Fusion entre les données ultrasonores et les images de radioscopie ...

&KDSLWUH ,,, 7UDLWHPHQW DXWRPDWLTXH GHV GRQQpHV
__________________________________________________________________________________________
II.1.3.6.
Performances de la méthode de segmentation
Evaluer les performances d'une méthode de segmentation est toujours une étape
délicate, d'autant plus lors de cette étude puisque l'accent est mis sur l’attribution de mesure
de confiance et sur la fusion de données. Le processus de traitement que nous avons élaboré
ne peut se suffire à lui-même. L’objectif de notre méthode est d’associer une mesure de
confiance en la présence d’un défaut pour chaque objet détecté en fonction de ses
caractéristiques physiques, lesquelles sont étudiées dans le paragraphe suivant. On n’a donc
plus une détection en tout-ou-rien (vrai défaut/ faux défaut) mais une détection d’objets
associée à une mesure de confiance.
II.2. Analyse des objets détectés
Puisque nous avons choisi d'élaborer une méthode de segmentation capable de détecter des
défauts très faiblement contrastés au risque de détecter également des faux défauts, il nous
faut rechercher quelles caractéristiques des objets pourraient être capables de les différencier.
Il existe un grand nombre de descripteurs dans la littérature. Certains traduisent l'intensité de
l'objet (histogramme, contraste), d'autres s'attachent à décrire la texture (matrice de
cooccurrence, indice de rugosité, filtres de Gabor) et d'autres enfin décrivent la forme de
l'objet (descripteurs de Fourier, de Feret)…
Une technique pour choisir les paramètres judicieux consiste à mesurer de multiples
descripteurs sur un grand nombre d'objets, puis, de ne sélectionner que les plus discriminants,
à l'aide de technique de classification tels que les réseaux de neurones ou les arbres de
décision flous [OUKH-97][BOTH-96]. Dans le domaine de l'imagerie médicale par
tomographie X, il peut s'agir de rechercher dans la structure osseuse, des paramètres de
structure, de connectivité ou encore de texture pour déterminer un risque de fracture chez le
patient atteint d'ostéoporose. Chaque descripteur de l'image est estimé par comparaison avec
des caractéristiques mécaniques évaluées en laboratoire [CEND-98].
Lors de notre étude, les descripteurs sont choisis à partir de considérations sur l'origine
physique des défauts présents dans l'image segmentée et en tenant de règles classiques
d’analyse utilisées par l’expert humain. Les descripteurs sont choisis essentiellement dans
l’objectif de distinguer les vrais défauts des fausses détections. Les fausses détections
proviennent soit du bruit de l'image, soit de variations locales d'épaisseur de matière. Le bruit
peut être de même amplitude qu’une soufflure par exemple et, c’est la raison pour laquelle le
3DJH