICATIONS DU CALN A L'AIDE AU DIAGNOSTIQUE DES MALADIES VASCULAIRES. Le contour est initialisé avec un seul pixel à l'intérieur de la lumière du vaisseau, et l'algorithme converge rapidement. Les contours extraits automatiquement correspondent aux parois intérieurs des vaisseaux, même en présence de plaques d'athérome qui introduisent de grandes variations dans les formes des parois (Figure 64). Pour la validation des résultats, plusieurs experts ont manuellement tracé sur les images les bords de ces mêmes parois. Les surfaces à l'intérieur des contours obtenus de manière automatique et manuelle sont calculées par le logiciel et comparées. La différence absolue est de 4% pour l'ensemble des données. Ce taux d'erreur est du même ordre que la variabilité inter-observateurs. La variabilité des mesures obtenues avec CALN est quant à elle inférieur à 1,2% [Desbleds-Mansard et al., 2001b]. Notre modèle est donc très bien adapté à la détection des parois de vaisseaux. Figure 64. - Exemple de résultats obtenus avec l’algorithme CALN pour la segmentation de la lumière de vaisseaux. Nous remarquons la qualité variable (rapport signal sur bruit) des images, ainsi que les différentes formes de la paroi intérieure des artères. Ces images ont été créées avec le logiciel ATHER. Une seconde étude, consiste à comparer non plus des mesures de surface, mais les contours eux-mêmes obtenus par segmentation manuelle par un expert et par segmentation automatique avec le modèle CALN. Sur un sous-ensemble de 45 images, la distance maximale entre les deux contours est inférieure à 2 pixels (Figure 65) et la distance moyenne varie de 1/3 à 1/2 pixel en fonction de la résolution spatiale des images. 134
ANNEXE C APPLICATIONS DU CALN A L'AIDE AU DIAGNOSTIQUE DES MALADIES VASCULAIRES. Figure 65. - La distance maximale entre les contours établis par les CALN et par l’expert est inférieure à 2 pixels. L’épaisseur du contour dans ces images est de 1/3 de la taille d’un pixel. Ces images ont été créées avec le logiciel ATHER. L'extraction automatique des contours ne nécessite pas de réglage de paramètres car le modèle a été optimisé pour l'application. La seule interaction est l'initialisation d'un contour (un pixel) réalisée par un double click dans la lumière du vaisseau sur une des coupes uniquement. Les contours dans les autres coupes de la série sont initialisés automatiquement à partir du centre de gravité du contour précédent. Si les images sont de bonne qualité, la détection automatique des contours donne des très bons résultats et elle est insensible à la position du point initial. Dans des images de mauvaise qualité, la position du point de départ peut avoir une plus grande importance. Classiquement, le contour final obtenu dans une coupe sert de contour initial dans la coupe suivante. Or, si les distances entre les différentes coupes sont importantes ou si la forme d’un contour à l’autre varie considérablement entre deux coupes voisines, des problèmes peuvent survenir. Ainsi, l'initialisation automatique avec un seul point s'avère très utile. Les principaux avantages de l'utilisation du modèle CALN à la segmentation de parois d'artères sont la rapidité d'exécution et la stabilité des résultats obtenus pour différents points de départ à l’intérieur du vaisseau. Nous pouvons également souligner l'économie de temps obtenu avec l’algorithme automatique. L’expert met environ 2 heures pour effectuer les mesures sur 45 images, l’algorithme des CALN prend seulement 30 secondes pour la segmentation de la série d’images. Enfin, les contours planaires ne sont pas seulement utilisés pour la quantification, mais également pour la visualisation en trois dimensions. Le logiciel ATHER génère une visualisation 3D par rendu de surface (Figure 66). Ceci est d’un grand intérêt pour l’évaluation visuelle de la morphologie intra-lumière d’une plaque. Pour plus de détails sur le protocole de validation, on peut se reporter aux références [Desbleds-Mansard et al., 2001a] et [Desbleds-Mansard et al., 2001b]. 135
Page 1 and 2:
N° d’ordre 2001ISAL0062 Année 2
Page 3 and 4:
TABLE DES MATIERES. 3. Gradient cou
Page 5 and 6:
TABLE DES MATIERES. La cuisson et l
Page 7 and 8:
INTRODUCTION GENERALE. Le Clinker e
Page 9 and 10:
Chapitre 2 INTRODUCTION AU TRAITEME
Page 11 and 12:
INTRODUCTION AU TRAITEMENT D'IMAGES
Page 13 and 14:
Page 15 and 16:
Page 17 and 18:
Page 19 and 20:
Page 21 and 22:
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Chapitre 3 GRADIENT COULEUR MULITEC
Page 33 and 34:
GRADIENT COULEUR MULITECHELLE (GCM)
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
SEGMENTATION D’IMAGES PAR CONTOUR
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84: SEGMENTATION D’IMAGES PAR CONTOUR
Page 91 and 92: Chapitre 5 QUANTIFICATION ET MORPHO
Page 93 and 94: QUANTIFICATION ET MORPHOLOGIE DE PH
Page 123 and 124: Chapitre 6 CONCLUSION GENERALE. C e
Page 125 and 126: ANNEXE A SCHEMA DE LA METHODE D’A
Page 127 and 128: ANNEXE B LA FABRICATION DU CIMENT.
Page 129 and 130: ANNEXE B LA FABRICATION DU CIMENT.
Page 131 and 132: ANNEXE C APPLICATIONS DU CALN A L'A
Page 133: ANNEXE C APPLICATIONS DU CALN A L'A
Page 137 and 138: PUBLICATIONS DE L’AUTEUR 1. PUBLI
Page 139 and 140: PUBLICATIONS DE L’AUTEUR [18] A.
Page 141 and 142: BIBLIOGRAPHIE [Beaudot, 1994] W. H.
Page 143 and 144: BIBLIOGRAPHIE [Hofmänner, 1975] F.
Page 145 and 146: BIBLIOGRAPHIE [Sapiro et al., 1996]
show all

Segmentation d'images couleur par un opérateur gradient vectoriel ...

Create successful ePaper yourself

Delete template?

Save as template?