Segmentation d’images microscopiques de cytologie.

Abstract

La segmentation des cellules sanguines est un enjeu de recherche important en hématologie et dans d'autres domaines connexe. Dans cet article, une technique de segmentation automatique des images microscopiques est proposée dans le but d'extraire les composantes des cellules sanguines (noyau, cytoplasme, globule rouge et plasma). L'image est représentée dans di érents espaces couleurs, une analyse discriminante linéaire (LDA) est réalisée pour extraire ses caractéristiques discriminantes a n de réduire le temps d'exécution, les redondances et le bruit. Dans ce travail, nous s'intéressons à la segmentation des cellules en utilisant la classi cation oue qui a donné des résultats intéressants dans di érents travaux. La segmentation est réalisée tout d'abord en utilisant l'algorithme standard de classi cation non-supervisée C-Moyennes Floues (FCM) dans le but d'extraire les globules blancs (noyau et cytoplasme), globules rouges et le fond (plasma) des images microscopiques de cytologie. L'algorithme FCM conventionnel n'exploite pas l'information spatiale et le voisinage des pixels dans l'image, malgré que les pixels dans une image sont fortement corrélés et le voisinage immédiat possède par fois les mêmes caractéristiques et attributs. A n de rendre l'algorithme plus robuste face aux imprécisions et aux bruits, deux techniques d'intégration et de prise en compte de l'information spatiale ont été introduites : 1) la fonction spatiale est calculée à partir de la moyenne des composantes colorim étriques des voisins directes du pixel considéré, l'algorithme est noté FCM_S1. 2) la fonction spatiale consiste en la somme des degrés d'appartenances des pixels voisins, l'algorithme est noté FCM_S2. L'objectifs principal est de donner des régions plus homogènes et réduire les taches parasites. Les trois méthodes proposées ont été testées sur des images réelles de cytologie. Les résultats montrent que les techniques proposées qui intègres l'information spatiale donnent de meilleur performance de segmentation.Abstract Analysis of microscopic images is an important task for medical diagnosis and segmentation cell is one of the most important steps. First of all, the microscopic image is a color image represented in a color space. There are several color spaces, each them represents color on di erent way. To bene t from the complementarity of di erent color spaces we applied a Linear discriminant analysis (LDA) on the original image as pretreatment step before segmentation. In this work, we focus on cells segmentation using fuzzy clustering which gave interesting results in various studies. At rst, the segmentation is performed by using the standard unsupervised clustering algorithm : Fuzzy C-Means (FCM) in order to extract the white blood cells (nucleus and cytoplasm), red cells and background of microscopic blood images. The pixels on an image are highly correlated, i.e. the pixels in the immediate neighborhood possess nearly the same feature data. Therefore, the spatial relationship of neighboring pixels is an important characteristic that can be of great aid in imaging segmentation. However, the conventional FCM algorithm does not fully utilize the spatial information. To improve the results of conventional FCM methods especially on noisy images, we introduced two segmentation methods that incorporate spatial information into the membership function : 1) the spatial function is calculated from the feature means of neighboring pixels of each pixel under consideration, the algorithm is noted FCM_S1. 2) the spatial function is the summation of the membership function in the neighborhood of each pixel under consideration, the algorithm is denoted FCM_S2. The aim is to yield region more homogeneous than those of other methods, remove noisy spots and reduce the spurious blobs. The new methods was tested and evaluated on microscopic color images. Preliminary results showed that the e ect of noise in segmentation was considerably less with the new algorithms FCM_S1 and FCM_S2 than with the conventional FCM algorithm. The experiments on the real world datasets show that our proposed algorithms (FCM_S1, FCM_S2), especially FCM_S2 with spatial constraints, are more e ective and able to extract the regions than the conventional FCM algorithm.