Fusion de segmentation d’images cytologiques par SVM dans différents espaces couleur

Abstract

L’anatomie pathologique, familièrement appelée " ANAPATH ", est une spécialité médicale peu connue du grand public et pourtant indispensable dans la chaîne des soins. Elle est axée sur le diagnostic des lésions à partir de leur aspect morphologique. Les médecins spécialistes appelés " pathologistes " ont en effet la responsabilité de poser un diagnostic et un pronostic de maladie, c’est à dire d’analyser et de déterminer quelle est la nature de la maladie, à partir d’un prélèvement de cellules ou de tissus. Ils utilisent pour cela le microscope pour analyser sur lame des préparations de prélèvements tissulaires ou liquidiens. L’analyse consiste en la comparaison de l’image observée au microscope avec l’image normale, mémorisée par le cyto-technicien. Cette analyse est d’un intérêt capital car le diagnostic dépend de la bonne reconnaissance des cellules anormales ou suspectes [1]. Or cela est difficile et le faible nombre de cellules normales implique une grande concentration du technicien. A cause de ce facteur subjectif des faux négatifs peuvent apparaître. Pour pallier ceci, une approche consiste à aider le cyto-technicien par un système semi-automatique afin de confirmer son analyse visuelle (segmentation automatique). La Segmentation d’une image veut dire séparation du domaine image en plusieurs zones [2]. La différence entre la segmentation et la classification vient du fait que chaque zone est fortement connexe. L’image microscopique est avant tout une image couleur qui est un ensemble de pixels. Ces derniers sont généralement représentés dans un espace couleur. Il existe plusieurs espaces couleur : primaire, luminance-chrominance, perceptuels et d’axes indépendants. Chacun d’eux représente la couleur d’une manière différente ce qui donne plusieurs configurations colorimétriques à la même image. Dans ces cadres là, nous désirons élaborer une méthode de segmentation d’images couleur, en séparant ses composantes en globule blanc ou leucocyte (noyau et cytoplasme), globule rouge et fond. Cependant la configuration spatiale et colorimétrique de ces images microscopiques est extrêmement variable, ce qui rend difficile leur extraction précise et un algorithme de segmentation peut bien fonctionner sur certaines images et moins sur d’autres. Afin d’améliorer davantage le taux de reconnaissance, de nombreux auteurs se sont intéressés à la fusion de différents schémas de segmentation. Il est important à signaler que la fusion de données apporte une aide à la décision. Pour cela elle évalue, selon différents formalismes la quantité et la qualité de la connaissance apportée par chaque schéma de segmentation et elle combine ces informations afin de déterminer la meilleure décision[5]. Il existe plusieurs formalismes pour la fusion de données ; allant des méthodes simples jusqu’aux méthodes issues du domaine de l’intelligence artificielle. Ainsi, nous proposons de fusionner, selon différents formalismes, les différents schémas de segmentation obtenus par classification SVM de pixels dans différents espaces couleur, afin de profiter de la complémentarité des différents espaces.