Combinaison adaptative des informations texture et couleur pour la segmentation d’images médicales.

Abstract

En hématologie, le concept de cytologie numérique permet aux pathologistes d’établir des diagnostics précis notamment en cancérologie (le myélome, les leucémies…), cette spécialité est basée sur l’aspect morphologique des cellules globules blancs (leucocyte) et l’extraction d’un ensemble de mesures quantitatives par une lecture et une analyse visuelle des images microscopiques médullaires et du sang périphérique afin de détecter les cellules anormales. La différentiation leucocytaire est une tâche délicate qui demande énormément de concentration et d’expérience. Pour cela, un système automatique est indispensable, non seulement pour assister le praticien et diminuer le risque d’erreur mais également afin de facilité la lecture et réduire le temps. L’approche proposée pour automatiser ce processus est divisée en trois principales étapes : le prétraitement, la segmentation et la classification. Les méthodes employées sont basées essentiellement sur la couleur, la texture et les propriétés morphologiques des cellules. Ainsi, une nouvelle transformation couleur pour mettre en évidence les régions d’intérêts est d’abord présentée, suivi par une segmentation de ces régions par l’algorithme de la ligne de partage des eaux contrainte par marqueurs (Marker Controlled Watershed) et le classifieur à apprentissage supervisé des forêts aléatoires (Random Forests) pour différencier les globules blancs des globules rouges groupés et des artéfacts. Le noyau et le cytoplasme sont ensuite séparés. Dans l’étape de classification des cellules, un ensemble d’attributs de couleur, de texture et de forme est extrait des régions du noyau, du cytoplasme et de la cellule entière dans le but d’identifier six types de globules blancs (neutrophile, basophile, éosinophile, monocyte, lymphocyte et plasmocyte), et au finale les performances du classifieur des forêt aléatoires sont comparées et évaluées sur un ensemble d’image microscopiques. Les résultats obtenus révèlent des précisions de reconnaissance élevées à la fois pour la segmentation et pour la classification atteignant les 95%.