Pré-traitement d’un volume IRM par filtrage anisotrope robuste pour la segmentation de l’épaule

RésuméDans ce travail, nous proposons un processus de pré-traitement pour la segmentation d’images basé sur une équation de diffusion anisotrope utilisant des statistiques robustes. Nous montrons que le filtrage des données, couplé à la préservation des contours, aide à la segmentation du membre supérieur (l’épaule) dans une base de données IRM. Ainsi, le principe de fonctionnement de l’équation de la diffusion anisotrope est contrôlé à l’aide d’une fonction d’arrêt automatique qui dépend des valeurs des gradients des voxels. Ces valeurs sont réparties en deux classes : élevées pour les voxels correspondant aux contours ou au bruit, faibles sinon. Ce processus dépend aussi d’un paramètre gradient seuil permettant de séparer ces deux populations de gradients. Une estimation globale de ce paramètre est classiquement utilisée. Nous proposons ici, une nouvelle méthode d’estimation robuste, locale, et montrons qu’elle permet de mieux éliminer le bruit dans l’image tout en gardant intacts les contours. La capacité du modèle à éliminer le bruit est quantifiée par un critère d’entropie sur des données synthétiques ayant différents niveaux de bruit. Un autre critère d’évaluation quantitative basé sur la Figure de Mérite de Pratt (FOM) est proposé afin d’évaluer la qualité de la préservation des contours ainsi que la précision de leur localisation par rapport à une segmentation manuelle. Les résultats sur données synthétiques et sur un volume IRM d’épaule montrent les atouts du modèle local par rapport au modèle global, en termes d’homogénéité des régions obtenues et en termes de localisation des contours.

A novel pre-treatment process for image segmentation, based on anisotropic diffusion and robust statistics, is presented in this paper. Image smoothing with edge preservation is shown to help upper limb segmentation (shoulder segmentation in particular) in MRI datasets. The anisotropic diffusion process is mainly controlled by an automated stopping function that depends on the values of voxel gradient. Voxel gradients are divided into two classes: one for high values, corresponding to edge voxels or noisy voxels, one for low values. The anisotropic diffusion process is also controlled by a threshold on voxel gradients that separates both classes. A global estimation of this threshold parameter is classically used. In this paper, we propose a new method based on a local robust estimation. It allows a better removing of noise while preserving edges in the images. An entropy criterion is used to quantify the ability of the algorithm to remove noise with different signal to noise ratios in synthetic images. Another quantitative evaluation criterion based on the Pratt Figure of Merit (FOM) is proposed to evaluate the edge preservation and their location accuracy with respect to a manual segmentation. The results on synthetic and MRI data of shoulder show the assets of the local model in terms of areas homogeneity and edges locations.