Cours et schéma de l’algorithme d’identification, tutoriel & guide de travaux pratiques en pdf.

Etat de l’art

C’est probablement, à cause de son coup relativement élevé et de son caractère invasif que la biométrie par la rétine n’a pas bénéficié d’un grand intérêt de la part des chercheurs. Nous avons rencontré un nombre important de travaux portant sur la rétine mais surtout dans un contexte médical pour identifier et localiser des pathologies. Ces travaux se sont, en majorité, posés le problème de la segmentation du réseau vasculaire, de la localisation de points caractéristiques et des pathologies. La morphologie mathématique y est très utilisée.
N’empêche que nous avons trouvé, durant notre recherche bibliographique, quelques types d’algorithmes proposés pour automatiser cette méthode d’authentification à travers les images du fond d’œil.
Dans [17], S.M.R. Kabir et al. ont utilisé une méthode de comparaison basée sur un degré de corrélation entre des segments angulaires de la rétine. L’image entière est utilisée dans le processus d’identification.
Dans [19], C. Mariño et al. ont proposé une technique de comparaison des arbres vasculaires en entier. Une fois les lignes de crêtes, correspondantes aux vaisseaux, sont extraites de l’image, une technique de recalage est appliquée pour aligner les arbres, puis, une méthode de calcul de similarité des réseaux est utilisée pour comparer les individus.
Dans [22], M.D. Amiri et al. adoptent un algorithme qui extrait des partitions radiales et angulaires du réseau vasculaire puis les compare à l’aide d’une transformée de Fourrier et la métrique de Manhattan. Ils obtiennent un taux d’efficacité de 98.75% du système de reconnaissance sur la base d’images utilisée.
Dans la majeure partie des autres travaux que nous avions rencontrés tels que [16], [18], [20], [21], [23], [24], leurs auteurs avait utilisé des algorithmes automatiques plus ou moins variés, mais tous basés sur une comparaison de patterns formés à l’aide des points de bifurcations et de croisements des branches du réseau vasculaire. Les méthodes d’extractions de l’arbre vasculaire et des points de bifurcation, ainsi que le processus de comparaison des patterns, varient d’un algorithme à un autre, mais le principe reste le même. Nous discuterons ces méthodes dans les différentes sections qui suivent.

Schéma de l’algorithme d’identification

Nous avons choisi d’implémenter, durant notre étude de cette technique biométrique, un algorithme automatique de comparaison des signatures, le plus populaire, basé sur les points de bifurcations et de croisement des branches du réseau vasculaire de la rétine.
Ce procédé d’identification est constitué de plusieurs étapes comme montré dans la Figure III.1.
Ces étapes seront décrites et discutées, une par une, dans les prochaines sections.

Extraction des caractéristiques

Le réseau vasculaire

Les vaisseaux sont des structures de forme allongée, beaucoup plus longues que larges, rouges et plus sombres que le fond. Ils entrent dans la rétine par le disque optique et ils parcourent la rétine en formant l’arbre vasculaire. Leur largeur varie dans une image rétinienne : il existe de gros vaisseaux et des vaisseaux très minces. De plus, il y a un lien entre le contraste d’un vaisseau et sa largeur : les vaisseaux varient considérablement d’une image à l’autre [30].
Dans une même image, il y a souvent des différences de couleur importantes d’un vaisseau à l’autre : la couleur de la réponse spectrale de l’hémoglobine dépend de la concentration en oxygène, et par conséquent, les veines ont une couleur différente de celles des artères. De plus, la couleur dépend également de la largeur du vaisseau, de la quantité de sang qui y est contenue ainsi que de l’éclairage non uniforme dans toute l’image. Par contre, la largeur des vaisseaux ne varie pas d’un patient à l’autre : les vaisseaux sont toujours plus minces qu’un paramètre qui est constant pour toutes les images.
Comme nous l’avons vu dans le chapitre 3, les vaisseaux apparaissent les plus contrastés dans le canal vert de l’image couleur. Pour la détection des vaisseaux, nous travaillerons donc exclusivement sur le canal vert, que nous notons f dans ce chapitre.
Malheureusement, il y a des difficultés majeures qui rendent la détection des vaisseaux parfois très compliquée. Souvent, les images rétiniennes ont un faible contraste et sont corrompues par un niveau de bruit très élevé. Par conséquent, les pixels sur un vaisseau ne sont pas caractérisés par une valeur de gris inférieure au fond; c’est la moyenne le long du vaisseau qui est inférieure à la moyenne du fond. Une deuxième conséquence de la présence de bruit et du faible contraste est la mauvaise définition des bords des vaisseaux. Aussi, la connexité du réseau vasculaire est souvent « interrompue » par du bruit. Par conséquent, il existe des bouts de vaisseau qui ne sont pas connexes au reste de l’arbre vasculaire. Beaucoup a été écrit sur la détection de l’arbre vasculaire dans des images rétiniennes. Les premiers travaux dans ce domaine ont été faits en 1982 [32]. Les auteurs proposent l’application des algorithmes utilisés dans l’analyse automatique des images satellites (« ridge following ») à la détection de vaisseaux dans les images rétiniennes, avec un succès modeste. Dans [33], les auteurs proposent une combinaison de filtrages monodimensionnels avec un filtre orienté et de profil gaussien (fondée sur la théorie de détection de bords présentée par Marr et Hildreth dans [34]) avec un suivi des vaisseaux à partir de la papille. L’inconvénient de cette méthode est sa grande sensibilité au bruit et la nécessité de détecter d’abord la papille, alors que cela peut présenter plus de problèmes que la détection des vaisseaux elle-même, surtout s’il existe des pathologies dans l’œil.
Un grand progrès a été apporté par Sbahasis Chaudhuri en 1989 [35]. En effet, beaucoup d’algorithmes proposés dans la littérature s’appuient sur cette méthode. On suppose que le vaisseau est linéaire par morceaux et que les « segments vasculaires » qui le constituent ont un profil gaussien. La convolution avec un filtre à profil gaussien amplifie alors tous les segments vasculaires ayant la même orientation tout en les lisant dans cette direction. Ce filtrage est effectué dans des directions différentes, et la différence par rapport à l’image lissée est calculée. Le résultat est obtenu par un simple seuillage. Bien que les résultats ne soient pas mauvais, il y a de fausses détections systématiques causées par des objets clairs comme la papille et les exsudats (ce qui revient au même problème que celui discuté dans le chapitre 3, section V), par des objets sombres comme des hémorragies et des micro-anévrismes qui sont liés au réseau vasculaire par cet opérateur et par le bruit. Trouver une méthode de seuillage qui prend en considération les différences de contraste entre les images n’est pas une tâche simple. De plus, le traitement est relativement lent. Dans [36], les auteurs proposent une extension de cet algorithme : des méthodes de classification sont appliquées pour identifier les faux positifs. Dans [37], les auteurs proposent des méthodes de seuillage local, mais les résultats ne sont pas convaincants. Dans [38] et [39], une combinaison de suivi (« tracking ») et de filtrage directionnel est proposée. Le suivi se sert des critères comme, par exemple, la continuité de direction et la largeur des vaisseaux. Le problème des algorithmes de suivi est la sensibilité aux interruptions du réseau vasculaire.
Dans d’autres publications, les auteurs appliquent un détecteur de bords (comme celui de Canny) et ils groupent les pixels trouvés de cette manière pour ne garder que des bords parallèles.
Dans, des réseaux de neurones sont utilisés, mais un avantage par rapport à des approches fondées sur des modèles n’a pas pu être démontré.
Dans [44], les auteurs utilisent une combinaison de filtres morphologiques avec des méthodes linéaires pour détecter les bords des vaisseaux (la méthode est également fondée sur la stratégie proposée dans [34]). La méthode s’est montrée très efficace pour les angiographies à la fluorescéine, mais pour les images en couleurs, elle ne donne pas toujours un résultat satisfaisant à cause du contraste plus faible [45]. De plus, la méthode est coûteuse en temps de calcul.
On peut constater que beaucoup d’algorithmes fonctionnant plus ou moins bien ont été conçu pour la détection du réseau vasculaire. A notre connaissance, de fausses détections dues aux hémorragies et aux exsudats posent toujours un problème majeur pour ces algorithmes (en effet, dans les articles correspondants, l’application des algorithmes à des images contenant des exsudats ou des hémorragies n’est pas discutée). De plus, les algorithmes sont relativement lents, ce qui représente un inconvénient majeur. Si la détection est utilisée pour un recalage d’image par exemple, il est essentiel que le résultat soit fiable, mais également que l’algorithme soit rapide car il doit être appliqué à deux images et suivi du recalage lui-même souvent assez long.
Walter a présenté deux approches, en 2003, basées sur la morphologie mathématique. En effet, la première s’appuie sur une méthode d’augmentation de netteté et d’extraction de détails avec une transformation chapeau haut de forme. Cette technique est très simple et s’est avérée très efficace même pour des images de qualité moyenne ou mauvaise. La deuxième méthode est aussi efficace que la première, et encore plus utile lorsqu’il n’est pas nécessaire d’extraire tout le réseau vasculaire, mais seulement sa structure. Cet algorithme détecte l’axe médian du réseau vasculaire de manière robuste et efficace, il est fondé sur la méthode de segmentation par la ligne de partage des eaux.
Plusieurs approches ont été proposées dans d’autres publications, telles que [47 – 62], et qui sont aussi fiables et efficaces les unes que les autres.
Pour son efficacité et sa facilité d’implémentation, nous avons choisi d’appliquer le second algorithme proposé par Thomas Walter dans [30]. L’objectif de cet algorithme coïncide parfaitement avec notre axe de recherche : extraire uniquement le squelette, au lieu de l’arbre vasculaire entier, qui nous servira, par la suite, pour la détection des points de bifurcation.

Algorithme de l’extraction

Dans beaucoup d’applications, comme dans le cas de notre système d’identification basé sur les caractéristiques du réseau vasculaire, il n’est pas nécessaire d’extraire tout le réseau vasculaire, mais seulement sa structure. Dr Walter, dans [30], a développé un algorithme qui détecte directement le squelette de l’arbre vasculaire. L’idée principale est d’appliquer la ligne de partage des eaux (décrite dans le chapitre 2) sur le chapeau haut de forme de l’image filtrée, et de caractériser les branches de la LPE par leur contraste local pour identifier les faux positifs. Par la suite, les étapes de l’algorithme seront détaillées.

Pré-filtrage

Le pré-filtrage a comme objectif, d’une part, d’enlever du bruit clair et les petits exsudats, s’ils existent, qui pourraient causer des fausses détections, et d’autre part, de connecter des bouts de vaisseaux non connexes. Ces deux cas causent des problèmes pour la détection du réseau vasculaire illustrés dans la Figure IV.2.
Malheureusement, les deux problèmes ne peuvent pas être résolus par l’application du même opérateur. Si le bruit, sur le vaisseau et qui l’interrompt (Figure IV.2 (a)), est enlevé et si la connexité du réseau vasculaire est restaurée, (par exemple par un filtrage directionnel comme il est proposé dans [35] ou par ouverture), il est inévitable de connecter aussi des éléments parasites aux vaisseaux. Beaucoup de fausses détections en sont la conséquence dans la méthode proposée dans [35]. Dans [44], l’infimum de fermetures dans des directions différentes est calculé (1), afin d’enlever des faux positifs potentiels (comme celui dans la Figure IV.2 (b)). Malheureusement, les bouts de vaisseaux déconnectés par les bruits en font partie aussi : parfois le réseau se présente juste comme une suite de « petits trous », tant il est corrompu par du bruit. Donc, le pré-filtrage enlève de faux positifs potentiels, mais aussi de vrais vaisseaux : la méthode dont le pré-filtrage constitue la première étape est moins sensible mais n’est guère applicable aux images de faible contraste [45].
Le point commun de ces deux méthodes de pré-filtrage est le parcours des directions différentes soit pour lisser l’image dans cette direction, soit pour la fermer : les deux méthodes tentent de favoriser des structures linéaires dans une image en évaluant des groupes de pixels positionnées selon une ligne. Dans la méthode présentée dans [30], le pré-filtrage a juste comme objectif d’enlever du bruit clair et les petits exsudats qui sont responsables de plusieurs faux positifs.
Pour enlever du bruit clair dans une image à teintes de gris, il suffit d’appliquer une ouverture. Une ouverture morphologique a comme inconvénient que des séparations entre des vaisseaux très proches sont aussi enlevées ; pour cela, la taille de l’élément structurant doit être très petite. Il est préférable de se servir de l’ouverture surfacique [63] qui enlève tous les éléments clairs d’une image qui ne dépassent pas une surface ; indépendamment du seuil, il n’existe aucune composante connexe de la section correspondante au seuil avec une surface plus petite que . En fait, l’ouverture par reconstruction enlève des éléments dans l’image selon leur « épaisseur ». La surface est un critère plus pertinent parce qu’une longue séparation entre deux vaisseaux a une faible épaisseur, mais une surface assez grande pour être gardée par l’ouverture surfacique, alors qu’elle serait effacée par une ouverture morphologique. (Ce type d’ouvertures est détaillé dans l’annexe A).