M. HAMMOUCHE Abdelaziz

La segmentation tridimensionnelle (3D) d’images qui a pour but de détecter les zones ou les structures homogènes, suscite un grand intérêt dans l’analyse des images médicales en générale et des images échographiques intravasculaires (IVUS) en particulier. Les images IVUS sont produites à l’aide d’une sonde ultrason introduite à l’intérieure de l’artère, elles permettent de visualiser les structures artérielles (lumière et les parois internes de l’artère) et fournissent des informations pertinentes sur la santé de l’artère. La segmentation tridimensionnelle d’images IVUS vise à détecter les différentes structures de l’artère en 3D, notamment la lumière, en vue de quantifier d’une manière automatique et avec plus de précision (par rapport à 2D) la sévérité de certaines pathologies artérielles (plaque et sténose). La segmentation 3D des images IVUS demeure un grand défi tant que les textures granulaires («speckle») qui représentent les différents tissus des parois de l’artère sont difficilement discernables, notamment en présence d’artéfacts. Dans le cadre de cette thèse de doctorat, nous avons développé un algorithme de segmentation tridimensionnelle (3D) d’images IVUS dans le but de détecter les frontières 3D de la lumière des artères et de reconstruire le volume luminal. L’algorithme de segmentation développé repose sur un modèle de contour actif hélicoïdal initialisé automatiquement sur la séquence d’images IVUS. Ce contour évolue itérativement, en tenant en compte des textures granulaires, jusqu’à atteindre les frontières de la lumière de l’artère. La courbe hélicoïdale finale est utilisée pour la reconstruction 3D du volume luminal de l’artère. Cet algorithme a été validé sur 19 séquences IVUS composées au total de 8 918 images acquises in vivo sur neuf artères fémorales et sur dix artères coronaires à l’aide d’une sonde de 20 MHz et présentant de nombreuses difficultés, telles que des sténoses sévères, des bifurcations, des vaisseaux latéraux, des ombres, ainsi que d’autres artefacts. Les résultats ont révélé une bonne concordance avec les tracés réalisés manuellement par des experts (indice de Jaccard ≥ 89%, indice de Dice ≥ 94% et une précision ≥ 98,5%). Notre modèle hélicoïdal s’est également avéré supérieure, en termes de rapidité et de précision, par rapport à d’autres méthodes récentes de segmentation (2D et 3D).

In this paper, we develop a three dimensional (3D) segmentation algorithm of the lumen visualized using intravascular ultrasound (IVUS) imaging. These images are known for their various granular textures (speckles) that make the discrimination of different tissues very difficult, especially as a result of the presence of artifacts and shadows generated by tissue calcification. Our model consists of a helical active contour initialized automatically over the sequence, that evolves based on the analysis of the Rayleigh distribution of gray levels in order to extract the luminal border. This novel algorithm is fast, uses an adaptive simple space curve for 3D extraction of the lumen, and is fully automatic. Consequently, it does not require an initialization close to the lumen border. Segmentation was carried out on 19 IVUS sequences with a total of 8918 images acquired in vivo on nine femoral and ten coronary arteries using a 20 MHz probe. These sequences showed many difficulties, such as severe stenosis, bifurcations, side vessels, shadows, and other artifacts. The quantitative evaluation of our algorithm compared to the ground truth for the femoral and coronary datasets showed an overlap greater than 89% for the Jaccard index and greater than 94% for the Dice index, yielding an accuracy of more than 98.5%. Several other metrics are also presented that confirm the efficiency of our helix model compared to other recent methods reported in the literature using a similar ultrasound probe.

Intravascular ultrasound imaging (IVUS) is an interventional cardiology technique for assessing atherosclerosis lesions in artery. This technique generates images showing the different layers of the artery and allows quantitative measurements reflecting its condition. However due to the acquisition process these images are affected by artifacts like ring-down, guide wire and shadows generated by tissue calcification. In this paper we develop a 3D algorithm based on a helical snake (active contour) for the lumen segmentation in intravascular ultrasound images. The helix snake evolves based on the analysis of the statistical properties computed on windows inside and outside the contour until it reaches the luminal border. In addition we show the influence of the ring-down artifact for the luminal border detection by adding a pre-processing step for reducing its adverse effect. The algorithm was executed on 2190 images from two clinical IVUS sequences of femoral arteries presenting the ringdown artifact. The performance of the algorithm was evaluated with respect to expert manual plots and gave a mean Hausdorff distance of 0.31 mm with overlap of 89.50 % and 94.38 % for respectively Jaccard and Dice indexes improving the result by 0.29 mm, 8.79 % and 5.36 % compared to the result without artifact removal.

Le traitement et l’interprétation des images médicales reste un problème ouvert, le but étant d’isoler les éventuelles pathologies. Sachant que la phase de segmentation est une étape importante de cette interprétation, nous présentons dans cet article une approche de segmentation d’images IRM cérébrales basée sur une architecture Multi-Agents. Dans cette approche, deux catégories d’agents, des agents région et des agents contour, sont situés dans l’image et coopèrent dans le but d’améliorer une segmentation imparfaite Pour ceci, nous avons utilisé l'approche de ligne de partage des eaux pour définir des agents région et le filtre de Canny ainsi qu’un opérateur d’approximation polygonal pour définir des agents contour. L’approche Multi-Agents proposée a été implémentée et nous avons testé ce modèle sur des images médicales IRM. Les résultats obtenus montrent l’efficacité de l’approche proposée.

Le traitement et l’interprétation des images médicales reste un problème ouvert, le but étant d’isoler les éventuelles pathologies. Sachant que la phase de segmentation est une étape importante de cette interprétation, nous présentons dans cet article une approche de segmentation d’images IRM cérébrales basée sur une architecture Multi-Agents. Dans cette approche, deux catégories d’agents, des agents région et des agents contour, sont situés dans l’image et coopèrent dans le but d’améliorer une segmentation imparfaite Pour ceci, nous avons utilisé l'approche de ligne de partage des eaux pour définir des agents région et le filtre de Canny ainsi qu’un opérateur d’approximation polygonal pour définir des agents contour. L’approche Multi-Agents proposée a été implémentée et nous avons testé ce modèle sur des images médicales IRM. Les résultats obtenus montrent l’efficacité de l’approche proposée.

the medical image processing and interpretation remain an opened problem. The main goal is to isolate possible pathologies. Knowing that the phase of segmentation is n important step of this processing, we present, in this article, an approach for segmenting cerebral IRMs images based on a multi-agents architecture. In this approach, two categories of agents, region agents and edge agents, located in the image, cooperate with the aim of improving an imperfect segmentation. The region agents and edge agents are respectively defined by applying the watershed approach of watershed and Canny’s filter flowed by a polygonal operator approximation. The Multi-Agents approach proposed was implemented and applied to real medical images (cerebral IRMs). The good results obtained show the effectiveness of the proposed approach.