Segmentation d'images par étiquetage crédibiliste: Application à l'imagerie médicale par tomodensitométrie en cancérologie

Segmentation d'images par étiquetage crédibiliste: Application à l'imagerie médicale par tomodensitométrie en cancérologie

Segmentation d'images par étiquetage crédibiliste: Application à l'imagerie médicale par tomodensitométrie en cancérologie

Peng Zhang Patrick Vannoorenberghe  Olivier Gallocher  Isabelle Gardin 

Laboratoire Universitaire Quantification en Imagerie Fonctionnelle, Université de Rouen,Faculté de Médecine, 76000 ROUEN

Laboratoire d'Informatique, de Traitement de l'Information et des Systèmes, Université de Rouen UFR des Sciences, 76800 Saint Etienne du Rouvray, France

Laboratoire de Télédétection à Haute Résolution, ERT 43 Université Paul Sabatier Toulouse 3, UFR PCA Centre de Télédétection Spatiale, 118 route de Narbonne, 31062 TOULOUSE cedex4

Département de Radiothérapie et Physique Médicale, CHB Rouen, 76000 ROUEN

Département de Médecine Nucléaire, CHB-CHU Rouen, 76000 ROUEN, FRANCE

Page: 
289-305
|
Received: 
17 December 2005
|
Accepted: 
N/A
|
Published: 
31 August 2006
| Citation

OPEN ACCESS

Abstract: 

In this paper, an image segmentation algorithm based on credal labelling is presented. The main contribution of this work lies in the way in which the images are modelled by belief functions in order to represented uncertainty inherent in the labelling of a voxel to a class. For each voxel, the basic belief assignment is derived from intrinsic features of the regions in the image. In order to control the uncertainty in the labelling step, a decision threshold is decreased in a progressive way throughout an iterative process until its stabilization. The methodology is applied for volumes segmentation on computed tomography images. The segmentation of the two lungs, trachea, main bronchi and the spinal canal is carried out for patients having undergone external radiotherapy treatment. The segmentation of a pathological ganglion is also presented and is used for volume measurement in case of therapeutic follow-up.

Résumé

Dans cet article, un algorithme de segmentation d'images basé sur une technique d'étiquetage crédibiliste est présenté. La contribution essentielle de ce travail réside dans la façon dont les images sont modélisées par des fonctions de croyance de façon à représenter l'incertitude inhérente à l'étiquetage d'un voxel à une classe. L'allocation de masse réalisée pour chaque voxel est construite à partir des caractéristiques intrinsèques des régions qui composent l'image. Afin de limiter cette incertitude dans la phase d'étiquetage, on diminue de façon progressive un seuil de décision tout au long d'un processus itératif jusqu'à sa stabilisation. Cet algorithme est appliqué à la segmentation de volumes d'intérêt sur des images TDM. La segmentation des deux poumons, de la trachée, des bronches souches et du canal médullaire est réalisée à visée de radiothérapie externe, ainsi que la réalisation de la segmentation ganglionnaire pour la mesure de volume à visée d'évaluation initiale du stade de la maladie ou de suivi thérapeutique.

Keywords: 

Segmentation, belief functions, medical imagery, computed tomography imaging, cancerology

Mots clés

Segmentation, fonctions de croyance, imagerie médicale, tomodensitométrie, cancérologie

1. Introduction
2. Fonctions De Croyance
3. Étiquetage De Voxels Par Régularisation Crédibiliste
4. Applications Médicales
5. Conclusion
  References

[1] EL-BAZL A., FARAG A.A., FALK R., LA ROCCA R., Automatic identification of lung abnormalities in chest spiral CT scans, IEEE International Conference on Acoustics, Speech, and Signal Processing, pages 261-264, 2003.

[2] ZHANG P., VAUCLIN S., VANNOORENBERGHE P., GALLOCHER O., VARMENO N., BENYOUCEF A., DUBRAY B., GARDIN I., Segmentation d'images TDM thoraciques à visée de radiothérapie externe, in 44èmes journées scientifiques de la société française de physique médicale, Avignon, France, 1-3 Juin 2005.

[3] COCQUEREZ J.-P., PHILIPP S., Analyse d'images : Filtrage et Segmentation, Masson, Paris, 1995.

[4] JAIN A. K., MURTY M. N., FLYNN P. J., Data clustering: a review, ACM Computing Surveys, 31 (3), pages 264-323, 1999.

[5] GÉRAUD T., MANGIN J.-F., BLOCH I., MAÎTRE H., Segmenting Internal Structures in 3D MR Images of the Brain by Markovian Relaxation on a Watershed Based Adjacency Graph, in ICIP'95, pages 548-551, Washington DC, 1995.

[6] DESCOMBES X., MOCTEZUMA M., MAITRE H., RUDANT J.-P., Coastline Detection by a Markovian Segmentation in SAR Images, Signal Processing, 55(1), pages 123-132, November 1996.

[7] HANSEN M.W., HIGGINS W.E., Relaxation Methods for Supervised Image Segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(9), pages 949-962, September 1997.

[8] ROMBAUT M., ZHU Y.M., Study of Dempster-Shafer Theory for Image Segmentation Applications, Image and vision computing, 20, pages 15-23, 2002.

[9] BLOCH I., Fusion d'informations en traitement du signal et des images, volume Traité IC2, Traitement du signal et de l'image, Hermes Sciences, Lavoisier, Paris, 2003.

[10] BACAUSKIENE M., VERIKAS A., The Evidence Theory Based Post-Processing of Colour Images, Informatica, 15(3), pages 315-328, 2004.

[11] HÉGARAT-MASCLE S.L., BLOCH I., VIDAL-MADJAR D., Introduction of Neighborhood Information in Evidence Theory and Application to Data Fusion of Radar and Optical Images with Partial Cloud Cover, Pattern Recognition, 31(11), pages 1811-1823, 1998.

[12] CAPELLE A.-S., COLO O., FERNANDEZ-MALOIGNE C., Evidential Segmentation Scheme of Multi-Echo MR Images for the Detection of Brain Tumors Using Neighborhood Information, Information Fusion, 5(3), pages 203-216, 2004.

[13] VAUCLIN S., ZHANG P., GARDIN I., GALLOCHER O., VANNOORENBERGHE P., Segmentation of thoracic computed tomography images, in International Symposium on Signals, Circuits, Systems, 1, pages 31-34, Iasi, Roumanie, 14-15 Juillet 2005.

[14] SHAFER G., A Mathematical Theory of Evidence, Princeton University Press, 1976.

[15] SMETS P., KENNES R., The Transferable Belief Model, Artificial Intelligence, 66(2), pages 191-234, 1994.

[16] LEFEVRE E., COLOT O., VANNOORENBERGHE P., Belief Functions Combination and Conflict Management, Information Fusion, 3(2), pages 149-162, June 2002.

[17] DENŒUX T., Analysis of Evidence-Theory Decision Rules for Pattern Classification, Pattern Recognition, 30(7), pages 1095-1107, 1997.

[18] BEZDEK J.C., KELLER J., KRISHNAPURAM R., PAL N.R., Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, Kluwer Academic Publishers, 1999.

[19] DENŒUX T., A neural network classifier based on Dempster-Shafer theory, IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and humans, 30(2), pages 131-150, 2000.

[20] DEMPSTER A., Upper and Lower Probabilities Induced by Multivalued Mapping, Annals of Mathematical Statistics, AMS-38, pages 325-339, 1967.

[21] NOUMEIR R., Dicom structured report document type definition, IEEE Transactions on Information Technology in Biomedicine, 7(4), pages 318-328, 2003.

[22] HU S., HOFFMAN E.A., REINHARDT J.M., Automatic Lung Segmentation for Accurate Quantitation of Volumetric X-Ray CT Images, IEEE Transactions on Medical Imaging, 20(6), pages 490-498, June 2001.

[23] SERRA J., Image analysis and Mathematical Morphology, Academic Press, London, 1982.