Analyse de texture

Dans cette étape de notre travail on va motionner quelque étude comparative et de leur résultat pour les différentes méthodes d‟analyse texturale exposées dans les paragraphes précédents. Ces méthodes sont très utilisables dans les domaines d‟imagerie médicale. On va précise les images ostéoporotique pour notre recherche. Le premier travail dans cette recherche est l‟article de madame ZAHANI et al en octobre 2011 sur les fractales de texture pour analyser l‟os trabeculaire dans le but de quantifier l‟irrégularité et la fragmentation des images de textures Ce travaille est sous le titre « Analyse fractale de texture : application à l‟image IRM et CT-scan de l‟os trabéculaire » Ils sont utilisés les approches de comptage en boite qui sert à la subdivision de l‟image en boites de carrées égaux puis le calcul de la dimension fractale et les approches morphologique qui se base sur l‟utilisation de la différence entre l‟érosion et la dilatation de chacune des carrées de l‟image pour calculé la dimension fractale. Ils trouvent que la méthode morphologique a donnée une meilleure séparation par rapport à la méthode de comptage de boites. [7]

Octobre 2012 Lotfi HOUAM et al proposent une communication sou s le titre « Texture Characterization Using Local Binary Pattern and Wavelets. Application to Bone Radiographs » pour avoir caractériser les images radiographique osseuse Ils proposent une méthode basée sur coefficients d’ondelettes associés aux descripteurs binaires locaux 2D et 1D de modèle (LBP) pour classer les images radiographique d’os pour diagnostiquer la maladie. L‟approche proposée utilise deux types des algorithmes: l’algorithme « À trous » qui utilise B3-spline comme la fonction de base d’ondelettes et l’algorithme « Mallat » avec la fonction d’ondelette de Daubechie. La décomposition en ondelettes est appliquée à l’image 2D et à sa projection. Ensuite, les descripteurs LBP sont effectués dans les deux cas. Deux approches ont été adoptées, la le premier compare les histogrammes LBP et le second dérive mesures statistiques à partir des histogrammes pour former des caractéristiques différentes vecteurs. Des expériences ont été menées sur deux populations de patients ostéoporotiques et sujets témoins. Les résultats montrent que le Champ 1D projeté des images 2D réalise de meilleurs résultats pour la classification des deux populations. [8]

En mai 2012 monsieur Rachid Jennane et al sont posés un article pour l‟international symposium en imagerie biomédical sous le titre « Texture analysis using dual tree M-Band and R‟enyi entropy .Application to osteoporosis diagnosis on bone radiographs» basé sur l‟analyse de texture pour le diagnostique de l‟os trabeculaire. Ils présentent un modèle de travail basé sur un prétraitement étape suivie d’une projection sur un axe orienté 1D à un angle défini angle. D’abord, la bande M de transformation à deux arbres est appliquée sur le signal 1D obtenu. Ensuite, l’information basée sur R’enyi mesure est calculée sur des coefficients de sous-bandes dans l’ordre pour caractériser l’anisotropie qui est fortement présente dans notre application liée à la caractérisation des radiographies osseuses.

Enfin, le test de Wilcoxon est utilisé sur les entropies de R’enyi obtenu pour chaque sous-bande et les K quartiers les plus proches classifier est utilisé avec la divergence R’enyi comme distance. Appliqué sur deux populations différentes composées d’ostéoporotiques Patients (OP) et sujets témoins (CT), un taux de classification de 98% est atteint ce qui permet une bonne discrimination entre Patients OP et sujets CT. [9] Novembre 2013 Mohamed Khider et al utilise l‟analyse multi-fractale pour classifier les textures de Brodatz comparer les spectres multi-fractales et le spectre de legendre avec la méthode de comptage en boite sous le titre « Texture Analysis: A comparison between Multifractal Spectrum with Legendre Transform and the Box-Counting Method » Ils proposent deux méthodes sont : Une méthode est basée sur le formalisme multi-fractal de Frish et Parisi à travers la transformée de Legendre. La deuxième est une méthode directe basée sur l’algorithme de comptage de boîtes. Pour les deux approches, ils ont utilisé les coefficients multi-résolution de la transformée en ondelettes, avec la dérivée gaussienne du premier ordre pour trouver les exposants de singularité dans la méthode directe, et les coefficients des chefs dans le cas du formalisme multi-fractal.

Le diagnostic avant et après la fracture

L‟ostéoporose peut être diagnostiquée avant et après la fracture et ce dernier peut engendrer des conséquences fatales pour le patient. Diagnostic avant la fracture Il repose sur l‟ostéodensitometrie qui permet de mesurer la densité osseuse qui est elle-même le reflet de la masse osseuse. Diagnostic au stade de fracture L‟ostéoporose doit être évoquée devant toute fracture survenant en dehors d‟un traumatisme violent comme un accident de la voie publique, c‟est-à-dire résultant d‟un traumatisme dont l‟énergie correspond à une chute de sa hauteur. Tous les os peuvent être le siège de fractures par fragilité osseuse extrémité supérieure du fémur, rachis lombaire, extrémité inférieure du radius, etc., sauf le crâne, le rachis cervical, les doigts et les orteils. La découverte d‟une fracture ostéoporotique doit faire rechercher les facteurs de risque de l‟ostéoporose et réaliser une ostéodensitométrie. Les fractures par fragilité osseuse de l‟extrémité supérieure du fémur (l‟ESF) et les fractures périphériques ne posent généralement pas de problème diagnostique contrairement aux fractures vertébrales (FV). En effet, dans 2/3 des cas, la FV ostéoporotique ne se manifeste pas par des douleurs aigues ou chroniques. Ces fractures vertébrales (FV) sont importantes à rechercher même si elles sont asymptomatiques dans la majorité des cas, car leur présence augmente la mortalité et la morbidité des patients.

Conclusion générale

Dans ce projet de fin d‟étude, nous avons présenté une stratégie de caractérisation des images pour deux populations, cas des personnes saines et autres pour des personnes ostéoporotiques. Il s‟agit d‟une analyse de texture basée sur une comparaison entre deux méthodes. La première est basé sur les méthodes statistiques plus particulièrement la matrice de cooccurrence et les exposants d‟Haralick Notons que ces exposants sont signifiées quelque paramètres : L’énergie est l’indicateur principal de régularité et uniformité dans l‟image Une valeur stable de contraste signifie une image constante Inversement au contraste quand l‟homogénéité prend des valeurs élevées ça signifie que les différences entre les paires de pixels analysées sont faibles donc une image instable Des valeurs stables de corrélation dans un intervalle précis donnent des images régulières La deuxième est basée sur les méthodes modèles ; on prend l‟analyse multi-fractale comme méthode comparative, la caractérisation dans cette dernière a été faite à partir du spectre de Legendre où nous avons calculé quelques paramètres multi-fractals comme le coefficient de Hölder et la largeur du spectre qui indique le degré de complexité des structures présentes dans l‟image. Les difficultés rencontrées dans notre travail sont que l‟algorithme d‟analyse multi-fractale prend un temps de calcul très long et que les tailles des images de notre base sont de très grand taille (400*400) donc on prend des régions d‟itérés de taille (256*256) se qui facilite la tache.