Recherche Avancée

Thèse soutenue

Étude d'espaces couleur pour la segmentation et l'aide à l'analyse d'images colposcopiques

FR  |  
EN
Auteur / Autrice : Alejandro Guzman de Leon
Direction : Jean-François Lerallut
Type : Thèse de doctorat
Discipline(s) : Génie Biomédical
Date : Soutenance en 1997
Etablissement(s) : Compiègne
Ecole(s) doctorale(s) : École doctorale 71, Sciences pour l'ingénieur (Compiègne)

Résumé

FR

Sur les images colposcopiques, nous avons constaté le besoin de la manipulation de la couleur pour la reconnaissance des régions d'intérêt au niveau clinique. Nous avons choisi l'analyse en composantes principales (ACP) pour coder et traiter la segmentation de l'image. Nous avons analysé 5 méthodes de regroupement (classement) pour faire la classification dans chacun des 20 espaces de représentation couleur étudiés. Nous avons établi les critères pour fixer les paramètres qui font de notre segmentation en régions une segmentation semi-automatique. Le critère le plus important pour la détermination du meilleur espace de représentation couleur et pour la meilleure méthode de regroupement a été la détection de la région d'intérêt. Nous avons applique nos critères sur 2 groupes d'images (apprentissage et test) de la pathologie Transformation Atypique de Grade 1 (TAG1). Nous avons retenu 3 espaces de représentation couleur et 2 méthodes de regroupement avec différents avantages. Le meilleur espace de représentation couleur a été l'espace Lab qui peut être remplacé par l'espace rgb normalisé si nous voulons épargner du temps de calcul. Le troisième espace couleur retenu est XYZ dont les caractéristiques de linéarité nous ont permis de proposer un espace de représentation, propre à la pathologie. La meilleure méthode de regroupement correspond à la méthode par combinaison taille-centre mobile. La méthode par taille, nous permet de visualiser une approche finale en réduisant le temps de traitement. Nous avons analysé de nouveaux paramètres pour le diagnostic, ces paramètres sont intrinsèques au traitement et correspondent aux valeurs et vecteurs propres de l'image codée. Nous avons eu une excellente projection sur le plan, avec plus de 92% d'inertie expliquée pour n'importe quel espace de représentation couleur retenu. A partir des vecteurs propres nous avons pu reconnaitre une signature pour la pathologie TAGI qui pourra servir d'appui au diagnostic.