Détection du réseau vasculaire :

Nous avons remarqué que la plupart des chercheurs ont utilisé les opérateurs de la morphologie mathématique. Alharthi et Emamian [20], Maheswari et Punnolil [21], Feroui et Bessaid [22] ont proposé des méthodes pour segmenter le réseau vasculaire qui commence par l’extraction du canal vert car les vaisseaux sanguins ont une illumination élevée dans la composante verte, par contre le plan bleu a un éclairage très faible et insuffisant pour supporter les exigences de traitement, et les images rétiniennes sont de couleur rouge donc la composante rouge ne donne pas les caractéristiques rétiniennes [20]. Après l’extraction du canal vert, Alharthi et Emamian [20] ont appliqué l’égalisation d’histogramme adaptative afin d’améliorer le contraste, suivie des opérations de la morphologie mathématique (la dilatation, l’érosion et la fermeture). Par la suite, la méthode d’Otsu et le filtre médian sont appliqués sur le résultat suivi d’une squelettisation (amincissement morphologique). Maheswari et Punnolil [21] ont inversé le canal vert suivi d’un opérateur de Canny et des opérations d’ouverture morphologique, ils ont appliqué par la suite une amélioration du contraste, un seuillage, le filtre médian et une soustraction.

Feroui et Bessaid [22] ont appliqué une égalisation adaptative d’histogramme sur le canal vert, et pour enlever les bruits sans enlever les structures vasculaires importantes ils ont combiné un filtre morphologique (ouverture morphologique) et un filtre linéaire (filtre de gauss) [22]. Par la suite ils ont appliqué l’opérateur morphologique chapeau haut de forme sur l’image améliorée et un seuillage, et pour extraire la ligne centrale de l’arbre vasculaire ils ont appliqué un outil de segmentation en morphologie mathématique : la ligne de partage des eaux (LPE). Dans cette thèse, ils ont utilisé les images des bases de données DRIVE et STARE (45 images dont 9 images saines avec un fort ou un faible contraste et 34 images pathologiques). L’algorithme a donné de bons résultats dans les images saines et 30 images pathologiques dont les vaisseaux sont larges, longs et faiblement contrastés. Mais, dans le reste des images où les vaisseaux ont une très petite largeur, l’algorithme a raté quelques petites branches [22]. Pour évaluer la performance de leur algorithme, ils ont calculé le degré de ressemblance entre le réseau vasculaire segmenté dans les deux bases de données et celui obtenu à partir de cette approche, ils ont obtenu ce résultat :

On peut citer d’autres travaux qui ont utilisé d’autres méthodes pour segmenter l’arbre vasculaire : L.Espona et al. [23] ont utilisé le modèle de contour déformable avec les images de la base de données DRIVE. Pour évaluer leur système, ils ont calculé le temps nécessaire pour le processus de détection du réseau vasculaire. Ils ont trouvé 38.4 secondes avec une précision moyenne de 0.9352. Ştefan Ţăluet al. [24] ont appliqué la géométrie multifractale dans le but d’évaluer la structure tridimensionnelle complexe de la microvascularisation rétinienne sur 100 images rétiniennes segmentées et squelettisées (états normaux) à partir de 50 volontaires à la clinique ophtalmologique Cluj-Napoca en Roumanie. Une méthode automatique non supervisée a été appliqué pour la segmentation des vaisseaux rétiniens avant l’analyse multifractale. Cette dernière a été faite avec des algorithmes informatiques à l’aide de la méthode de comptage standard. Les analyses statistiques ont été réalisées à l’aide du logiciel GraphPad InStat [24]. Ils ont conclu que l’analyse multifractale avec toutes les limitations intrinsèques comme modèle mathématique peut être utilisée comme un paramètre objectif et quantitatif pour l’évaluation du réseau microvasculaire de la rétine humaine [24].

Détection du disque optique :

Godse et Bormane [25] ont été proposé un algorithme contenant 6 étapes pour détecter le DO : estimation du seuil, application de ce seuil sur le canal vert et identification des régions claires, sélection les régions candidates qui satisfont au critère de zone, sélection la région candidate qui satisfait le critère de densité et si aucune région candidate n’est sélectionnée, réduction du seuil. Ils ont testés l’efficacité de cet algorithme avec différentes bases de données : Diaretdb0 (130 images), Diaretdb1 (89 images), Drive (40 images) et une base de données dont les images sont recueillies auprès des cliniques ophtalmologiques (194 images). Il est capable de localiser le disque optique et son centre dans 98,45% de tous les cas testés [25]. Dehghani et al. [26] ont utilisé le principe de l’histogramme matching pour localiser le DO. Ils ont utilisé le disque optique des quatre premières images rétiniennes dans l’ensemble de données DRIVE pour extraire les histogrammes de composante de couleur, et ils ont calculé la moyenne des histogrammes pour chaque couleur comme modèle pour localiser le centre de disque optique. Ils ont évalué l’algorithme proposé avec 273 images de la base de données DRIVE et STARE. Le taux de succès était de 100, 91, 36, 98.9% respectivement. Une autre approche a été présentée par Akyol et al. [27] pour localiser le disque optique dans les images rétiniennes ayant du bruit et d’autres lésions. Cette approche comprend cinq étapes principales : le traitement d’images (inversion, méthode d’Otsu, dilatation,…), l’extraction de points clés, l’analyse de texture, le dictionnaire visuel et les techniques de classification. Ils ont testé leur technique proposée sur trois bases de données : DIARETDB1, DRIVE et ROC, ils ont trouvé une précision moyenne de détection de disque de 94,38%, 95,00% et 90,00%respectivement.

La méthode proposée par Foracchia et al. [28] ont utilisé la convergence du réseau vasculaire pour détecter le centre du DO. Les quatre gros vaisseaux provenant du DO ont été géométriquement modélisés à l’aide de deux paraboles, et la position du DO a été localisée comme leur sommet commun [22]. Une évaluation a été réalisée sur 81 images de la base de données STARE, la position du DO a été correctement localisée dans 79 de 81 images (98%) [28]. Feroui et Bessaid [22] ont proposé une méthode pour segmenter le DO, cette méthode commence par un filtrage et une augmentation du contraste (représentation de l’image originale dans le canal de luminance car la papille apparait avec un meilleur contraste et les contours sont bien visibles dans ce canal [22], une égalisation adaptative d’histogramme et un filtre médian ont été appliqué). Par la suite, ils ont appliqué une fermeture morphologique et un seuillage pour extraire la région papillaire. Pour segmenter le DO, ils ont utilisé le principe de contour actif géométrique qui consiste à met en oeuvre une courbe se déformant dans le temps et l’espace pour atteindre les frontières d’un objet à détecter dans une image [22]. Pour évaluer leur algorithme ils ont sélectionné 50 images de la base de données DRIVE, MESSIDOR, STARE, DIARETDB1 (10 images saines dans lesquelles le disque optique apparait avec un fort contraste, faiblement contrasté ou fou et 40 images anormales qui contiennent des pathologies à proximité ou au niveau de DO. Le contour de ce dernier a été correctement segmenté par cet algorithme avec DRIVE, STARE, DIARETDB1, MESSIDOR à 99,7%, 93,9%, 96% et 94% respectivement. Koushik et Tejaswini [29] ont segmenté le DO en utilisant l’algorithme de seuillage d’Otsu.

Détection de la macula : Minar et al. [30] ont détecté la macula avec une approche de seuillage multiniveau du canal rouge de l’image rétinienne. Par la suite, les couches seuillées sont prétraitées par un filtre médian. L’algorithme de détection d’ellipse de la bibliothèque OpenCV a été utilisé à tous les niveaux de seuillage. La technique proposée analyse ensuite la détection et évalue la position de la macula dans l’image du fond d’oeil [30]. La base de données DRIVE a été utilisée pour évaluer la précision de la méthode, et les résultats étaient de 90%. Mubbashar et al. [31] ont utilisé un centre de DO localisé et des vaisseaux sanguins améliorés. La macula est détectée par la distance du centre du DO et le seuil, puis ils ont le combiné avec l’image des vaisseaux sanguins améliorés pour localiser le pixel le plus sombre dans cette région. Le plus grand pixel est situé en tant que macula [31]. Ils ont testé cette méthodologie sur les bases de données DRIVE et STARE et ils ont trouvé une précision moyenne de 98,7%, 99,1% respectivement. Feroui et Bessaid [22] ont été proposé une méthode pour segmenter la macula qui commence par une étape de prétraitement (le canal de luminance de l’espace couleur HSV, l’égalisation adaptative d’histogramme et le filtre de gauss). Par la suite, une ouverture morphologique est appliquée sur l’image améliorée avec un élément structurant de forme circulaire. Pour détecter la région maculaire une fermeture morphologique a été appliquée suivie d’un filtre médian et une soustraction entre l’image lissée et l’image fermée. Finalement l’image résultante est binarisée avec un seuil de 0,1. Pour détecter le conteur de la macula ils ont utilisé la technique de la ligne de partage des eaux. Le test de cette approche a été réalisé à travers 15 images de DRIVE, 20 images de STARE et 25 images de DIARETDB1. Ils ont réussi à segmenter la macula à 98,84%, 99,16%, 94,2% respectivement.