APPRENTISSAGE ET OPTIMISATION INTELLIGENTE POUR UNE SEGMENTATION ROBUSTE D’IMAGE

Abstract

Ce travail de thèse s’inscrit dans le domaine de segmentation d’image et s’intéresse de façon particulière au problème de la segmentation de l’image rétinienne qui consiste à l’extraction automatique des structures anatomiques et pathologiques comme les vaisseaux sanguins. Ceux-ci sont de bons indicateurs de la santé de la rétine et leur segmentation peut également aider à détecter les lésions rouges, indicatrices de la rétinopathie diabétique. Malgré l’abondance des travaux dans ce domaine et les progrès récents dans la technologie d’acquisition de ces images, le problème de la détection des vaisseaux reste très compliqué. En effet, les images obtenues peuvent souffrir de problèmes d'illumination non uniformes, ce qui amène à une mauvaise définition des bords de vaisseaux et une interruption de la connexité du réseau vasculaire, rendant ainsi l’apparition des petits vaisseaux très faibles par rapport à la région de fond adjacente. C’est pourquoi que le fait de s’orienter vers les techniques d’apprentissage et d’optimisation intelligente est très important, ceci permettra de proposer une segmentation robuste qui améliore la détection des vaisseaux sanguins et attenu le problème de la complexité de calcul. Dans ce contexte, notre contribution prend deux formes: la première consiste en l’exploitation de la flexibilité et la puissance de l’algorithme Elite-guided Multi-Objective Artificial Bee Colony (EMOABC) pour proposer une méthode de segmentation par seuillage, rapide et sensible au contexte des images rétiniennes, et permettant d'optimiser simultanément plusieurs critères de segmentation. Cela pourrait améliorer la robustesse vis-à-vis des différents artéfacts contenus dans les images rétiniennes. La deuxième consiste à exploiter la puissance de la technique d’optimisation par essaims de particulaires (PSO) pour trouver la meilleure disposition des échelles de la méthode Multi-Scale Line Detection (MSLD), et aussi gérer le problème de la recombinaison de réponse en échelle, ce qui permet de traiter le problème de la détection de vaisseaux de diamètres différents dans les images de fond d'œil de basse et de haute résolution. L'intégration de la méthode proposée dans un système Computer-Aided Diagnosis (CAD) pour le dépistage de la rétinopathie diabétique permettrait de réduire les faux positifs due à de petits vaisseaux manqués, mal classés en lésions rouges. Pour montrer l’efficacité des méthodes proposées par rapport aux travaux reportés dans l’état de l’art, des études expérimentales sont faites, sur des différentes bases d’images rétiniennes (basse et haute résolution) utilisées dans le test.