Professional Documents
Culture Documents
M IN I ST ER E D E L 'E NS EI G NE M ENT SU P ER IE U R
ET D E LA R E CHER CH E SC I ENT IF I QU E
U N I VER S IT E A BOU BA K R B ELK A I D T L EM C E N
FA CU LT E D E T ECH N OLO G I E
D EP A R T E M ENT D E G EN IE EL ECT R I QU E ET EL ECT R ON IQU E
LA BOR A T O IR E D E GE NI E B I OM E D ICA L
Thse
Prsente et soutenue en mai 2014
Par
FEROUI AMEL
Pour obtenir le titre de Docteur
Spcialit : Electronique Biomdicale
Composition du jury
Abstract: Diabetic retinopathy (DR) and age related macular degeneration (AMD) are the leading
causes of blindness and visual impairment in adults. Screening of these diseases is particularly important
to prevent vision loss.
Implementation of the methods based on early detection of clinical signs of DR and AMD allow greatly
improve the diagnosis of these diseases.
In this thesis, we propose an analyzing fundus image system integrating image processing techniques for
lesions detection associated with these diseases namely: micro-aneurysms, hemorrhages, exudates and
Drusen .
Detection of pathologies related to DR and AMD, is essentially based on the extraction of the main
anatomical structures of the retina vascular network, the optical disc and the macula.
In this thesis, the methods based on mathematical morphology and classification algorithms to retinal
pathologies detection are used.
The algorithms developed in the framework of this work are tested on a set of images database
MESSIDOR DIARETDB1, DRIVE and STARE. The evaluation of the proposed methods is performed by
comparing the results against the ground truth and compared to existing research in this area.
Keywords: Ophthalmology; Analysis fundus image, diabetic retinopathy, age related macular
degeneration, segmentation, mathematical morphology, classification.
)( :
.
.
.
.
.
.STARE DRIVE DIARETDB1 MESSIDOR
.
( ) :
.
Je ddie ce modeste travail,
A ma mre avec toute mon affection,
A mon pre avec toute ma reconnaissance,
A mes surs,
A mon frre,
A ma famille,
A mon fianc
Et tous mes amis.
Remerciement
A l'issue de la rdaction de cette thse, je suis convaincue que la thse est loin d'tre un
travail solitaire. En effet, je n'aurais jamais pu raliser ce travail doctoral sans le soutien
d'un grand nombre de personnes dont la gnrosit, la bonne humeur et l'intrt
manifests l'gard de ma recherche m'ont permis de progresser dans cette phase.
Quelles trouvent dans ce travail lexpression de mes plus sincres remerciements.
Bien sr, atteindre ces objectifs naurait pas t possible sans laide du Docteur
LAZZOUNI, et son fils LAZZOUNI AMINE pour mavoir accueilli dans la clinique
dophtalmologie LAZZOUNI chaque fois que j'ai sollicit son aide dans la lecture des
images rtiniennes tout au long de mon travail.
Je tiens aussi mentionner le plaisir que j'ai eu travailler au sein de notre Laboratoire
de Gnie Biomdicale. Mention spciale tous les membres du laboratoire pour leur
sympathie, leur amiti, leur aide et leur bonne humeur, ainsi que pour la trs bonne
ambiance que j'ai toujours trouve au laboratoire, Nous avons partag de bons
moments. Le cadre de travail tait idal
Table des matires
Introduction .........................................................................................................................7
I. Description Gnrale de lil.......................................................................................7
I.1. Anatomie du globe oculaire........................................................................................7
II. Les pathologies Rtiniennes.................................................................................... 14
II.1. La Rtinopathie Diabtique (RD)............................................................................ 14
II.1.1. Signes Cliniques de la RD ................................................................................. 15
II.1.2. Classification des stades de la RD .................................................................... 19
II.2. Le Glaucome ............................................................................................................20
II.3. la Cataracte ..............................................................................................................20
II.4. Dgnrescence maculaire lie a lge (DMLA) ....................................................20
II.4.1. Signes cliniques de la DMLA ............................................................................ 21
II.4.1.1. Maculopathie lie lge (MLA) ................................................................. 21
II.4.1.1.2. Forme atrophique..21
II.4.1.1.3. Forme exudative21
III. Techniques dAcquisition des Images Rtiniennes................................................22
III.1. Rtinographe mydriatique(RM) et non mydriatique(RNM) ................................22
III.2. Angiographie a la fluorescence .............................................................................22
III.3. Tomographie a Cohrence Optique (OCT) ..........................................................23
IV. Dpistage de la RD et DMLA ..................................................................................24
Conclusion24
1
Chapitre.2. Etat de lArt
Introduction .......................................................................................................................26
I. Etat de lArt..................................................................................................................26
II.1. Segmentation des lments principaux de la rtine ............................................. 26
II.1.1. Segmentation du rseau vasculaire .................................................................. 26
II.1.2. Segmentation du disque optique (DO) ........................................................... 29
II.1.3. Dtection de la macula......................................................................................30
II.2. Dtection de la Rtinopathie Diabtique...............................................................34
II.2.1. Dtection des lsions lumineuses.....................................................................34
II.2. 2. Dtection des lsions Sombres........................................................................37
II.2. Dtection de la dgnrescence macula ire lie a lge........................................ 40
Conclusion41
2
Chapitre.4. Dtection des pathologies Rtiniennes
Introduction .............................................................................................. 83
I. Dtection des lsions lumineuses dans les images rtiniennes ............. 83
I.1.Dtection des exsudats durs.............................................................. 84
I.1.1. problmatique et contribution..................................................... 84
I.1.2. Mthode propose....................................................................... 86
I.1.3. Rsultats et Discussion .............................................................. 95
I.1.4. Critres dEvaluation de la mthode suggre ............................. 97
I.2.Dtection des Druses dans les images couleur de la rtine............... 101
I.2.1. Problmatique et contribution................................................... 101
I.2.2. Algorithme de dtection des druses........................................... 102
I.2.3. Rsultats et Discussion ............................................................ 107
I.2.4. Evaluation de lalgorithme propos ........................................... 108
II. Dtection des lsions Sombres dans les images couleur de la rtine 111
II.1. Dtection des hmorragies............................................................. 111
II.1.1. Problmatique et contribution.................................................. 111
II.1.2. Mthode propose de dtection des hmorragies ...................... 113
II.1.3. Rsultats et critres dvaluation ............................................. 126
II.2. Dtection des micro-anvrismes dans les images couleur de la rtine
............................................................................................................ 129
II.2.1.Problmatique et contribution................................................... 129
II.2.2. Algorithme propos de dtection des micro-anvrismes ............ 131
II.2.4. Rsultats et valuation de lalgorithme .................................... 142
Conclusion.145
CONCLUSION GENERALE..149
BIBLIOGRAPHIE152
3
Liste des Figures
Introduction Gnrale
I. Objectifs et contributions
L'objectif principal de ce travail de recherche est de dvelopper un systme
danalyse des images numrique du fond dil qui sera capable de dtecter
les premiers signes cliniques produits par la DMLA et la RD. Ces lsions
sont : les exsudats, les druses, les micro-anvrismes et les hmorragies. Ces
maladies peuvent causer la ccit et la perte de vision si elles ne sont pas
diagnostiques un stade prcoce. Le systme d'analyse de l'image du fond
d'il dcrit dans ce travail est conu pour aider les ophtalmologues tablir
2
Introduction Gnrale
3
Introduction Gnrale
4
Introduction Gnrale
5
Chpaitre1. Aspect Mdical
Chapitre
Aspect Mdical
SOMMAIRE
Introduction .........................................................................................................................7
I. Description Gnrale de lil.......................................................................................7
I.1. Anatomie du globe oculaire........................................................................................7
II. Les pathologies Rtiniennes.................................................................................... 14
II.1. La Rtinopathie Diabtique (RD)............................................................................ 14
II.1.1. Signes Cliniques de la RD ................................................................................. 15
II.1.2. Classification des stades de la RD .................................................................... 19
II.2. Le Glaucome ............................................................................................................20
II.3. la Cataracte ..............................................................................................................20
II.4. Dgnrescence maculaire lie a lge (DMLA) ....................................................20
II.4.1. Signes cliniques de la DMLA ............................................................................ 21
II.4.1.1. Maculopathie lie lge (MLA) ................................................................. 21
II.4.1.1.2. Forme atrophique.21
II.4.1.1.3. Forme exudative21
III. Techniques dAcquisition des Images Rtiniennes................................................22
III.1. Rtinographe mydriatique(RM) et non mydriatique(RNM) ................................22
III.2. Angiographie a la fluorescence .............................................................................22
III.3. Tomographie a Cohrence Optique (OCT) ..........................................................23
IV. Dpistage de la RD et DMLA ..................................................................................24
Conclusion24
6
Chpaitre1. Aspect Mdical
Introduction
Ce chapitre prsente les aspects mdicaux, ncessaire pour comprendre
l'importance de l'analyse des images du fond d'il. Tout d'abord, lanatomie
de l'il et ses principaux composants sont dcrites ; Ensuite, les diffrentes
anomalies de lil sont prsentes. Deux lsions lies des maladies
rtiniennes ont tires notre attention ; il sagit de la rtinopathie diabtique
et la dgnrescence maculaire lie lge. Une description des symptmes
de ces lsions, lvolution ainsi que les traitements ventuels sont donns.
Nous terminons ce chapitre par une prsentation de diffrentes techniques
dacquisitions des images rtiniennes ainsi le dpistage de la RD et la DMLA.
7
Chpaitre1. Aspect Mdical
1. la chambre antrieure : qui se situe entre la corne et liris et qui est
remplie par lhumeur aqueuse.
2. la chambre postrieure : entre l'iris et le cristallin
I.1.1.1. La corne
La corne une membrane solide et transparente de 11 mm de diamtre au
travers de laquelle la lumire entre l'intrieur de l'il. La corne est priv
de vaisseaux sanguins (sinon notre vision serait trouble), elle est donc
nourrie par un liquide fluide comme l'eau : l'humeur aqueuse. La corne
contient 78% d'eau et pour maintenir ce degr d'hydrophilie elle est
constamment recouverte de larmes alimentes en continu par les glandes
lacrymales et rpartis par le battement des paupires. La corne est
la principale lentille de l'oeil, elle assure environ 80% de la rfraction. Elle
est compose de 5 couches diffrentes (Figure. I.2):
8
Chpaitre1. Aspect Mdical
pithlium cornen : est la couche la plus externe reprsente environ
10 % de l'paisseur totale de la corne, est fait de cinq six couches
de cellule rgnrable.
Membrane de Bowman : couche de transition de 12 micromtres,
spare lpithlium du stroma cornen.
Stroma : trs pais (400 microns), 90% de l'paisseur de la corne.
Tissu conjonctif trs spcifique. Il contient de l'eau, des substances
organiques, du collagne. Tous ces lments sont prsents dans des
rgles qui assurent la transparence.
Membrane de Descemet : est une membrane basale transparente de
l'endothlium cornen qu'elle spare du stroma cornen
Endothlium : de 6 micromtres, membrane interne, fragile et fine. La
qualit et la quantit de ces cellules varient avec l'ge et des
altrations y surviennent partir de 65 ans.
I.1.1.2. La sclre
La sclrotique ou sclre est une membrane rigide qui donne sa forme l'il.
Cette membrane est fibreuse, rsistante. Elle entoure et protge l'il
l'extrieur tout en maintenant sa forme. La sclrotique forme le blanc de
lil. Elle est traverse par un grand nombre de petits canaux (artres, nerfs,
9
Chpaitre1. Aspect Mdical
veines) et, l'arrire, par une ouverture o passent les fibres du nerf
optique.
I.1.2.1.L'iris
Est une membrane situe dans l'humeur aqueuse entre la corne et le
cristallin, sparant ainsi la chambre antrieure de la chambre postrieure de
l'il. Ce dernier est constitu par des pithliums pigments donnant sa
couleur l'il et perc d'un trou, la pupille. Il est innerv par des fibres du
systme nerveux autonome qui activent les muscles dilatateurs et sphincters
responsables de la dilatation et de la constriction pupillaires (Figure. I.1).
I.1.2.3. la Chorode
La chorode est lune des couches de la paroi du globe oculaire, situe entre
la sclrotique lextrieur et la rtine lintrieur. Cest une couche
richement vascularise qui assure la nutrition de liris et
des photorcepteurs rtiniens. Avec le corps ciliaire et liris, la chorode
forme luve. Sa structure lui assure une double fonction : dune part, elle
forme un cran qui maintient lintrieur de lil en chambre noire, dautre
part, elle le protge du point de vue thermique, empchant le passage dune
grande partie des rayonnements extrieurs (Figure. I.1).
10
Chpaitre1. Aspect Mdical
I.1.3.1. La rtine
La rtine est la couche sensible la lumire grce aux photorcepteurs
(les cnes et les btonnets). Elle a comme paisseur 0,25 mm. [2]. La rtine
possde 2 types de photorcepteurs :
Les btonnets : De forme allonge, ils doivent leur nom leur forme.
ils sont environ 130 millions. Ils sont absents de la fova et se logent
la priphrie. Ils ont une trs grande sensibilit la lumire, d'o leur
capacit percevoir de trs faibles lueurs la nuit : vision de nuit. Ainsi
ils ont une trs faible perception des dtails et des couleurs car
plusieurs dizaines de btonnets ne sont lis qu' une seule fibre du
nerf optique. Ils contiennent une substance chimique
appele rhodopsine ou pourpre rtinien. Quand la lumire frappe une
molcule de rhodopsine, celle-ci gnre un faible courant lectrique.
Les signaux ainsi recueillis forment un message qui est transmis
aux cellules nerveuses de la rtine (Figure. I.3).
Les cnes : Ils sont environ 5 7 millions se loger dans la fova.
Leur sensibilit la lumire est trs faible mais leur perception des
dtails est trs grande pour deux raisons : il y a une densit trs lev
de cnes dans la fova et surtout chaque cne de la fova transmet
son information plusieurs fibres du nerf optique : la vision est
donc de jour. Ainsi ils ont une trs bonne sensibilit aux couleurs.
Ils sont de trois types selon le pigment qu'ils contiennent et ont donc
une sensibilit des ondes lumineuses de longueurs diffrentes :
cnes contenant de l'erythropsine (sensibles au rouge), de
la chloropsine (vert), de la cyanopsine (bleu) (Figure. I.3).
11
Chpaitre1. Aspect Mdical
I.1.3.3. La papille
Est un point de l'il qui ne voit pas. On l'appelle aussi la tache aveugle. En
ce point dbouche aussi le rseau veineux et artriel de la rtine. Les fibres
12
Chpaitre1. Aspect Mdical
optiques se rejoignent toutes l pour former un cble appel le nerf optique.
Il mesure 4 mm de diamtre et 5 cm de long (Figure. I.4.).
I.1.4.2. le Cristallin
Le cristallin est une lentille biconvexe de lil, transparente, avasculaire. Il
est situ l'intrieur du globe oculaire. Sa partie antrieure est en contact
avec l'humeur aqueuse et sa partie postrieure avec le corps vitr (Figure.
I.1).
13
Chpaitre1. Aspect Mdical
I.1.4.3.Le corps vitr
Le corps vitr est une masse glatineuse claire et transparente.il maintient
la rtine contre les parois de lil, contenant 99% d'eau et reprsentant 60%
du volume oculaire (Figure. I.1).
14
Chpaitre1. Aspect Mdical
dpistage et un traitement approprie [7]. Seul un examen effectue
rgulirement peut permettre de la diagnostiquer prcocement et de la
traiter. La ccit et la malvoyance lies la rtinopathie diabtique sont en
effet en grande partie vitables grce au traitement par laser, dont lefficacit
a t depuis longtemps dmontre [8-9].
Dans ce qui suit, nous dcrivons certains signes de la RD qui peuvent tre
dtects avec l'analyse des images du fond d'il, le traitement, ainsi que la
classification de la maladie.
1 Micro-anvrismes
2 Hmorragie rtiniennes
4 AMIRs (Anomalies Microvasculaires Intraretiniennes)
5 Anomalies veineuses
6 Ischmie rtinienne
7 Exsudats
8 Nodules cotonneux
9 No-vaisseaux
TABLEAU. I.1. LESIONS DE LA RD
15
Chpaitre1. Aspect Mdical
indiscernables partir de micro-anvrismes ou grandes taches de forme
ronde avec contour irrgulier. La figure. I. 5(b) montre certains d'entre eux.
Sont des anomalies vasculaires comme des dilatations, des ectasies ou des
bourgeonnements. Elles tmoignent d'une occlusion vasculaire et par
consquent d'une ischmie locale. Elles reprsentent une rponse
neovasculaire cette occlusion. Leur forme est plutt irrgulire, mais
parfois, elles peuvent tre facilement confondues avec des micro-anvrismes
(figure .I.6 (a)).
(a) (b)
Figure. I.5. Prsence des micro-anvrismes et hmorragies dans les images couleur de
la rtine ; (a) : micro-anvrismes montrs par une flche ;(b) : hmorragies.
16
Chpaitre1. Aspect Mdical
II.1.1.5. Ischmie rtinienne
On dsigne par ischmie la baisse du dbit sanguin local qui devient
insuffisant pour assurer les besoins mtaboliques dun tissu dans la
rtinopathie diabtique. Elle est secondaire locclusion plus au moins
tendue des capillaires rtiniens (Figure. I.7.a).
(a) (b)
Figure. I.6. Prsence des AMIR et une occlusion veineuse rtinienne ;(a) : les AMIR ;(b)
occlusion veineuse rtinienne
(a) (b)
Figure. I.7. Prsence dune ischmie rtinienne et des exsudats durs. ;(a) : ischmie
rtinienne;(b) Exsudats durs.
17
Chpaitre1. Aspect Mdical
II.1.1.7. Nodules Cotonneux
Les nodules cotonneux sont plus souvent observs dans rtinopathie
avance. Ils se prsentent comme des lsions de petite taille, blanches,
superficielles, daspect duveteux et contours flous. La figure. I. 8 (a) illustre
certains d'entre eux.
II.1.1.8.dme maculaire
Est une accumulation de liquide dans la zone maculaire de la rtine. Il se
traduit par un paississement rtinien. L'dme maculaire est directement
accompagne par une dgradation visuelle lente mais progressive. La figure
I.8 (b) montre un exemple de telles lsions.
(a) (b)
Figure. I.8. Prsence des nodules cotonneux et ddme maculaire ;(a) : nodules
cotonneux rtinienne;(b) dme maculaire.
II.1.1.9. La no-vascularisation
Sont des nouveaux vaisseaux qui se dveloppent cause d'une ischmie. Ils
apparaissent sous forme dun lacis vasculaire la surface de la rtine ou de
la papille. Ces no vaisseaux ont un grand risque de se rompre et
provoquent des hmorragies. La figure I. 9 illustre certains d'entre eux.
18
Chpaitre1. Aspect Mdical
2 : Rtinopathie non prolifrante modre Prsence de lsions autres que des micro-
anvrismes mais ne correspond pas au stade
3
3 : Rtinopathie non prolifrante svere Une des 3 conditions suivantes est satisfaite :
Plus de 20 hmorragies
intraretiniennes dans chacun des 4
quadrants
Anomalies veineuses certaines dans
au moins 2 quadrants
AMIR prominant dans au moins 1
quadrant mais ne correspond pas au
stade 4
4 : Rtinopathie prolifrante Une des 2 conditions suivantes est satisfaite
Prsence des no vaisseaux
Hmorragies vitre/ pr rtinienne
5 : rtinopathie traite non active La rtine a t traite au laser et la
rtinopathie nest plus active
Tableau. I.2. Classification des stades de la RD
19
Chpaitre1. Aspect Mdical
II.2. Glaucome
Le glaucome est une maladie de l'il qui provoque une diminution
irrmdiable du champ de vision. Il est la consquence de dommages au nerf
optique. Le glaucome est associ la suite de llvation de la pression
lintrieur de l'il (pression intraoculaire). Le glaucome est la deuxime
cause de ccit dans le monde [12] (Figure. I.10.a).
(a) (b)
Figure. I.10. prsence du glaucome et cataracte ;(a) : le glaucome ; (b) : cataracte
II.3. Cataracte
La cataracte est l'opacification partielle ou totale du cristallin, lentille
convergente situe l'intrieur de l'il. Cette opacification est responsable
d'une baisse progressive de la vue, au dbut accompagne de gne la
lumire (photophobie). Cette baisse de la vision peut tre rapide (quelques
semaines) cause d'un traumatisme (Figure. I.10.b).
20
Chpaitre1. Aspect Mdical
II.4.1.2.Forme atrophique
La forme atrophique ( forme sche ), rsulte de latrophie progressive des
couches de lpithlium pigmentaire et des photorcepteurs. Le
retentissement visuel est important mais ce processus est lentement volutif
(Figure. I.11.b).
21
Chpaitre1. Aspect Mdical
23
Chpaitre1. Aspect Mdical
Conclusion
Dans ce chapitre, lanatomie du fond dil, les maladies oculaires lies au
diabte et la dgnrescence maculaire lie lge ainsi que leurs
symptmes ont t dcrites. Les techniques dacquisition des images couleur
et angiographique ont t discut par la suite. Finalement, le dpistage de la
RD et DMLA a t prsent en montrant la ncessit du suivi, la dtection
prcoce de la RD et la DMLA pour viter la ccit et la malvoyance ; le role
trs important qui joue les appareils dacquisition, ainsi que le dpistage de
masse qui permet dtudier lvolution des maladies sur un groupe de
population.
24
Chapitre2. Etat de lArt
Chapitre
Etat de lArt
SOMMAIRE
Introduction .......................................................................................................................26
I. Etat de lArt..................................................................................................................26
II.1. Segmentation des lments principaux de la rtine ............................................. 26
II.1.1. Segmentation du rseau vasculaire .................................................................. 26
II.1.2. Segmentation du disque optique (DO) ........................................................... 29
II.1.3. Dtection de la macula......................................................................................30
II.2. Dtection de la Rtinopathie Diabtique...............................................................34
II.2.1. Dtection des lsions lumineuses.....................................................................34
II.2. 2. Dtection des lsions Sombres........................................................................37
II.2. Dtection de la dgnrescence macula ire lie a lge........................................ 40
Conclusion41
25
Chapitre2. Etat de lArt
Introduction
Actuellement, la rtinopathie diabtique et la dgnrescence maculaire lie
a lge sont considres comme les premires causes de ccit lgale dans les
pays industrialiss ; par consquent, la recherche dun systme danalyse
des images du fond dil pour laide au diagnostique de la RD et la DMLA
attirent lattention de beaucoup de chercheurs. En effet, L'intrt de la
dtection de ces pathologies a augment avec le dveloppement de l'imagerie
numrique et la puissance de calcul. Ce chapitre est consacr la
prsentation des principales mthodes rcentes reportes dans la littrature
pour la dtection des principaux lments de la rtine (rseau vasculaire,
papille et macula) et les diffrentes pathologies rtiniennes (exsudats durs,
druses, hmorragies et micro-anvrismes).
I. Etat de lArt
Ce chapitre est organis comme suit. Dans la section II.1., les diffrents
travaux correspondant la segmentation des vaisseaux sanguins sont
dcrits. Les principales recherches lies la dtection du disque optique
sont discuts dans la section II.2. La Section II.3, prsente, les travaux
correspondant la dtection de la macula. Dans les sections II.4 et II.5, les
diffrentes approches cites dans la littrature pour la dtection des lsions
lumineuses et sombres sont prsentes.
26
Chapitre2. Etat de lArt
classification par pixel. Dans cette section ; nous citons quelques travaux
qui ont t dvelopps dans chaque catgorie de mthode.
Al-Rawi et al [28] ont utilis le filtre adapt pour la dtection des vaisseaux
sanguins. L'ide du filtre adapt est de prendre un certain nombre
d'chantillons pour une section transversale des vaisseaux sanguins de la
rtine, le profil de niveau de gris de ces chantillons est alors approch par
une courbe en forme gaussienne.
Yu Guang Zhang et al [29] ont propos une mthode base sur l'intgration des
ondelettes avec la fractale. Tout d'abord, les contours du rseau vasculaire sont
extraits en employant une technique par ondelettes. Ensuite, les bords continus
sont obtenus par lutilisation du fractale.
27
Chapitre2. Etat de lArt
Les approches dveloppes par Zhang et al [42], ont utilis un seuillage local
adaptatif et les caractristiques du rseau vasculaire ont t obtenues
l'aide des projections orthogonales non linaires.
28
Chapitre2. Etat de lArt
29
Chapitre2. Etat de lArt
Les travaux de recherche sur le disque optique peuvent tre diviss en deux
catgories : la localisation et la segmentation de ce dernier. Les anciens
travaux portent sur la localisation du DO, alors que les derniers travaux
estiment le contour du DO.
30
Chapitre2. Etat de lArt
Yousif et al. [52] ont propos une technique base sur les filtres adapts
pour localiser le Disque optique. Le procd commence par une tape de
normalisation de luminosit et de contraste, ensuite, le rseau vasculaire a
t segment, et les directions de larbre ont t adaptes au filtre propos
reprsentant les directions du rseau attendu a proximit du disque optique.
31
Chapitre2. Etat de lArt
Tobin et al [58] ont dvelopp une approche base sur lutilisation du critre
du distance entre le disque optique et la macula.ils ont, tout dabord
localiser le disque optique et estim larc vasculaire par un modle
32
Chapitre2. Etat de lArt
33
Chapitre2. Etat de lArt
Akara sopharak et al [62] ont prsent une approche base sur lutilisation
des algorithmes de traitement dimages telles que le filtrage et laugmentation
de contraste. La sparation des pixels exsudatifs par rapport aux autres est
base seulement sur leur intensit. Les auteurs utilisent galement les
oprateurs de la morphologie mathmatique pour une analyse locale des
petites variations de pixels. Ils ont obtenus une sensibilit de 80% et une
spcificit de 99.5%.
Dans un autre travail de akara sopharak et al [63], ils ont prsent une
approche base sur lutilisation des classifieurs naive baysien et le support
vecteur machine pour la dtection des exsudats. Ils ont obtenus une
sensibilit, spcificit, prcision de 92.28%, 98,52%, 98.41% respectivement.
34
Chapitre2. Etat de lArt
Sanchez et al [65] ont introduit un algorithme bas sur des modles mixture
et seuil dynamique afin de sparer les exsudats de fond. Une technique de
post-traitement, base sur la dtection du contour, est applique pour
distinguer les exsudats durs des nodules cotonneux. La mthode a t
value sur 80 images rtiniennes. L'algorithme a obtenu une sensibilit de
90,2% et une valeur prdictive de 96,8%. Le problme de cette mthode est
qu'elle est adapte pour les images avec une grande quantit d'exsudats.
Ege et al. [67] ont utilis un classificateur baysien pour classer les exsudats
et les nodules cotonneux. Ce classificateur atteint une prcision de 62%
pour les exsudats et 52% pour les taches cotonneux.
Gardner et al. [69] ont divis les images rtiniennes en sous- images de taille
20 x 20 pixels. Par la suite, ils ont applique un rseau de neurones avec
400 entres. Cette mthode dtecte les exsudats durs et des hmorragies. La
sensibilit de la technique de dtection des exsudats durs tait de 93,1 %.
Les rseaux de neurones ont t utiliss par Hunter et al. [70] pour classer
les lsions lumineuses. Dans cette mthode, l'image rtinienne a t divise
en 16 x 16 sous-images et onze entres ont t appliques pour former le
rseau de neurones. Le rseau de neurones tait destin discriminer les
exsudats, il atteint 91% des performances base sur les lsions.
35
Chapitre2. Etat de lArt
Zhang et al [73] ont prsent une approche en trois tapes pour dtecter des
lsions lumineuses et de les classer en exsudats et nodules cotonneux. En
premier lieu, l'augmentation du contraste local a t appliqu sous forme
d'une tape de pr-traitement . Un Fuzzy C -Means a t appliqu dans et
une classification hirarchique et le SVM a t utilis pour classer les lsions
lumineux de non- lsions. Une sensibilit et une spcificit de 97 % et 96%
respectivement ont t obtenus.
36
Chapitre2. Etat de lArt
La majorit des travaux cits dans la littrature ont donne des faux positifs.
En outre, la mauvaise qualit des images rtiniennes influe sur le rsultat de
sparation des lsions claires et sombres. Dans ce travail, une nouvelle
mthode base sur la classification non supervise et la morphologie
mathmatique est propos dans le chapitre.III, pour la dtection des
exsudats dans les images couleur.
Hipwell et al. [85] ont propos une mthode pour la dtection des
microanvrismes. Les images ont t initialement traites par une correction
de la teinte de l'image, suivie dune limination du rseau vasculaire par la
transformation chapeau haut de forme.les rgions candidates ont t
trouves par lapplication des filtres adapts, (convolution avec des
gaussiennes bidimensionnelles de tailles diffrents, suivie par un
seuillage).finalement une classification pixelaire a t effectue. Le systme
produit une sensibilit de 81%, avec 93% de spcificit. Toutefois, cette
approche na pas pu dtecter tous les micros anvrismes en donnant peu de
faux positifs.
Niemeijer et al. [86] ont proposs une mthode hybride pour la dtection des
micro-anvrismes et les hmorragies. Une combinaison de la mthode de
chapeau haut de forme et un systme de classification bas sur les pixels a
t propos pour trouver les rgions candidates. La sparation entre les vrais
pixels contenant les lsions a t effectue par lutilisation par le classifieur
de k-plus proche voisin.
38
Chapitre2. Etat de lArt
Istvan Lazar et al [88] ont propos une approche base sur deux
caractristiques des micro-anvrismes : diamtre et circularit ; ils ont
propos une mthode pour construire une carte marque partir de laquelle
les micro-anvrismes peuvent tre extraites par une simple opration de
seuillage.
Bob Zhang et al [89], ont prsent une approche base sur sparse
Reprsentation classifieur (SRC).tout dabord, les micro-anvrismes ont t
localis par le filtrage de corrlation gaussienne multi-chelle ; ensuite les
candidats ont t class en micro-anvrismes ou non anvrismes par le SRC.
Dans un autre travail de akara sopharak et al [91], ont utilis les oprateurs
morphologique et un classifieur baysien pour la dtection des micro-
anvrismes. Ils ont obtenus une sensibilit, spcificit et prcision de 85.68,
99.99%, 99.98% respectivement.
Saiprasad et al [94], ont propos une mthode pour dtecter les exsudats,
micro-anvrismes et les hmorragies par lutilisation de diffrentes
oprations morphologiques appliques de manire approprie, ils ont
39
Chapitre2. Etat de lArt
40
Chapitre2. Etat de lArt
Ranjan et al [102], ont prsent une approche de dtection des druses qui
consiste augmenter le contraste de limage, appliquer une opration de
seuillage, ils ont ensuite, dtermin le nombre des druses.
Ziyang Liang et al [104] ont propos une approche de dtection des druses
qui consiste dans la premire tape de dtecter la macula, les druses sont
ensuite identifies dans la rgion de maximum intensit via les canaux RGB
et HSV. Ils ont obtenus une sensibilit et spcificit de 75%
Conclusion
Dans ce chapitre, nous avons prsent les diffrents travaux reports dans
littratures pour la dtection de la rtinopathie diabtique et la
dgnrescence maculaire lie lge.
41
Chapitre3. Segmentation des Elments Principaux de la rtine
Chapitre
SOMMAIRE
Introduction....................................................................................................................................43
I. Systme dAnalyse des Images Rtiniennes Propos.............................................................43
I.1. valuation de la qualit de l'image .......................................................................................43
I.2. Segmentation des principales composantes anatomiques de la rtine............................. 44
I.3. La dtection des lsions lies a la RD et la DMLA.............................................................. 44
I.4. La mise en uvre d'un systme dvaluation ......................................................................45
II. Description des bases de Donnes ...........................................................................................45
II.1. Base dimages DRIVE ....................................................................................................... 46
II.2. Base dimages STARE .....................................................................................................47
II.3. Base dimages MESSIDOR...............................................................................................47
II.4. Base dimages DIARETDB1................................................................................................. 49
III. Dtection du Rseau Vasculaire, Disque Optique et Macula............................................50
III.1. Segmentation de larbre vasculaire ....................................................................................50
III.1.1.Mthode propose .........................................................................................................50
III.1.2.Rsultats et Discussion................................................................................................... 61
III.2 Segmentation du disque optique ......................................................................................... 64
III.2.1. Mthodologie.................................................................................................................65
III.2.2. Rsultats et Discussion................................................................................................ 71
III.3. Segmentation de la macula ..................................................................................................75
III.3.1. Mthodologie ...............................................................................................................75
III.3.4 Rsultats et Discussion...................................................................................................78
Conclusion ...................................................................................................................................... 81
42
Chapitre3. Segmentation des Elments Principaux de la rtine
Introduction
L'imagerie numrique offre un enregistrement permanent des images
rtiniennes qui peuvent tre utilises par les ophtalmologues pour le suivi de
la progression des maladies ou de la rponse la thrapie. Les images
numriques ont le potentiel d'tre traites par les systmes d'analyse
automatise. En effet, lanalyse des images du fond d'il est une tche
complique, en raison de la variabilit des images rtiniennes en termes de
couleur, contraste et luminosit qui peuvent conduire une mauvaise
interprtation. Dans la premire section du chapitre, nous proposons un
systme daide au diagnostic des pathologies rtiniennes. Dans la deuxime
section, nous dcrivons les bases dimages utilises dans cette thse. La
troisime section se focalise sur la prsentation des diffrentes approches
permettant lextraction des lments principaux de la rtine : Larbre
vasculaire, le disque optique et la macula. Ils sont des indicateurs cls lors
du dpistage et le suivi des pathologies affectant lil, telles que le diabte,
lhypertension et lartriosclrose. Leurs extraction est essentielle pour un
systme daide au diagnostique, Ils servent s'orienter dans l'image et
classifier les lsions selon leur gravit. Finalement ; les mthodes de
segmentations proposes sont values et compares par des segmentations
manuelle effectues par des ophtalmologues et par les recherches effectus
dans ce domaine.
43
Chapitre3. Segmentation des Elments Principaux de la rtine
44
Chapitre3. Segmentation des Elments Principaux de la rtine
Prtraitement
Segmentation des
lments de la rtine Dtection de la Dtection de la
Rtinopathie diabtique Dgnrescence maculaire
Arbre vasculaire
45
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
Figure.III. 2. Exemples dimages de la base de donne DRIVE ; (a) : image originale ;
(b) :segmentation manuelle du rseau vasculaire par le premeir ophtalmologue (c) :
segmentation manuelle du rseau vasculaire par un dexieme ophtalmologue ;(d) :masque de
limage originale.
46
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c)
Figure.III. 3. Exemples dimages de la base de donne STARE ; (a) : images pathologique (b)
et (c) : premire et deuxime segmentation manuelle du rseau vasculaire respectivement
par deux ophtalmologues diffrents.
47
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
Figure.III. 4. Exemples dimages de la base de donnes MESSIDOR ; (a) : image saine
(b) : image pathologique avec une RD de stade 3 et aucun risque dun dme
maculaire ; (c) : image pathologique avec une RD de stade 3 et risque dun dme
macula ire stade 2 ; (d) : image pathologique
48
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
(e) (f)
Figure.III.5. Exemples dimages de la base de donnes DIARETDB1 ; (a) : image couleur de la rtine
pathologique ; (b) : segmentation des lsions par un des expert ;(c) : localisation des exsudats durs ; (d) :
localisation des exsudats mous ;(e) : localisation des micro-anvrismes ;(f) : localisation des hmorragies.
49
Chapitre3. Segmentation des Elments Principaux de la rtine
III.1.1.Mthode propose
Dans cette section, nous proposons une approche base sur la morphologie
mathmatique et la ligne de partage des eaux pour dtecter la ligne centrale
du rseau vasculaire. Lavantage apporte par une cette mthode est la
capacit de segmenter les gros et les petits vaisseaux dans les images
couleur saines et pathologiques ayant un fort ou un faible contraste et
mme dans des images contenants une tortuosit du rseau vasculaire. Les
50
Chapitre3. Segmentation des Elments Principaux de la rtine
Prtraitement
Le seuillage
III.1.1.1. Prtraitement
Le prtraitement d'images est une discipline de l'informatique et des
mathmatiques appliques qui tudie les images numriques et leurs
transformations, dans le but d'amliorer leur qualit ou d'en extraire de
l'information. Ltape de prtraitement se place aprs les tapes d'acquisition
et de numrisation, assurant les transformations d'images et la partie de
calcul permettant d'aller vers une interprtation des images traites.
Malheureusement ; malgr les normes progrs dans les techniques
d'acquisitions d'images, les images rtiniennes prises au quotidien clinique
sont souvent trs bruites, elles souffrent d'un faible contraste et
l'illumination n'est pas uniforme. Les raisons peuvent tre d'origines trs
varies : Maladies possibles (comme une cataracte), mouvements du patient ;
les circonstances dans lesquelles limage est prise ; diffrences dans
l'illumination de l'il, qui dpendent non seulement de la technique, mais
aussi de la forme de l'il du patient , les images sont parfois surexposes et
surtout le canal rouge est souvent satur. Pour remdier tous ces
problmes, nous appliquons des techniques bases sur la modification
51
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
Figure.III.7. Reprsentation de limage couleur dans lespace RVB ; image couleur ; (b) : le canal rouge ;
(c) : le canal vert ; (d) : le canal bleu.
52
Chapitre3. Segmentation des Elments Principaux de la rtine
Dans le canal rouge (figure.III.7.b), les vaisseaux clairs apparaissant trs flous ;
alors que dans le canal vert (figure.III.7.c) ; les vaisseaux rtiniens apparaissent
comme les plus contrasts, mme compars avec les canaux d'autres espaces
couleur, c'est le vert qui donne le meilleur rsultat au niveau du contraste des
vaisseaux sanguins. Cependant, le canal bleu (figure.III.7.d) contient trs
peu d'information et de plus, il est trs bruit (ce qui est d la dispersion
qui est plus importante dans cette partie du spectre). Les vaisseaux n'y sont
presque pas prsents, la papille et la macula sont vaguement visibles, et la
dynamique est minime. Nanmoins, les lments contenant du sang y
apparaissent toujours avec un faible contraste, bien plus faible que dans le
canal vert en tous cas et cette interprtation du contenu de couleur des
images rtiniennes favorise le travail avec le canal vert de l'image pour
lextraction du rseau vasculaire car le vert tait le canal le plus contrast (au
moins pour les lments sanguins) et le moins bruit. Pour renforcer le
contraste des petits vaisseaux dont leur intensit dcroit en largeur, nous faisons
appel une technique de lgalisation adaptative dhistogramme. Elle a consiste
subdiviser l'image en des rgions rectangulaires non-chevauchantes, pour ensuite
leur appliquer une galisation locale d'histogramme (figure.III.8.a.).
III.1.1.1.2.Filtrage
Cette tape est divise en deux parties :
Application dun filtre morphologique (ouverture morphologique) pour
nenlever que les structures claires qui sont considres comme du
bruit, puisque l'on s'intresse aux vaisseaux apparaissant comme des
structures sombres. Louverture enlve de petites interruptions sur
les vaisseaux dues au bruit et rend l'algorithme plus sensible. La taille
de l'lment structurant ne doit pas tre plus leve, parce que sinon,
le rseau prsentera des discontinuits importantes au niveau des
interruptions.
Application dun filtre de Gauss de petite taille sur le canal vert de
limage amliore. Ce filtre linaire gre mieux les cas ou les vaisseaux
apparaissent plus sombres que le fond.
( )
53
Chapitre3. Segmentation des Elments Principaux de la rtine
G(x,y)= exp ( )
(a) (b)
Figure. III.8. Le filtrage de limage amliore ;
(a) : galisation adaptative dhistogramme ; (b) : rsultat de louverture morphologique suivi dun
filtrage par la gaussienne.
[() ]( [ ) ()]()
[ = )(])(
[() ()]()
54
Chapitre3. Segmentation des Elments Principaux de la rtine
= g (g)
Avec est limage du chapeau haut de forme blanc; (g) est louverture
morphologique de limage amliore ; g : est limage amliore.
= (g) g
Avec est limage du chapeau haut de forme noir ; (g) est la fermeture
morphologique de limage amliore ; g : est limage amliore.
La figure III.9. (a), montre que les dtails extraits par le chapeau haut de
forme sont spars ils ne sont pas connexes. Les vaisseaux apparaissent
comme des objets clairs, allongs et connexes. Les diffrences de contraste
entre les vaisseaux sur une mme image ou entre des images diffrentes font
que des mthodes de seuillage ne sont pas adaptes pour trouver le rseau
vasculaire partir de l'image chapeau haut de forme. Pour rsoudre ce
problme, nous utilisons un outil de segmentation puissant permettant de
dtecter la ligne centrale du rseau vasculaire ; il sagit de la ligne de partage
des eaux (watershed) que nous dcrivons dans la section suivante.
55
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
Figure.III.9. Rsultat du chapeau haut de forme ;
(a) : le chapeau haut de forme de limage amliore ; (b) : le rsultat de seuillage de limage
du chapeau haut de forme.
56
Chapitre3. Segmentation des Elments Principaux de la rtine
57
Chapitre3. Segmentation des Elments Principaux de la rtine
58
Chapitre3. Segmentation des Elments Principaux de la rtine
parce que sinon le vaisseau en question ne ferait pas partie de la ligne de partage
des eaux, et il serait forcement rat par l'algorithme. En effet, la morphologie
mathmatique offre deux filtres morphologiques de base qui sont louverture et la
fermeture. Une composition de ces deux filtres de base permet de crer de
nouveaux filtres quon appelle les filtres alterns squentiels (FAS). Le filtre que
nous appliquons dans cette tape est un filtre altern squentiel bas sur
louverture et la fermeture par reconstruction qui permet de rduire les fausses
branches. Ce filtrage se droule en trois tapes : une ouverture par reconstruction,
une fermeture par reconstruction et une ouverture par reconstruction encore une
fois. Le rsultat du filtrage ainsi que limage marqueur de la LPE sont montrs
dans la figure.III.11.
Aprs avoir obtenu le marqueur, la ligne de partage des eaux, est calcule sur
limage de la fonction distance inverse. Ltape de reconstruction permet de
retrouver chaque particule partir de son marqueur, cest--dire que, limage
reconstruite ne contient que les minima qui se trouvent dans les rgions
marques. Le rsultat du calcul de la ligne de partage des eaux est montr
dans la figure.III.11.
La ligne de partage des eaux suit les vaisseaux (figure 11.b), elle est toujours
ferme et dlimite un bassin versant, mais bien sur il existe aussi beaucoup de
faux positifs, c'est--dire, si une zone n'est pas entirement entoure par des
vaisseaux, il doit y avoir forcement une branche de la LPE qui ne correspond
pas un vaisseau. Cependant pour dtecter que la ligne centrale du rseau
vasculaire et limin les bassins versants, nous introduisons un oprateur
AND entre limage binaire du chapeau haut de forme et le rsultat du calcul
de la LPE (figure.III.11).
59
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
(e)
Figure.III.11 : Rsultat de segmentation du rseau vasculaire ;
(a) : rsultat du filtre altern squentiel ;(b) : image marqueur ; (c) : le calcul de la LPE ;(d) : la ligne
centrale du rseau vasculaire ;(e) : rsultat final de segmentation du rseau vasculaire superpos
sur limage du canal vert
60
Chapitre3. Segmentation des Elments Principaux de la rtine
III.1.2.Rsultats et Discussion
Dans cette section, nous prsentons les rsultats de segmentation du rseau
vasculaire obtenus par la mthode propose. Pour tester lapproche propose,
nous utilisons les images des bases des donnes DRIVE et STARE. Ces bases
de donnes ont t largement utilises par les chercheurs pour tester la
performance de leurs algorithmes de segmentation de larbre vasculaire
puisquelles fournissent une segmentation manuelle de ce dernier ; ce qui
permet deffectuer une comparaison des rsultats. A partir de ces bases, nous
avons choisi 45 images dont 9 images saines ayant un fort ou un faible
contraste et 34 images contenant diffrents types de pathologies.
Dans les images saines et dans 30 images pathologiques ou les vaisseaux sont
suffisamment larges, longs et faiblement contrasts, lalgorithme a donn de
bons rsultats ; les vaisseaux ont t trs bien dtects ; la plus part des
jonctions sont correctement prserves ce qui important pour la dtection des
points de bifurcations ainsi utiliss pour effectuer des oprations de recalage
Des exemples du rsultat de segmentation du rseau vasculaire sont prsents
dans la figure.III.12.a et b. Cependant, dans le reste des images ou les
vaisseaux ont une trs petite largeur, lalgorithme a rat quelques petites
branches (figure.III.12.c). Ce ci est du ; dune part a la prsence du bruit caus
par les circonstances dans les quelles limage est prise. Ce bruit produit des
interruptions dans larbre vasculaire. Dautre part, il est d au pr-filtrage et au
choix de la taille de llment structurant lors de lextraction des dtails par
chapeau haut de forme. Un autre problme de cette approche est la prsence
dune fausse dtection autour du disque optique. Ce ci est d lexistence
dune atrophie dans le bord du disque optique.il ya une ressemblance
dintensit entre ce dernier et le rseau vasculaire. Cela nest pas vraiment un
grand inconvnient, puisque notre objectif nest pas de faire des mesures sur
larbre vasculaire mais plutt la dtection des lments vasculaires les plus
importants pour sen servir lors de dtection des pathologies rtiniennes. Un
exemple de ce cas est illustr dans la figure. III.12.e. Pour remdier ce
problme, il suffit seulement de dtecter le contour du disque optique pour le
faire liminer par la suite et nobtenir que le rseau vasculaire seul.
61
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
Partie du Rseau non dtect
(c) (d)
(e)
Figure.III.12 : Exemples de segmentation du rseau vasculaire dans des images saines et
pathologiques ; (a), (b) : Exemples dune bonne dtection du rseau vasculaire dans les
images saines et pathologiques ; (d) : Exemple dune mauvaise dtection du rseau
vasculaire ;(e) : exemple dune fausse dtection du rseau vasculaire autour du disque
optique.
62
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
Figure.III.13 : (a) et (b): Superposition entre rseau segment par la mthode propos
montr en rouge et le rseau vasculaire segment par deux ophtalmologues
respectivement (montr en blanc)
64
Chapitre3. Segmentation des Elments Principaux de la rtine
65
Chapitre3. Segmentation des Elments Principaux de la rtine
66
Chapitre3. Segmentation des Elments Principaux de la rtine
67
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
Figure.III.17. Rsultat dhomognisation et extraction de la rgion papillaire ;
(a) Rsultat de la fermeture morphologique ;(b) : Rsultat de seuillage
68
Chapitre3. Segmentation des Elments Principaux de la rtine
O la quantit agit sur la longueur de la courbe et est lie sa rigidit
alors que la quantit agit sur la courbure et li llasticit. La courbe
69
Chapitre3. Segmentation des Elments Principaux de la rtine
E (C) |(g I(v(s)))| ds
1
(= )
1 + || ^
70
Chapitre3. Segmentation des Elments Principaux de la rtine
()
Pour appliquer le contour actif sur le disque optique, le contour initial doit
tre proche du bord souhait sinon il peut converger vers les rgions non
dsires. Afin de positionner automatiquement un contour initial, nous
traons un cercle de rayon suprieur au diamtre du disque optique. Le
centre approximatif du disque optique est considr comme le point
maximum de la fonction de distance calcule sur limage binaire
(figure.III.17.b). Le contour dessin devient le point de dpart de la courbe.
La figure.III.19 montre le rsultat final dextraction du disque optique par
contour actif.
(a) (b)
Figure.III. 19. Rsultat de segmentation du disque optique ;
(a) : superposition du contour initial sur limage originale ;(b) et (c) : rsultat final
de segmentation du disque optique sur limage originale.
71
Chapitre3. Segmentation des Elments Principaux de la rtine
72
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
Figure.III. 20. Exemples de segmentation du disque optique dans diffrents types
dimages (a) ;(b) ;(c) et (d) : segmentation de la papille dans une image contraste ;
image trs flou ; images avec prsence dexsudats et image avec prsence dun dme
respectivement
Pour valuer la performance de lapproche propose, nous avons demand a
un ophtalmologue expriment de marquer manuellement le disque optique,
nous calculons, ensuite le rapport dcrit dans lquation.1.pour trouver la
prcision du contour dtect.
100
73
Chapitre3. Segmentation des Elments Principaux de la rtine
Base Drive
Base Stare
Base DiaretDB1
Base Messidor
74
Chapitre3. Segmentation des Elments Principaux de la rtine
III.3.1. Mthodologie
Dans cette section du chapitre nous prsentons une approche de
segmentation de la macula base sur lutilisation des oprateurs
morphologique et la ligne de partage des eaux.les tapes de lalgorithme sont
prsentes dans lorganigramme de la figue.III.23.
75
Chapitre3. Segmentation des Elments Principaux de la rtine
Prtraitement
Opration de seuillage
Extraction de la macula
III.3.1.1.Prtraitement
Comme, le contraste de la macula est souvent assez faible et parfois il peut
tre obscurci par la prsence d'exsudats ou d'hmorragies dans la rgion,
ltape de prtraitement est ncessaire dans la segmentation de la macula.
Le canal de luminance de lespace couleur HSV, opration de lgalisation
adaptative dhistogramme et le filtre de gauss sont utiliss pour augmenter le
contraste et rduire les bruits (figure.24.b).
Afin dliminer les petites lsions clairs dans la rgion maculaire telles que
les exsudats, une ouverture morphologique est applique sur limage
amliore, en utilisant avec un lment structurant de forme circulaire
(figure.24.c).
( )
76
Chapitre3. Segmentation des Elments Principaux de la rtine
77
Chapitre3. Segmentation des Elments Principaux de la rtine
78
Chapitre3. Segmentation des Elments Principaux de la rtine
(a) (b)
(c) (d)
(e)
Figure.III. 27. Rsultats de segmentation de la macula dans diffrents types dimages
(a) : rsultat de segmentation de la macula dans une image saine ou la macula est bien
contraste ; (b) : rsultat de segmentation de la macula dans une image saine ou la macula
est faiblement contraste ;(c) et(d) : rsultat de segmentation de la macula dans deux
images pathologiques ; (e) : segmentation de la macula chou dans une image couverte par
des hmorragies et dme
79
Chapitre3. Segmentation des Elments Principaux de la rtine
80
Chapitre3. Segmentation des Elments Principaux de la rtine
Conclusion
Dans ce chapitre, un systme daide au diagnostique a la RD et DMLA a t
prsent. En effet, ce chapitre a t focalis sur le dveloppement des
diffrentes mthodes permettant lextraction de larbre vasculaire, le disque
optique et la macula. Les algorithmes proposs ont t bass sur lutilisation
des oprateurs morphologiques, la ligne de partage des eaux et les contours
actifs. Quatre bases de donnes (DRIVE, STARE, MESSIDOR et DIARETDB1)
ont t utilises pour valuer les performances de nos algorithmes. Les
approches prsentes ont t testes sur diffrentes types dimages. Les
rsultats obtenus ont t compars avec des segmentations manuelles par des
ophtalmologues expriments et avec ceux obtenus par diffrents travaux de
recherches. La robustesse et l'efficacit des rsultats font les mthodologies
appropries pour aider au dpistage des signes prcoces de rtinopathie
diabtique qui seront prsentes dans le chapitre suivant.
81
Chapitre4. Dtection des Pathologies rtiniennes
Chapitre
Dtection des
Pathologies Rtiniennes
SOMMAIRE
Introduction .......................................................................................................... 83
I. Dtection des lsions lumineuses dans les images rtiniennes........................ 83
I.1.Dtection des exsudats durs ......................................................................... 84
I.1.1. problmatique et contribution................................................................ 84
I.1.2. Mthode propose.................................................................................. 86
I.1.3. Rsultats et Discussion ......................................................................... 95
I.1.4. Critres dEvaluation de la mthode suggre ........................................ 97
I.2.Dtection des Druses dans les images couleur de la rtine ......................... 101
I.2.1. Problmatique et contribution.............................................................. 101
I.2.2. Algorithme de dtection des druses...................................................... 102
I.2.3. Rsultats et Discussion ....................................................................... 107
I.2.4. Evaluation de lalgorithme propos ...................................................... 109
II. Dtection des lsions Sombres dans les images couleur de la rtine .......... 111
II.1. Dtection des hmorragies ........................................................................ 111
II.1.1. Problmatique et contribution ............................................................ 111
II.1.2. Mthode propose de dtection des hmorragies................................. 113
II.1.3. Rsultats et critres dvaluation ........................................................ 125
II.2. Dtection des micro-anvrismes dans les images couleur de la rtine ....... 129
II.2.1.Problmatique et contribution ............................................................. 129
II.2.2. Algorithme propos de dtection des micro-anvrismes ...................... 131
II.2.3. Rsultats et valuation de lalgorithme ............................................... 141
Conclusion..145
82
Chapitre4. Dtection des Pathologies rtiniennes
Introduction
La dtection des pathologies dans les images numriques de la rtine offre
une approche prometteuse dans les applications cliniques. La svrit et les
diffrents stades de la maladie sont dtermins en fonction du type, de la
quantit et de la localisation des lsions dans la rtine. Dans ce chapitre,
nous nous focalisons sur la dtection des pathologies lies la RD et la
DMLA. Ces dernires sont considres comme l'une des causes les plus
courantes de ccit. Une dtection prcoce et un traitement rapide permet de
prvenir la perte de vision et de ccit chez les personnes gs et les patients
atteints du diabte [120-122]. En effet ; Lextraction des pathologies
rtiniennes est une partie essentielle des outils diagnostiques utiliss afin de
dpister ou de suivre l'volution de la RD et la DMLA. Ce chapitre est divis
en deux sections. La premire section est consacre la prsentation et
lvaluation des algorithmes que nous proposons pour la dtection des
lsions lumineuses telles que les exsudats, signes cliniques de la RD ainsi
que les druses ; signes de la DMLA. Dans la deuxime section du chapitre,
nous proposons des mthodes robustes et fiables pour la dtection des
lsions sombres lies la RD, telles que les hmorragies et les micros-
anvrisme dans les images couleur de la rtine.
83
Chapitre4. Dtection des Pathologies rtiniennes
84
Chapitre4. Dtection des Pathologies rtiniennes
85
Chapitre4. Dtection des Pathologies rtiniennes
Figure IV.2. Organigramme propos de dtection des exsudats dans les images couleur du fond dil.
86
Chapitre4. Dtection des Pathologies rtiniennes
87
Chapitre4. Dtection des Pathologies rtiniennes
Une galisation adaptative suivie dun filtre mdian avec un masque de 3*3
est appliqu sur limage du canal de dans le but daugmenter le contraste
et liminer les bruits respectivement. Le rsultat de la normalisation de la
couleur et laugmentation du contraste de limage originale est illustr dans
la figure. IV.3.
(a) (b)
(c) (d)
Figure. IV.3.Normalisation de la couleur et augmentation de contraste de limage originale ;
(a) Image originale ; (b) : image de rfrence ; (c) : rsultat de la spcification dhistogramme ;
(d) : rsultat de lgalisation adaptative dhistogramme et le filtre mdian.
{ }, = 1 (IV.2)
() = ) (IV.3)
= (4)
( ) (IV.5)
Algorithme de FCM
Etape 1 : fixer les paramtres C : nombre de classes, : seuil reprsentant lerreur de
convergence (par exemple = 0.001), m : degr de flou, gnralement pris entre [1.5, 3].
Etape 2 : Initialiser la matrice degrs dappartenances U par des valeurs alatoires dans
lintervalle [0,1].
Etape 3 : mettre jour le prototype b par la relation (4), Calculer J(B,U,X) par (3),
Etape 4 : mettre jour la matrice degrs dappartenance par la relation (5),
Calculer J (B, U, X ) par (3),
Etape 5 : Rpter les tapes tape 3 4 jusqu satisfaction du critre darrt qui scrit :
| (B,U,X) - J (B,U, X ) | <
Trois vecteurs dentre ont t slectionns pour le FCM.
89
Chapitre4. Dtection des Pathologies rtiniennes
1. On peut distinguer les pixels exsudats par rapport aux autres pixels
par leur intensit, donc le vecteur d'intensit de limage amliore
(Figure. IV. 3 (d)) a t utilis comme un vecteur dentre pour le FCM.
2. Le deuxime vecteur dentre est la couleur. La couleur d'origine des
images du fond d'il est le rouge, le vert et le bleu de lespace couleur
RGB ont t transformes en espace HSV, la bande de la teinte H a t
utilise puisque elle donne la couleur selon la perception humaine.
3. La mesure de la distribution des valeurs de pixels dans les rgions
exsudatives se diffre par rapport aux dautres rgions. Les variations
de niveaux de gris de l'image amliore (Figure. IV. 3 (d)) ont t
calculs dans une fentre de taille
17 17 pixels. la mesure de la distribution a t utilise comme
troisime vecteur d'entre pour le FCM.
1
(= ) () ( )
()
90
Chapitre4. Dtection des Pathologies rtiniennes
91
Chapitre4. Dtection des Pathologies rtiniennes
Ts2: image binaire de limage IV.4.(b); (b1) : dilatation binaire par un lment
structurant b1;
5 5 5 5 5 3 5 3 3 3 3 3
G0 3 0 3 ; G1 ; G2 5 0 3 5 0 3
3 3 3 3 3 3 5 3 3 5 5 3
3 3 3 3 3 3 3 3 5 3 5 5
G4 3 0 3; G5=3 0 5 ; G6=3 0 5 ; G7 3 0 5 ;
5 5 5 3 5 5 3 3 5 3 3 3
92
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
(c) (d)
93
Chapitre4. Dtection des Pathologies rtiniennes
(e) (f)
(i) (j)
(k)
Figure IV.6. Rsultat final de dtection des exsudats dans les images couleur de la rtine.
(a): Rsultat de lapplication de loprateur de kirch ;(b) :binarisation de limage de la
figure (a) ; (c) :dtection des rgions avec des borts nets ;(d) :dilatation binaire de
limage de la figure(c) ; (e) : image marqueur ; (f) : rsultat de la reconstruction par
dilatation ;(i) : soustraction entre limage du canal de L et limage
reconstruite ;(j) :rsultat de binarisation de limage de la figure (i) ; (k) : rsultat final
de dtection des exsudats superposs sur limage originale
94
Chapitre4. Dtection des Pathologies rtiniennes
Reflet de la Fovea
(a) (b)
(c) (d)
95
Chapitre4. Dtection des Pathologies rtiniennes
(e) (f)
Druses
Druse non dtects
(g) (h)
Figure IV.7. Rsultats de dtection des exsudats dans les images saines et pathologiques ;
(a): extraction des exsudats dans les images saines ;(c),(d),(e),(f),(g) et (h): extraction des
exsudats dans les images pathologies contrastes et faiblement contraste.
Dans les 10 images saines, les rsultats de dtection des exsudats sont trs
satisfaisants, aucun faux positif nest dtect. En outre, dans 35 images
contenants les reflets de la fova qui ont des caractristiques similaires que
les exsudats (figure. IV.7.b) ou plusieurs pathologies (nodules, druses,
micro-anvrismes,etc) dont lesquelles les exsudats apparaissent avec une
grande ou petite taille, lalgorithme a donn de bons rsultats. Les exsudats
ont t bien segments (figure IV.7.d, e, f,). Dans le reste dimages,
lalgorithme a rat quelques pixels exsudatifs. Nous pensons que cette fausse
dtection est due la trs faible illumination de limage et la prsence du
bruit (figure IV.7.h) ou la prsence des exsudats proximit du rseau
vasculaire. Cela nest pas vraiment gnant pour lophtalmologue puisquil
sintresse aux exsudats de grande surface qui indique le stade de
96
Chapitre4. Dtection des Pathologies rtiniennes
La spcificit dun signe pour une maladie est la probabilit que le signe soit
absent si le sujet nest pas atteint de la maladie. De manire similaire, on a :
Spcificit = 100
La valeur prdictive positive dun signe pour une maladie est la probabilit
que le sujet soit atteint de la maladie si le signe est prsent ; elle est dfinie
comme suit :
PV = *100
Prcision = 100
97
Chapitre4. Dtection des Pathologies rtiniennes
Avec
Vp (vrais positif): le nombre de pixels classs comme exsudats par
lalgorithme et lophtalmologue.
Fp (faux positif): le nombre de pixels non exsudatifs dtects comme
exsudats par lalgorithme.
Vn (vrais ngatif): le nombre de pixels non exsudatifs dtects par
lalgorithme et par lophtalmologue.
Fn (faux ngatif): le nombre des pixels exsudatifs non dtects par
lalgorithme mais considrs comme exsudats par lophtalmologue.
Les rsultats de comparaison de dtection des exsudats par notre approche
par rapport une segmentation manuelle par lophtalmologue pour 10
images pathologiques parmi les 40 sont rsums dans le tableau.VI.1.
Images Vp Fp Vn Fn Sensibilit Spcificit Valeur Prcission
prdictive
01 1380 150 152320 151 90,13 99,90 90,19 99,80
02 5250 366 120610 224 95,90 99,69 93,48 99,51
03 5160 453 131205 212 96,05 99,65 91,92 98,79
04 1475 492 121012 584 71,63 99,59 74,98 99,12
05 3429 244 153214 289 92,22 99,84 93,35 99,66
06 6570 277 123101 144 97,85 99,77 95,95 99,67
07 2290 425 137135 384 85,63 99,69 84,34 99,42
08 3120 170 133575 460 87,15 99,87 94,83 99,54
09 1719 134 136050 52 97,06 99,90 92,76 99,86
10 1897 210 15270 185 91,11 98,64 90,03 97,75
TABLEAU VI.1
COMPARAISON DES RESULTATS DE SEGMENTATION DES EXSUDATS PAR RAPPORT A UNE SEGMENTATION MANUELLE PAR
LOPHTALMOLOGUE SUR UN CRITERE BASE SUR LA LESION
98
Chapitre4. Dtection des Pathologies rtiniennes
les valeurs des Vp et Fn sont toutes deux zros grce a labsence des
exsudats en vrit terrain.
Les rsultats obtenus de sensibilit, spcificit, valeur prdictive et la
prcision dans les 40 images contenant un ou plusieurs types de lsions
lumineuses sont prsents dans la figure.VI.8.
Sensibilit
100 Prcision
95
90
85
80
0 5 10 15 20 25 30 35 40
image
Images
95
99.5
90
S p e c if ic it y
99
85
98.5
80
98 75
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
image
Figure IV.8. Graphes de la sensibilit, prcision, sensibilit et valeur prdictive respectivement
Sensibilit
Valeur Prdictive
Figure. IV.9. Sensibilit en fonction de la valeur prdictive pour diffrents valeurs de cluster K
99
Chapitre4. Dtection des Pathologies rtiniennes
100
Chapitre4. Dtection des Pathologies rtiniennes
101
Chapitre4. Dtection des Pathologies rtiniennes
102
Chapitre4. Dtection des Pathologies rtiniennes
Etape de prtraitement
Segmentation de la macula
Figure. IV.11. Organigramme de dtection des druses dans les images couleur de la rtine
I.2.2.1. Prtraitement
Le but du prtraitement est d'augmenter le contraste des druses dans les
images couleur en rduisant le bruit pour faciliter ltape dextraction de ces
derniers. Dans ce travail, nous utilisons le canal de luminance de lespace
couleur HSV dans le quel les druses apparaissentavec un bon contraste,
ensuite, une galisation adaptative dhistogramme suivie dun filtre mdian
de taille 3*3 pour minimiser le bruit (Figure. IV.12.b)
(a) (b)
Figure.IV.12. Rsultat damlioration de limage originale ;(a) : image originale ; (b) : image
amliore
103
Chapitre4. Dtection des Pathologies rtiniennes
104
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
(c) (d)
Figure.IV.13.Segmentation de la macula et selection des rgions candidats ;(a) : rsultat de
segmentation de la macula superpos sur limage originale ; (b) : rsultat de la fonction de
distance ;(c) : le traage des cercles 1DD, 2DD et 3DD ;(d) : Slection des rgions candidats ;
Dans la figure (IV.14.a) on constate que les druses ont t dtectes avec la
prsence des faux positifs. Cependant, il nest pas possible de trouver un
bon seuil qui dtecte tous les druses. Pour remdier ce problme, on fait
appel la reconstruction par dilatation. Le rsultat de la reconstruction
morphologique est montr dans la figure (IV.14.c).Finalement, pour faire
ressortir les druses nous appliquons, dans un premier temps une opration
de soustraction entre limage de la figure (IV.13.d) et limage reconstruite
105
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
(c) (d)
(e)
Figure. IV.14. Dtection des druses dans les images couleur de la rtine ; (a) : rsultat de
seuillage ;(b) : rsultat de la reconstruction morphologique ;(c) : rsultat de soustraction entre
limage de la figure. IV.13.(d) et limage reconstruite ; (d) : rsultat de seuillage ;(e) : rsultat
final de dtection des druses superpos sur limage originale.
106
Chapitre4. Dtection des Pathologies rtiniennes
Sachant que les druses varient fortement en forme et en taille et ils ont
tendance se propager (luminosit variable) autour de leur
emplacement. L'algorithme n'a pas dtect les druses qui apparaissent avec
un trs faible contraste et luminosit (Figure. IV.15.d et e).
La prsence de quelques lsions claires avec des caractristiques semblables
celles des druses tels que les exsudats durs dans la rgion maculaire pose
un problme lors de leurs extractions ; ils peuvent tre confondus avec
grand druses. Dans ce cas ; il est difficile mme pour les ophtalmologues de
les distinguer par rapport aux exsudats. Un exemple de ce cas est illustr
dans la figure. IV.15.(h).
Cependant, dans le cas ou les images contenant les druses et les exsudats
qui ne se trouvent pas dans la mme rgion, les algorithmes de dtection des
exsudats et des druses que nous avons prsents ont donns de bons
rsultats, les deux pathologies ont t dtectes sparment (Figure. IV.15.f)
nous pouvons dire que l'algorithme propos a donn des rsultats
acceptables pour l'ensemble des images testes. Cette srie d'images couvre
un large ventail de tailles et de formations des druses possibles.
107
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
(c) (d)
Druses
Exsudats
(e) (f)
Druses
Druses
Exsudats
Exsudats
(g) (h)
Figure. IV.15.Rsultats de dtection des druses dans une image saine et des images pathologiques ;
(a) : rsultat dextraction des druses dans limage saine ;(b) et (c) : rsultat de segmentation des
grand et des petit druses respectivement ;(d) et (e) : dtection des druses faiblement
contrasts ;(f) : image avec prsence des exsudats et des druses dans la rgion macula ire ;(g) :
rsultat de fausse dtection ;(h) : rsultat dextraction des druses et les exsudats.
108
Chapitre4. Dtection des Pathologies rtiniennes
109
Chapitre4. Dtection des Pathologies rtiniennes
sensibilit (%)
100
95
90
85
image 1
image 2
image 3
image 4
image 5
image 6
image 7
image 8
image 9
image 10
image 11
image 12
image 13
image 14
image 15
image 16
image 17
image 18
image 19
image 20
Figure. IV.16. graphe de la sensibilit
Specificit (%)
101
100
99
98
97
96
95
Prcission (%)
100
99,5
99
98,5
98
image 1
image 2
image 3
image 4
image 5
image 6
image 7
image 8
image 9
image 10
image 11
image 12
image 13
image 14
image 15
image 16
image 17
image 18
image 19
image 20
110
Chapitre4. Dtection des Pathologies rtiniennes
111
Chapitre4. Dtection des Pathologies rtiniennes
Petites hmorragies
HmorragiesLarges
(a) (b)
Figure. IV.20. prsence des hmorragies dans les images couleur de la rtine ; (a) : prsence de
large hmorragies ;(b) : prsence de petites hmorragies.
Les diffrentes techniques, que nous avons prsentes dans le chapitre II,
ont t implmentes pour dtecter les hmorragies. Le problme majeur de
la majorit des approches cites dans la littrature est la prsence de
beaucoup de faux ngatifs et des faux positifs. cause de la variabilit
dans l'aspect de ces lsions en termes de taille, forme et contraste rend leur
dtection un dfi. En effet, lobjectif principal de cette partie du travail est le
dveloppement dune mthode hybride permettant la dtection de larges
hmorragies. Lapproche propose est fonde sur la combinaison de la
morphologie mathmatique et la classification supervise. Lavantage de
112
Chapitre4. Dtection des Pathologies rtiniennes
Cette partie du chapitre est structure comme suit: nous expliquons, tout
dabord les dtails sur la mthode propose. Nous prsentons, ensuite, les
rsultats obtenus. Finalement, une valuation des rsultats et une
conclusion seront dcrites.
Etape de Prtraitement
Segmentation de la
Dtection des rgions Sombres
Segmentation du macula
rseau vasculaire
Elimination de la macula
113
Chapitre4. Dtection des Pathologies rtiniennes
II.1.2.1.Prtraitement
Sachant que lillumination dans les rgions centrales par rapport au bord de
limage nest pas uniforme ; il suffit, dappliquer lopration de la
spcification dhistogramme afin de corriger lclairage dans limage (Figure.
IV.22.b). Comme, les lments rouges (sombres) apparaissent avec le plus
fort contraste dans le canal vert de lespace couleur RGB, nous travaillons
sur ce canal. Par la suite, une galisation adaptative dhistogramme est
applique sur le canal vert. Afin denlever les lsions claires si elles se
trouvent proximit des hmorragies, nous appliquons une ouverture
morphologique sur limage amliore. La taille de l'lment structurant ne doit
pas tre plus leve, parce que sinon, les hmorragies prsenteront des
discontinuits. En outre, le bruit prsent dans limage est limin par une
application dun filtre de Gausse de petite taille (Figure. IV.22. c)
Avec ; : image amliore ; :ouverture morphologique par un lment structurant
; : image aprs correction dclairage ; G : le filtre de gauss
Comme, les valeurs des pixels des hmorragies sont plus faibles que celles
des autres rgions ; nous appliquons les tapes suivantes pour dtecter ces
rgions sombres :
un lissage est effectu sur limage amliore, par un filtre mdian, en
utilisant des masques de 6 * 6 pixels et 110 * 110
114
Chapitre4. Dtection des Pathologies rtiniennes
( ) ()]
(a) (b)
Figure. IV.23. Dtection des rgions candidats rouges ;
(a) Rsultat de lissage ;(b) : le seuillage de limage lisse
La figure IV.23 montre bien que toutes les rgions sombres telles que le rseau
vasculaire, la macula et les micro- anvrismes sont dtectes. Cela est d la
similitude des attributs que les hmorragies en termes de couleur et de
contraste ; Par consquent, ces rgions sont considres comme des faux
positifs, elles doivent tre limines pour rcuprer que les hmorragies.
115
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.24.Segmentation et limination de la macula ;
(a) rsultat de segmentation de la macula superpos sur limage originale ;(b) : rsultat
dlimination de la macula
116
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.25.segmentation et limination du rseau vasculaire;
(a) Rsultat de segmentation de larbre vasculaire superpos sur limage originale ;(b) :
rsultat dlimination de larbre vasculaire.
117
Chapitre4. Dtection des Pathologies rtiniennes
Les classifieurs sont forms avec des caractristiques drives des candidats.
Lensemble des candidats classifis doit tre suffisamment grand et
reprsentatifs pour que les caractristiques soient pertinentes. Donc, La
meilleure classification ncessite de bonnes caractristiques ainsi quun bon
apprentissage.
Dans notre travail, nous avons bas sur les principales caractristiques des
hmorragies savoir:
Elles ont un fort contraste par rapport au fond de limage
Des bords nets
Apparaissent avec une couleur rouge fonc
Par consquent, les caractristiques de forme et dintensit des hmorragies
sont exploites pour identifier les attributs. Un ensemble de 15
caractristiques a t slectionn :
1. La surface : les images couleur sont souvent corrompues par du
bruit.il sagit la des variations de haute frquence, donc des trous et
des pics de petite surface.la caractristique de la surface permet
didentifier les faux positifs dus a cette forme de bruit. Elle est
calcule par : A = 1o est le nombre de pixels dans les
rgions candidates :
118
Chapitre4. Dtection des Pathologies rtiniennes
14. La compacit : ; avec ; : la distance entre le centre
119
Chapitre4. Dtection des Pathologies rtiniennes
Figure. IV.27. principe de classification par KNN : Le candidat A est class vrai positif, le
candidat B est class faux positif
120
Chapitre4. Dtection des Pathologies rtiniennes
121
Chapitre4. Dtection des Pathologies rtiniennes
Les points les plus proches, qui seuls sont utilises pour la dtermination de
lhyperplan, sont appels vecteurs de support (Figure. IV. 28). Il est vident
quil existe une multitude dhyperplan valide mais la proprit remarquable
des SVM est que cet hyperplan doit tre optimal. Nous allons donc en plus
chercher parmi les hyperplans valides, celui qui passe au milieu des
points des deux classes dexemples. Intuitivement, cela revient chercher
lhyperplan le plus sr . En effet, supposons quun exemple nait pas t
dcrit parfaitement, une petite variation ne modifiera pas sa classification si
sa distance a lhyperplan est grande. Formellement, cela revient chercher
un hyperplan dont la distance minimale aux exemples dapprentissage est
maximale. On appelle cette distance marge entre lhyperplan et les
exemples. Lhyperplan sparateur optimal est celui qui maximise la marge.
122
Chapitre4. Dtection des Pathologies rtiniennes
Figure. IV.29. Hyperplan de sparation optimal avec marge souple dans un cas linairement
sparable
Le fait d'avoir une marge plus large procure plus de scurits lorsque l'on
classe un nouveau exemple. De plus, si lon trouve le classifieur qui se
comporte le mieux vis--vis des donnes d'apprentissage, il est clair quil
sera aussi celui qui permettra au mieux de classer les nouveaux exemples.
SVM non linaire
Le cas linairement sparable est peu intressant, car, dans la plupart des
problmes rels il ny a pas de sparation linaire possible entre les donnes,
le classificateur de marge maximale ne peut pas tre utilis car il fonctionne
seulement si les classes de donnes dapprentissage sont linairement
sparables (Figure. IV.30).
(a) (b)
Figure. IV. 30 : SVM linraire et non linaire ;a : cas linrement sparable ; (b) : cas non linairement
sparable
123
Chapitre4. Dtection des Pathologies rtiniennes
Pour surmonter les inconvnients des cas linairement sparables, lide des
SVM est de changer lespace des donnes. La transformation non-linaire
des donnes peut permettre une sparation linaire des exemples dans un
nouvel espace. On va donc avoir un changement de dimension. Cette
nouvelle dimension est appele espace de re-description .
En effet, intuitivement, plus la dimension de lespace de re-description est
grande, plus la probabilit de pouvoir trouver un hyperplan sparateur entre
les exemples est leve. Ceci est illustre par le schma suivant :
Dans notre travail, nous avons choisi de tester le SVM et le KNN car ilssont
simples et ils sadaptent bien pour traiter des donnes de grande dimension
par rapport aux techniques classiques dapprentissage.
124
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.31. Rsultat final de dtection des hmorragies dans les images couleur de la
rtine ;(a) : dtection des hmorragies et limination des faux positifs par classification
SVM ;(b) : rsultat de des hmorragies superpos sur limage originale.
125
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
(c) (d)
Figure. IV.32. Rsultats de dtection des hmorragies par classification dans diffrentes types
dimages
Dans les images de test, toutes les hmorragies larges ont t identifies
avec succs (figure. IV.32.a, b, c et d). Cependant, dans quelques images,
lalgorithme a rat quelques hmorragies de petite taille, faiblement
contrastes (figure. IV.32.b) ou se situe au centre de la macula (figure.
IV.32.c) ou connectes au rseau vasculaire (figure. IV.32.a). Ces
hmorragies non dtectes ont t limines avec la macula ou le rseau
vasculaire. Cliniquement, les ophtalmologistes ne sintressent pas aux
petites hmorragies.
Le tableau. IV.3. montre le nombre de vrai positifs, faux positifs, vrai
ngatifs, et faux ngatifs dtects par les classifieurs SVM et KNN en termes
de critre bas sur la lsion.
126
Chapitre4. Dtection des Pathologies rtiniennes
SVM
KNN
127
Chapitre4. Dtection des Pathologies rtiniennes
128
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.34. Exemple du micro-anvrisme dans une image couleur de la rtine ; (a) : image
couleur ;(b) : image agrandie du micro-anvrisme marqu par un cercle en (a).
Comme, il est montr dans la figure. IV.32., ce nest pas vident didentifier
les micro-anvrismes dans les images couleur. Les principaux facteurs qui
rendent leur dtection manuelle ou automatique difficile sont :
Les micro-anvrismes ont des valeurs d'intensit similaires celles des
vaisseaux sanguins ; ils peuvent tre confondus avec des intersections
129
Chapitre4. Dtection des Pathologies rtiniennes
Comme nous lavons dcrit dans le chapitre II, plusieurs travaux pour la
dtection des micro-anvrismes sont dvelopps. Toutefois, la plus part des
techniques travaillent sur des images angiographiques ou sur des images
couleur prises avec dilatation de la pupille dont les micro-anvrismes sont
clairement visible. Le temps dexamen et l'effet sur le patient pourraient tre
rduits si le systme de dtection pourrait russir sur des images acquises
sans dilatation de la pupille.
Cette section est structure comme suit : nous commenons par une
prsentation de la mthode de dtection des micro-anvrismes propose.
Ensuite, linterprtation des rsultats obtenus est dcrite. Finalement,
130
Chapitre4. Dtection des Pathologies rtiniennes
Filtre mdian
Supremum douverture
Elimination du rseau
Elimination du rseau vasculaire
131
Chapitre4. Dtection des Pathologies rtiniennes
1
= u (u + u )
2
132
Chapitre4. Dtection des Pathologies rtiniennes
. ( )
()
. ( )
(a) (b)
Figure IV.36 : La modification de teinte de gris.
(a) : le graphe de la transformation de teinte de gris ;(b) : le graphe de la transformation de teinte de gris
aves les coordonnes transformes.
( )
lim () = 0
lim () = 0
( )
133
Chapitre4. Dtection des Pathologies rtiniennes
1
= ( )
2
1
= ( )
2
Et enfin, pour (t) :
( ) (
)
(t) =
( )
( )
( a) (b)
Fi g ur e I V .3 7 . Le s mo d i f ica tio n s d u gr ap he e n fo nc tio n d e u.
( a) : mo d i f ica tio n d u gr a p he e n fo nc tio n d e u en ga r d an t le s p o i n t s e x ter ne ;
( b ) : t r a n s fo r ma tio n d u gr ap h e d e u.
La transformation rsultante n'est pas symtrique vis--vis du point
, ( )
basse, la dynamique pour les valeurs de gris basses est forcement petite, et
134
Chapitre4. Dtection des Pathologies rtiniennes
135
Chapitre4. Dtection des Pathologies rtiniennes
les bruits, un filtre mdian de taille 3*3 est appliqu sur limage amliore
(figure.IV.38.a).
(a) (b)
Figure. IV.38. Rsultat daugmentation de contraste et correction dillumination
(a) Image originale avec des micro-anvrismes ;(b) : Augmentation de contraste et
correction de lclairage de limage du canal vert
136
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.39.Extraction des rgions rouges ;(a) : Le filtrage de limage amliore ;(b) : Le
chapeau haut de forme de limage amliore
137
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.41. Extraction et limination du rseau vasculaire ; (a) : le supremum douverture de
limage du chapeau haut de forme ;(b) : limination du rseau rtinien
138
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
Figure. IV.42. Dtection des micro-anvrismes ;(a) : Rsultat de louverture ultime ; (b) :
superposition du rsultat sur limage originale
II.2.2.4. Classification
Le rsultat obtenu par lutilisation de louverture ultime est acceptable. La
majorit des micro-anvrismes ont t dtects. Cependant, il existe dans le
rsultat (Figure. IV.42.b), quelques faux positifs marqus avec cercle. En
effet, pour amliorer les rsultats de dtection des micro-anvrismes, une
classification supervise est applique, cela permet de dcider si le candidat
sagit dun micro-anvrisme ou pas. En utilisant comme classifieur de k-plus
proche voisins (KNN).
139
Chapitre4. Dtection des Pathologies rtiniennes
140
Chapitre4. Dtection des Pathologies rtiniennes
(a) (b)
MA faiblement contrasts
(c) (d)
MA non dtects
141
Chapitre4. Dtection des Pathologies rtiniennes
Hmorragie
(e) (f) s
Faux positifs
(g) (h)
Faux positif
(i) (j)
Figure. IV. 44.Exemples de dtection des micro-anvrismes dans diffrentes qualit dimages ;
(a)et (b) : Rsultat de dtection des micro-anvrismes par lalgorithme et par les
ophtalmologues respectivement ; (c) : Rsultat de dtection des micro-anvrismes faiblement
contrasts ; (d) : un zoom sur les micro-anvrismes avec un faible contraste ; (e) : rsultat de
dtection dans une image sombre ;(f) : rsultat de dtection dans une image contenant des
hmorragies ;(g) : prsence du bruit du au systme dacquisition ; (h) : prsente de deux faux
positifs dans le rsultat ; (i) et (j) :rsultat dune fausse dtection.
142
Chapitre4. Dtection des Pathologies rtiniennes
143
Chapitre4. Dtection des Pathologies rtiniennes
Chapeau haut de
83.9% 72.7%
Dupas et al forme+ classifieur
(2010) [91] KNN
Ouverture ultime+
89.79% 98.96% 88.54 99.96
Notre approche classifieur KNN
% %
Le tableau IV.5, montre que les rsultats obtenus par notre algorithme sont
plus que satisfaisants. Donc, on peut noter que lutilisation de louverture
ultime et la classification ont prouv leur efficacit dans la dtection des
micro-anvrismes. Cependant,pour mieux amliorer les rsultats, cest--
dire diminu le maximum possible les faux positifs, lensemble dimages
devrait tre largi. En outre, il faut intgrer dautres techniques
damlioration du contraste et limination du bruit dacquisition puisque le
rsultat de dtection des micro-anvrismes dpend aussi de cette tape. A
notre connaissance, il nexiste aucun algorithme capable dvaluer de
manire pertinente la qualit dune image et dintgrer cette information
dans la dtection des micro-anvrismes.
144
Chapitre4. Dtection des Pathologies rtiniennes
Conclusion
Un des moyens les plus efficaces pour lutter contre la rtinopathie
diabtique et la dgnrescence maculaire lie lge est la dtection prcoce
de leurs signes cliniques grce a lanalyse des images couleur du fond dil.
Le dveloppement des mthodes de dtection des lsions lies ces deux
maladies tait lun des objectifs principaux de ce travail dont le but est laide
au diagnostic et le dpistage de la RD et la DMLA.
Ce chapitre a t divis en deux sections :
145
Chapitre4. Dtection des Pathologies rtiniennes
146
Chapitre4. Dtection des Pathologies rtiniennes
lies la RD. Les micro-anvrismes ont une importante particulire, ils sont
les premiers indices de la prsence de la RD, cest pour cela que la dtection
de ces derniers tait notre intrt. Alors, que la prsence dhmorragies dans
les images couleur est un signe pour une ischmie dans la rtine qui est
responsable de lapparition des no-vaisseaux et donc de lautre source
daggravation importante de la RD. Par consquent la dtection de ces deux
lsions tait ncessaire avant que la RD passe au stade de complication et
quun traitement devient indispensable.
La mthode de dtection des hmorragies dans les images couleur que
nous avons dvelopp tait base sur les oprateurs morphologiques et
la classification supervise. Aprs, une tape de prtraitement ; un
lissage t appliqu pour la dtection des structures rouges dans
limage amliore. Ensuite, les rsultats de segmentation du rseau
vasculaire et de la macula prsents dans le chapitre prcdent ont t
utiliss dont le but de les liminer Finalement, pour sparer les
hmorragies par rapport aux non-hmorragies, une classification
supervise t effectue.16 caractristiques ont t employes pour le
classifieur. Deux classifieurs ont t tests: le Support vecteur
machine (SVM) et le k-plus proche voisin.
Lalgorithme de dtection des micro-anvrismes t bas sur
lapplication dun oprateur de correction de lillumination et
daugmentation de contraste, Puisque les micro-anvrismes sont trs
sensibles au bruit. Ensuite, une transformation chapeau haut de
forme suivie dun oprateur de supremum douverture a t effectue
pour extraire les rgions candidates et liminer larbre vasculaire
respectivement. Une opration douverture ultime t employ pour la
dtection des micro-anvrismes. Finalement, pour liminer les faux
positifs, le classifieur KNN avec lutilisation de 12 caractristiques.
Les rsultats de dtection des lsions sombres taient tests sur une srie
dimages de la base de donnes DiaretDb1.Dans la plus part des images, les
rsultats taient satisfaisants. Il ny avait pas une grande diffrence entre les
rsultats obtenus par les deux classifieurs pour la dtection des
147
Chapitre4. Dtection des Pathologies rtiniennes
148
Conclusion Gnrale
et Perspectives
I. Conclusion
La rtinopathie diabtique (RD) et la dgnrescence maculaire lie lge
(DMLA) sont deux maladies chroniques de la rtine. La photo-coagulation
par laser est aujourd'hui le traitement thrapeutique prcoce principal
utilis pour ralentir la dgradation de la vision. Nous avons en effet observ
que le nombre de patients atteints de ces deux pathologies augmente chaque
anne, par consquent, le dpistage de la RD et la DMLA est actuellement un
problme majeur.
149
constituant le fond dil, les pathologies pouvant affecter la rtine ainsi que
les diffrentes techniques dacquisition ont t dcrites.
150
pathologies. Comme le systme d'analyse de l'image du fond d'il dtecte
des anomalies avec une bonne sensibilit et une spcificit raisonnable, il
peut tre utilis pour aider les ophtalmologistes dans le diagnostic afin de
leurs fournir une seconde opinion et peut galement fonctionner comme un
outil pour le dpistage de masse de la RD et la DMLA.
II. Perspectives
Plusieurs perspectives peuvent tre envisages dans le prolongement de ces
travaux de thse.
- Le systme prsent dans cette thse peut galement tre tendu pour
dtecter d'autres maladies lies la RD tels que les no vaisseaux et les
nodules cotonneux et dautres pathologies qui affectent la rtine savoir : le
glaucome, la cataracte.
-Le second point qui nous semble important dtudier est de semi-
automatis le systme danalyse des images du fond dil propose dans
cette thse.
- Un systme de classification de la RD et la DMLA doit tre mis en uvre
afin de faciliter aux ophtalmologues lidentification du stade de la RD et la
DMLA.
- Comme les patients sont censs avoir un examen rgulier de la rtine, il est
important de dvelopper une procdure de dtection de changement
progressif dans la rtine au fil du temps qui pourrait tre intressant pour le
dpistage de la RD et la DMLA dans le long terme.
- Le dernier point qui nous parait le plus intressent consistera raliser la
fusion dimages ; sachant quil existe des pathologies qui napparaissent pas
sur le rtinographe alors quelles sont visibles par des examens dOCT ; tels
que le trou maculaire.
151
Rfrences Bibliographiques
[1] Sight Savers: The structure of the human eye. Accessed, August, 2006, from
website:http://www.sightwavers.or.uk/html/eyeconditions/huma_eye_detailed.htm
[2] My Eye World: Eye Structure and function. Referenced, August 2nd 2006,
website: http://www.myeyeworld.com/files/eye_structure.htm
[3] St. LukesEye.Com: Eye Anatomy. Acessed August 2nd 2006, from website:
http://www.stlukeseye.com/anatomy/Retina.asp
[4] Junichiro Hayashi, Takamitsu Kunieda, Joshua Cole, Ryusuke Soga, Yuji
Hatanaka, Miao Lu, Takeshi Hara and Hiroshi Fujita: A development of computer-
aided diagnosis system using fundus images. Proceeding of the 7th International
Conference on Virtual Systems and Multi-Media; PP. 429-438, 2001.
[5] R. Klein, B.E.K. Klein, and S.E. Moss. Visual impairment in diabetes.
Ophthalmology, PP. 19, 1984.
[6] A.K. Sjolie, J. Stephenson, S. Aldington, E. Kohner, H. Janka, L. Stevens, J.
Fuller, and the EURODIAB Complications Study Group. Retinopathy and vision loss
in insulindependent diabetes in Europe. Ophthalmology, 104 : PP. 252- 260, 1997.
[7] J.C. Javitt and L.P. Aiello. Cost-effectiveness of detecting and treating diabetic
retinopathy. Ann Intern Med, 124(2):164169, 1996.
[8] The Diabetic Retinopathy Study Group. Photocoagulation treatment of
proliferative diabetic retinopathy: the second report of diabetic retinopathy study
findings. , Ophthalmology, 85 : 82106, 1978.
[9] Early Treatment Diabetic Retinopathy Study Research Group. Photocoagulation
for diabetic macular edema: Early treatment diabetic retinopathy study report no 4.
Int Ophthalmol Clin, 27 : 265272, 1987.
[10] Z. M. da Silva Correa and R. E. Jr, Aspectos patologicos da retinopatia
diabetica,"Revista de Oftalmologia de Sao Paulo, vol. 68, no. 3, pp. 410-414, 2005.
[11] C. Wilkinson, F. Ferris, and R. Klein et al. Proposed international clinical
diabetic retinopathy and diabetic macular edema disease severity scales.
Ophthalmology, 110(9) :16771682, 2003.
[12] Resnikoff, S., Pascolini,D., Etyaale,D.,Kocur,I., Pararajesegaram,R.,
Pokharel,G.P., and Mariotti,S.P.Global data on visual impairment in the year 2002.
Bulltin of the world Health Organization, 82:844-851(Cited in section 2.1.4.4),
2004.
[13] Parmet, S. Age-related macular degeneration. JAMA, 288(18). (Cited in section
2.1.4.3.), 2001.
152
[14] Itebeddine Ghorbel et al ; Segmentation des couches rtiniennes dans des
images OCT : mthode et valuation quantitative . ; MajecSTIC, 2009.
[15] Kristinsson, J. K., Hauksdottir, H., Stefansson, E., Jonasson, F., and Gislason,
I. Active prevention in diabetic eye disease. Acta ophthalmologica Scandinavica 75,
3 24954, June 1997.
[16] Savolainen, E., and Lee, Q. Diabetic retinopathy - need and demand for
photocoagulation and its cost-effectiveness: evaluation based services in the United
Kingdom. Diabetologia 23, 2 ; 138140 ; August 1982.
[17]. Early Treatment Diabetic Retinopathy Study Research Group, Early
Photocoagulation for Diabetic Retinopathy: ETDRS report 9, Ophthalmology, vol. 98,
pp. 766785, 1991.
[18] G. Bresnick, D. Mukamel, J. Dickinson, and D. Cole, A Screening Approach to
the Surveillance of Patients with Diabetes for the Presence of Vision-Threatening
Retinopathy, Opthalmology, vol. 107, no. 1, pp. 1924, 2000.
[19] Can, A., Shen, H., Turner, J., Tanenbaum, H., Roysam, B.,. Rapid automated
tracing and feature extraction from retinal fundus images using direct exploratory
algorithms. IEEE Trans. Inform. Technol. Biomed. 3, 125-138, 1999.
[20] Chutatape, O., Zheng, L., Krishman, S.,. Retinal blood vessel detection and
tracking by matched gaussian and kalman filters. In: Proc. IEEE Int. Conf. Eng.
Biol. Soc. Vol. 20. pp. 3144- 3149, 1998
[21] Liu, I., Sun, Y.,. Recursive tracking of vascular networks in angiograms based
on the detection-deletion scheme. IEEE Trans. Med. Imag. 12, 334- 341, 1993.
[22] Tolias, Y., Panas, S., A fuzzy vessel tracking algorithm for retinal images based
on fuzzy clustering.; IEEE Trans. Med. Imag. 17, 263-273, 1998.
[23] Zhou, L., Rzeszotarski, M., Singerman, L., Chokre, J.,. The detection and
quantification of retinopathy using digital angiograms. IEEE Trans. Med. Imag. 13,
619-626, 1994.
[24] Heneghan, C., Flynn, J., O'Keefe, M., Cahill, M.,. Characterization of changes
in blood vessel width and tortuosity in retinopathy of prematurity using image
analysis. ; Med. Image Anal. 6, 407-429, 2002.
[25] Mendona, A., Campilho, A.,. Segmentation of retinal blood vessels by
combining the detection of centerlines and morphological reconstruction. IEEE Trans.
Med. Imag. 25, 1200-1213, 2006.
[26] Walter, T., Klein, J.,. Segmentation of color fundus images of the human retina:
Detection of the optic disc and the vascular tree using morphological techniques. In:
ISMDA '01: Proceedings of the Second International Symposium on Medical Data
Analysis. Springer-Verlag, London, UK, pp. 282-287, 2001.
[27] Zana, F., Klein, J.,. Segmentation of vessel-like patterns using mathematical
morphology and curvature evaluation. IEEE Trans. Image Processing 10, 1010-
1019, 2001.
153
[28] Mohammed Al-Rawi, Munib Qutaishat, Mohammed Arrar; An improved
matched lter for blood vessel detection of digital retinal images., Journal of
Computers in Biology and Medicine 37;262 267; 2007.
[29] Yu Guang Zhang, Xin Yong Guo, Lei Hu, Qin He Dang, Di Chen, Dong Cui,
Qing Jiao; A Novel Approach for Blood Vessel Edge Detection in Retinal
Images;IEEE; 2009.
[30] L. Espona, M.J. Carreira, M.G. Penedo, M. Ortega; Retinal Vessel Tree
Segmentation using a Deformable Contour Model; IEEE; 978-1-4244-2175;2008 ;
[31] S. H. M. Grass, V. Rasche, S. O, S. Haehnel, and K. Sartor, An X-Ray-Based
Method for the Determination of the Contrast Agent Propagation in 3-D Vessel
Structures, IEEE Transactions on Medical Imaging, vol. 21,pp. 251262; 2002.
[32] R. Jain, R. Kasturi, and B. G. Schunck, Machine Vision, McGraw-Hill, 1995.
[33] J. F. OBrien and N. F. Ezquerra, Automated Segmentation of Coronary Vessels
in Angiographic Image Sequences Utilizing Temporal, Spatial Structural Constraints,
SPIE Conf. Visualization in Biomed. Computing, 1994.
[34] Martinez-Perez, M., Hughes, A., Thom, S., Bharath, A., Parker, K..
Segmentation of blood vessels from red-free and fluorescein retinal images.; Med.
Imag. Anal. 11, 47-61; 2007.
[35] N. Armande, P. Montesinos, and O. Monga, Thin Nets Extraction using a Multi-
Scale Approach, SCALE-SPACE 97: Proceedings of the First International
Conference on Scale-Space Theory in Computer Vision, Springer-Verlag, pp.361
364; 1997.
[36] A. Bhalerao and R. Wilson, Estimating Local and Global Image Structure using
a Gaussian Intensity Model, Medical Image Understanding and Analysis, 2001.
[37] M. P. Chwialkowski, H. L. Ibrahim, Y. M. Li, and R. Peshock, A Method for
Fully Automated Quantitative Analysis of Arterial Flow using Flow-Sensitized MR
Images, Computerized Medical Imaging and Graphics, vol. 20, pp. 365378,1996.
[38] Q. Huang and G. C. Stockman, Generalized Tube Model: Recognizing 3D
Elongated Objects from 2D Intensity Images, Proc. of the IEEE Conf. on CVPR, pp.
104109, 1993
[39] P. E. Summers and A. H. Bhalerao, Derivation of Pressure Gradients from
Magnetic Resonance Angiography using Multi-Resolution Segmentation, Proc. IEE
Conf. Image Processing and its Applications, pp.404-408; 1995.
[40] A. Sarwal and A. P. Dhawan, 3-D Reconstruction Of Coronary Arteries, IEEE
Conf. End. in Medicine and Bio., vol. 1, pp. 500504; 1994.
[41] L. Wang, A. Bhalerao and R. Wilson, Analysis of Retinal Vasculature using a
Multiresolution Hermite Model, IEEE Transactions on Medical Imaging, vol.26, pp.
137-152, 2007
[42] Y. Zhang, W. Hsu Mong L. Lee Segmentation of Retinal Vessels Using Nonlinear
Projections, IEEE International Conference on Image Processing, vol.5, pp.541-
544;2007.
154
[43] Niemeijer, M., Staal, J., van Ginneken, B., Loog, M., Abrmo, M., Comparative
study of retinal vessel segmentation methods on a new publicly available database.
In: Fitzpatrick, J. M., Sonka, M. (Eds.), SPIE Medical Imaging. Vol. 5370. SPIE,
SPIE, pp. 648-656. 2004.
[44] Soares, J., Leandro, J., Cesar Jr., R., Jelinek, H., Cree, M., Retinal vessel
segmentation using the 2d Gabor wavelet and supervised classification. IEEE
Trans. Med. Imag. 25, 1214-1222. 2006.
[45] Ricci, E., Perfetti, R.,. Retinal Blood Vessel Segmentation Using Line Operators
and Support Vector Classification., IEEE Transactions on Medical imaging vol. 26,
pp. 1357-1365. 2007.
[46] J. Staal, M Abramoff, M. Niemeijer, M. Viergever, and B. van Ginneken, Ridge-
Based Vessel Segmentation in Color Images of the Retina IEEE Transactions on
Medical Imaging, vol. 23, pp.501509. 2004.
[47] C. Alonso-Montes, D. L. Vilarino and M. G. Penedo; CNN-based Automatic
Retinal Vascular Tree Extraction; IEEE, pp 61-64; 2010.
[48] A. Hoover and M. Goldbaum, Locating The Optic Nerve in a Retinal Image using
the Fuzzy Convergence of the Blood Vessels, IEEE Transactions on Medical
Imaging, vol. 22,pp.951- 958. 2003.
[49] Foracchia, M., Grisan, E., Ruggeri, A.,. Detection of optic disc in retinal images
by means of a geometrical model of vessel structure. IEEE Trans. Med. Imag. 23,
1189-1195. 2004.
[50] T. Walter, J. Klein, P. Massin and A. Erginary, A Contribution of Image
Processing to the Diagnosis of Diabetic Retinopathy, Detection of Exudates in Colour
Fundus Images of the Human Retina, IEEE Transactions on Medical Imaging, vol.
21, pp.1236-1243; 1998.
[51] Li, H., Chutatape, O.,Automated feature extraction in color retinal images by a
model based approach. IEEE Trans. Biomed. Eng. 51 (2), 246-254. 2004
[52] Youssif, A., Ghalwash, A. Z., Ghoneim, A. R.,.Optic disc detection from
normalized digital fundus images by means of a vessels' direction matched filter.
IEEE Trans. Med. Imag. 27, 11-18; 2008.
[53] Osareh, A., Mirmehdi, M., Thomas, B., Markham, R.,. Comparison of color
spaces for optic disc localisation in retinal images. In: 16th Int. Conf. Pattern
Recognition. pp. 743-746; 2002.
[54] Lowell, J., Hunter, A., Steel, D., Basu, A., Ryder, R., Fletcher, E., Kennedy, L.,
Optic nerve head segmentation. IEEE Trans. Med. Imag. 23, 256-264. 2004.
[55] Wong, D. K., Liu, J., Lim, J., Jia, X., Yin, F., Li, H., Wong, T.,. Level-set based
automatic cup-to-disc ratio determination using retinal fundus images in argali. In:
30th Annual International IEEE EMBS Conference. pp. 2266- 2269. 2008.
[56] Gagnon, L., Lalonde, M., Beaulieu, M., Boucher, M.-C.,. Procedure to detect
anatomical structures in optical fundus images.; In: Proc. SPIE Med. Imaging: Image
Processing. vol. 4322. pp. 1218-1225; 2001.
155
[57] Li, H., Chutatape, O.,. Automated feature extraction in color retinal images by a
model based approach. IEEE Trans. Biomed. Eng. 51 (2), 246-254. 2004.
[58] Tobin, K., Chaum, E., Govindasamy, V., Karnowski, T.,. Detection of anatomic
structures in human retinal imagery. IEEE Trans. Med. Imag. 26 (12), 1729- 1739.
2007.
[59] Niemeijer, M., Abrmo_, M., van Ginneken, B.,. Segmentation of the optic disc,
macula and vascular arch in fundus photographs. IEEE Transactions on Medical
Imaging 26, 116- 127. 2007.
[60] Maryam. M., Anam. U ; M. Usman Akram; Automated System for Macula
Detection in Digital Retinal Images.
[61] Soumitra Samanta, Sanjoy Kumar Saha and Bhabatosh Chanda ; A Simple
and Fast Algorithm to Detect the Fovea Region in Fundus Retinal Image; Second
International Conference on Emerging Applications of Information Technology; 2011
[62] Akara Sopharaka, Bunyarit Uyyanonvaraa, Sarah Barman, Thomas H.
Williamson; Automatic detection of diabetic retinopathy exudates from non-dilated
retinal images using mathematical morphology methods; Computerized Medical
Imaging and Graphics , vol 32;PP: 720727; 2008.
[63] Akara Sopharak, Matthew N. Dailey,Bunyarit Uyyanonvara; Machine learning
approach to automatic exudate detection in retinal images from diabetic patients;
Journal of Modern Optics, 57(2):124-135
[64] H. B. Kekre, Tanuja K. Sarode, Tarannum Parkar ; Hybrid Approach for
Detection of Hard Exudates; (IJACSA) International Journal of Advanced Computer
Science and Applications, Vol. 4, No. 3, 2013
[65] Sanchez CI, Garcia M, Mayo A, Lopez M, Hornero R, Retinal image analysis
based on mixture models to detect hard exudates, Med Image Anal 13:650_658,
2009.
[66] Nidhal K. El Abbadi; Enas Hamood Al- Saadi; Automatic Detection of Exudates
in Retinal Images ; International Journal of Computer Science Issues, Vol. 10,
Issue 2, No 1, March 2013.
[67] B. Ege, O. Larsen and O. Hejlesen, Detection of Abnormalities in Retinal Images
Using Digital Image Analysis, Proc. of the 11th Scandinavian Conference on Image
Processing, pp. 833-840; 1999.
[68] H. Wang, W. Hsu, K. Goh and M. Lee, An Effective Approach to Detect Lesions
in Colour Retinal Images, Proc. of the IEEE Conference on Computer Vision and
Pattern Recognition, 2000, pp. 181-187.
[69] G. Gardner, D. Keating, T. Williamson and A. Elliott, Automatic Detection of
Diabetic Retinopathy using an Artificial Neural Network: A Screening Tool, British
Journal of Ophthalmology, vol. 80, pp. 940-944, 1996.
[70] A. Hunter, J. Lowell, J. Owens and L. Kennedy, Quantification of Diabetic
Retinopathy using Neural Networks and Sensitivity Analysis, Proc. of Artificial
Neural Networks in Medicine and Biology, pp. 81-86, 2000.
156
[71] C. Sinthanayothin, Image Analysis for Automatic Diagnosis of Diabetic
Retinopathy, PhD Thesis. King's College of London. 1999.
[72] A. Osareh, M. Mirmehdi, B. Thomas and R. Markham, Automatic Identification
of Diabetic Retinal Exudates in Digital Colour Images. British Journal of
Ophthalmology, vol. 87pp. 1220-1223, 2003.
[73] Zhang Xiaohui, Opas Chutatape Detection and Classification of Bright Lesions
in Color Fundus Images Proc. International Conference on Image Processing (ICIP),
vol.1, pp.139-142, 2004.
[74] H.Li, O.Chutatape, Automated Feature Extraction in Color Retinal Images by a
Model Based Approach, IEEE Transactions on Biomedical Engineering, vol. 51,
pp.246-254, 2004.
[75] Sanchez CI, Niemeijer M, Schulten MSAS, Abramo M, van Ginneken B,
Improving hard exudates detection in retinal images through a combination of local
and contextual information, IEEE Int Symp on Biomedical Imaging, pp. 5-8, 2010.
[76] Hussain F. Jaafar, Asoke K. Nandi and Waleed Al-Nuaimy; Detection Of
Exudates From Digital Fundus Images Using A Regionbased Segmentation
Technique ; 19th European Signal Processing Conference (EUSIPCO 2011).
[77] Kavitha S., Automatic Detection Of Hard And Soft Exudates In Fundus Images
Using Color Histogram Thresholding, European Journal Of Scientific Research ,vol
48 No.3, Pp 493-504, 2011.
[78] Yun W. L., Rajendra A., Venkatesh Y. V., Chee C., Min L., And Ng E. Y. K.,
Identification Of Diferent Stages Of Diabetic Retinopathy Using Retinal Optical
Images, Intl. Journal On Information Sciences, Vol. 178, Pp 106-121, 2008.
[79] Welfer D, Scharcanski J, And Marinho D. R, A Coarse-To-Fine Strategy For
Automatically Detecting Exudates In Color Eye Fundus Images, Computerized
Medical Imaging And Graphics, Vol. 34, No. 3, Pp 228-235, 2010.
[80] Garcia M, Sanchez C. I, Lopez M. I, And Daniel Abasolo R. H,Neural Network
Based Detection Of Hard Exudates In Retinal Images; Computer Methods And
Programs In Biomedicine, Vol. 93, Pp 9-19, 2009.
[81] Fleming A. D, Philip S, Goatman K. A, Williams G. J, Olson J. A, And Sharp P.
F, Automated Detection Of Exudates For Diabetic Retinopathy Screening, Physics
In Medicine And Biology, Vol. 52, No. 24, Pp 7385-7396, 2007.
[82] Dupas B., Walter T., Erginay A., Ordonez R., Deb-Joardar N., Gain P., Klein
J.C., And Massin P., Evaluation Of Automated Fundus Photograph Analysis
Algorithms For Detecting Microaneurysms, Hemorrhages And Exudates, And Of A
Computer-Assisted Diagnostic System For Grading Diabetic Retinopathy, Diabets &
Metabolism, Vol. 36, Pp 213- 220, 2010.
[83] Baudoin, C. E., Lay, B. J., and Klein, J. C. Automatic detection of
microaneurysms in diabetic fluorescein angiography; Revue Epidemiology et de
Sant Publique, vol 32, PP 254 261;1984,
157
[84] Thomas walter ; Application de la morphologie mathmatique au diagnostique
de la rtinopathie diabtique a partir dimages couleur ; thse de doctorat, Ecole
nationale suprieur des mines de paris ; 2003.
[85] Hipwell JH, Strachan F, Olson JA, McHardy KC, Sharp PF, Forrester JV.
Automated detection of microaneurysms in digital red-free photographs: a diabetic
retinopathy screening tool. Diab Med; vol 17;PP.58894; 2000.
[86] Niemeijer, M., van Ginneken, B., Staal, J., Suttorp-Schulten, M. S. A., and
Abramoff, M. D. Automatic detection of red lesions in digital color fundus
photographs. IEEE Transactions on Medical Imaging vol 24, no 5 , PP.584 592.
May 2005.
[87] Sinthanayothin C, Boyce JF, Williamson TH, Cook HL, Mensah E, Lal S, et al.
Automated detection of diabetic retinopathy on digital fundus images. Diabet
Med;vol 19,PP.10512; 2002.
[88] Istvan Lazar, Andras Hajdu ; Microaneurysm Detection In Retinal Images Using
A Rotatingcross-Section Based Model; IEEE, PP.1405-1409; 2011.
[89] Bob Zhang , Kakhri Karray, Lei Zhang , Jane You, Microaneurysm (MA)
Detection via Sparse Representation Classifier with MA and Non-MA Dictionary
Learning; International Conference on Pattern Recognition (IEEE); 2010.
[90] Akara Sopharak, Bunyarit Uyyanonvara, Sarah Barman and Tom Williamson ;
Automatic Microaneurysm Detection from Non-dilated Diabetic Retinopathy Retinal
Images, Proceedings of the World Congress on Engineering, Vol II ; WCE 2011,
July 6 - 8, 2011, London, U.K.
[91] Akara Sopharak, Bunyarit Uyyanonvara and Sarah Barman ; Fine
Microaneurysm Detection from Non-dilated Diabetic Retinopathy Retinal Images
Using a Hybrid Approach; Proceedings of the World Congress on Engineering 2012
Vol II WCE 2012, July 4 - 6, 2012, London, U.K.
[92] B. Dupas, T. Walter, A. Erginay et al., Evaluation of automated fundus
photograph analysis algorithms for detecting micro aneurysms, hemorrhages and
exudates, and of a computer-assisted diagnostic system for grading diabetic
retinopathy, Diabetes & Metabolism 36(3), pp. 213-220, 2010.
[93] Bae JP, Kim KG, Kang HC, Jeong CB, Park KH, Hwang JM, A Study on
Hemorrhage Detection Using Hybrid Method in Fundus Image, J. Digital Image, vol.
24(3), pp. 394-404, June 2011 .
[94] Saiprasad Ravishankar, Arpit Jain, Anurag Mittal, Automated Feature
Extraction for Early Detection of Diabetic Retinopathy in Fundus Images , IEEE,
2009.
[95] Yuji Hatanaka, Toshiaki Nakagawa, Yoshinori Hayashi, Yutaka Mizukusa,
Akihiro Fujita, CAD scheme to detect hemorrhages and exudates in ocular fundus
images Medical Imaging, Vol. 6514, 65142M, 2007.
[96] Mara Garca, Automatic Detection of Red Lesions in Retinal Images Using a
Multilayer Perceptron Neural Network; 30th Annual International IEEE EMBS
Conference, 2008.
158
[97] M. Batterbury, B. Bowling, Ophtalmologie, Ed. Elsevier, 2005
[98] H. Saraux, C. Lemasson, H. Offret, and G. Renard. Anatomie et Histologie de
lil , Ed. Masson, second dition, 1982.
[99] T. Scholte, M. Grb, J. Mielke, M. Rohrbach, Atlas de poche
dOphtalmologie , Ed.Mdecine-Sciences Flammarion, 2006
[100 ] P. Williams et al., Grays anatomy, Churchill livingstone Edinburgh, 1989.
[101] M. D. Abramoff, M. K. Garvin, M. Sonka, Retinal imaging and image
analysis. IEEE, Reviews in Biomedical Engineering, 3:169208, 2010
[102] D.Jayanthi, N.Devi , S.Swarna Parvathi ; Automatic diagnosis of retinal
diseases from color retinal images ; (IJCSIS) International Journal of Computer
Science and Information Security, Vol. 7, No. 1, 2010
[103] Ziyang Liang, Damon W.K. Wong, Jiang Liu, Kap Luk Chan, Tien Yin Wong;
Towards automatic detection of age-related macular degeneration in retinal fundus
images, 32nd Annual International Conference of the IEEE EMBS; 2010.
[104] Arturo Aquino Martn ; Fundus Digital Image Processing: Automated
Segmentation of the Main Retinal Anatomical Structures; these de doctorat;
Universidad De Huelva; fvrier 2011.
[105] J. J. Kanski, Clinical Ophthalmology: A systematic approach, Butterworth-
Heinemann, London, 1989.
[106] Larsen, M., Godt, J., Larsen, N., Lund-Andersen, H., Sj lie, A., Agardh, E.,
Kalm, H., Grunkin, M., Owens, D.,.Automated detection of fundus photographic red
lesions in diabetic retinopathy. Investigat. Opht. Vis. Sci. 44 (2), 761-766, 2003
[107] Matsopoulos, G., Asvestas, P., Mouravliansky, N., Delibasis, K.,. Multimodal
registration of retinal images using self organizing maps.; IEEE Trans. Med. Imag.
23, 1557- 1563, 2004.
[108] Zana, F., Klein, J.,. A multimodal registration algorithm of eye fundus images
using vessels detection and Hough transform. IEEE Trans. Med. Imag. 18, 419-
428, 1999
[109] A.BESSAID, A.FEROUI and M.MESSADI, Detection of Blood Vessels from Retinal Images
Using Watershed Transformation, Journal of Mechanics in Medicine and Biology, Vol. 9, No. 4,
2009, 633-642.
[110] Collins S.H., Terrain Parameters Directly From a Digital Terrain Model. , The
canadian Surveyor, 29, N5, 507-518, 1975.
[111] Puecker T.H., Douglas D.H. , Detection Of Surface- Specific pointd By local
Parallel processing Of Discreate terrain Elevation data. , Computer Graphics and
Image Processing, 4, 375-387, 1975.
[112] L. Vincent. Algorithmes Morphologiques Base de Files Dattente et de
Lacets. Extension aux graphes. , Thse de Doctorat, Ecole des Mines de Paris, Mai
1990.
159
[113] Messadi M, Bessaid A, Taleb-Ahmed A, Segmentation of dermatoscopic
images used for computer-aided diagnosis of melanoma, JMMB Journal, 2009.
[114] Khalifa Nawres, Malek Amel, Hamrouni Kamel; Segmentation dimages par
contours actifs : Application la dtection du ventricule gauche dans les images de
scintigraphie cardiaque ; 3rd International Confrence: Sciences of Electronique,
Technologies of Information and Tlcommunications ; SETIT 2005 ; Tunisia
[115] A.Osareh, M. Mirmehdi, B. Thomas, and R. Markham, Comparison of Colour
Spaces for Optic Disc Localization in Retinal Images, IEEE 16th International
Conference on Pattern Recognition, vol. 1, pp. 743-746, 2002.
[116] Kittipol Wisaeng ; Nualsawat Hiransakolwong ; Ekkarat Pothiruk; Automatic
Optic Disc Detection from Low Contrast Retinal Images; Applied Mathematical
Sciences, Vol. 6, no. 103, PP.5127 5136, 2012.
[117] Balint Antal and Andras Hajdu; A Stochastic Approach to Improve Macula
Detection in Retinal Images; Acta Cybernetica ;vol 20,PP. 5-15; 2011.
[118] S. Sekhar, W. Al-Nuaimy and A. K. Nandi, Automated Localization Of Optical
Disk And Fovea In Retinal Fundus Images, 16th European Signal Processing
Conference (EUSIPCO 2008), Lausanne, Switzerland, pp.17-22, August 25-29, 2008
[119] J. Singh, J. Sivaswamy, Fundus Fovea Localization Based on Image Relative
Subtraction-IReS Approach, in National conference on communications (NCC),
Mumbai, 2008.
[120] J. Kinyoun, F. Barton, M. Fisher, L. Hubbard, L. Aiello, and F. Ferris,
Detection of diabetic macular edema. Ophthalmoscopy versus photographyEarly
Treatment Diabetic Retinopathy Study Report Number 5. The ETDRS Research
Group. Ophthalmology, vol. 96, pp. 746750, 1989.
[121] Early Treatment Diabetic Retinopathy Study Research Group, Early
Photocoagulation for Diabetic Retinopathy: ETDRS report 9, Ophthalmology, vol. 98,
pp. 766785, 1991.
[122] G. Bresnick, D. Mukamel, J. Dickinson, and D. Cole, A screening approach to
the surveillance of patients with diabetes for the presence of vision-threatening
retinopathy, Opthalmology, vol. 107, no. 1, pp. 1924, 2000.
[123] Etdrsreport Number 10,Grading diabetic retinopathy from stereoscopic color
fundus photographs an extension of the modified Airlie house classification,
Ophthalmology, 98, pp.786806, 1991.
[124] MD. Davis, SB. Bressler, LP. Aiello, NM. Bressler, DJ. Browning, CJ.
Flaxel,Comparison of time-domain and fundus photographic assessments of retinal
thickening in eyes with diabetic macular edema ; Invest Ophthalmol Vis Sci, 49,
174552, 2008.
[125] M. Niemeijer ,B. Ginneken, J. Stall, Suttorp-Schulten M, M. Abrmoff
,Automatic detection of red lesions in digital color fundus photographs, IEEE Trans.
Med. Imag., vol. 24, no. 5, pp. 584-592, 2005.
160
[126] Sinthanayothin C, Boyce JF, Cook HL, Williamson TH, Automated localization
of the optic disc, fovea, retinal blood vessels from digital colour fundus images, Br J
Ophthalmology, 83, pp. 90210, 1999.
[127] Sanchez CI, Hornero R, Lopez MI , Retinal image analysis to detect and
quantify lesions associated with diabetic retinopathy, In: Proceedings of the
International Conference on Engineering in Medicine and Biology Society IEEE, pp.
16247,2004.
[128] A. FEROUI, M. MESSADI, I. HADJIDJ and A. BESSAID, New Segmentation
Methodology For Exudate Detection In Color Fundus Images ; Journal of Mechanics
in Medicine and Biology Vol. 13, No. 1 (2013) 1350014 (14 pages).
[129] A.FEROUI M.MESSADI and A.BESSAID; Improvement of the Hard Exudates
Detection Method Used For Computer- Aided Diagnosis of Diabetic Retinopathy ;
I.J. Image, Graphics and Signal Processing, 2012, 4, 19-27.
[130] A.FEROUI, A. BESAID and M. MESSADI; Aid to Diagnosis Of The Retinal
Pathology: Hard Exudates Detection ; International Conference On Embedded
Systems in Telecommunications And Instrumentation (Icesti12) November 5 7,
2012, Annaba, Algeria.
[131] Akara S, Bunyarit U, Sarah B, Thomas HW, Automatic exudates detection
from non dilated diabetic retinopathy retinal images using fuzzy c-means clustering,
Sensors; vol 9;pp.2148-2161, 2009.
[132] Sopharak A, Uyyanonvara B, Barman S, Automatic exudates detection for
diabetic retinopathy screening, Scienceasia vol 35,pp.80-88, 2009.
[133] Dupas B, Walter T, Erginay A, Ordonez R, Deb-Joardar N, Gain P, Klein JC,
Massin P, Evaluation of automated fundus photograph analysis algorithms for
detecting micro aneurysms, hemorrhages and exudates, and of a computer-assisted
diagnostic system for grading diabetic retinopathy; Diabetes Metab; vol 36;pp.213-
220, 2010.
[134] E. Peli and M. Lahav. Drusen measurement fromfundus photographs using
computer image analysis. Ophtalmology, 93(12) :15751580, December 1986.
[135] S.Y. Shen, T.Y. Wong, P.J. Foster, J.L. Loo, M. Rosman, S.C. Loon, W.L.
Wong, S.M. Saw, T. Aung, The prevalence and types of glaucoma in malay people:
the Singapore Malay eye study, Invest. Ophth. Vis. Sci., vol. 49, 3846-51, 2008
[136] Amel FEROUI, Mahammed MESSADI, Ismahen HADJIDJ and Abdelhafid
BESSAID; Computer algorithm for detection hemorrhages (HEs) in color retinal
images; International Conference on Signal, Image, Vision and their Applications
(SIVA13); 18-20 November Guelma, Algeria
[137] Kse C, evik U, Ikiba C, Erdl H, "Simple methods for segmentation and
measurement of diabetic retinopathy lesions in retinal fundus images," Computer
Methods Programs Biomed., vol. 107(2), pp. 274-293, August 2012.
[138] Bae JP, Kim KG, Kang HC, Jeong CB, Park KH, Hwang JM, A Study on
Hemorrhage Detection Using Hybrid Method in Fundus Image, J. Digital Image, vol.
24(3), pp. 394-404, June 2011 .
161
[139] Esmaeili M, Rabbani H, Dehnavi AM, Dehghani A, A new curvelet transform
based method for extraction of red lesions in digital color retinal images, in Proc.
IEEE 17th Int. Conf. Image Processing, Hong Kong, pp. 4093-4096, September
2010.
[140] Acharya UR, Lim CM, Ng EYK Chee C, Tamura T, Computer-based detection
of diabetes retinopathy stages using digital fundus images, in Proc. Inst. Mech.
Eng., pp. 545-553, July 2009.
162