Convergences de structures linéaires dans les images : modélisation stochastique et applications en imagerie médicale

Convergent linear structures in images : stochastic modelisation and application in medical imaging

• Auteur / Autrice : Fanny Doré
• Direction : Agnès Desolneux
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques fondamentales et appliquées et informatique
• Date : Soutenance le 08/07/2014
• Etablissement(s) : Paris 5
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Mathématiques appliquées Paris 5
• Jury : Président / Présidente : Alain Trouvé
• Jury : Examinateurs / Examinatrices : Agnès Desolneux, Alain Trouvé, Isabelle Bloch, Pierre Calka, Julie Delon, Serge Müller
• Jury : Rapporteur / Rapporteuse : Isabelle Bloch, Pierre Calka

Mots clés

Mots clés contrôlés

Mammographie

Géométrie stochastique

Mots clés libres

Détection de convergences

Méthode a contrario

Lésions stellaires

Points of convergences

A contrario methods

Stellate lesions

Stochastic geometry

Résumé

Cette thèse traite de la détection de zones de convergence dans une image, dans un cadre a contrario. C'est un travail théorique préliminaire qui explore différentes altérations du cadre a contrario. Elle a pour application dans le domaine médical la détection des lésions stellaires dans les mammographies, responsables de nombreux cancers du sein et qui se matérialisent par un centre intense vers lequel convergent les spicules, structures linéaires normalement présents dans le sein. Les lésions stellaires et distorsions architecturales ont suscité de nombreux travaux. La plupart des méthodes de détection sont basées sur l'extraction de caractéristiques locales de l'image (orientation du gradient, orientation des pixels, variance de l'histogramme de l'orientation...) puis utilisent une méthode de classification pour attribuer à chaque pixel une probabilité d'appartenir à une lésion stellaire. Ces méthodes nécessitent souvent l'utilisation de filtres en pré-traitement et en post-traitement afin de réduire le bruit, ou de seuiller les résultats finaux. La méthodologie a contrario offre un nouveau cadre pour la détection de structures dans les images. Elle s'appuie sur la définition d'un modèle de bruit, et sur une mesure de l'écart des observations à ce modèle. Le modèle porte sur des structures élémentaires et est souvent choisi ''uniforme'' : c'est-à-dire que les structures sont supposées suivre la loi uniforme et indépendantes. Or dans les mammographies on observe que les spicules ont une orientation privilégiée, et ne sont pas uniformément distribuées. Nous proposons l'utilisation de la méthode a contrario dans un cadre anisotrope pour mieux tenir compte de la distribution normale des spicules dans une mammographie. Les modèles anisotropes proposés modélisent le fait qu'une partie des structures linéaires est normalement convergentes vers un point commun. Ils portent soit sur les droites de l'image quand il s'agit de détecter les convergences globales, soit sur les segments quand on chercher les convergences locales dans une image. Concernant la détection des convergences locales, le cadre a contrario offre de nombreuses possibilités : sur le choix du nombre de fausses alarmes ou sur le choix du modèle de bruit. Ces choix sont détaillés sur des exemples synthétiques, sur des mammographies et sur des images naturelles. Les modèles a contrario que l'on étudie sont donnés sous la forme de mélanges paramétriques de deux termes : un terme uniforme et un terme ''gaussien'', modélisant le fait qu'une partie des structures est naturellement convergente. Pour ces différents types de modèles nous proposons d'estimer leurs paramètres. Le point de convergence globale est estimé par minimisation du nombre de fausses alarmes, et l'estimation des autres paramètres est faite par maximisation de la log-vraisemblance. Les modèles estimés sont ensuite testés en tant que modèles a contrario pour la détection des convergences et les résultats sont comparés à ceux que donnait le modèle uniforme.

This thesis deals with the detection of points of convergences in images, in an a contrario framework. This is a preliminar work which studies various alterations of the a contrario framework such as the naive model. An application in the medical field is the detection of stellate lesions in mammograms, which are highly suspicious signs of breast cancer and are characterized by a radiating pattern of spicules with a bright center. There are plenty of work regarding stellate lesions and architectural distortions. Most of them are based on the extraction of local features such as the gradient orientation, or the pixel orientation and more generally statistics of the orientation histogram. These features are then used in a classifier to assign to each pixel its probability of malignancy. The a contrario methods sets a different framework for the detection of geometric structures in images. A naïve model on line structures is defined and is often chosen as the uniform model, which is not well suited for mammograms where there is a privileged orientation of spicules. We propose in this thesis an anisotropic a contrario framework for a better description of the normal distribution of spicules in a mammogram. The designed models describe the convergence of some of the line structures to a single point. They either concern the lines or the line segments of an image wether we detect global or local convergences. In the last case we explore several definitions of the number of false alarms and several a contrario models on synthetic, natural images and mammograms. We give the a contrario models as two terms mixtures, one uniform and the other of Gaussian type. These are parametric models and we propose an algorithm to estimate their parameters (the point of convergence is estimated with an a contrario method and the other parameters are approached by maximization of the likelihood). The resulting models are used as a contrario models and the results are compared with those against the uniform model.