These Feroui Ohetalmologie

R EP U BL I QU E A L G ER I ENN E D EM O CR A T IQ U E ET PO PU L A IR E
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
ANALYSE DES IMAGES COULEUR DU

FOND DIL POUR LAIDE AU
DIAGNOSTIC EN OPHTALMOLOGIE:
APPLICATION A LA DETECTION DES
PATHOLOGIES RETINIENNES.
Composition du jury
CHIKH MOHAMMED EL AMINE PR. Universit de TLEMCEN Prsident

BESSAID ABDELHAFID PR. Universit de TLEMCEN Directeur de Thse
KADDOUR ABELHAFID PR. USTO, ORAN Examinateur
TALEB NESREDDINE PR. Universit de SIDI BELABBES Examinateur
MAHMOUDI SAID PR. Universit de MONS, Belgique Examinateur
BENTOUTOU YOUCEF D R . C e n t r e d e s T e c hn i q u e s S p a t i a l e s , O r a n Examinateur
Rsum : La rtinopathie diabtique (RD) et la dgnrescence maculaire lie lge (DMLA) sont
les principales causes de ccit et de dficience visuelle chez les adultes. La dtection prcoce de ces
maladies par un dpistage rgulier est particulirement importante pour prvenir la perte de vision.
La mise en uvre de mthodes reposant sur la dtection prcoces des signes cliniques de la RD et la
DMLA permettent damliorer grandement le diagnostic de ces maladies.
nous proposons dans cette thse un systme danalyse dimages du fond dil intgrant les techniques
de traitement dimages pour la dtection des lsions lies ces maladies a savoir : les micro-anvrismes,
les hmorragies , les exsudats et les druses.
La dtection des pathologies lie la RD et la DMLA, se base essentiellement sur lextraction des
structures anatomiques principales de la rtine: le rseau vasculaire, le disque optique et la macula.
Les mthodes de dtection des pathologies rtiniennes proposes dans cette thse utilisent la
morphologie mathmatique et les algorithmes de classification.
Les algorithmes dvelopps dans le cadre de ce travail sont tests sur un ensemble dimages des bases
des donnes MESSIDOR, DIARETDB1, DRIVE, et STARE. Lvaluation des mthodes proposes est
effectue par une comparaison des rsultats obtenus par rapport la vrit terrain et par rapport aux
travaux de recherche existants dans ce domaine.
Mots cls : Ophtalmologie ; Analyse du fond dil ; Rtinopathie diabtique ; Dgnrescence

maculaire lie a lge ; Segmentation ; Morphologie mathmatique ; Classification
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.
En premier lieu, Je tiens exprimer mes plus vifs remerciements au professeur

BESSAID ABDELHAFID qui fut pour moi un Directeur de Thse attentif et disponible
malgr ses nombreuses charges. Sa comptence, sa rigueur scientifique et sa
clairvoyance mont beaucoup appris. Je le remercie galement pour ses multiples
conseils et pour toutes les heures qu'il a consacres diriger cette recherche. Je
noublie pas enfin son aide prcieuse dans la correction de ma thse. Enfin, jai t
extrmement sensible ses qualits humaines d'coute et de comprhension tout au
long de ce travail doctoral.
Je tiens tmoigner toute ma reconnaissance Monsieur MESSADI MAHAMMED ;

maitre de confrences pour son attention de tout instant sur mes travaux, pour ses
conseils aviss et son coute qui ont t prpondrants pour la bonne russite de cette
thse. Son aide prcieuse a beaucoup contribu laboutissement de cette thse.
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 remercie, en particulier le Professeur CHIKH MOHAMMED AMINE, pour

lhonneur quil me fait dtre dans mon jury.
Je tiens remercier Monsieur, KADDOUR ABELHAFID, professeur a lUSTO,Oran,

Monsieur TALEB NESREDDINE, Professeur a lUniversit de Bel-Abes , Monsieur
MAHMOUDI SAID, Professeur a l Universit de MONS, Belgique et Monsieur
BENTOUTOU YOUCEF, Directeur de Recherche au Centre des Techniques Spatiales,
Oran davoir accept dexaminer cette thse.
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
LISTE DES FIGURES

LISTE DES TABLEAUX
INTRODUCTION GENERALE ............................................................................................ 1
Chapitre.1. Aspect Mdical
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
Chapitre.3. Segmentation des lments principaux

de la rtine
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
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
Figure. I.1. le fond doeil................................................................................................................... 8

Figure. I.2. Couche de la corne...................................................................................................... 9
Figure. I.3. la rtine......................................................................................................................... 12
Figure I.4. Image rtinienne et ses principales composantes ....................................................... 13
Figure. I.5. Prsence des micro-anvrismes et des hmorragies dans les images couleur de la rtine ...... 16
Figure. I.6. Prsence des AMIR et une occlusion veineuse rtinienne......................................... 17
Figure I.7. ischmie rtinienne et des exsudats durs .................................................................... 17
Figure I.8. Prsence des nodules cotonneux et ddme maculaire ........................................... 18
Figure I.9. No-vascularisation ...................................................................................................... 19
Figure I.10. prsence du glaucome et cataracte .......................................................................... 20
Figure I.11. Formes cliniques de la dgnrescence macula ire lie a lge ..................................22
Figure I.12.Rtinographie et angiographie a la fluorescence.........................................................23
Figure I.13. Images de lOCT ...........................................................................................................23
Figure III.1. systme danalyse des images rtiniennes .................................................................45
Figure III.2. Exemples dimages de la base de donne DRIVE ...................................................... 46
Figure III.3. Exemples dimages de la base de donne STARE .....................................................47
Figure III.4. Exemples dimages de la base de donne MESSIDOR............................................. 48
Figure III.5. Exemples dimages de la base de donne DIARETDB1 ........................................... 49
Figure III.6. Organigramme de segmentation du rseau vasculaire ............................................ 51
Figure III.7. Reprsentation de limage couleur dans lespace RVB..............................................52
Figure III.8. Le filtrage de limage amliore ...................................................................................54
Figure III.9. Rsultat du chapeau haut de forme...........................................................................56
Figure III.10. Minima rgionaux, bassin versant et LPE................................................................58
Figure III.11. Rsultat de segmentation du rseau vasculaire ; ........................................................ 60
Figure III.12. Exemples de segmentation du rseau vasculaire dans des images saines et pathologiques ...... 62
Figure III.13. Superposition entre rseau segment par la mthode propos montr en rouge et le
rseau vasculaire segment par deux ophtalmologues respectivement (montr en blanc) .....63
Figure III.14. Exemples dapparition du disque optique dans les images couleur ...........................65
Figure III.15. Organigramme de segmentation du disque optique ..............................................65
Figure III.16. Rsultat du filtrage et augmentation de contraste ..................................................67
Figure III.17. Rsultat dhomognisation et extraction de la rgion papillaire ......................... 68
Figure III.18. Courbe se dformant selon sa courbure70
Figure III.19. Rsultat de segmentation du disque optique ........................................................ 71
Figure III.20. Exemples de segmentation du disque optique dans diffrents types dimages .... 73
Figure III.21. la mesure de la performance de segmentation du disque optique dans les
quatre bases dimages ........................................................................................................74
Figure III.22. Exemples dapparition de la macula dans les images couleur ..................................74
Figure III.23. Organigramme de segmentation de la macula ....................................................76
Figure III.24. Rsultat de prtraitement ......................................................................................77
Figure III.25. Rsultat de dtection de la rgion maculaire ........................................................77
Figure III.26. Rsultat de segmentation de la macula .................................................................78
Figure III.27. Rsultat de segmentation de la macula dans diffrents types dimages ..............79
Figure IV.1. Prsence d'exsudats durs avec diffrents tailles et formes dans les images couleur ........... 84
Figure IV.2. Organigramme propos de dtection des exsudats dans les images couleur du fond dil.
................................................................................................................................................ 86
Figure IV.3. Normalisation de la couleur et augmentation de contraste de limage originale... 88
Figure IV.4. Reprsentation des rsultats de FCM........................................................................ 91
Figure IV.5. Rsultat de segmentation et limination du disque optique ...........................92
Figure IV.6. rsultat final de dtection des exsudats dans les images couleur de la rtine........ 94
Figure IV.7. Rsultats de dtection des exsudats dans les images saines et pathologiques ...... 96
Figure IV.8. Graphes de la sensibilit, prcision, sensibilit et valeur prdictive respectivement
................................................................................................................................................ 99
Figure IV.9. Sensibilit en fonction de la valeur prdictive pour diffrents valeurs de cluster K .......... 99
Figure IV.10. Prsence des druses dans les images couleur ......................................................... 101
Figure IV.11. Organigramme de dtection des druses dans les images couleur de la rtine ..... 103
Figure IV.12. Rsultat damlioration de limage originale ......................................................... 103
Figure IV.13. Segmentation de la macula et selection des rgions candidats ............................ 105
Figure IV.14. Dtection des druses dans les images couleur de la rtine .................................. 106
Figure IV.15. .Rsultats de dtection des druses dans une image saine et des images pathologiques .. 108
Figure IV.16. Graphe de la sensibilit ........................................................................................... 110
Figure IV.17. Graphe de spcificit................................................................................................ 110
Figure IV.18. Graphe de la valeur prdictive ................................................................................ 110
Figure IV.19. Graphe de prsicion... .............................................................................................. 110
Figure IV.20.Prsence des hmorragies dans les images couleur de la rtine ............................ 112
Figure IV.21. Organigramme propos de dtection des hmorragies......................................... 113
Figure IV.22. Prtraitement de limage originale ......................................................................... 114
Figure IV.23. Dtection des rgions candidats rouges .................................................................... 115
Figure IV.24. Segmentation et limination de la macula..... ........................................................ 116
Figure IV.25. Segmentation et limination du rseau vasculaire................................................. 117
Figure IV.26. Elimination des micro-anvrismes..... .................................................................... 118
Figure IV.27. principe de classification par KNN......................................................................... 120
Figure IV.28. Hyperplan et vecteur de support..... .......................................................................122
Figure IV.29. Hyperplan de sparation optimal avec marge souple dans un cas linairement
sparable.................................................................................................................................123
Figure IV.30. SVM linaire et non linaire....................................................................................123
Figure IV.31. Rsultat final de dtection des hmorragies dans les images couleur de la rtine.....
................................................................................................................................................125
Figure IV.32. rsultats de dtection des hmorragies par classification dans diffrentes types
dimages..... ............................................................................................................................ 126
Figure IV.33. Courbe caractristique de fonctionnement du rcepteur..... ................................127
Figure IV.34. . Exemple du micro-anvrisme dans une image couleur de la rtine .................. 129
Figure IV.35. Organigramme de dtection des micro-anvrismes............................................... 131
Figure IV.36. La modification de teinte de gris..................................................................................133
Figure IV.37. Les mo di fi ca ti o ns d u gra p he en f on c ti o n de u...............................................134
Figure IV.38. Rsultat daugmentation de contraste et correction dillumination..................... 136
Figure IV.39. Extraction des rgions rouges.... ............................................................................ 136
Figure IV.40. Le supremum douverture.......................................................................................137
Figure IV.41. Extraction et limination du rseau vasculaire .... ................................................. 138
Figure IV.42. Dtection des micro-anvrismes ........................................................................... 139
Figure IV.43. Rsultat final de dtection des micro-anvrismes ................................................. 141
Figure IV.44. Exemples de dtection des micro-anvrismes dans diffrentes qualit dimages ....
............................................................................................................................................... 142
Liste des Tableaux
Tableau.I.1. Lsions de la RD............................................................................................................................... 15

Tableau.I.2. Classification des stade de la RD ................................................................................................... 15
Tableau III.1.Calcul du degr de ressemblance ................................................................................................ 63
Tableau III.2.Comparaison des rsultats obtenus par notre approche par rapport aux travaux de
recherche ......................................................................................................................................................... 74
Tableau III.3. Rsultats de segmentation de la maacula (base de donne DRIVE)...................................... 80
Tableau III.4. Rsultats de segmentation de la maacula (base de donne STARE) ..................................... 80
Tableau III.3. Rsultats de segmentation de la maacula (base de donne DIARETDB1)............................. 80
Tableau IV.1. Comparaison des rsultats de segmentation des exsudats par rapport une segmentation
manuelle par lophtalmologue sur un critre bas sur la lsion ............................................................... 98
Tableau IV.2. . Comparaison des mesures de performance de notre algorithme avec ceux
reports dans la littrature pour diffrentes base de donnes................................................ 100
Tableau IV.3.Mesures des performanes par les classifieurs SVM et KNN..................................127
Tableau IV.4.Performance de la mthode propose par rapport aux mthodes existantes ..... 128
TableauIV.5. .Performance de la mthode propose par rapport aux autres mthodes hybrides
................................................................................................................................................... 144
Introduction Gnrale
Introduction Gnrale
L'imagerie mdicale a rvolutionn la mdecine en fournissant un diagnostic

efficace dans tous les domaines des sciences mdicales. En imagerie
mdicale, la qualit de lacquisition d'image et l'interprtation dtermine la
prcision du diagnostic. En effet, lapparition dordinateurs de plus en plus
performants, ont un impact norme sur l'acquisition d'images mdicales.
Elles remplissent des fonctions plusieurs volets, tels que, le contrle du
matriel dimagerie, d'effectuer la transmission, le stockage, la visualisation,
lextraction automatique dinformation, la reconstruction, le post-traitement
des donnes d'image...etc. Les systmes danalyse dimage occupent
aujourdhui une place importante et tout fait originale, dabord parce quils
ont su prouver leur intrt dans des domaines tels que la restauration
dimages ou encore la vision tri dimensionnelle, mais galement parce quils
sont en voie de se justifier dans dautres domaines jusqualors inexplors tel
que laide au diagnostic. En revanche, le rle de l'informatique dans
l'interprtation des images mdicales a jusqu'ici t limit. Linterprtation
reste un domaine presque exclusivement humain.
Ce travail de recherche se focalise sur lanalyse et le traitement des images

du fond dil, dont le but de rduire le temps le temps du diagnostique et le
traitement des maladies de la rtine pour les ophtalmologues. En effet avec
1
Introduction Gnrale
lavnement des systmes rtiniens numriss, il est possible danalyser de

manire automatique les images du fond dil, en particulier les images
rtiniennes en couleur, car leur acquisition est simple, peu couteuse et non
invasive.
De nombreuses maladies peuvent affecter la vision, parmi ces pathologies,

nous citons : la dgnrescence maculaire lie a lge et la rtinopathie
diabtique. Elles sont considres comme les causes principales de ccit
lgale dans la population adulte et dans les pays industrialises.
La dgnrescence maculaire lie a lge (DMLA) est une maladie de

la rtine provoque par une dgnrescence progressive de la macula, partie
centrale de la rtine, qui peut apparatre partir de l'ge de 50ans ,
provoquant un affaiblissement important des capacits visuelles, sans
toutefois les anantir.
Le diabte est caractris par une augmentation chronique de glucose dans

le sang. Il est devenu l'une des menaces de sant les plus croissantes
travers le monde.
Cette maladie a de nombreux effets nfastes sur le systme nerveux, le

cur, les reins et d'autres organes, mais le plus susceptible d'tre touch est
lil. Il entraine de nombreuses complications sur ces derniers, parmi celles-
ci, on note : une augmentation de la frquence de la cataracte, et le
glaucome, une augmentation des infections oculaires et une atteinte grave
de la rtine et de la macula ; il sagit de la rtinopathie diabtique (RD).
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
un diagnostic en lui fournissant un deuxime avis et fonctionne galement

comme un outil pour le dpistage de masse de la rtinopathie diabtique et
la dgnrescence maculaire lie a lge.
La dtection des pathologies lie la RD et la DMLA, se base

essentiellement sur lextraction des structures anatomiques principales de la
rtine a savoir : le rseau vasculaire, le disque optique et la macula. Par
exemple, tant donn que les caractristiques du disque optique peuvent
tre similaires ceux des exsudats, la segmentation de cet lment peut tre
exploite pour rduire les faux positifs dans la dtection de cette lsion. En
ce qui concerne le rseau vasculaire, leur segmentation joue galement un
rle important dans le dveloppement dun systme daide au diagnostique
de la RD. Par exemple, lorigine de larbre vasculaire peut tre utilise pour
localiser le disque optique. Dautre part, tant donn que le centre de la
macula (fova) est une zone avasculaire, la connaissance de la localisation
du rseau vasculaire peut aider localiser cet lment de la rtine. De plus,
en raison de similitude de la couleur du rseau vasculaire et la macula
ceux des lsions rouges, cette information peut galement tre utilise pour
diminuer les faux positifs dans la dtection de ces lsions. En outre, la
segmentation de ces lments joue un rle important dans la classification
des stades de la RD et la DMLA. Par exemple, sachant que la macula est
responsable de la vision centrale, la localisation des lsions a proximit de
cette dernire indique la gravit et la svrit de la RD et la DMLA.
Compte tenu de toutes ces considrations et au de ces annes de recherche,

nous avons fix cinq objectifs :
1: dveloppement des techniques damlioration de la qualit des
images couleur du fond dil.
2 : dveloppement des algorithmes pour la segmentation des lments
anatomiques principaux de la rtine.
3 : dveloppement dun algorithme de dtection des druses : une
lsion produite par la dgnrescence maculaire lie a lge.
4 : dtection des lsions sombres et lumineuses produites par la
rtinopathie diabtique et la DMLA: cette phase concerne le
3
Introduction Gnrale
dveloppement des algorithmes pour la dtection des exsudats, des

hmorragies et des micro-anvrismes et les druses.
5 : valuer les algorithmes sur des bases de donnes connus dans le
cadre du dpistage de la rtinopathie diabtique et la DMLA.
Les principales contributions de ce travail sont comme suit :

1. Mise en ouvres des techniques damlioration des images du fond
dil.
2. Proposition et application des mthodes hybrides pour rpondre
nos objectifs.
3. Dveloppement des algorithmes sur un ensemble des images de
caractristiques diffrentes.
4. Diffrentes bases de donnes sont utilises pour examiner les
algorithmes proposs.
5. Obtention dexcellente performance des algorithmes par rapport aux
travaux existants dans ce domaine.
II. Structure de la thse

Ce travail est divis en 4 chapitres. Un aperu sur chacun deux est donn ci
dessous :
Le chapitre. 1 : Aspect mdical
Ce chapitre prsente laspect mdical de base ncessaire pour une
comprhension de la problmatique utilise dans cette thse. Lanatomie du
fond dil et leur principe de fonctionnent sont dcrits. En outre, les
diffrentes maladies oculaires telles que la rtinopathie diabtique, la
dgnrescence maculaire lie a lge sont tudies en dtail, a savoir, les
causes et les symptmes, l'incidence, le diagnostic et le traitement. Les
diffrentes techniques dacquisition des images rtiniennes sont prsentes a
la fin de ce chapitre.
Le chapitre. 2 : Etat de lart

Ce chapitre est consacr une prsentation dune part a un tat de lart sur
les diffrentes mthodes existantes dans la littrature pour la dtection les
4
Introduction Gnrale
lments principaux de la rtine (rseau vasculaire, disque optique et

macula), dautre part, un aperu gnral sur les diffrents travaux de
recherche de dtection des signes cliniques de la RD et la DMLA (druses,
exsudat, hmorragies et micro-anvrismes).
Le chapitre. 3 : Segmentation des lments principaux de la rtine

Dans ce chapitre, nous prsentons un systme danalyse dimage du fond
dil permettant dune part, la segmentation des lments principaux de la
rtine, dautre part la dtection des lsions rtiniennes. Leur dtection est
essentielle pour le diagnostique de la RD et la DMLA. Elles sont considres
comme un repre pour identifier les lsions et les faux positifs lors de la
dtection de ces derniers. Les diffrentes mthodes proposes pour les
segmenter sont dtailles, les rsultats obtenus et lvaluation des
algorithmes sont tudis.
Le chapitre. 4 : Dtection des pathologies rtiniennes

Ce chapitre est le cur de notre travail. Il est divis en deux sections. Dans
la premire section, une prsentation des algorithmes dvelopps pour la
dtection des lsions lumineuses lies a la DMLA et la RD, a savoir, les
druses et les exsudats sont dtaills. Dans la deuxime section, les
diffrentes mthodes proposes de dtection des lsions sombres : les micro-
anvrismes et les hmorragies sont tudis. Les rsultats obtenus et
lvaluation des performances des algorithmes sont galement prsents. Ces
pathologies indiquent le risque des complications les plus graves de la RD et
DMLA, leur apparition exige un traitement instantan.
Ce travail sachve par une conclusion gnrale qui rcapitule succinctement

les diffrents travaux entrepris dans ce mmoire. Elle met en valeur les
principaux rsultats obtenus et donne quelques perspectives.
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
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.
I. Description Gnrale de lil

Lil est un organe sensoriel du corps humain qui reoit 80% des
informations extrieures. Sa fonction est de transformer linformation
lumineuse en influx nerveux transmis au cerveau. Il est de faible volume (6.5
cm3), il pse 7 grammes, de forme d'une sphre d'environ 24 mm de
diamtre, complte vers l'avant par une autre sphre de 8 mm de rayon (la
corne). Lanatomie de lil se divise en deux : Le globe oculaire et les
annexes (les muscles extra-oculaires, les nerfs, la paupire). Lil est
constitu de trois membranes: la rtine, la chorode et la sclrotique, et de
trois milieux transparents: l'humeur aqueuse, le cristallin et l'humeur vitre
(Figure. I.1) [1].
I.1. Anatomie du globe oculaire

Il est grossirement sphrique (Figure. I.1). Il est dcompos en quatre
parties principales:
la couche protectrice : corne et sclre
la couche vasculaire (nomme uve) : iris, corps ciliaire et chorode
la couche visuelle : rtine et nerf optique
le contenu de la cavit interne : humeur aqueuse, cristallin et corps
vitr.
A l'avant de l'il on dlimite 2 zones principales :
7
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
Figure. I.1. le fond dil
I.1.1. La couche protectrice (couche externe)

Cette couche comprend deux parties dont la corne et le sclre. Elles sont
rsistantes, paisses et faites de fibres collagnes. La corne est transparente
et sert de fentre pour lil tandis que le sclre est opaque.
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
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.
Figure. I.2.couches de la corne
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
veines) et, l'arrire, par une ouverture o passent les fibres du nerf
optique.
I.1.2. La couche vascularise (couche moyenne)

Elle est aussi appele luve . Elle comprend trois parties liris, le corps
ciliaire et la chorode. Cest la partie la plus vascularise du globe oculaire.
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.1.2.2. le corps Ciliaire

Partie intermdiaire de luve, sous forme dun anneau saillant lintrieur
de lil. Il joue un rle fondamental dans laccommodation et la scrtion de
lhumeur aqueuse (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).
I.1.3. La couche visuelle (couche interne)

Cest la couche la plus interne des couches qui constituent le globe oculaire.
Elle comprend la rtine et le nerf optique.
10
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
Figure. I.3. la rtine
I.1.3.1.1. La macula et la Fova

Dans la zone elliptique centrale se trouve le maximum de cnes. Cette zone
permet donc une vision trs prcise. Elle mesure 3 mm dans le grand axe et
2 mm dans le petit axe. Cette rgion se nomme la macula. Elle apparait
comme une tche jaune, situe au centre du ple postrieur comme une
fine excavation [3].
La fova est une rgion de la rtine situe dans la macula, prs de l'axe
optique de l'il, dans la partie centrale de cette dernire. Cette rgion est de
la plus haute importance pour la vision. Elle mesure 300 400 microns de
diamtre et contient 25 000 cnes.
I.1.3.2. Le nerf Optique

La transmission des informations vers le cerveau est opre par le nerf
optique. Toutes les fibres optiques issues des cellules visuelles convergent
vers un point prcis de la rtine : la papille.
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
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.1.3.4. Arbre Vasculaire

Larbre vasculaire est une structure vasculaire arborescente connecte. Elle
est charge de nourrir les parties internes de la rtine. Cette structure
vasculaire provient dans le disque optique avec l'artre centrale de la rtine
et de la veine (Figure. I.4).
Figure. I.4. : image rtinienne et ses principales composantes
I.1.4. Le contenu de la cavit interne

Il est constitu par lhumeur aqueuse, le cristallin, et le corps vitr. Ce sont
des milieux transparents.
I.1.4.1. Humeur aqueuse

L'humeur aqueuse est un liquide transparent qui remplit l'espace entre la
corne et le cristallin, constamment renouvel, responsable du maintient de
la pression intra-oculaire (Figure. I.1).
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
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).
II. Les pathologies Rtiniennes

Les Anomalies associes l'il peuvent tre divises en deux classes
principales, la premire englobe les maladies de l'il, telles que la cataracte
et le glaucome. Le deuxime groupe est class comme une maladie lie un
style de vie, telles que lhypertension, l'artriosclrose et le diabte [4]. Ces
pathologies peuvent entraner une rduction de l'acuit visuelle, dficience
visuelle et la ccit. La discussion dans cette section se concentre sur les
maladies oculaires les plus frquents, telles que, la rtinopathie diabtique,
la dgnrescence macula ire lie lge, la cataracte et le glaucome. La
section explique comment les symptmes des maladies oculaires
mergent et affectent la vision, les traitements envisags ainsi que le
diagnostic de ces anomalies.
II.1. La Rtinopathie Diabtique (RD)

Le diabte peut rsulter de facteurs gntiques et environnementaux et se
caractrise par un excs permanent de sucre dans le sang. Face une
incroyable augmentation du nombre de malades, les experts parlent
aujourdhui depidemie. Le diabte attaque les vaisseaux sanguins et
notamment ceux de la rtine, qui est trs vascularise.
La rtinopathie diabtique (RD) est une des principales causes de ccit et de

malvoyance. Les tudes pidmiologiques ralises dans les pays
industrialises la citent comme une des 4 principales causes de malvoyance
dans lensemble de la population et la premire cause de ccit chez les
sujets de moins de 50 ans [5-6].
Cette affection ne se remarque pas pendant de nombreuses annes, elle ne

devient symptomatique quau stade de complications. Le retard du
traitement est la cause essentielle de la perte de vision et est vitable avec un
14
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.
II.1.1. Signes Cliniques de la RD

Les diffrents types de lsions qui peuvent apparaitre au cours du
dveloppement de la RD sont au nombre de 9, certains dentre eux se
dclinant en sous-catgories. Ils sont lists dans le tableau. I.1.
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
II.1.1.1. Les Micro anvrismes [10]

Les micro-anvrismes sont les premiers signes non quivoques de la RD.ils
sont produits par un affaiblissement local des parois capillaires. Ils
apparaissent sous forme de points rouges. Leur taille varie de 10 100
microns de diamtre. La figure. I.5 (a) montre un exemple de telles lsions.
II.1.1.2. les hmorragies

La progression de la maladie peut produire une rupture d'une paroi d'un
capillaire ou d'un micro anvrisme ce qui provoque des hmorragies
rtiniennes. Elles apparaissent soit comme des petits points rouges
15
indiscernables partir de micro-anvrismes ou grandes taches de forme
ronde avec contour irrgulier. La figure. I. 5(b) montre certains d'entre eux.
II.1.1.3.Les Anomalies Microvasculaires Intra Rtiniennes (AMIR).
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.
II.1.1.4. Occlusions veineuses rtiniennes

Les Occlusions veineuses sont la consquence d'un ralentissement brutal de
la circulation veineuse dans la rtine. Locclusion veineuse peut durer
plusieurs mois, et mme dans certains cas devenir chronique,
Selon le sige de l'obstruction (Figure. I.6.b).
On distingue deux formes cliniques :
Dans le nerf optique : occlusion de la veine centrale de la rtine
(OVCR), ou occlusion hmisphrique en cas de veine centrale
duplique ;
Dans la rtine : au niveau d'un croisement artrio-veineux : occlusion
dune branche veineuse rtinienne (OBVR).
16
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
II.1.1.6. Les Exsudats durs

Il s'agit de l'une des principales caractristiques de la rtinopathie
diabtique. En plus de la fuite de sang, des vaisseaux galement fuient les
lipides et les protines qui causent l'apparition des exsudats. Ils
apparaissent comme des points lumineux, jauntres avec contours bien
dfinis. La figure. I.7(b) montre un exemple de telles lsions.
(a) (b)
Figure. I.7. Prsence dune ischmie rtinienne et des exsudats durs. ;(a) : ischmie
rtinienne;(b) Exsudats durs.
17
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
Figure. I.9. No-vascularisation
II.1.2. Classification des stades de la RD

Les stades de la RD sont dtermins en fonction du type, du nombre et de la
localisation des lsions prsentes (la rtine est divise en quatre quadrants).
Levolution de la pathologie peut tre classifie en un certain nombre de
stades. Lechelle que nous utilisons est lInternational Clinical Diabetic
Retinopathy Disease Severity Scale (ICDRS) [11] qui comporte cinq stades,
auxquels nous rajoutons un stade 0 correspondant une absence de
pathologie. Les stades de la RD sont dcrits dans le tableau. I 2.
Stade Description
0: Pas de RD apparente -------------------------------------------------
1 : Rtinopathie non prolifrante minime Prsence de micro-anvrismes uniquement
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
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).
II.4. Dgnrescence maculaire lie a lge (DMLA)

Une autre maladie de la rtine qui a un effet similaire la rtinopathie
diabtique, mais d'autres causes est la dgnrescence maculaire lie l'ge
(DMLA). Elle apparait aprs lge de cinquante ans et entranant une
altration de la fonction rtinienne maculaire donc de la vision centrale. La
prvalence globale de la maladie est de 8% aprs 50 ans. Cette prvalence
globale augmente progressivement avec lge: ainsi, elle est denviron 1 2%
entre 50 et 65 ans, 10% entre 65 et 75 ans, et 25% entre 75 et 85 ans.
20
II.4.1. Signes cliniques de la DMLA

Cliniquement, on distingue deux formes de la dgnrescence maculaire lie
lge : une forme atrophique (80% des cas), et une forme exsudative (20%
des cas) [13].
II.4.1.1. Maculopathie lie lge (MLA)

La MLA reprsente le stade prcoce de la maladie. Elle nest pas ou peu
symptomatique sur le plan visuel. Elle est caractrise par la prsence, dans
la macula (zone centrale de la rtine) daltrations au niveau de lpithlium
pigmentaire ou de dpts au niveau de la rtine appels drusen. Au fond
dil les druses apparaissent comme des amas ronds blanchtres, de forme
et de taille variables (Figure. I.11.a). La prsence dune MLA un ou deux
yeux entrane un risque de dvelopper une DMLA 5 ans pouvant aller
jusqu 50 %. Selon limportance de la MLA, des traitements prventifs par
antioxydants peuvent tre prescrits.
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).
II.4.1.3. Forme exsudative

La forme exsudative ( forme humide) est deux fois plus frquente que la
forme atrophique, elle se caractrise par lapparition de no-vaisseaux
chorodiens dans la macula, qui sont responsables ddme et dexsudation
intra ou sous rtinienne, ou dhmorragies rtiniennes. Son volution est le
plus souvent rapide ou rapidement progressive (Figure. I.11.c).
21
(a) (b) (c)

Figure. I. 11. Formes cliniques de la dgnrescence macula ire lie a lge ; (a) :
Maculopathie lie l'ge (forme prcoce de DMLA) : druses et altrations de
l'pithlium pigmentaire ; (b) DMLA de forme atrophique ;(c) : DMLA de forme
exsudative : forme avance avec fibrose au niveau de la macula
III. Techniques dAcquisition des Images Rtiniennes

Dans cette section du chapitre, nous prsentons les diffrents appareils
permettant lacquisition des diffrents types dimages couleur du fond dil.
III.1. Rtinographe mydriatique(RM) et non mydriatique(RNM)

Le rtinographe est utilis pour surveiller d'ventuelles modifications du fond
d'il, il permet la ralisation de photographies couleurs du fond d'il.
L'examen est totalement indolore. Il peut tre ralis sans dilatation
pupillaire (d'ou le nom de RNM, Rtinographe Non Mydriatique). Mais si une
analyse fine des 9 champs du fond d'il est souhaite, une dilatation
pupillaire est souhaitable pour l'obtention de clichs de bonne qualit.
L'archivage des photos permettra un examen comparatif de l'tat du fond
d'il d'une visite l'autre afin de juger d'une ventuelle volution (Figure.
I.12.a).
III.2. Angiographie a la fluorescence

Cet examen consiste en la prise de photographies du fond d'il aprs
injection intraveineuse d'un colorant fluorescent (fluorescine, vert
d'indocyanine). Il permet une tude dtaille des vaisseaux sanguins pour
tablir le diagnostic de certaines maladies ou guider un traitement, par
exemple, lorsqu'une photo-coagulation au laser est envisage. Les
indications essentielles sont la rtinopathie diabtique et les
dgnrescences maculaires (Figure.12.b).
22
Figure. I.12. (a) : Rtinographie (b) : Angiographie a la fluorescence
III.3. Tomographie a Cohrence Optique (OCT)

La tomographie Cohrence Optique (OCT), est un appareil ultramoderne
qui permet de visualiser au niveau microscopique la rtine [14] et
dindividualiser ses diffrentes couches (Figure 13). Il utilise un laser
infrarouge qui balaie la rtine. Lappareil analyse les rayons renvoys et
reconstruit toute lpaisseur de la rtine grce des procds informatiques.
Cet appareil est indispensable au suivi des maladies de rtine. Lappareil
donne des images de laspect microscopique des diffrentes couches de la
rtine. Elles permettent ainsi de mieux connaitre ltat de la rtine, la
prsence de lsions et aiguillent dans le choix de la technique la plus
adapte au traitement de lanomalie.
Figure. I.13. images de lOCT
23
IV. Dpistage de la RD et DMLA

La prvention de la RD et la DMLA se concentre sur un contrle continu et
un traitement prcoce. Ces actions prventives peuvent retarder ou arrter la
progression de ces maladies, prvenir la ccit et amliorer la qualit de la
vie. Comme il n'y a pas de symptmes saillants dans les premiers stades de
la RD et la DMLA, et le nombre de symptmes et la gravit augmentent
essentiellement avec le temps, un dpistage rentable sur de grandes
populations est ncessaire [15-16]. Le dpistage est une action prventive
secondaire qui vise trouver et traiter des conditions qui ont dj eu lieu,
mais qui n'ont pas atteint un stade qui ncessitent des soins mdicaux. Des
tudes ont rvl que les personnes ges et les personnes qui souffrent
d'avantage de diabte de frquenter rgulirement une sance de dpistage
[17-18]. Par ailleurs, la progression de ces maladies est rvise au moins une
fois en 1-3 ans, ce qui en rsulte une quantit croissante d'informations
pour l'examen. C'est pourquoi le dveloppement dun systme d'analyse
d'images est ncessaire pour le dpistage de la RD et la DMLA.
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
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.
II.1. Segmentation des lments principaux de la rtine

II.1.1. Segmentation du rseau vasculaire
Dans la littrature, de nombreuses mthodes de segmentation des vaisseaux
rtiniens ont t rapportes. Celles-ci peuvent tre divises en deux
groupes : des mthodes bases sur des rgles et des mthodes supervises.
Dans le premier groupe. Les chercheurs ont utilis des oprateurs de la
morphologie mathmatique, les filtres adapts, les modles bass sur un
seuillage local adaptatif ou modle dformable et la segmentation par
croissance de rgion, dautre part, les mthodes supervises bases sur une
26
classification par pixel. Dans cette section ; nous citons quelques travaux
qui ont t dvelopps dans chaque catgorie de mthode.
II.1.1.1. Mthodes bases sur les rgles

Can et al [19], Chutape et al [20], Liu et Sun, [21] ; Tolias et Panas, [22] ;
Zhou et al, [23] ont segments le rseau vasculaire en suivant des lignes
centrales des vaisseaux a partir dune srie de points tablis
automatiquement ou par voie d'tiquetage manuel, les vaisseaux sont alors
tracs. Le filtre de sobel et des filtres adapts ont t utiliss pour trouver la
direction du larbre vasculaire. Les mthodes tentent pour obtenir le chemin
qui correspond le mieux un modle de profil du rseau vasculaire. Ces
mthodes ont donn des mesures prcises sur la tortuosit et la largeur des
vaisseaux sanguins.
Les oprateurs de la morphologie mathmatique ont t utilis par : Henegha

et al [24], Mendona et al [25] ; Walter et al [26]; Zana et al [27] en se
basant sur les informations sur les caractristiques du rseau comme tant
linaire par morceau et connect. Tout dabord une opration de filtrage est
applique suivie dune utilisation des oprateurs morphologique pour le
segmenter. La principale limite de cette technique est que les
caractristiques importantes comme intersection et les points de bifurcation
peuvent tre rats.
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.
L. Espona et al [30] ont utilis le principe du contour actif pour segmenter

larbre vasculaire
27
Dans les approches bases sur la croissance de rgion, il a t considr

que, les pixels les plus proches les uns des autres et possdant des
intensits de niveaux de gris similaires taient censs s'intgrer dans le
mme objet. Ces approches rassemblent progressivement les pixels dans
une rgion partir d'un point de dpart en fonction des critres prdfinis
[31-33]. Les critres utiliss pour la segmentation taient la valeur de
similitude et la proximit spatiale. La limitation des approches de croissance
de rgion, vient du fait quelles produisent une sur- segmentation en raison
des changements dans l'intensit de l'image.
Les approches proposes par Martinez-Perez et al [34], sont bases sur la

segmentation multi-chelles du rseau vasculaire en faisant varier des
rsolutions de limage [35-41]. Le principal avantage de cette approche est
leur vitesse de traitement. Dans ces approches les gros vaisseaux sanguins
ont t segments dans des rgions ayant une faible rsolution, alors que les
petits vaisseaux ont t segments dans des rgions de grande rsolution.
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.
II.1.1.2. Mthodes supervises

Rcemment, plusieurs mthodes supervises bases sur la classification des
pixels en deux classes : rseau ou non rseau ont t explores afin d'obtenir
des rsultats satisfaisants. Le classifieur est form par un apprentissage
supervis des donnes partir d'images manuellement marques par des
ophtalmologues expriments. Niemeijer et al [43] ont utilis le classifieur de
k-plus proche. Soares et al [44] ont utilis le classifieur Bayesian. Lanalyse
multi-chelle a t effectue sur l'image en utilisant la transforme en
ondelettes de Gabor. Le niveau de gris du canal vert invers et la rponse
maximale de la transforme de Gabor dans quatre angles de diffrentes
chelles ont t considres comme le pixel caractristiques. Ricci et Perfetti
[45] ont utilis le support vecteur machine (SVM) pour la classification du
pixel comme rseau ou non rseau. Ils ont utilis deux dtecteurs de lignes
orthogonales de long de l'chelle de niveau de gris du pixel cible pour
28
construire le vecteur de caractristique. Staal et al [46] ont dvelopp un

systme bas sur l'extraction des artes de l'image, qui concident
approximativement avec la ligne mdiane des vaisseaux. Les crtes sont
utiliss pour composer les primitives sous la forme d'lments de ligne. Avec
les lments de ligne, une image est divise en rgions, en attribuant
chaque pixel de l'image l'lment de ligne le plus proche. Chaque lment de
la ligne constitue un cadre de coordonnes local pour la rgion
correspondante. Pour chaque pixel, le vecteur caractristique est calcul et
qui fait usage les proprits des rgions et les lments de la ligne. Le
vecteur de caractristique est class selon le classifieur KNN. C. Alonso et al
[47] ont utilis des rseaux de neurones cellulaires (CNNs). Le but
dutilisation des CNNs t d'amliorer le temps de calcul.
Les mthodes de segmentation du rseau vasculaire prsentes ci-dessus

donnent des rsultats satisfaisant pour segmenter les gros vaisseaux.
Toutefois, les principaux problmes auxquels sont confrontes ces
approches sont:
Mauvaise extraction des vaisseaux sanguins dans les images
faiblement contrast.
Les vaisseaux minces ne sont pas segments.
La prsence des faux positifs dans le cas ou les images prsentent des
lsions ayant des caractristiques semblables que le rseau vasculaire.
Les vaisseaux contenants des pathologies ne sont pas dtects.
Afin de relever ces dfis, nous proposons dans le chapitre suivant une
mthode permettant de dtecter la ligne centrale des vaisseaux dans les
images de diffrentes qualits.
II.1.2. Segmentation du disque optique (DO)

La localisation et la segmentation du disque optique sont des taches
importantes pour la dtection de la RD ; En raison des problmes de
circulation survenus au cours des premiers stades de la RD, de nouveaux
vaisseaux sanguins trs fragiles seront dvelopps dans une grande partie
dans la zone du DO. Cependant leur dtection est requise comme condition
29
pralable pour les tapes suivantes dans de nombreux algorithmes utiliss

pour l'identification et la segmentation des structures anatomiques et
pathologiques dans les images rtiniennes. La position des rgions comme la
macula et la fova peut tre dtermine partir de la position du disque
optique. En outre le disque optique peut tre utilis comme marqueur pour
effecteur le recalage des images rtiniennes.
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.
Dans le paragraphe suivant ; nous prsentons les diffrentes approches de

localisation et de dtection du contour du disque optique reportes dans la
littrature.
II.1.2.1. Localisation du disque optique (DO)

La mthode propose par Hoover et al. [48] ont utilis la convergence de
l'arbre vasculaire en tant que caractristique essentielle pour la dtection de
disque optique. Dans cette mthode, le disque optique a t identifi comme
le point focal de l'arbre vasculaire. La convergence de l'arbre vasculaire a t
dtecte par la recherche des points d'extrmit des formes linaires tels que
les vaisseaux sanguins.
Une autre mthode utilise la convergence de larbre vasculaire pour dtecter

le centre du disque optique a t propos par Foracchia et al [49]. Les quatre
gros vaisseaux provenant du disque optique ont t gomtriquement
modliss l'aide de deux paraboles, et la position du disque optique a t
localise comme leur sommet commun. Cette approche a t value sur 81
images contenant des images saines et pathologiques. La position du disque
optique a t correctement identifie 98% dans 79 images [49].
Une combinaison de la morphologie mathmatique et la transformation de la

ligne de partage des eaux (LPE) a t utilise pour dtecter le disque optique
[50]. Dans cette mthode, une technique de correction de llumination a t
applique sur le canal vert de limage pour diminuer le contraste des
30
exsudats durs et liminer les variations de niveau de gris du fond de limage,

ensuite, la LPE contrle par des marqueurs a t employe pour localiser le
disque optique.
Li et Chutatape [51] ont utilis lanalyse en composantes principales pour

localiser le Disque optique. Un modle de forme actif modifi est propos
dans la dtection de la forme du disque optique, un systme de coordonnes
du fond d'il est tabli afin de fournir une meilleure description des
caractristiques dans les images rtiniennes. L'emplacement du centre du
disque optique a t trouv en calculant la distance minimale entre la
limage originale et sa projection. Cette approche a obtenu un taux de la
localisation du disque de 99%.
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.
II.1.2.1. Dtection du contour du disque optique

Le contour du disque optique est utile pour tudier l'volution et les
rsultats de traitement des maladies oculaires telles que la rtinopathie
diabtique et le glaucome. Osareh et al [53] ont utilise un modle adaptatif
pour localiser le disque optique et le contour actif pour segmenter ce dernier.
Lowell et al [54], ont galement propos un modle adaptatif pour

positionner le disque optique, et un modle de contour dformable pour le
segmenter. Ce dernier utilise un modle elliptique global et un modle
dformable locale. L'algorithme a t valu par une base de donnes
contenants 100 images ; il a obtenu une performance de 83%.
Wong et al [55] ont dvelopp une approche base sur lanalyse de

lhistogramme pour localiser la papille. La dtection de leur contour a t
obtenue en fonction du rsultat de la localisation et par lutilisation dune
version modifie de la mthode de du contour actif.
31
Walter et al [26] ont segment le disque optique par lutilisation de la

transformation de la ligne de partage des eaux
Dans le chapitre suivant, nous prsentons une mthode base sur la

morphologie mathmatique et les contours actifs gomtriques pour
identifier le contour du disque optique. Cette mthode fonctionne avec
prcision, mme si la limite de disque optique n'est pas continue ou floue.
II.1.3. Dtection de la macula

La position d'une anomalie par rapport l'emplacement de la fova est une
information importante pour laide au diagnostique de la RD et la DMLA. Peu
de travaux ont t reports dans la littrature pour la segmentation de la
macula, en raison de son manque d'aspect visuel stable. Gagnon et al [56]
ont propos une approche pour la dtection du centre de la macula base
sur le fait que la zone de la fovea est la rgion la plus sombre dans limage
et possde une intensit similaire que les vaisseaux sanguins. Tout dabord,
ils ont gnr une image grande rsolution a partir de limage originale ;
ensuite, le pixel le plus sombre dans limage a grande rsolution a t choisi
suivant un critre gomtrique en fonction de l'anatomie de l'il (la position
de la macula et la distance par rapport au disque optique est relativement
constante). Ce pixel correspond la zone occupe par la macula dans l'image
originale. Finalement le centre de la macula a t trouv par la recherche
dans le voisinage de ce pixel le plus sombre sur l'image originale de bonne
rsolution.
Li et Chutatape [57], ont prsent une mthode pour localiser la fovea. Ils
ont bas sur lutilisation de ces caractristiques ainsi que sur larc vasculaire
pour limiter la zone de recherche. A cet effet, ils ont prsent une approche
base sur un modle de forme active pour extraire les principaux vaisseaux.
Finalement, le centre de la fova a t obtenu par lapplication dune
opration de seuillage dans la rgion d'intrt.
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
parabolique. Sur la base de ces deux points de repre anatomiques, la

localisation de la fova a finalement t dduite. Ils ont report une
performance de 92,5% dans 269 images.
Niemeijer et al [59] Ont prsent une mthode pour modliser la distribution
de toutes les caractristiques de la rtine. Ils ont utilis une mthode
d'optimisation pour ajuster un modle de rpartition de points dans l'image
du fond d'il. Ces points indiquent la position des principaux lments de la
rtine. Les mmes auteurs [59], ont prsent plus tard un autre travail pour
la dtection de la fova partir de la dtection du disque optique. Le pixel
avec la valeur la plus faible dans la zone dintrt est considre comme le
centre de la fovea.
Maryam et al [60] ont prsent une mthode pour la dtection de la macula.
Ils ont, tout dabord, localis le centre de la papille et amlior le contraste
des vaisseaux sanguin. La macula est ensuite localise par lutilisation de la
distance entre le disque optique et la macula. Finalement, la macula t
dtecte par la distance du centre de disque optique et une opration de
seuillage.
Soumitra Samanta et al [61] ont dvelopp un algorithme bas sur la
morphologie Mathmatique pour dtecter la macula.
Dans ce travail, nous prsentons dans le chapitre.III, une approche base

sur les oprateurs morphologiques pour la segmentation de la macula. Cette
approche est robuste l'apparition d'anomalies et dans les zones de faible
clairage.
33
II.2. Dtection de la Rtinopathie Diabtique

Dans cette section du chapitre, nous prsentons les diffrents travaux
rcents reports dans la littrature pour la dtection des lsions sombres
(micro-anvrismes et hmorragies) et les lsions clairs (exsudats) lies la
rtinopathie diabtique.
II.2.1. Dtection des lsions lumineuses

Parmi les anomalies provoques par la RD le plus souvent ; sont les lsions
lumineuses telles que les exsudats et les nodules cotonneux. Ces lsions
sont dues des lsions des vaisseaux sanguins qui fuient les protines et les
lipides. Au cours de la progression de la rtinopathie diabtique, la taille et
la distribution des lsions lumineuses peuvent tre modifies.par
consquent, ils peuvent conduire la perte de la vue lorsqu'ils sont prsents
dans la fova. Leur prsence est fortement corrle la prsence d'autres
anomalies lies la RD. La dtection et la quantification de ces dernires
contribueront considrablement au dpistage de masse de la RD.
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.
Kekre et al [64], ont dvelopp une mthode base sur la morphologie

mathmatique et une approche hybride. Lalgorithme se compose de trois
tapes : prtraitement, regroupement et post traitement. Dans la phase de
prtraitement limage a t redimensionne, ensuite une dilatation
morphologique a t effectue. Dans la deuxime phase les techniques de
34
Linde-Buzo-Gray et k-means ont t applique pour dtecter les exsudats.

Dans la dernire phase, les pixels indsirables ont t enlevs pour obtenir
que les exsudats.
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.
Nidhal et al [66], ont dvelopp un algorithme bas sur lutilisation des

canaux de couleur et certaines caractristiques de limage afin de distinguer
les exsudats par rapport au fond de limage.
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.
Un classificateur discriminant la distance minimale a t utilis par Wang et

al. [68] pour classer chaque pixel dans les lsions lumineux (exsudats durs,
des taches cotonneux) ou non. Pour une valuation base sur l'image, cette
approche a obtenu 100 % de sensibilit et 70 % de spcificit.
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.
Un algorithme de croissance de rgions rcursif a t utilis pour la

dtection des exsudats [71]. Une sensibilit de 88,5 % et une spcificit de
35
99,7% ont t obtenues. Osareh et al [72] ont utilis le Fuzzy C -Means

(FCM) et le rseau de neurones multicouche avec dix entres a t utilis
pour classer les exsudats de non -exsudats. Cette mthode atteint une
sensibilit de 92 % et une spcificit de 82%.
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.
L'algorithme propos par Li et al. [74] divise l'image rtinienne en 64 sous-

images et la dtection des exsudats a t ralise dans chaque sous-image
en utilisant une segmentation par croissance de rgion et un algorithme de
dtection du contour. La sensibilit et la spcificit de dtection des
exsudats ont t respectivement de
100 % et 71%.
Sanchez et al [75] ont utilis une information contextuelle pour la dtection

des exsudats. Ils ont obtenu une sensibilit de 91 % et spcificit de 70 %.
Hussain et al [76] ont dvelopp une approche base sur lutilisation dun
seuillage adaptatifs et une classification pour dtecter les exsudats.
Lalgorithme qui a t propos consiste une tape de dcomposition de
limage en sous-image par lutilisation de la technique de segmentation par
rgion, ensuite, une dtection du contour par gradient morphologique.
Finalement une classification a t effectue pour sparer les exsudats par
rapport au non exsudats. Une sensibilit de 93.1% t obtenu par
lalgorithme.
Kavitha et al [77] ont utilis une mthode base sur le seuillage

d'histogramme couleur pour identifier les exsudats et les nodules cotonneux.
La sensibilit, la spcificit et la prcision obtenue par cette approche ont t
89,78 %, 99,12 % et 99,07 %, respectivement. Cependant, cette mthode a
36
donn une fausse dtection en raison de similitude entre certains pixels

exsudatifs et ceux du disque optique et du bord des vaisseaux sanguins.
Le tableau 1 rsume les principales caractristiques de quelques mthodes

proposes dans la littrature pour la dtection des exsudats.
Technique sensibilit Specificit Nombre Methodes utilises

dimage
Sopharak et al [62] 80% 99.5% 60 La morphologie mathmatique
Yun et al [78]. 80% 99.5% 124 La morphologie mathmatique et le
rseau de neurone
Welfer et al [79] 70.5% 98.8% 89 Les oprateurs morphologiques
Garcia et al [80] 88% 84% 117 Rseau de neurone et classification
SVM
Fleming et al [81] 95% 86.6% 13,219 Morphologie mathmatique et
dcomposition multi-echelle
Dupas et al [82] 92.8% 30 Classification par pixel
TABLEAU. II.1. METHODES DE DETECTION DES EXSUDATS
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.
II.2. 2. Dtection des lsions Sombres

Les micro-anvrismes et les hmorragies sont les lsions rouges ou
sombres.les microanvrismes apparaissent dans les stades trs prcoces de
rtinopathie diabtique, alors que les hmorragies apparaissent au stade de
la rtinopathie diabtique prolifrante. La dtection de ces deux lsions
sombres est trs importante, elles sont considres comme des indicateurs
de la progression de la maladie.
Les premires mthodes de dtection des lsions sombres ont t publies

par Baudoin et al [83], ils ont dtect les microanvrismes dans les images
angiographiques par lapplication de la transformation chapeau haut de
37
forme en utilisant un lment structurant linaire diffrentes orientations.

Ensuite une opration de seuillage est effectue sous limage du chapeau
haut de forme. Les petits microanvrismes de forme ronde ont t distingus.
Cependant cette mthode tait trs sensible elle a donne beaucoup de faux
positifs.
Walter et al [84] ont propos un prtraitement qui consiste en un filtrage

pour diminuer le bruit et augmenter le contraste. Les rgions candidates ont
t trouves par lutilisation des techniques de seuillage et des filtrages
morphologiques. Cette mthode nest pas prometteuse mais elle reste le
premier travail qui porte sur la dtection des micro-anvrismes 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.
Sinthanayothin et al. [87] ont utilis la technique de croissance de rgion

suivie dun seuillage adaptatif pour dtecter les rgions sombres. Le rseau
de neurone a t ensuite utilis. Pour 30 images (dont 14 contiennent des
38
HEs et des ME), un taux de sensibilit et spcificit de 77,5% et 88,7% a t

obtenu respectivement.
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.
Akara Sopharak et al [90] ont propos dutiliser un ensemble d'oprateurs

morphologiques ajusts de faon optimale pour la dtection des micro-
anvrismes. Ils ont obtenus une sensibilit, spcificit et prcision de 81.61,
99.99%, 99.98% respectivement.
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.
Dupas et al [91] ont utilis le chapeau haut de forme et un classifieur de k-

plus proche voisin pour la dtection des micro-anvrismes. Ils ont obtenus
une sensibilit et spcificit de 83.9, 72,7%, respectivement.
Bae et al. [93], ont propos une mthode hybride de dtection de

l'hmorragie. Les rgions candidates ont t extraites l'aide d'un modle de
forme circulaire adapt avec une corrlation normalise (NCC : normalized
cross correlation (NCC).) ; Ensuite, les hmorragies ont t dtectes par une
segmentation par croissante de rgion par lutilisation dun un seuil local et
rgional. La mthode a atteint une sensibilit de 85%.
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
obtenus une sensibilit de 95,1% et une spcificit de 90,5% dans la

dtection ME et des HES.
Yuji Hatanaka et al [95] ont utilis un systme CAD (computer assisted

diagnosis) pour dtecter les hmorragies. Ils ont obtenu une sensibilit
moyenne de 85%, une limitation de cette mthode, c'est que l'absence d'une
technique de normaliser images rtiniennes et l'limination des faux positifs.
Mara Garca et al [96] ont utilis le classifieur perceptron multicouche (MLP)

pour dtecter les lsions sombres.50 images ont t utilises pour
lapprentissage et 50 pour le test.ils ont obtenus une sensibilit moyenne de
86,1% et une valeur prdictive de 71.4%.
Le principal problme dans la dtection des lsions sombre pour les

mthodes dcrites ci-dessus est la prsence de beaucoup de faux positifs
(FP). Pour minimiser les FP ; une mthode hybride de dtection de la lsion
sombre est propos dans le chapitre.III.
II.2. Dtection de la dgnrescence maculaire lie a lge

Dans la littrature, la majorit des travaux ont t dvelopps pour la
dtection des druses dans les images angiographiques. Peli, Chow, Ben
Sbeh et al [97-99] ont propos une approche fonde sur la morphologie
mathmatique pour les dtecter. Lapproche consiste extraire des sous-
classes de composantes connexes partir des ensembles de maxima et
minima locaux, en remarquant qu lintrieur de chaque druse, il existe au
moins un maximum dintensit. Cette mthode a donn des bons rsultats
sur des images de bonne qualit.
A. Thabaoui et al [100] , ont introduit une nouvelle mthode de

segmentation floue fonde sur une technique de partition optimale dimage.
Cette technique de segmentation procde dabord un partitionnement
optimal des pixels de limage en trois classes. Une premire classe reprsente
le fond de limage, une deuxime les objets qui sont les druses et une
troisime, dite classe intermdiaire, correspond aux pixels ambigus. Sur la
dernire classe de pixels, ils ont appliqu une classification floue.
40
Abramoff et al [101] ont employ deux mthodes pour la dtection des

druses dans les images couleur de la rtine. Les mthodes exploitent une
approche base sur la texture et une technique de filtrage multicanal pour la
segmentation. La premire approche n'est pas fiable en considrant de
petites et faibles druses. Cependant, la deuxime approche, est trs fiable en
prenant des druses de toutes tailles et types (lumineux ou faibles) dans une
image.
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.
Jayanthi et al [103] ont utilis le rseau de neurone et lanalyse par texture

pour extraire les 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%
Parvathi et al [105] ont propos de calculer lnergie locale pour la dtection

et le comptage des druses.ils ont utilis le filtre de Gabor pour calculer
lnergie locale de limage. Les paramtres du filtre ont t ensuite,
slectionns pour dtecter les hautes frquences afin de trouver les rgions
des druses. Cette mthode prsente deux inconvnients : la slection des
paramtres appropries et lexigence de nombreuses tapes de prtraitement.
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
Segmentation des Elments

Principaux de la Rtine
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
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.
I. Systme dAnalyse des Images Rtiniennes Propos

Pour atteindre les objectifs de notre travail, un systme d'analyse d'image du
fond d'il pour le diagnostic de la RD et la DMLA est propos (figure.1). La
construction dun tel systme peut tre structure en quatre phases
gnrales. Ces phases sont dcrites comme suit:
I.1. valuation de la qualit de l'image

Depuis que les images rtiniennes couleur sont prises en utilisant des
rtinographes, lacquisition est compltement dcouple au systme.
Cependant, de nombreux facteurs peuvent affecter le processus d'acquisition
et donne des images de mauvaises qualits. Par exemple, le mouvement des
43
yeux au moment de la capture peut conduire des images floues et la

gomtrie de lil qui diffre dun patient un autre. Avec ces
considrations, cette phase ncessite un traitement afin que les images
soient utilises par la suite.
I.2. Segmentation des principales composantes anatomiques de la

rtine
La cl du succs dun systme daide au diagnostic de RD et DMLA est
l'identification des lsions produites par ces derniers. Cependant la dtection
de ces pathologies ncessite dans un premier lieu une segmentation des
lments principaux de la rtine : le disque optique, la macula et larbre
vasculaire qui sont considrs comme un repre dans limage, en plus, ils
sont la source de beaucoup de faux positifs qui une fois les lments
principaux dtects peuvent tre limins plus facilement.
I.3. La dtection des lsions lies a la RD et la DMLA

. Il existe deux principaux dfis relever dans cette tche :
Le premier dfi est le dveloppement des algorithmes capables

d'identifier toutes les diffrentes lsions. En ce sens, un systme de
diagnostic de la RD et DMLA devrait tre en mesure de dtecter les
micro-anvrismes, les hmorragies, les exsudats, les nodules
cotonneux et les druses et pouvoir les distinguer.
Le deuxime dfi dcoule du fait que l'image analyser peut provenir

d'un patient en bonne sant ou d'un patient atteint de la maladie.
Par consquent, le systme peut produire des faux positifs, s'il ne
dtecte pas lexistence des lsions et des faux ngatifs, sil ne dtecte
pas les lsions existantes. Par consquent, le deuxime dfi est la
minimisation de ces deux types d'erreurs.
I.4. La mise en uvre d'un systme dvaluation

Dans cette phase, un systme expert pour l'identification de la RD et la
DMLA doit tre conu et mis en uvre. Compte tenu de toutes les
informations rsultantes des phases prcdentes, ce systme expert permet
44
de fournir un diagnostic de la maladie. Le systme propos est prsent

dans la figure.III.1.
Image couleur de la rtine
Prtraitement
Segmentation des
lments de la rtine Dtection de la Dtection de la
Rtinopathie diabtique Dgnrescence maculaire
Arbre vasculaire
Dtection des Lsions

Disque optique Lumineuses
Dtection des
Druses
Macula Dtection des Lsions

Sombre
Classification des stades de la RD et la DMLA
Figure.III.1. systme danalyse des images rtiniennes.
II. Description des bases de Donnes

Les bases dimages sont une ressource essentielle dans le dveloppement des
algorithmes danalyse dimages rtiniennes, ils aident considrablement les
chercheurs d'valuer et de comparer les mthodes dveloppes par rapport
aux travaux reports dans ltat de lart. Elles conduisent la mise au point
de meilleurs algorithmes. Dans cette section, nous prsentons les diffrentes
bases de donnes utilises dans notre travail [104].
II.1. Base dimages DRIVE

La base dimage Drive comprend 40 images couleur du fond dil, dont 7
prsentent des pathologies.les images sont acquises avec un rtinographe
45
non mydriatique (Canon RC5) avec un champ de vision de 45 degr (FOV).

Elles sont enregistres au format JPEG, avec une taille de 768 *584 pixels.
La base dimage est divise en deux ensembles (20 images pour
lapprentissage et le reste pour le test). La segmentation manuelle du rseau
vasculaire est effectue par deux ophtalmologues expriments. Un exemple
dimage de la base de donnes DRIVE est montr dans la figure.III.2.
(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
II.2. Base dimages STARE

Cette base dimage est compose de 20 images couleur de la rtine dont 10
images saines et 10 pathologiques. Les images sont acquises par un
rtinogrpahe de type TopCon TRV-50 avec un champ de vision de 35 degrs.
Les images sont constitues de 605 *700 avec 24 bits par pixel. Dans les 20
images, le rseau vasculaire est segment manuellement par deux expert en
ophtalmologie. Un exemple dimage de la base de donnes STARE est montr
(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.
II.3. Base dimages MESSIDOR

La base de donnes Messidor contient 1200 images couleur du fond d'il.
Ces images ont t acquises par l'Hpital Lariboisire Paris, la Facult de
47
Mdecine Saint-Etienne CHU de Brest (France). 800 images sont acquises

avec dilatation de la pupille et 400 images sans dilatation ; en utilisant un
rtinographe non mydriatique de type Topcon TRC NW6 avec un champ de
vision de 45. Les images ont une taille de 1440 * 960 en 588 images, 2240 *
1488 en 400 images et 2304 * 1536 en 212 images. Toutes les images sont
enregistres en format TIFF non compress. Pour chaque image, le grade de
la RD et le risque d'dme maculaire (EM) est fournit par des experts. Le
diagnostique est considr comme la norme de rfrence pour l'analyse des
performances de notre travail. Quelques exemples dimages de la base de
donnes sont illustrs dans la figure.III.4.
(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
II.4. Base dimages DIARETDB1

Cette base dimages est compose de 89 images couleur de la rtine dont 84
images contiennent les signes de la rtinopathie diabtique non prolifrante
et 5 images considre saines. Les images sont captures avec un champ de
vision de 50 degrs avec une haute rsolution. La taille des images est de
1500*1152 pixels. Dans chaque image, 4 experts ont marqus les zones des
micro-anvrismes, hmorragies et exsudats durs et mous. Un exemple dune
image de la base de donnes avec une segmentation par des ophtalmologues
est illustr dans la figure.III.5.
(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
III. Dtection du Rseau Vasculaire, Disque Optique

et Macula
III.1. Segmentation de larbre vasculaire

Comme il a t prcdemment dcrit dans le premier chapitre, la cause
principale de la rtinopathie diabtique (RD), est laugmentation du glucose
dans le sang. Elle produit des dommages dans les vaisseaux endothlium,
rsultant en une augmentation de leur permabilit. Les premires
manifestations des signes de la maladie sont les micro-anvrismes. La
progression de la RD provoque des tortuosits et des changements de
diamtre dans le rseau rtinien et donne naissance des no-vaisseaux.
Par consquent ; la segmentation du rseau vasculaire est une tache
importante pour la dtection de la RD. Il peut rvler l'artriosclrose, le
diabte, l'hypertension, et les maladies cardiovasculaires et d'AVC [105]. En
outre, La localisation de larbre vasculaire est utilise pour rduire le
nombre de faux positifs dans la dtection des microanvrismes et les
hmorragies [106], [86]. Comme la structure de larbre vasculaire est
caractristique du patient, elle ne change pas ou trs peu au cours dune
rtinopathie, cela privilge lusage des vaisseaux pour le recalage des images
rtiniennes prises des moments diffrents (dtection des points de
bifurcation) [107-108]. En outre, larbre vasculaire est considre comme le
premier lment dans lil qui permet de se reprer, la papille peut tre
dfinie comme son origine et la macula par son absence.
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
principales tapes de la mthode propose sont prsentes dans

lorganigramme suivant (figure.III.6).
Prtraitement
Extraction des Rgions sombres
Le seuillage
Filtre altern squentiel
Extraction de la ligne centrale du rseau vasculaire
Rsultat final de segmentation du rseau vasculaire
Figure.III.6. Organigramme de segmentation du rseau vasculaire
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
dhistogramme pour amliorer le contraste globale de limage. Ces techniques

sont les plus adaptes en traitement dimage. Les algorithmes
daugmentation de contraste et de filtrage permettent de faciliter la tche d'un
spcialiste en lui donnant la possibilit d'amliorer l'image avant de l'analyser
en plus toutes les mthodes d'analyse automatique ou semi-automatique
commencent par un prfiltrage de l'image, donc, l'amlioration peut tre vue
comme un premier pas vers l'analyse automatique des images rtiniennes.
III.1.1.1.1. Augmentation du contraste

Afin damliorer le contraste de limage, nous reprsentons limage couleur
dans l'espace RVB ; ce qui permet dtudier sparment les diffrents canaux
de la rponse spectrale (figure.III.7).
(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
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
Avec est limage amliore ; : image originale ; : ouverture morphologique par un

lment structurant ; G : filtre de gausse. Il est dfini comme suit :

G(x,y)= exp ( )

La combinaison dun filtre linaire avec un filtre morphologique a permet

denlever les bruits sans enlever les structures vasculaires importantes
(figure.III.8).
(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.
III.1.1.2.Extraction du rseau vasculaire

Une fois limage est amliore, on se focalise a mettre en vidence le rseau
vasculaire. Cette tache est ralise par une application de loprateur
morphologique dnomme : Le chapeau haut de forme [84]. Cette
transformation est utilise pour localiser des structures dans limage qui
sont plus petites que llment structurant. Ils sont en gnral appliqus
seulement aux images niveaux de gris. Elle consiste extraire tous les
dtails d'une image qui ne dpassent pas une certaine taille et qui ont t
effacs par le filtrage (l'ouverture ou la fermeture).
La transformation de chapeau haut de forme scrit de la manire suivante :
[() ]( [ ) ()]()
[ = )(])(
[() ()]()
54
Deux chapeaux hauts de forme sont dnis :
Le chapeau haut de forme blanc : permet de dtecter ce que

louverture fait disparaitre, cest--dire les pics ou structures
claires de limage originale, il est calcul par diffrence entre
limage et son ouverture.
= g (g)
Avec est limage du chapeau haut de forme blanc; (g) est louverture
morphologique de limage amliore ; g : est limage amliore.
Le chapeau haut de forme noir : permet dextraire les valles ou

les structures sombres de limage, il est calcul par la diffrence
entre la fermeture et limage.
= (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
(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.
III.1.1.3.Extraction de la ligne centrale du rseau vasculaire

La ligne de partage des eaux (LPE) est un outil de segmentation par
excellence en morphologie mathmatique [109] par rapport aux autres
mthodes bases sur le seuillage ou la squelettisation. La notion de ligne de
partage des eaux n'est pas en elle-mme proprement parle, une notion
purement issue de la morphologie mathmatique. Le concept son origine
en topographie et en hydrogologie. De nombreux auteurs se sont d'ailleurs
penchs sur cette notion en essayant de dfinir des algorithmes permettant
de la gnrer partir des donnes topographiques [110-111]. Cependant, l
ou la ligne de partage des eaux devient intressante, c'est lorsqu'elle apparait
comme le prolongement naturel des transformations morphologiques
ensemblistes comme le squelette par zones d'influence, et surtout lorsqu'on
utilise le concept sur des images teintes de gris.
La ligne de partage des eaux utilise la description des images en termes

gographiques, une image est reprsente par une fonction numrique f,
donc elle est perue comme un relief si l'on associe le niveau de gris de
chaque point une altitude. La notion de LPE est troitement lie celle de
minimum rgional.
56
- Un minimum rgional: est un ensemble connexe de pixels daltitude

constante tel quil nest pas possible, partant de cet ensemble de rejoindre
un point de la surface daltitude infrieure sans avoir grimper. Une
manire de dterminer les minima rgionaux dune image peut consister
en lexprience suivante :
-Considrons le relief sous un nuage de pluie. Une goutte deau tombant en

un point x va couler le long du relief et va nalement rejoindre le fond dune
Valle : un minimum rgional.
Soit M un minimum rgional de limage. Si une goutte deau tombant en x

rejoint nalement M, alors x appartient au bassin versant de M.
- Bassin versant dun minimum rgional : Soit M un minimum rgional

dune image numrique.
Le bassin versant associ M (not BV (M)) est lensemble des pixels x tels
quune goutte deau tombant en x rejoint nalement M.
La notion de bassin versant permet dassocier chaque minimum rgional

une portion de limage : la valle qui lui correspond.
Lensemble des bassins versants associs chaque minimum rgional de

limage dnit une partition de limage.
- Ligne de partage des eaux : Lensemble des points de sparations de

deux bassins versants adjacents forme la ligne de partage des eaux (de
cette ligne, une goutte deau peut scouler vers au moins 2 minima
locaux distincts) [112].
La prsentation de la LPE est montre dans la (Figure. III.10).
57
Figure. III.10. Minima rgionaux, bassin versant et LPE
Le problme majeur de la ligne de partage des eaux est la sur-segmentation.

Ce problme est d la prsence d'une multitude de minima dans l'image.
Pour le rsoudre F. Meyer et S. Becheur [111] ont propos une stratgie dite:
LPE contrle par marqueurs.
Lide consiste slectionner certains minimas, c'est--dire, rduire le

nombre de minimas partir desquels l'image est inonde en utilisant des
marqueurs qui sont les composantes connexes, permettant de localiser (mme
grossirement) les rgions devant tre segmentes dans limage. Ils doivent tre
choisis de manire ce que la ligne de partage des eaux concide avec les
vaisseaux, il est donc important de marquer toutes les zones entoures
partiellement ou entirement par les vaisseaux pour que la segmentation soit
correcte. La question de lobtention de ces marqueurs, c'est--dire, lensemble
de points do linondation commence, est un problme central dans tous les
algorithmes de segmentation par LPE.
Dans notre travail, nous utilisons la fonction de distance comme marqueur de

la LPE. Cette fonction dsigne la distance entre le pixel candidat qui vaut 0 et
le pixel qui lui est le plus proche non zro. Ce sont les maxima locaux. Dans
la fonction distance, ces maxima locaux sont reprsents avec des niveaux de gris
les plus levs. Cependant, avant de calculer la fonction de distance, il faut
dabord lisser les bords des vaisseaux et enlever les fausses branches
(figure.III.9.b), il ne faut absolument pas qu'il y ait un marqueur sur un vaisseau,
58
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
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
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
(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
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
(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
Pour valuer la performance de notre approche, nous calculons le degr de

ressemblance le rseau segment manuellement par deux ophtalmologues
diffrents dans les deux bases utilises et le rseau vasculaire obtenu par
notre approche (figure. III.13). Il est dfini comme suit [113] :

Avec M : est le contour initial (M) du rseau vasculaire segment par ophtalmologue et
A : le rseau vasculaire obtenu par lalgorithme.
(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)
Base dimages DRIVE STARE
Calcul de Rd [0.8- 0.98] [0.87 -0.94]
TABLEAU III.1. CALCUL DU DEGRE DE RESSEMBLANCE
Daprs les rsultats prsents dans le tableau 1, et la figure III.13 ; nous

remarquons que la segmentation du rseau vasculaire par la mthode
propose produit des rsultats identique a celles obtenus par les experts.mis
a part quelque trs petits pixels qui correspond au rseau ne sont pas
dtects. La comparaison des rsultats obtenus montre lefficacit et la
robustesse de notre approche ; avec sa simplicit et sa mise en uvre rapide
ce qui la rendre destin tre intgr dans un systme de dtection prcoce de
la RD.
63
III.2 Segmentation du disque optique

La dtection du disque optique est une tache importante pour un systme
danalyse des images rtiniennes. Leur extraction est une condition ncessaire
pour la segmentation de diffrentes pathologies telles que le glaucome, qui est
considr comme la deuxime cause la plus frquente de ccit dans le monde.
Il est caractris par llvation de pression intra-oculaire (PIO), ce qui conduit
endommager des axones du nerf optique et la perte de vision. Par le temps, Il
provoque des changements dans la forme et la taille du disque optique. Par
consquent, la dtection du contour du disque optique est un lment
important pour dtecter et mesurer la gravit de la maladie. En outre ; la
position du disque optique est utilise comme une longueur de rfrence pour
la mesure des distances dans des images rtiniennes, en particulier pour la
localisation de la macula. En plus, leur dtection est un point de dpart dans la
segmentation du rseau vasculaire. Il agit galement comme un point de
repre dans le recalage multimodal ou temporel des images. Les attributs de
disque optique sont similaires aux attributs d'exsudats et durs en termes de
couleur et de luminosit. Par consquent, il permet de rduire les faux positifs.
Dans les images couleur de la rtine, le disque optique (figure.III.14) apparait
comme une grande tache jauntre ou blanche ; de forme circulaire ou
elliptique.il est interrompue par les vaisseaux sortant. Le diamtre du disque
optique varie dun patient a un autre, il est comprise entre 80 et 100 pixels.il
est situ dans le cot nasal de la macula et caractris par un fort contraste
entre le rseau. Comme, il ne contient pas de rcepteurs pour la lumire, il est
appel la tache aveugle.
64
(a) (b) (c) (d)

Figure.III.14.Exemples dapparition du disque optique dans les images couleur ; (a) : disque optique
faiblement contrast ;(b) : disque optique avec un fort contraste ; (c) : prsence dune atrophie pr-
papillaire au niveau du disque optique ; (d) : prsence dun dme maculaire au niveau du disque
optique.
III.2.1. Mthodologie
Comme la rgion du disque optique est souvent obscurcie par le croisement des
vaisseaux sanguins et les pathologies telles que ldme maculaire qui peut
situs au niveau de ce dernier ; beaucoup de facteurs rendent la dtection du
disque optique difficile. Dans cette section du chapitre, nous proposons une
mthode base sur lutilisation dun model du contour actif pour segmenter le
disque optique dans les images saines et pathologiques avec des
caractristiques diffrentes en terme de contraste et luminosit. Les tapes de
lalgorithme propos sont dcrites dans lorganigramme suivant :
Filtrage et augmentation du contraste
Homognisation de la rgion papillaire
Extraction de la rgion papillaire
Le contour actif gomtrique
Rsultat final de segmentation du disque optique
Figure.III.15. Organigramme de segmentation du disque optique
65
III.2.1.1. Filtrage et augmentation du contraste

Sachant que le disque optique apparait souvent dans les images couleur de
la rtine avec un faible contraste, bruit et ses frontires nont pas une forme
prcise ; il est indispensable dans notre approche daugmenter leur contraste
et liminer les bruits pour obtenir une bonne dtection de leur contour. Pour
cela, nous utilisons dune part, le canal de luminance de lespace couleur
HSV. Cet espace est un modle de reprsentation dit "naturel", c'est--dire
proche de la perception physiologique de la couleur par l'il humain. Il
consiste dcomposer la couleur selon des critres physiologiques:
la teinte (en anglais Hue), correspondant la perception de la
couleur,
la saturation, dcrivant la puret de la couleur, c'est--dire son
caractre vif ou terne,
la luminance (en anglais value), indiquant la quantit de lumire
de la couleur, c'est--dire son aspect clair ou sombre.
Dans le canal V, la papille apparait avec un meilleur contraste

(figure.III.15.a) ; les contours sont bien visibles et ne sont pas vraiment
perturbs par les vaisseaux sortants. Dautre part ; une galisation
adaptative dhistogramme est applique sur limage du canal de luminance
pour renforcer le contraste. En outre ; pour conserver les contours de la
papille et liminer la grande variation de niveau de gris dans la rgion
papillaire, et rduire les bruits, nous utilisons un filtre mdian. Ce filtre
consiste remplacer la valeur du pixel central par la valeur mdiane
lensemble des valeurs contenues dans la fentre. La valeur mdiane est la
valeur pour laquelle on observe (N-1)/2 pixels de valeur suprieur et (N-1)/2
de valeur infrieure. Le rsultat daugmentation de contraste et de filtrage est
montr dans la figure.III.16.
Im1= Md*f
Avec, Im1 est limage amliore ; Md : le filtre mdian ; f est limage originale.
66
(a) (b) (c)

Figure.III.16.Rsultat du filtrage et augmentation de contraste ;
(a) Image originale ;(b) : reprsentation de limage originale dans le canal de
luminance ;(c) : rsultat de lgalisation adaptative et le filtre mdian
III.2.1.2.Homognisation de la rgion papillaire

La rgion du disque optique est gnralement fragmente en de multiples
sous -rgions par des vaisseaux sanguins. Do, lobtention dune rgion de
disque optique homogne est ncessaire pour la segmentation en utilisant
l'algorithme de contour actif. Pour cela ; nous appliquons une opration de
la fermeture morphologique sur limage amliore, en utilisant un lment
structurant de taille plus grande que la largeur du rseau vasculaire
(figure.III.17).

= )

Avec ; est la fermeture morphologique par un lment structurant de taille B ;
III.2.1.3.Extraction de la rgion papillaire

Comme la papille appartient aux rgions les plus claires de limage, une
opration de seuillage est applique pour sparer le disque optique du fond.
Pour assurer une bonne extraction de la rgion papillaire, il faut faire un
choix correct du seuil fix manuellement (figure. III.17) et effectuer, ensuite
un filtrage selon un critre de surface pour liminer les pixels isols
Soit Im(m, n) limage homognise et (m*n) la taille de limage.
O :
1, si Im (m, n) > seuil
Im(m, n)
0, si ailleurs
67
Le choix de la valeur du seuil est un problme dans le domaine de traitement

dimage. Il nest pas possible de trouver un bon seuil qui segmente tous le
contour du disque optique, comme il est montr dans la figure.III.17.
(a) (b)
Figure.III.17. Rsultat dhomognisation et extraction de la rgion papillaire ;
(a) Rsultat de la fermeture morphologique ;(b) : Rsultat de seuillage
III.2.1.4.Extraction du disque optique par contour actif
Les contours actifs sont largement utiliss en segmentation d'images pour

leur capacit intgrer les processus de dtection et de chanage des
contours en un seul processus de minimisation d'nergie. Toutefois
l'estimation des paramtres et les problmes d'initialisation font des
contours actifs une mthode difficile calibrer [114]. Le modle de contours
actifs se prsente sous la forme dune courbe (C) (ferme ou non) dont
linitialisation est situe proximit du contour recherch.la courbe C est
reprsente selon les notations suivantes :
(s, t) (s, t), y(s, t); s [a, b]et t [0, T]
O a et b dsignent les extrmits (fixes, mobiles, confondus ou non) du

contour, s dsigne labscisse curviligne le long du contour, t dsigne la
variable temporelle et v(s, t) dsigne le point courant.
Lvolution de la courbe seffectue selon un processus itratif de dformation
contrl par un test de convergence. La convergence du contour actif vers la
frontire recherche est gnralement vue comme une condition de stabilit
68
mais on peut galement la percevoir sous un aspect de rupture de modle

par dtection de chargement dtat dvolution du contour au travers des
diffrentes itrations. Le critre selon lequel le processus de dformation fait
voluer le contour t initialement associ la recherche dune
minimisation dune fonctionnelle directement interprtable en terme de
contraintes physiques : raideur, lasticit, attache aux donne. Le processus
de dformation est lie la minimisation dune fonctionnelle dnergie,
construite de telle sorte quun minimum local se trouve sur la frontire de
lobjet dtecter. Cette fonctionnelle nergie, note E(C), sexprime par :
E(C) = E(C) + E(C) + E (C)
Lnergie interne contrl laspect de la courbe C, et permet au snake de
garder sa cohsion, grce la somme de deux termes :

v(s)
v(s)
E(C) ds ds
s s

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
doit tre suffisamment lisse et rigide.

O les coefficients (s) et (s) permettent de pondrer diffremment les
termes lis respectivement la raideur et llasticit.
Lnergie externe sert introduire, par lintermdiaire de lutilisateur, des

informations de haut niveau. Ceci se traduit par la prsence de forces de
rpulsions en certains points de la courbe ou par la prsence de forces
dlasticit simulant lallongement dun ressort entre deux points de la
courbe. Les informations de haut niveau peuvent tre associes la
prsence de frontires pralablement dtectes (contraintes) ou de points
de contrles (points de passage obligs).
Lnergie dimage fait intervenir les caractristiques images que lon
cherche mettre en valeur. Dans le cas prcis o lon cherche mettre en
valeur les zones de fort contraste, on peut choisir une nergie image par la
relation :
69

E (C) |(g I(v(s)))| ds

O |(g I(v(s)))| reprsente le gradient de limage I au voisinage de la courbe v(s).

O dsigne le gradient et g la gaussienne centre dcart type .
Un maximum dnergie sera atteint si la courbe passe par les points de
gradient maximal de limage lisse par un filtre gaussien.
Pour segmenter le disque optique, nous utilisons le contour actif

gomtrique. Cette mthode met en uvre une courbe se dformant dans le
temps et lespace pour atteindre les frontires dun objet dtecter dans une
image I(x,y). La courbe se dforme comme indiqu dans la figure.III.18, selon
sa normale, une vitesse proportionnelle sa courbure.
Figure.18. Courbe se dformant selon sa courbure
En notant C la courbe, la normale intrieure a la courbe, F un terme de vitesse

dpendant de la courbure, k, lquation dvolution est de la forme
Pour faire converger la courbe vers les frontires du disque optique, la

vitesse dpend galement dune fonction g qui permettra darrt sur ces
frontires. g est une fonction dcroissante du gradient de limage tendant
vers 0 en linfini et est souvent dfinie ainsi :
1
(= )
1 + || ^
^tant limage rgularise par un oprateur gaussien et p = 1 ou 2. Les

valeurs de g(I) sont proches de 0 dans les rgions o le gradient est lev et
proche de 1 dans les rgions dintensit relativement constante. Dautre part,
on introduit une constante positive , charge de forcer lvolution du
contour vers les frontires de lobjet. On peut alors crire :
70

()

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.
III.2.2. Rsultats et Discussion

Pour valider notre algorithme, nous utilisons les images de la base de
donnes DRIVE, MESSIDOR, STARE et DIARETDB1. De ces bases de
donnes, nous avons slectionn une srie de 50 images.ces images ont t
divises en deux catgories :
10 images saines sont choisis; dont lequel les quelles disque optique
apparait avec un fort contraste, faiblement contrast ou flou.
71
40 images anormales (A partir de chaque base de donnes nous avons

slectionn 10 images) dont les pathologies sont situes proximit du
disque optique ou au niveau de ce dernier.
Des exemples des rsultats de segmentation du disque optique dans ce type
dimages sont illustrs dans la figure.III.20.
Dans les images saines ou le disque optique apparait avec un fort ou un
faible contraste, les rsultats sont satisfaisants, leur contour est bien dfini
(figure.III.20.a). Tandis que dans les images ou le disque optique apparait
flou (figure.III.20.b), lalgorithme na dtect quune partie du disque
optique ; cela est du au mauvais clairage au niveau de la rgion papillaire.
Cependant, Dans les images pathologiques ou les lsions sont situes

proximit du disque optique (figure.III.20.c) et ayant les mme
caractristiques que le disque optique en terme de couleur ; lalgorithme a
donne des rsultats acceptables. Les pathologies ne sont pas segmentes
par lalgorithme, il nya que le contour de la papille qui a t dtect.
Cependant dans quelques images ou les pathologies se trouvent au niveau
du disque optique, lalgorithme a chou, il a rat une partie du disque
optique (figure.III.20.d).
72
(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

Avec R et T sont les deux rgions papillaires segmentes manuellement et par

lalgorithme respectivement ; N est le nombre des pixels dans la rgion papillaire.
Dans le cas optimal ou les deux contours correspondent parfaitement la

valeur de M=100.elle reprsente la prcision. La mesure de la prcision de
segmentation du disque optique pour les 60 images du fond d'il est
illustre dans graphe la figure.III.21.
73
Base Drive
Base Stare
Base DiaretDB1
Base Messidor
Figure.III.21. la mesure de la performance de segmentation du disque optique dans les

quatre bases dimages
La figure.III.21 montre que dans la premire catgorie dimages, lalgorithme

a obtenu un taux de prcision suprieur 98% (le contour du disque
optique a t segment correctement par lalgorithme).cependant dans la
deuxime catgorie dimages, lalgorithme a obtenu un taux de prcision
suprieur a 98%, 96% et 94% pour les bases Stare, DiaretDB1 et messidor
respectivement. Dans les 50 images, lapproche propose atteint 88% et 98%
de prcision minimale et maximale respectivement. Le taux moyen achev
par les quatre bases est de 99.7%, 93.9%,96% et 94% respectivement.
Les rsultats de segmentation du disque optique sont satisfaisants, en les
comparants avec ceux reports dans la littrature (tableau.III.2.).
Base dimage Auteurs Taux de prcision
DRIVE - Osareh et al [115] 98.6 %

- Notre approche 99.7%
STARE - Kittipol Wisaeng et al 91.35%
[116]
93.9
- Notre approche
DiaretDB1 Osareh et al [115] 95.4%
-Notre approche 96%
TABLEAU III.2.COMPARAISON DES RESULTATS OBTENUS PAR NOTRE APPROCHE PAR

RAPPORT AUX TRAVAUX DE RECHERCHE.
74
III.3. Segmentation de la macula

La macula est une lgre fossette situe dans la partie temporelle du disque
optique. Cest cet endroit que l'acuit visuelle est maximale. Elle ne
contient aucun vaisseau. La fova est le centre de la macula, o la vision des
dtails est la plus prcise. La macula est la partie la plus sombre dans
limage, caractrise par une couleur rouge fonc. La prsence des
pathologies telles que les exsudats dans la rgion maculaire est un
indicateur majeur de la gravit de la maladie ; ce qui entraine une perte
svre de la vision. Par consquent, il devient important de dtecter la rgion
maculaire de la rtine pour la dtection automatique des anomalies et de
leur niveau de gravit. Le contraste de la macula varie dun patient un
autre. Cette diffrence prsente un problme dans la segmentation de la
macula.la figure.III. 22 montre lapparence de la macula dans les images
couleur de la rtine.
(a) (b) (c)

Figure.III. 22. Exemples dapparition de la macula dans les images couleur ;(a) : image
avec macula bien contraste montre par un cercle ;(b) : image avec prsence dun dme
maculaire ;(c) : image avec macula flou.
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
Prtraitement
Dtection de la rgion maculaire
Opration de seuillage
Extraction de la macula
Rsultat final de segmentation de la macula
Figure.III.23. Organigramme de segmentation 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).
( )
Avec est louverture morphologique par un lment structurant s de taille d ; est

limage originale et G est le filtre de gauss.
76
(a) (b) (c)

Figure.III.24. Rsultats du prtraitement ; (a) : Image originale ;(b) : canal de luminance et
galisation adaptative dhistogramme ; (c) : ouverture morphologique de limage (b).
III.3.1.2. Dtection de la rgion maculaire

Sachant que larbre vasculaire a les mmes caractristiques que la macula en
termes de contraste, ce dernier doit tre limin. Pour cela une fermeture
morphologique est applique sur limage amliore. Ainsi, Pour dtecter la
rgion maculaire ; caractrise par un grand diamtre ; qui est approximatif
inconnu. Un lissage est effectu sur limage ferme par un filtre mdian en
utilisant un masque de taille 100*100. Ensuite ; une opration de
soustraction est effectue entre limage lisse et limage ferme. Le rsultat
est montr dans la figure.III.25. Finalement, limage rsultante est binarise
en utilisant un seuil=0.1 (figure.III. 25.a).

( )

Avec : limage de la rgion maculaire ; le seuillage par un seuil ; est la

fermeture de limage amliore et ( ) est le filtre mdian de limage ferme.
(a) (b) (c)

Figure.III.25. Rsultat de dtection de la rgion maculaire ;
(a) : fermeture morphologique de limage amliore ;(b) : Rsultat de lissage de limage ferme ;(c) :
rsultat de soustraction entre limage lisse et limage ferme.
77
III.3.1.3. Extraction de la macula

Aprs avoir localis la macula, il suffit de dtecter leur contour, en faisant
appel la technique de la ligne de partage des eaux contrle par marqueur.
En utilisant comme marqueur interne le maximum de la fonction distance et
comme marqueur externe un cercle de diamtre suprieur au diamtre de la
macula. Finalement la ligne de partage des eaux est calcule sur le gradient
de limage amliore. Le rsultat de dtection du contour de la macula est
illustr dans la figure.III.26.
(a) (b) (c)

Figure.III.26. Rsultat de segmentation de la macula ;
(a) : le seuillage de limage.III.25.(c) ; (b) : superposition des marqueurs internes et externes
sur limage originale ;(c) :rsultat final de dtection du contour de la macula.
III.3.4 Rsultats et Discussion

Pour tester la mthode propose de segmentation de la macula, un ensemble de
donnes de 60 images est utilis. Lvaluation est applique sur 15 images de la
base DRIVE, 20 images de la base de donne STARE et 25 images de la base
DIARETDB1. Ces images ont t choisies avec macula bien visible, faiblement
contrast, ou contiennent diffrentes pathologies (hmorragies et exsudats).
Des exemples de segmentation de la macula dans diffrentes types dimages

sont montrs dans la figure.III.27. Dans la majorit des images (saines et
pathologiques), la macula a t segmente avec suce. Bien que dans 5 images
ou la macula est compltement couverte par des exsudats ou dme,
lalgorithme a chou. Un exemple de ce cas est illustr dans la figure.III.27.
Comme lobjectif de notre travail est laide au diagnostic de la RD avant le
78
passage au stade de complication, il nest pas important que notre algorithme

puisse dtecter la macula dans ce type dimages.
(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
Pour valuer la performance de lalgorithme, nous calculons la moyenne du taux

de prcision obtenu dans chaque base de donnes que nous comparons avec les
travaux de recherche. Les tableaux .III.3, III. 4 et III.5 rsument les rsultats de
plusieurs techniques en utilisant la base de donnes DRIVE. STARE ET
DIARETDB1 respectivement. Les tableaux III.3, III.4 et III.5 montres que
lalgorithme propos donne des meilleurs rsultats de dtection de la macula.
AUTEURS TAUX MOYEN DE PRECISION

M. maryam et al [60] 98.7%
Balint antal et al [117] 68%
Soumitra samanta et al [61] 97.14%
Sekhar et al [118] 96.16%
Technique propose 98.84%
TABLEAU III.3 RESULTATS DE SEGMENTATION DE LA MACULA (BASE DE DONNEE DRIVE)

M. maryam et al [60] 99.1%
J. Singh [119] 95.21%
Sekhar et al [118] 96.5%
TABLEAU III.4. RESULTATS DE SEGMENTATION DE LA MACULA (BASE DE DONNEE STARE)

Balint Antal et al [117] 92%
Sekhar et al [118] 76%
TABLEAU III.5. RESULTATS DE SEGMENTATION DE LA MACULA (BASE DE DONNEE DIARETDB1)
80
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
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.
I. Dtection des lsions lumineuses dans les images

rtiniennes
Lobjectif de cette partie du travail est de prsenter les performances
obtenues par des algorithmes que nous proposons pour la dtection des
lsions lumineuses telles que les exsudats durs et les druses dans les
images couleurs de la rtine.
83
I.1.Dtection des exsudats durs

I.1.1. problmatique et contribution
Les lsions lumineuses sont les signes visibles de la RD. Le diagnostic
prcoce ainsi que le traitement rapide de ces signes cliniques tels que les
exsudats durs pourront efficacement prvenir la ccit visuelle. La prsence
d'exsudats dans la rgion maculaire est une caractristique principale de
l'dme maculaire diabtique. La localisation des exsudats dans la rgion
maculaire est une information importante pour lophtalmologiste [123-124].
Sa dtection permet de classer le niveau de rtinopathie diabtique et le
risque ddme maculaire.En outre, l'extraction de ces derniers est
indispensable pour un systme danalyse et de traitement des images
rtiniennes. Leurs nombres est un bon indicateur de la gravit de la maladie.
Si ceux-ci ne sont pas traits, ils seront transforms en amas et finalement
deviennent des nodules cotonneux. Ce sont des taches blanchtres avec des
frontires floues. Par consquent, le diagnostic prcoce des exsudats (EDs)
est essentiel pour viter des dficiences visuelles et la ccit chez les patients
diabtiques [125]. La forme, la luminosit et la localisation des lsions
lumineuses varient beaucoup entre les diffrents patients. Elles sont
caractrises par une couleur jaune avec des contours bien dfinis [126-
127]. Un exemple des exsudats est montr dans la figure. IV.1.
(a) (b) (c)

Figure IV.1. Prsence d'exsudats durs avec diffrents tailles et formes dans les images couleur
(a) : Exsudats durs ;(b) : exsudats profonds formant une toile avec prsence dun dme
papillaire ;(c) : Exsudats mous (nodules cotonneux).
84
Comme, nous lavons dcrit dans le chapitre 2 ; plusieurs chercheurs ont

dvelopps diffrentes mthodes pour la dtection des exsudats (EDs).
Cependant, la majorit de ces approches sont incapables dextraire tous les
EDs. Ces algorithmes ne parviennent pas exclure certaines rgions non-
exsudatives, en particulier celles qui ont des caractristiques similaires
celles des exsudats. En outre la mauvaisequalit des images rtiniennes
influe sur le rsultat de sparation des lsions claires et sombres. En effet,
certains chercheurs nont utilis que la morphologie mathmatique pour
lextraction des EDs. Cependant, cette approche ne peut les dtecter avec
prcision. Par consquent, le diagnostique de cette pathologie ne sera pas
prcis pour les ophtalmologistes.
Dans cette section, nous dveloppons une nouvelle mthode pour la

dtection des EDs. Cette approche est base sur la combinaison dun
algorithme de classification non supervis : le FuzzyC-means et la
morphologie mathmatique. Lalgorithme dvelopp tente de rpondre aux
trois critres suivants :
1. Adaptation, robustesse par rapport la variabilit des images en

termes de couleur, contraste et luminosit.
2. Excellente performance : Taux de sensibilit et prcision levs.
3. Temps de calcul court en raison de simplicit de lalgorithme.
Cette section du chapitre est structure comme suit. Dans la premire

partie, les dtails sur la technique propose sont prsents. Les rsultats
obtenus et discussions sont donns dans la deuxime partie. Finalement
une conclusion prsente une synthse sur la mthodologie utilise et les
rsultats obtenus.
85
I.1.2. Mthode propose

Le problme qui se pose lors de la dtection des exsudats durs est le manque
dinformations sur leur taille et leur forme. La couleur et la luminosit leve
seules ne permettent pas la dtection des exsudats, car il existe dautres
lments dans les images rtiniennes caractriss par un fort contraste et
par une couleur et une luminosit comparable celles des exsudats ;
notamment les rgions fortement claires tel que le disque optique.
Lalgorithme que nous proposons pour lextraction des exsudats est divis en
quatre tapes principales.
1. Correction de lillumination
2. Segmentation du disque optique
3. Slection des rgions candidates
4. Dtection des contours exsudatifs
La figure. IV.2.montre lalgorithme dtaill de dtection des exsudats dans

les images rtiniennes acquises avec ou sans dilatation de la pupille.
Normalisation de la Couleur de limage
Segmentation du disque optique Augmentation de Contraste
Application de lalgorithme fuzzy-C-means
Elimination du Disque Optique
Elimination des Faux Positifs
Rsultat Final de la Dtection des Exsudats
Figure IV.2. Organigramme propos de dtection des exsudats dans les images couleur du fond dil.
86
I.1.2.1. Correction de lillumination et Augmentation de contraste de limage

Comme lillumination dans les images est trs variable, en raison de la
gomtrie de lil qui est caractristique au patient et au systme de
dtection, elle pourrait donc influencer la qualit des rsultats de dtection
des lsions lumineuses. En effet, pour rendre les images invariables par
rapport la variation de la pigmentation de fond entre les individus, on
utilise la technique de corrlation dhistogramme (Histogramme Matching).
Cette technique consiste ajuster lhistogramme dune image celui dune
autre image de rfrence [128]. Elle permet de gnrer une image ayant une
forme d'histogramme bien dtermine. Si l'on souhaite obtenir un
histogramme de forme Pz, partir d'une image originale L niveaux de gris,
d'histogramme Px, alors la transformation est obtenue de la manire
suivante:

( )

Avec, :nombre de niveaux de gris,): L'histogramme de l'image de rfrence

Pour amliorer le contraste de limage normalise, nous utilisons le canal de
de lespace couleur L*a*b [128] dont lequel les exsudats apparaissent avec
un meilleur contraste. Cet espace est plus appropri pour l'amlioration du
contraste, il permet de traiter lintensit sparment des autres
composantes. Il caractrise une couleur l'aide d'un paramtre d'intensit
correspondant la luminance et de deux paramtres de chrominance qui
dcrivent la couleur. Il a t spcialement tudi pour que les distances
calcules entre couleurs correspondent aux diffrences perues par l'il
humain.
La composante L* est la clart, qui va de 0 (noir) 100 (blanc).
La composante a* reprsente une gamme de 600 niveaux sur l'axe
rouge (+299 valeur positive) vert (-300 valeur ngative) en passant
par le gris (0).
La composante b* reprsente une gamme de 600 niveaux sur l'axe
jaune (+299 valeur positive) bleu (-300 valeur ngative) en passant
par le gris (0).
87
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.
I.1.2.2.Application de lalgorithme de Classification floue FCM (FuzzyC- Means)

Le principe du regroupement des pixels appartenant aux rgions
lumineuses, et leur sparation par rapport aux autres rgions se ramne a
les classer dans des groupes selon certaines proprits de ces objets. Du
point de vue de la segmentation des images, on cherche construire des
vecteurs de caractristiques dans certaines zones typiques de limage qui
seront ensuite utiliss pour la classification des points de limage. Il existe
une grande varit dalgorithmes de regroupement de pixels dans la
littrature. Dans notre travail, nous avons choisi dutiliser une technique de
88
classification non supervise : le C-moyenne floue (fuzzy C-means; FCM) a

cause de sa simplicit. La classification floue assigne un pixel son degr
dappartenance chacune des classes [129]. Ces valeurs expriment
lappartenance incertaine dun pixel une rgion et sont appeles degrs
dappartenance. Le degr dappartenance se situe dans lintervalle [0, 1] et
les classes obtenues ne sont pas forcment disjointes. Si Uij est le degr
dappartenance de xj la classe i, la matrice UCxN [Uij] est appele matrice de
C-partitions floues si et seulement si elle satisfait aux conditions:
[0,1]
{ }{ } (IV.1)
0 <
{ }, = 1 (IV.2)
La fonctionnelle minimiser (3), et les solutions (4), (5), au problme du

FCM sont dcrites par les formules suivantes :
() = ) (IV.3)

= (4)

( ) (IV.5)

les tapes de lalgorithme FCM sont prsents comme suit :
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
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
(= ) () ( )

()
Avec : N: est le nombre de pixels dans la fentre W (x), ( ) est la

moyenne de l'image amliore ;(): la mesure de la distribution des valeurs de
pixels dans les rgions exsudatives
Le rsultat de lapplication de FCM est illustr dans la figure IV.4.
90
(a) (b) (c) (d)
(e) (f) (g)

Figure IV.4.Reprsentation des rsultats de FCM.
(a): 1re classe ;(b) :2me classe ;(c) :3me classe ;(d) :4me classe ;(e) :5me classe ;(f) :6me classe ;(g) :7me classe.
A chaque excution, la classe assigne chaque rgion nest pas la mme. Le

meilleur rsultat que nous avons obtenu correspond la premire classe
(figure IV.4.a).les rgions exsudatives sont clairement spares par rapport
au fond. Cependant, le rsultat montre aussi la prsence de la rgion
papillaire et d'autres lsions lumineuses, tels que les nodules cotonneux, en
raison de la similitude de leurs attributs avec ceux des exsudats en termes
de luminosit, couleur et contraste. En effet, il est essentiel pour notre
approche dliminer ces rgions pour ne garder que les exsudats durs.
I.1.2.3.Segmentation et limination du disque optique

Afin de segmenter le disque optique, nous utilisons la mthode que nous
avons propose dans le chapitre 3. Le rsultat dextraction du disque optique
de limage originale est montr dans la figure. IV.5. (a).Pour liminer la
papille partir du rsultat de limage binaire de la figure (IV.4.a), on ralise,
une opration de soustraction entre cette image et la version binaire dilate
du rsultat de segmentation du disque optique (figure IV.5.b).
E= Ts2 (image (IV.4.a)) - [([(b1)] (image (IV.5.b))))]
91
Ts2: image binaire de limage IV.4.(b); (b1) : dilatation binaire par un lment
structurant b1;
(a) (b) (c)

Figure IV.5. Rsultat de segmentation et limination du disque optique
(a) : Rsultat dextraction du disque optique ;(b) : image binaire du disque
optique ;(c) : rsultat dlimination du disque optique.
I.1.2.4. Elimination des faux positifs

Comme, nous nous intressons a la dtection des exsudats durs ;
caractriss par un fort contraste, couleur jauntre et contours nets, il est
ncessaire dliminer toutes les lsions ayant un fort contraste mais avec des
bords flous, tels que les nodules cotonneux prsents dans limage de la
figure IV.5.(c). Loperateur de Kirsh est alors, utilis. Les huit masques du
filtre sont convolus avec le canal L de limage originale dans des directions
prdtermines. Le maximum tant retenu pour l'image finale (figure IV.6.a).
Les huit masques de l'oprateur kirsch sont dfinis comme suit:
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
Nous combinons ensuite, le rsultat binaire de lapplication de loprateur de

kirsh(figure IV.6.b) avec le rsultat de llimination du disque optique (figure
IV.5.c) par lutilisation de loprateur boolen ET (figure IV.6.c).
Finalement, une opration de reconstruction par dilatation sous la bande L
de l'image est applique. Cette technique est un outil fondamental de la
92
morphologie mathmatique. Elle consiste reconstituer les composantes

connexes dun ensemble, selon leur mesure (volume, surface par exemple).
Lorsque leur intersection avec les composantes connexes dun second
ensemble B est non vide. Lensemble de rfrence B est gnralement appel
marqueur et lensemble A masque godsique. Dans notre cas, limage de la
bande L est considre comme le masque et Afin dobtenir une image
marqueur, nous appliquons une dilatation binaire sur limage de la figure
(IV.6.c), ensuite, tous les pixels de cette image sont mises 0 dans limage du
canal L. Une telle image marqueur est prsente dans la figure (IV.6.e).Le
rsultat de la reconstruction par dilatation montre que les pixels inclus dans
la zone exsudatives ne sont pas reconstruits, alors que les autres rgions
sont reconstruites (figure IV.6.f). Pour faire ressortir les exsudats, nous
appliquons, tout dabord une opration de soustraction entre limage du
canal L et limage reconstruite, ensuite, une opration de seuillage sur
limage rsultante est effectue (figure IV.6.j). Le rsultat final de dtection
des exsudats est illustr dans la figure IV.6.
(a) (b)
(c) (d)
93
(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
I.1.3. Rsultats et Discussion

Lalgorithme de dtection des exsudats propos a t test sur une srie de
50 images issues des bases de donnes Messidor et DiaretDB1.
- 40 images examines par des ophtalmologues, caractrises par la
prsence dune ou plusieurs types de lsions (nodules cotonneux,
druses, hmorragies,etc.). Les diffrentes lsions offrent une trs
grande varit dans leur taille, forme et contraste, ce qui explique que
le diagnostic est parfois difficile dterminer.
- 10 images saines (aucun signe de la RD et DMLA).
Ces annotations ont t considres comme la norme de rfrence pour
l'analyse des performances de notre mthode. 08 exemples de rsultats de
dtection exsudat sont prsents dans la figure. IV.7.
Reflet de la Fovea
(a) (b)
(c) (d)
95
(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
complication de la RD. Le choix des valeurs de seuil, des lments

structurants, et la valeur de cluster k sont considrs comme des
paramtres principaux pour obtenir une dtection correcte de petits
exsudats dans l'image rtinienne.
I.1.4. Critres dEvaluation de la mthode suggre

Lvaluation de la performance de lalgorithme propos a t effectue par
une comparaison de nos rsultats de segmentation des exsudats par rapport
a une segmentation manuelle ralise par des ophtalmologues expriments
des pixels localiss dans la lsion. Les paramtres dvaluation utiliss sont :
La sensibilit, la spcificit, le taux de prcision et la valeur prdictive. Ils
sont dtermins dans chaque image en termes de critre bas sur la lsion
[130]
La sensibilit dun signe pour une maladie est la probabilit que le signe soit
prsent si le sujet est atteint de la maladie considre. Il sagit donc de la
probabilit conditionnelle quon peut noter :

Sensibilit = 100

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
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
Le nombre de non-exsudats classs dans la lsion par l'ophtalmologiste et

par lalgorithme est leve (Tableau.VI. 1) ;par consquent, la spcificit est
proche de 100% .Dans la majorit des images rtiniennes, peu de faux
ngatifs (Fn) ont t dtects ; par consquent, la sensibilit, la valeur
prdictive et prcision ont respectivement un taux suprieur 96%, 95%, et
99%, Cependant, dans quelques images, la sensibilit, la valeur prdictive, et
la prcision sont infrieures 90%, 80% et 98%, respectivement ; cela est
du, a la prsence de quelques Fp et Fn dans les images faiblement
contrastes ou contenant de nombreux druses. Dans les images saines, la
spcificit est gale 100%. La sensibilit ne peut pas tre calcule puisque
98
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
Spcificit Valeur Prdictive

100 100
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
Afin de tester la performance de l'algorithme, la sensibilit est trace en

fonction de la valeur prdictive pour diffrents valeurs de cluster k (figure.
IV.9). Cette procdure est effectue pour chaque image pathologique. La
figure. IV. 9, montre que le rsultat perd en qualit pour k = 10. La meilleure
performance a t obtenue pour k = 3. Lalgorithme a obtenu un taux moyen
de sensibilit, spcificit, valeur prdictive et prcision de 97,50%, 99.97 % ,
91,02% et 99,68% respectivement. Nos rsultats ont t compars avec une
dtection manuelle des HEs par le spcialiste. A cause des nombreuses
bases de donnes, il est difficile de comparer notre algorithme avec d'autres
travaux rapports dans la littrature. Alors que, certains travaux (tableau
IV.II), reportent des mesures de performances inferieurs par rapport notre
approche
Auteurs Sensibilit Valeur

prdictive
Hussain et al [76] 93.1% 78.5%
Akara et al [131] 87,28% 42,77%
Sanchez et al [65] 90,23% 82,5%
Sopharak et al [132] 92,18% -----
Dupas et al [133] 92,08% ------
Sanchez et al [75] 91% -----
Notre method 97,50% 91,02%
TABLEAU VI.2
COMPARAISON DES MESURES DE PERFORMANCES DE NOTRE ALGORITHME AVEC CEUX REPORTES DANS LA LITTERATURE POUR
DIFFERENTES BASES DE DONNEES
Dans la section suivante, nous nous intressons la dtection des druses,

signe de da DMLA dans les images couleur de la rtine. La mthode
propose, les rsultats obtenus et lvaluation de lalgorithme seront
prsentes.
100
I.2.Dtection des Druses dans les images couleur de la rtine

I.2.1. Problmatique et contribution
Les druses sont des dpts clairs situs au niveau de lpithlium
pigmentaires rtinien [134]. Ils sont considrs comme les stades initiaux de
la dgnrescence maculaire lie lge (DMLA). Elles sont la premire cause
de ccit lgale aprs cinquante ans, dans les pays industrialiss. Dans les
images couleur de la rtine, les druses sont des taches jaunes, un peu
nuageuses situes au niveau de la rtine. Ils ne prsentent pas de taille ou
de forme spcifique. Ils peuvent apparatre avec une varit de
caractristiques. Ils se forment dans des groupes autour de la fova ou
autour du disque optique. La figure IV.10, montre deux exemples des
images avec des druses.
Figure IV.10. Prsence des druses dans les images couleur
La formation de druses est considre comme normale chez les patients

gs, mais la formation excessive en nombre et en taille avec le temps peut
entraner de graves problmes ; notamment d'hmorragies qui provoquent
une baisse importante de la vision. Le mcanisme exact de l'apparition de
ces hmorragies partir des druses, n'est pas connu. Nanmoins la
modification de taille et de coloration des druses semble un facteur de risque
essentiel. En outre, un dcollement de la rtine et la mort des cellules
peuvent rsulte des druses, bloquant le flux sanguin vers les cellules
voisines. C'est pourquoi, l'tude de l'volution quantitative des druses tout
au long d'un traitement mdical constitue un outil utile pour les
101
ophtalmologistes. Les principales difficults dans l'extraction des druses sont

les conditions d'clairement variables, un fond non-uniforme et des
taches druses de tailles et de formes diffrentes. Jusqu' prsent,
l'valuation de druses a t faite manuellement, base uniquement sur les
aspects qualitatifs. En plus, la majorit des travaux cits en littrature
travaillent sur des sous-images angiographique pour extraire les druses. En
effet, l'extraction des druses par des mthodes classiques telles que, une
simple opration de seuillage ou par une dtection de contours n'est pas
performante ; cela est d au fort gradient qui existe l'intrieur
des druses et le fond de l'image. Dans certaines druses, la transition avec le
fond est parfois trop douce, ne fournissant pas de contours assez
forts. Toutes ces difficults soulignent la ncessit d'une approche diffrente,
spcifique et parfaitement adapte au problme.
Dans cette section, nous prsentons une technique base sur la morphologie
mathmatique, pour dtecter les druses dans les images couleur complte
contenant des lsions qui pourraient tre confondues avec des druses. Par
consquent, ce travail apporte plusieurs contributions significatives pour
l'aide au diagnostic en ophtalmologie fond sur la recherche de druses dans
les images rtiniennes. Nous prsentons un algorithme pour dtecter la
prsence des druses .Tout d'abord, une tape d'amlioration de l'image est
effectue, ce qui permet de faciliter considrablement son interprtation,
notamment, la visualisation des druses. Ensuite, une localisation des
rgions candidates par l'utilisation de la macula comme un point de
repre. Finalement, ces derniers sont identifis par l'utilisation de la
reconstruction morphologique.
I.2.2. Algorithme de dtection des druses

Llaboration de lalgorithme est base sur lobservation visuelle que les
druses prsentes dans les images couleur de la rtine ont toujours des
valeurs de ton de gris plus leves que la moyenne de leur voisinage et se
situe souvent autour de la macula.
Lalgorithme de dtection des druses est prsent dans lorganigramme
suivant(Figure IV.11).
102
Image couleur pathologique
Etape de prtraitement
Segmentation de la macula
Slection des candidats potentiels
Extraction des druses
Rsultat final de dtection des druses
Figure. IV.11. Organigramme de dtection des druses dans les images couleur de la rtine
Les tapes de dtection des druses prsentes dans lorganigramme ci-

dessus sont dtailles dans le paragraphe suivant :
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
I.2.2.2. segmentation de la macula et slection des candidats potentiels

Sachant que les druses se situent souvent proximit de la rgion maculaire
; il faut, tout d'abord de segmenter la macula afin de la considrer comme un
repre pour rechercher et slectionner les rgions candidates. Pour de
segmenter la macula, nous appliquons l'algorithme prsent dans le chapitre
III. Section IV. Le rsultat d'extraction de la macula est illustr dans la figure
IV.13.a.L'emplacement des druses est beaucoup plus important que
leurnombre. Les Druses situs trop loin de la macula ne sont pas considrs
comme indiquant le risque de la DMLA. Dans une tude clinique rcente, les
ophtalmologues [135], ont dfini une zone pour limiter les druses des
rgions spcifiques bases sur le diamtre du disque optique (DD) ; sachant
que la distance entre la macula et la papille peut tre considre comme
relativement constante, elle est comprise entre 170 et 240 pixels. Cette zone
mesure trois fois le diamtre du disque optique. Pour cela, nous traons trois
cercles intrieurs, mdians et extrieurs de diamtre 1DD,2 DD et 3 DD
respectivement pour localiser les rgions candidates. Afin d'obtenir le centre
de ces trois cercles, nous calculons la fonction distance du rsultat de
segmentation de la macula. Le point le plus lumineux de la fonction de
distance correspond approximativement au centre de la zone avasculaire : la
fova. La rgion au sein 3DD de la macula sera utilise pour la dtection
des druses. Pour cela, nous remplaons tous les pixels faisant partie des
cercles par les pixels de l'image amliore. Le rsultat de localisation des
rgions candidates est illustr dans la figure IV.13.
104
(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 ;
I.2.2.3. Extraction des druses

Aprs avoir localis les rgions contenant les druses, nous appliquons une
simple opration de seuillage sur limage de la figure (IV.13.d) (Figure
IV.14.a).
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
(Figure IV.14.c) puis, une opration de seuillage sur limage rsultante de la

(Figure IV.14.d).
(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
I.2.3. Rsultats et Discussion

Pour tester la validit et la fiabilit de notre algorithme, nous avons effectu
une srie de tests sur un ensemble d'images couleur issues de la base de
donnes Diaretdb1 et Messidor. partir de ces bases, nous avons
slectionn 25 images :
20 images, contenant des druses ou mme d'autres pathologies ayant
des caractristiques semblables que les druses tels que ; les exsudats
et les nodules cotonneux
Les 5 images restantes sont des images saines. La notation de ces
images a t effectue par des ophtalmologues expriments.
Dans les 5 images saines, le rsultat de dtection des druses est trs
satisfaisant (Figure IV.15.a).
Dans les images contenant de despetits druses situs a proximit de la
partie maculaire, l'algorithme les dtecte correctement. Un exemple de ce cas
est montr dans la figure. IV.15. (b) et(c)
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
(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
I.2.4. Evaluation de lalgorithme propos

Afin de fournir une analyse statistique de la performance de l'algorithme de
dtection des druses propos, nous nous somme bass sur des valuations
cliniques effectues par les experts. Deux experts ont segment
manuellement les druses. Leurs intersections, c'est--dire les zones classes
comme druses par les deux experts, sont considrs comme des vraies zones
des druses. Les mesures statistiques, comme les vraies dtections
positives (sensibilit), vraies dtections ngatives (spcificit) et la valeur
prdictive sont calcules pour toutes les images pathologiques. Des
graphiques illustrant la mesure des performances, sont prsents sur les
figures. IV.16, 17, 18 et 19. Le taux de la sensibilit, la spcificit, la valeur
prdictive et prcision de l'algorithme dpassent 94,5 %, 98%, 90% et 99%
respectivement dans la majorit d'images. Cependant dans quelques images
les taux sont au-dessous de 94%, 80%,98% et 98% respectivement ; en
raison de la diffrence d'clairage du centre vers les bords de l'image o a la
prsence des druses au prt du nerf optique. Ces zones non identifies ne
posent pas de problmes lors de la dtection prcoce de la DMLA. En
gnral, les druses les plus importants sont ceux situs l'intrieur ou
autour de la macula. Le taux moyen de sensibilit, spcificit, valeur
prdictive et prcision acheve par la mthode propose est
de 96,01%, 99,10%, 99,89% et 99,24% respectivement. Les rsultats
obtenus fournissent une aide de diagnostic pour signaler la prsence
des druses pour un examen plus approfondi par l'ophtalmologue pour
atteindre un meilleur diagnostic de la DMLA avant de passer au stade de
complication.
109
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
Figure. IV.17. graphe de la spcificit
Valeur predictive (%)

150
100
50
0
Figure. IV.18. graphe de la valeur prdictive
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
Figure. IV.19. graphe de la Prcision
110
En conclusion, nous avons dvelopp et test un algorithme bas sur la

morphologie mathmatique et un algorithme de classification non supervis
pour la dtection des exsudats et un autre bas sur les oprateurs
morphologique pour l'extraction des druses, et de diffrencier entre ceux-ci,
sur les images couleur de la rtine obtenues dans une population de
patients atteints du diabte et la DMLA. La performance de ces systmes a
t mesure par une comparaison des rsultats avec ceux obtenus par des
ophtalmologues et par le calcul de la sensibilit, spcificit, valeur prdictive
et prcision. Les approches proposes peuvent tre amliores par
l'utilisation de plus grands ensembles de donnes. Les rsultats obtenus
sont encourageants, ils ont le potentiel pour aider prvenir la perte de
vision et ccit chez les patients souffrant de diabte.
II. Dtection des lsions Sombres dans les images

couleur de la rtine
Actuellement, le nombre de patients atteints du diabte augmente, par
consquent, la dtection prcoce de la rtinopathie diabtique pour un
dpistage rgulier peut empcher la perte de la vision et de la ccit. En effet,
le dveloppement des algorithmes pour la dtection des lsions sombres
caractristiques de la RD (hmorragies et micro-anvrismes) permet daider
les ophtalmologistes prendre la dcision si les signes suspects de la RD
sont prsents ou non dans limage pour un systme de dpistage de masse
assist par ordinateur.
II.1. Dtection des hmorragies

II.1.1. Problmatique et contribution
Les hmorragies sont les signes les plus courants de la RD. Deux formes
dhmorragies peuvent tre trouves dans les images couleur de la rtine :
Les petites hmorragies (hmorragies ponctiformes) : qui sont

superficielles, de petite taille, de forme similaire a celle des micro-
anvrismes et de bords nets. Elles n'ont pas une grande valeur pour
111
les ophtalmologues par rapport aux micro-anvrismes dans le

diagnostique de la RD (figure. IV.20.a).
les hmorragies larges (hmorragies profondes ou en tache) : elles sont
principalement causes par une ischmie rtinienne, qui de son ct,
est souvent la raison d'une no-vascularisation ; par consquent leur
nombre est un bon indice d'une ischmie rtinienne. Elles sont des
taches rouges de forme et de taille variables et avec des bords
irrguliers. En effet, la taille de la lsion est encore un autre facteur
important considrer dans les processus de prise de dcision des
systmes de dtection de la RD, qui est troitement lie la svrit
de la maladie (Figure. IV.20.b).
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
cette technique est lobtention des meilleures performances (sensibilit

leve), en minimisant le plus possible le nombre de faux ngatif et le faux
positifs.
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.
II.1.2. Mthode propose de dtection des hmorragies

Nous abordons le problme de dtection des hmorragies en trois tapes.
1. Prtraitement de limage rtinienne

2. Dtection des rgions sombres
3. Classification des pixels en hmorragie ou non-hmorragie.
Lorganigramme de dtection des hmorragies est prsent comme suit :
Image couleur dun patient diabtique
Etape de Prtraitement
Segmentation de la
Dtection des rgions Sombres
Segmentation du macula
rseau vasculaire
Elimination de la macula
Elimination du rseau vasculaire
Slection des caractristiques
Classification hmorragies ou non hmorragies
Rsultat final de dtection des hmorragies
Figure. IV.21. Organigramme propos de dtection des hmorragies
113
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
(a) (b) (c)

Figure. IV.22.Prtraitement de limage originale ;
(a) : image originale ;(b) : correction de lclairage ;(c) : image amliore.
II.1.2.2. Dtection des lsions sombres (rouges)
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
pixelsrespectivement. Ensuite, une opration de soustraction entre

ces deux images lisses est effectue (Figure. IV.23.a).
une simple opration de seuillage est applique.
( ) ()]
Avec ; : les rgions sombres dans limage ; : le seuillage de limage lisse ;

( ): le filtre mdian de taille 6*6 ; () : filtre mdian de taille 110*110.
(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.
II.1.2.3. Segmentation et limination de la macula

Comme la macula reprsente un faux positif, il sera pralable de lliminer.
Sachant quil peut y avoir des hmorragies proximit de la macula, elles
peuvent tre aussi limines. Donc, il est ncessaire dans notre approche
deffectuer une bonne segmentation de la macula. Afin de la segmenter, nous
utilisons lalgorithme propos dans le chapitre III. Section IV. Le rsultat de
la segmentation de la macula est prsent dans la figure. IV.24(a). Aprs
avoir segment cette dernire, on effectue, une opration de soustraction
115
entre limage rsultante de la segmentation de la macula et limage de la

figure. IV.23. (b). (Figure. IV.24.b).
(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
II.1.2.4. segmentation et limination de larbre vasculaire

Les hmorragies sont souvent connectes au rseau vasculaire ; comme le
montre lafigure. IV.24(b). En effet pour liminer le rseau et garder
seulement les hmorragies, il est important quil soit bien segment. Pour
rsoudre ce problme, nous dtectons laxe mdian du rseau vasculaire par
une application de la mthode de la ligne de partage des eaux, que nous
avons prsent dans le chapitre III. Section III.1. Le rsultat de segmentation
de larbre vasculaire est illustr dans la figure. IV.25. (a). Larbre vasculaire
est, ensuite limin par une opration de soustraction entre le rsultat dilat
de segmentation de larbre vasculaire et le rsultat binaire de dtection des
rgions sombres (Figure. IV.25.b).
116
(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.
Dans la figure IV.25.(b), on constate, la prsence des micro-anvrismes.

Puisque les hmorragies correspondent des structures de taille plus grande
que les micro-anvrismes, il suffit, deffectuer une ouverture surfacique pour
les enlever (Figure. IV.25.c).
Figure. IV.26. Elimination des micro-anvrismes
II.1.2.5. Slection des caractristiques

Lobjectif de cette tape est de classer les pixels comme tant soit des
hmorragies ou non -hmorragies. En effet, pour enlever les faux positifs
prsents dans limage de lafigure. IV.26 ; on fait appel a une technique de
classification supervise. Elle consiste affecter chaque pixel de limage
une classe qui dfinit les rgions extraire de limage.Ce type de
classification ncessite deux bases, une pour lapprentissage et une autre
pour le test.
117
Base dapprentissage : elle est constitue partir dun certain

nombre dimages de variabilit diffrente segmente manuellement par
des ophtalmologues expriments. cette expertise permet dattribuer
une classe chaque pixel de limage de faon que le systme puisse
effectuer un apprentissage pour quil soit en mesure dassocier une
classe un pixel non appris.
Base de test : elle est cre a partir des images nayant pas contribues
a lapprentissage. Lobjectif de cette base est de prouver la capacit de
sparation des algorithmes de classification des pixels en comparant
les rsultats obtenus des images qui nont pas t prise par le systme
avec les images de vrit terrain.
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
2. Le primtre est calcul en trouvant la longueur du pixel du bord du

candidat qui est estim laide du code la chaine [22] de lobjet.
3. La circularit permet trouver les objets circulaires et les objets de

forme allongs. elle est dfinis par : .avec est le primtre des

rgions candidats sombres.

4. Lintensit totale dans limage du canal vert : = ; avec
V reprsente j pixels dans limage du canal vert.

5. Lintensit totale dans limage amliore : = ; avec S
reprsente j pixels dans limage amliore.

6. Intensit moyenne l'intrieur de la rgion candidate dans limage du
canal vert :
7. Lintensit moyenne l'intrieur de la rgion candidate dans limage
amliore :
8. L'cart-type l'intrieur de la rgion candidate dans limage du canal
vert
9. L'cart-type l'intrieur de la rgion candidate dans limage amliore
10. Lintensit normalise l'intrieur de la rgion candidate dans

limage du canal vert : =
) ; avec ; and reprsente

lcart type et la valeur moyenne des pixels de

11. Lintensit normalise l'intrieur de la rgion candidate dans

limage amliore : =
12. Lintensit moyenne normalise dans limage originale :

= (

13. Lintensit moyenne normalise dans limage amliore :

= ( )

14. La compacit : ; avec ; : la distance entre le centre

de gravit des lsions candidats et son pixels jime de bord. estla

moyenne de toutes les distances entre le centre de gravit et tous les
pixels de bord, et est le nombre de pixels de bord
15. Lentropie
119
II.1.2.6. Classification des hmorragies ou non hmorragies

Il est difficile de prvoir l'avance quels classifieur donnera les meilleures
performances pour une tche de classification particulire. Le choix de
classificateur appropri a deux aspects importants :
Le classifieur doit tre robuste contre les valeurs aberrantes prsentes
dans lensemble d'apprentissage.
Pour classer les lsions en hmorragies ou non-hmorragies (FP), deux
classifieurs ont t tests : machines vecteur support (SVM) et le K-plus
proche voisins(KNN). Avant de prsenter les rsultats de classification
obtenus, nous dcrivons, tout dabord leurs principes de fonctionnement.
II.1.2.6.1. Principe de K-plus proche voisins (KNN)

Lalgorithme des k-plus-proches-voisins est lun des algorithmes les plus
simples dapprentissage supervis. En supposant quune base
dapprentissage correctement tiquete soit disposition. Le pixel classer
est compar aux autres pixels ayant dj t classs, et on lui affecte la
classe la plus reprsente parmi les k-plus proche. Une donne de classe
inconnue est compare toutes les donnes stockes laide dune mesure
de similarit. Ses k plus proches voisins sont alors considrs : on observe
leur catgorie et celle qui revient le plus parmi les voisins est assigne la
donne classer (Figure.IV.27). Pour le candidat qui doit tre assign a lun
des deux groupes, les k voisins les plus proches parmi les candidats de
lensemble dapprentissage sont dtermins, et le candidats est assign au
groupe auquel la majorit parmi les k voisins appartient(Figure. IV.27).
Figure. IV.27. principe de classification par KNN : Le candidat A est class vrai positif, le
candidat B est class faux positif
120
Dans le cas particulier la valeur de k=1, cest la classe de la forme la plus

proche de la forme classer qui est affect cette dernire. Lors de
lutilisation de cette mthode de classification, lutilisateur doit ajuster le
nombre dexemples dans la classe est connu, la valeur de k et la mesure de
similarit.
Algorithme de k plus proche voisin

Pour classifier un exemple de test, reprsent par un vecteur de
caractristiques x, on procde de la faon suivante :
on calcule les distances euclidienne de x l'ensemble des exemples
d'apprentissage ;
on retient les K exemples les plus proches ;
on attribut x la classe la plus reprsente parmi ces K exemples.
Le rsultat de classification dpend dune part de lordre de prsentation des

exemples, do limportance de faire une initiation correcte, dautre part du
choix de la valeur de k constitue une compromis: une petite valeur est
ncessaire pour des petites bases dapprentissage mais prsente une grande
sensibilit au bruit ; alors quune grande valeur de k est moins sensible au
bruit et une grande base dapprentissage permet une plus grande valeur de
k.
II.1.2.6.2. Principe des machines a vecteurs support (SVM)

Les machines vecteurs de support (support Vector Machine, SVM) appels
aussi sparateurs vaste marge ; sont des techniques dapprentissage
supervises. Les machines vecteurs supports exploitent les concepts
relatifs la thorie de lapprentissage statistique et la thorie des bornes
de Vapnik et Chervonenkis [136]. Cette technique est une mthode de
classification deux classes qui tente de sparer les exemples positifs des
exemples ngatifs dans lensemble des exemples. La mthode cherche alors
lhyperplan qui spare les exemples positifs des exemples ngatifs, en
garantissant que la marge entre le plus proche des positifs et des ngatifs
soit maximale. Cela garantit une gnralisation du principe car de nouveaux
exemples pourront ne pas tre trop similaires ceux utiliss pour trouver
121
lhyperplan mais tre situs dun cot ou lautre de la frontire. Lintrt de

cette mthode est la slection de vecteurs supports qui reprsentent les
vecteurs discriminants grce auxquels est dtermin lhyperplan. Les
exemples utiliss lors de la recherche de lhyperplan ne sont alors plus utiles
et seuls ces vecteurs supports sont utiliss pour classer un nouveau cas, ce
qui peut tre considr comme un avantage pour cette mthode.
SVM linaire
Pour deux classes dexemples donnes, le but de SVM est de trouver un
classificateur qui va sparer les donnes et maximiser la distance entre ces
deux classes. Avec SVM, ce classificateur est un classificateur linaire appel
hyperplan. Dans le schma qui suit, on dtermine un hyperplan qui spare
les deux ensembles de points.
Figure. IV.28 Hyperplan et vecteur de support
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
Comme on cherche maximiser cette marge, on parlera de sparateurs

vaste marge (Figure. IV. 29). La distance entre un point x quelconque et
lhyperplan est donne par lquation
| |
(= )

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
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 :
On a donc une transformation dun problme de sparation non linaire

dans lespace de reprsentation en un problme de sparation linaire dans
un espace de re-description de plus grande dimension. Cette transformation
non linaire est ralise via une fonction noyau. En pratique, quelques
familles de fonctions noyau paramtrables sont connues et il revient
lutilisateur de SVM deffectuer des tests pour dterminer celle qui convient
le mieux pour son application. On peut citer les exemples de noyaux
suivants : polynomiale, gaussien, sigmode et laplacien.
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.
Le rsultat de classification des hmorragies et limination des faux positifs

est illustr dans la figure. IV.31.
124
(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.
II.1.3. Rsultats et critres dvaluation

L'algorithme de dtection des hmorragies propos a t test sur une srie
d'images de la base de donnes DiaretDb1. Cette base a t choisie par
rapport aux autres bases existantescarles diffrentes lsions : les
hmorragies, les micro-anvrismes, les exsudats durs et mous sont marqus
par quatre experts. Ces images correspondent la vrit terrain. 25
imagesconstitues de 1520 taches dhmorragies segmentes
manuellementsont utilises. 45 images de caractristiques diffrentes en
termes de couleur de contraste, de nombre et de taille variable des
hmorragies sont slectionnes pour le test. Pour le classifieur KNN, les 15
caractristiques cites au dessus ont t utilises. La valeur optimale de k a
t dtermine en effectuant des essais sur l'ensemble des images
d'apprentissage avec diffrente valeur de k. La valeur optimale trouve
correspond k=10. Concernant le classifieur SVM les 15 caractristiques ont
t utilises. Des exemples de dtection des hmorragies en utilisant
le classifieur SVM ou KNN sont illustrs dans la Figure. IV.32.
125
Hmorragie lie au rseau
(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
Type de classifieur SVM KNN

Vrai positifs (Vp) 571 601
Vrai ngatifs (Vn) 862 911
Faux positifs (Fp) 51 41
Faux ngatifs (Fn) 45 39
Sensibilit 92.96% 93,90%
Spcificit 94,41% 95.69%
Valeur prdictive 91,80% 93,61
Prcision 93,72% 94,97%
TABLEAU. IV.3.MESURE DES PERFORMANCES OBTENUS PAR LES CLASSIFIEURS SVM ET KNN
Daprs le tableau. IV.3, on remarque quil na y pas une grande diffrence

entre les rsultats obtenus par les deux classifieurs ; nomoins, le classifieur
KNN a donn de meilleurs performances par rapport au classifieur SVM.
Donc, on peut dire que la probabilit de test positive; cest--dire le patient
souffrant vraiment d'une hmorragie est 93,90%, tandis que la probabilit de
test ngatif, cest dire le patient ne souffrant pas d'hmorragie est 95,69%.
Lvaluation des performances des deux classifieurs (SVM et KNN) pour la

dtection des hmorragies est tablie par lutilisation de la courbe ROC
(Receiver Operating Characteristic). La courbe ROC est une mthode de
reprsentation graphique du taux de vrais positifs (VP) en fonction du taux
de faux positifs (FP) lorsque le seuil de discrimination varie.
Les courbes ROC obtenues pour les classifieurs sont reprsents dans la
figure. IV.33.
SVM
KNN
Figure. IV.33. Courbe caractristique de fonctionnement du rcepteur
127
Pour mieux valuer la fiabilit de lapproche propose, nous comparons nos

rsultats par rapport aux mthodes existantes dans la littrature (Tableau
IV.4).
Auteurs sensibilit Spcificit
Kse et al [137] 93,2% 98,3%

Bae et al [138] 85% -------
Esmaeili et al [139] 94% 87%
Acharya et al [140] 82% 86%
Nutnaree et al [141] 80.37% 99,53
Notre mthode 93,90%, 95,69%
TABLEAU.IV.4. PERFORMANCE DE LA METHODE PROPOSEE PAR RAPPORT AUX METHODES EXISTANTES
En conclusion de cette partie du travail, on peut noter, que la dtection des

hmorragies est l'un des domaines les plus complexes de recherches en
traitement d'images, car, elles ont une intensit similaire aux vaisseaux de
la rtine. Elles peuvent tre connectes mme avec des no-vaisseaux ; ce
qui rend difficile de les distinguer les uns des autres. Par consquent, le
besoin dun procd efficace de dtection est invitable. La mthode propose
base sur une combinaison entre la morphologie mathmatique et la
classification a donne des rsultats satisfaisants en termes d'adaptabilit,
par rapport aux mthodes existantes (tableau. IV.4). En effet, si plusieurs
images sont ajoutes, la mthode propose aura une performance encore
meilleure.
La section suivante est consacre la dtection des micro-anvrismes, la

mthode propose, et les rsultats obtenus sont prsents.
128
II.2. Dtection des micro-anvrismes dans les images

couleur de la rtine
II.2.1.Problmatique et contribution
Les micro-anvrismes sont les premiers signes du stade de la rtinopathie

diabtique pr-prolifrente. Ils persistent et son nombre continue de
progresser, sils ne sont pas traits immdiatement. La maladie atteint
rapidement le stade de prolifration et des nouveaux vaisseaux (no-
vascularisation)menaant la vue vont tre cres. Par consquent,
lidentification prcoce de cette lsion peut ralentir la progression de la RD.
Leur fiabilit de dtection est essentielle pour un systme de dpistage de la
RD. Les micro-anvrismes apparaissent dans les images couleur de la rtine
comme des taches sombres plus ou moins circulaires, de taille assez
uniforme. La figure. IV.34 prsente une image couleur avec micro-
anvrismes marqus par un cercle.
(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
de deux gros ou petits vaisseaux, donc, on narrive pas distinguer

entre les deux.
les images du fond d'il peuvent avoir une variation significative de
contraste lie au champ de vision (FOV). Les micro-anvrismes ont un
faible contraste.
La variation de la pigmentation et d'autres types de lsions
pathologiques tels que ceux lis l'ge.
La prsence du bruit du au systme dacquisitiondont lintensit est
similaire a celles des micro-anvrismes peuvent apparaitre autour des
vaisseaux.
Ces paramtres peuvent influencer sur les performances de lalgorithme de

dtection des micro-anvrismes (la sensibilit et la spcificit).
Toutes ces difficults rendent la dtection des micro-anvrismes un srieux

problme, soit pour les ophtalmologues, quils narrivent pas toujours dtre
sur sil sagit dun micro-anvrisme ou non. En outre, le dveloppement dun
algorithme fiable pour les dtecter est une tache extrmement difficile.
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.
Dans notre travail, nous nous intressons au dveloppement dune mthode

capable dune part de localiser les micro-anvrismes dans les images couleur
de la rtine prise sans dilatation de la pupille. Dautre part, elle permet
dobtenir une haute sensibilit et faible taux de faux positifs par rapport
aux travaux existant.
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
lvaluation des performances de lalgorithme et une conclusion sont

prsentes.
II.2.2.Algorithme propos de dtection des micro-anvrismes
Lapproche suggrer de dtection des micro-anvrismes dans les images

couleur consiste, tout dabord a amlior la variation de luminosit,
augment le contraste de limage et rduire le bruit. Lextraction des
structures rouges est effectue par une transformation chapeau haut de
forme. Ensuite, le supremum douverture est appliqu pour enlever le rseau
vasculaire. Une opration douverture ultime est accomplie pour trouver les
candidats. Finalement une tape classification des vrais et des faux micro-
anvrismes est applique. Lorganigramme de lensemble des tapes est
prsent dans la figure. IV.35
Augmentation de contraste par

transformation polynomiale
Augmentation de
contraste, correction de Correction dclairage
luminosit et filtrage
Filtre mdian
Extraction des rgions

Transformation chapeau haut de forme
rouges
Supremum douverture
Elimination du rseau
Elimination du rseau vasculaire
Dtection des micro-

Ouverture ultime
anvrismes
Extraction des caractristiques

Elimination des faux
positifs Classification
Figure.IV.35. Organigramme de dtection des micro-anvrismes
131
II.2.2.1. Augmentation de contraste, normalisation de luminosit et filtrage

Le faible contraste des micro-anvrismes et le contenu en couleur
variabledans les images, en raison de la pigmentation de lindividu, de lge
et de la prsence des pathologiesintroduit des artfacts dans limage.Ils vont
tre considrs comme des vrais positifs. Par consquent, la qualit des
rsultats et les performances de l'algorithme s'altrent. Pour remdier ce
problme, tout dabord, limage originale est reprsente dans le canal vert.
Ensuite, une mthode d'augmentation de contraste, qui par l'introduction
d'un paramtre local devient une correction d'illumination non-uniforme est
applique. Cette mthode permet duniformiser la luminosit et amliorer le
contraste des micro-anvrismes dune manire efficace.Son principe est
prsent dans le paragraphe suivant [84]:
Oprateur daugmentation de contraste et correction de lillumination
Le contraste d'une image est caractris par la distribution de valeurs de gris

de l'image. Cette distribution peut tre change en appliquant une
transformation de teintes de gris dfinis comme suit :
Soit : une image avec { } un ensemble de

nombres rationnels.
Soit { } un deuxime ensemble de nombre rationnels.
Une application
telle que (t)
Sappelle transformation de valeur de gris .
La transformation est construite de manire ce qu'elle assigne la moyenne

de l'image du canal vertle milieu entre et :
1
= ( )
2
Cela n'est pas une ncessit, mais c'est un choix raisonnable. Par simplicit,
nous considrons par la suite les coordonnes transformes avec

1
= u (u + u )
2
132
Laugmentation de contraste est obtenue parla famille de transformations

polynomiales (Figure.IV.36) :
. ( )
()
. ( )
(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.
Le paramtresert contrler laugmentation de contraste, il peut tre

librement choisi, lesautres paramtres sont dtermins pour que la
transformation remplisse certains critres :
L'image rsultante doit couvrir toute la dynamique possible (donc de )

et la transformation doit tre continue. Ces conditions s'expriment par :
( )
lim () = 0

lim () = 0

( )
A partir de lquation ci-dessus, les paramtres a1, a2, b1, b2 sont

dtermins

( )

= =
( )

( )
=
=
( )
133
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

, ( )
Pour obtenir une transformation symtrique, la mme quation

prcdentepeut tre utilise, doit tre remplac par ( ) et

par ( ) .
Cette deuxime version de la transformation polynomiale(Figure IV.34.b) a

l'avantage dtre symtrique, mais elle n'utilise pas toute la dynamique
possible.
L'un des deux inconvnients doit tre accept ( condition que
( )en effet, si la moyenne de dans une certaine rgion est relativement
basse, la dynamique pour les valeurs de gris basses est forcement petite, et
134
nous avons intrt donner plus de poids l'augmentation de contraste pour

cette partie des valeurs de gris.
Le paramtre sert contrler a quel point on augmente le contraste.

Supposons que = ( ).
Pour : L'operateur est l'tirement linaire de l'histogramme

(expansion de la dynamique).
Pour : L'operateur peut tre vu comme un seuillage avec le seuil

Pour entre les deux, on obtient des augmentations de contraste plus ou
moins fortes.
Si cet oprateur est applique l'ensemble de l'image en tant que oprateur
de contraste, le rsultat n'est pas satisfaisant en raison de la non uniformit
de l'clairage, le contraste des dtails sombres dans des rgions sombres ne sera
pas augment, mais au contraire diminu. Pour rsoudre ce problme, un
oprateur de correction dclairage est utilis.
Pour obtenir un oprateur de correction de changement d'illumination
partir de l'oprateur d'augmentation de contraste, il suffit de remplacer la
moyenne de l'image entire par la moyenne ()dans une fentre
()centre sur le point et contenant pixels :
1
(= ) ()

()
Loprateur de correction dclairage scrit comme suit :

( ) (
) ()
( )

[](= )
( )

()
( )

()
Avec : (),dsigne la moyenne dans la fentre centre en de limage du canal

vert
De bons rsultats ont t une obtenuavec une fentre de taille=31 et = 15.

Les micro-anvrismes apparaissent avec un meilleur contraste, ouon peut
les distinguer par rapport au fond de limage (Figure. IV.38). Afin dliminer
135
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
II.2.2.2. Extraction des rgions rouges

Lextraction des structures rouge est accomplie par lutilisation de la
transformation chapeau haut de forme noir (Figure. IV.39.b). Cette
transformation permet de ressortir tous les objets qui ne peuvent contenir
un lment structurant de taille, comme cest le cas pour les petits objets
(micro-anvrismes), mais galement pour les objets de forme allongs (rseau
vasculaire).
ch(f) = (f) f
Avec ch(f) est limage du chapeau haut de forme noir ; (f) est la fermeture
morphologique de limage amliore ;f : limage amliore.
136
(a) (b)
Figure. IV.39.Extraction des rgions rouges ;(a) : Le filtrage de limage amliore ;(b) : Le
chapeau haut de forme de limage amliore
II.2.2.3. Elimination du rseau vasculaire

Comme le rseau vasculaire appartient aux rgions rouges comme les micro-
anvrismes, il apparait dans le rsultat du chapeau haut de forme. En effet ;
pour extraire le rseau vasculaire et le sparer des hmorragies et des micro-
anvrismes, nous appliquons un oprateur morphologique nomm :
Supremum douverture. Cet oprateur permet dextraire les objets connexes
de forme allonge (rseau vasculaire). Il est dfini comme suit :
Le supremum douverture est lunion de toutes les ouvertures dans
toutes les directions du plan, en utilisant un lment structurant
linaireB. Cette opration permet dextraire tous les segments
linaires car elle trie les objets selon leurs longueurs [142] (Figure.
IV.40).

[
(ch(f) )] = [(ch(f) )]

Figure IV.40. Le supremum douverture.
137
Le rsultat dextraction du rseau vasculaire, en utilisant un lment

structurant de longueurB= 30 dans 12 directions est illustr dans la figure.
IV.41. Pour enlever le rseau vasculaire du rsultat de la figure. IV.39. (b),
une opration de soustraction entre ces deux images est effectue.
(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
II.2.2.4.Dtection des micro-anvrismes
La figure.41.(b), montre que les branches principales du rseau vasculaire

ont t limines. Cependant, les petits vaisseaux et quelques particules
considres comme des bruits sont prsents. Lapplication dune opration
de seuillage, ne permet pas de sparer les micro-anvrismes, puisqu'il y
a beaucoup de faux positifs dans limage. En outre, le choix dun seuil
optimal est une tache difficile. Pour remdier ce problme, on fait appel a
lun des oprateurs issu de la morphologie mathmatique : Louverture
ultime . Cet oprateur morphologique est utilis pour lanalyse de forme. Il
permet dextraire les structures les plus contrastes dans limage.
Dfinition de louverture ultime[143].

Louverture ultime est un operateur rsiduel qui analyse la diffrence entre
des ouvertures conscutives ; Cet operateur possde deux images de
sortie associes a une image dentre I : la diffrence maximale entre
ouvertures ( ))et la taille de louverture quand le rsidu maximal
est gnre (Indicatrice (I)).
avec est louverture par un lment structurant de taille
138
Louverture ultime est dcrite comme suit :

Soit I une image:

() ()
( ) Ou( ) ( ) ()
( )( = )
( ) ()
Si
( > )0
Le rsultat de lapplication de louverture ultime est illustr dans la
figure.IV.42.
(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).
Comme les micro-anvrismes sont caractriss par une forme sphrique et

un fort contraste par rapport au fond de limage, nous avons choisis les
caractristiques dcrites comme suit :
139
1. La surface : a = 1o C est lensemble des pixels candidats

2. Le primtre
3. La circularit
4. Intensit (1) : ; avec est le iemepixel de limage du canal vert
5. Intensit (2) : ; avec est le ieme pixel de limage amliore
6. Intensit moyenne (1) :
7. Intensit moyenne (2) :

8. =
)

9.

10. =
)

11.

et sont la moyenne et l'cart-type de limage obtenue par une soustraction

Avec :
de limage du canal vert et limage corrige.
Le calcul des paramtres ; 8,9 10 et 11 permet deffectuer des mesures

dintensit plus cohrentes entre les images de qualit et contraste variable.
Aprs avoir dtermin tous les candidats un vecteur de caractristique,

une classification supervise est applique. Dans notre travail, nous avons
appliqu le classifieur du k-plus proche voisin cause de sa simplicit. Pour
tablir lensemble dapprentissage, nous avons utilis 30 images de la base
de donnes DIARETDB1 contenant 103 micro-anvrismes. Ces images ont
une diffrente variabilit en termes de prsence de plusieurs lsions, de
contraste et luminosit. Un ensemble de 40 images sont utilises pour le
test.
Le rsultat final de dtection des micro-anvrismes est montr dans la

figure.IV.43
140
Figure. IV.43. Rsultat final de dtection des micro-anvrismes
II.2.3.Rsultats et Evaluation de lalgorithme

Lalgorithme propos est test sur diffrentes images de qualit variables,
contenants plusieurs lsions telles que les hmorragies et les exsudats. Les
rsultats de dtection des micro-anvrismes obtenus sur quelques images du
test sont illustrs dans la figure. IV.44.
(a) (b)
MA faiblement contrasts
(c) (d)
MA non dtects
141
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.
Dans la figure. IV.44.(a), on constate que les micro-anvrismes ont t bien

identifis.Ilscorrespondent la dtection manuelle par les ophtalmologues
(Figure. IV.44.b). Les rsultats t trs satisfaisants dans les images de
bonne qualit. Dans le cas ou les micro-anvrismes apparaissent avec un
142
faible contraste (Figure. IV.44.c et d) ou dans des images sombre (Figure.

IV.44.e), les rsultats t satisfaisants. En outre, dans le cas ou les images
contenants de larges hmorragies, les rsultats obtenus sont
acceptables(Figure. IV.44.f). Nanmoins, il y a quelques micro-anvrismes
situs ct vaisseaux sanguins qui sont enlevs tort lors de llimination
du rseau vasculaire (Figure. IV.44.f), donc, ils ne sont pas identifis. Dans
le cas ou les rgions des vaisseaux sanguins capillaires (branches fines) qui
n'ont pas t identifis comme tant des rgions correspondant aux
vaisseaux sanguins. Ils sont considrs comme des micro-anvrismes par
lalgorithme (faux positifs). Un exemple de ce cas est montr dans la figure.
IV.44. (i) et (j). La prsence de bruit d au systme dacquisition influe sur le
rsultat. Ce type de bruit persiste dans lensemble des images de la base
DiaretDb1 (Figure. IV.44. (g) et (h)). Il introduit deux faux positifs dans le
rsultat. La faiblesse principale de la mthode dcoule du fait que
l'algorithme dpend de la dtection du rseau vasculaire. La prcision de
l'extraction des gros vaisseaux sanguins partir des images tait
relativement leve, alors qu'elle tait faible pour les vaisseaux sanguins
capillaires. En plus, lalgorithme est sensible au bruit caus par le systme
dacquisition (Figure. IV.44.g et h).
Lalgorithme atteint une sensibilit, spcificit, valeur prdictive et prcision

moyenne de 89.79%, 98.96%, 88.54% et 99.96% respectivement. Un moyen
de 2.1 faux positifs est obtenu par image. Une comparaison des rsultats
obtenus par rapport aux d'autres algorithmes de l'tat de l'art qui ont utilis
des approches hybridesest effectue pour tester les performances de notre
algorithme (Tableau. IV.5).
143
Auteur Mthode Sensibilit Spcificit PV Prcisi

on
AkaraSopharak, et Morphologie+classifie 85.68 % 99.99 % 83.34 99.99
al (2012)[90] ur baysien % %
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
% %
TABLEAU.IV.5. PERFORMANCE DE LA METHODE PROPOSEE PAR RAPPORT AUX AUTRES METHODES

HYBRIDEES
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
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 :
La premire section du chapitre tait focalise sur la dtection des premiers

signes de la RD et la DMLA. Il sagit des exsudats et des druses
respectivement. Elles sont considres comme des lsions lumineuses
cause de leur fort contraste et luminosit par rapport aux structures du fond
dil.Leurs nombres et leurs emplacements dans limage couleur est un bon
indicateur pour laggravation de la RD et la DMLA. Leur dtection est alors
essentielle pour le dpistage de ces maladies. Cest pour cela, nous avons
propos des algorithmes permettant la segmentation des exsudats et des
druses.
La dtection des exsudats tmoigne dun dme dans lil ce qui est
lun des complications graves de la RD.Une mthode hybride qui
combine la morphologie mathmatique et la classification non
supervise a t propose. La premire tape de lalgorithme consiste
amliorer le contraste et la luminosit de limage, sachant que les
images couleur acquises par rtinographe sont souvent faiblement
contrast, bruit et avec une illumination non-uniforme.Pour cela la
spcification dhistogramme, lespace couleur l*a*b, une galisation
adaptative dhistogramme et filtremdian taient appliqus. La
deuxime tape, taitlutilisation dun algorithme de classification non
supervis (FCM) pour regrouperles structures lumineuses et les
sparer par rapport aux autres lments du fond dil.Ensuite, une
phase dlimination du disque optique a t effectue puisque ce
dernier possde les mmes caractristiques que les exsudats.
Finalement, des oprateurs morphologiques tels que loprateur de
145
kirsh et la reconstruction morphologique taient utiliss pour liminer

les faux positifs et ne garder que les exsudats.
Lalgorithme de dtection des druses dvelopp t purement bas sur
la morphologie mathmatique. Une phase de prtraitement a t
applique sur limage couleur. Ensuite, une tape de recherche des
rgions candidates taient tablie. Sachant que les druses se situes
proximit de la macula, on sest bas sur une segmentation de cette
dernire et de laconsidrer comme un repre pour rechercher et
slectionner les rgions candidates. Finalement une reconstruction
morphologique tait applique pour lextraction des druses.
Les approches de dtection des exsudats et des druses dveloppes ont
taient testes sur un ensemble dimages des bases des donnes Mssidor et
DiaretDb1. Les images avaient des qualits variables et avec diffrents types
de lsions. Lvaluation des mthodes proposes tait effectue par une
comparaison des rsultats obtenus de segmentation des exsudats et des
druses par rapport une segmentation manuelle faite par des
ophtalmologues expriments. La mesure de la sensibilit, la spcificit, la
prcision et la valeur prdictive taient utilises pour la mesure des
performances de nos algorithmes.
Lalgorithme de dtection des exsudats a atteint une sensibilit moyenne de
97.50%, une valeur prdictive moyenne de 91.02 et une prcision moyenne
de 99.68%. Cependant, la mthode dextraction des druses a achevais un
taux moyen de sensibilit, spcificit, valeur prdictive et prcision de
96,01%, 99,10%, 99,89% et 99,24% respectivement.
Pour expertiser les performances des techniques proposes,les rsultats
obtenus ont t compars par rapport aux dautres travaux de recherche.
Les rsultats taient satisfaisants et encouragent. Ils pourraient aider
lophtalmologue pour amliorer la prcision du diagnostic, ainsi dans le
dpistage et le suivi de la RD avant le passage au stade des complications et
afin de rduire la perte dacuit visuelle chez les personnes diabtique.
Dans la deuxime section, nous nous somme intress la dtection des

hmorragies et les micro-anvrismes, considrs comme deslsions sombres,
146
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
hmorragies. Les performances de lapproche hybride de dtection des

lsions sombres taient values par le traage de la courbe ROC.
Lalgorithme de dtection des hmorragies a atteint une sensibilit moyenne
de 93.90%, une spcificit moyenne de 95.69%, une valeur prdictive
moyenne de 93,61 et une prcision moyenne de 94,97%. Cependant,
lalgorithme de dtection des micro-anvrismes a achevait une sensibilit,
spcificit, valeur prdictive et prcision moyenne de 89.79%, 98.96%,
88.54% et 99.96% respectivement. Les performances de la mthode de
dtection de la lsion sombre peuvent tre amliores davantage en
augmentant la quantit de donnes d'apprentissage pour la classification. Le
problme principal dans la dtection des micro-anvrismes est la prsence
de bruit et le faible de contraste. Une amlioration de la qualit dimages
peut apporter un norme progrs dans la performance de cet algorithme.
Nanmoins, les algorithmes proposs ont obtenu de bonnes performances en
les comparants par rapport aux autres mthodes existantes. Comme les
mthodes de dtection de lsions sombres proposes ont donnes lieu une
haute sensibilit avec une prcision raisonnable, un ophtalmologiste peut
prendre son aide dans la dtection des lsions sombres et dans le dpistage
de masse de la rtinopathie diabtique.
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.
Nos travaux de thse entrent dans le cadre du dveloppement dun systme

d'analyse des images du fond d'il en utilisant des outils de traitement des
images rtiniennes. Pour construire ce systme, notre tude sest articule
autour de deux grands axes : Le premier, consistait segmenter les
principales structures anatomiques de la rtine (rseau vasculaire, disque
optique et macula). Le deuxime, consistait dtecter les lsions lumineuses
et sombres lies la RD et la DMLA.
La premire partie de cette tude a prsent les termes mdicaux permettant

une familiarisation avec le domaine dophtalmologie. Les diffrents lments
149
constituant le fond dil, les pathologies pouvant affecter la rtine ainsi que
les diffrentes techniques dacquisition ont t dcrites.
La dtection des signes cliniques de la RD et la DMLA se base

essentiellement sur la segmentation du rseau vasculaire, disque optique et
macula. Ce point nous a amen dans un premier lieu dvelopper des
algorithmes de segmentation de ces lments anatomiques.
En ce qui concerne le rseau vasculaire et la macula, nous avons propos

des approches bases sur la morphologie mathmatique pour les segmenter ;
alors que pour la dtection du disque optique ; nous avons dvelopp une
mthode qui sappuie sur le contour actif. Les algorithmes de segmentation
de ces lments ont t valus par rapport aux travaux de recherche
existants et par rapport la vrit terrain.
Des nouvelles approches et oprateurs morphologiques ont t introduits

pour la dtection des exsudats, druses, micro-anvrismes et hmorragies.
Plusieurs bases de donnes dimages ont t utilises pour tester les
algorithmes prsents. Grce une comparaison des performances obtenues
avec celles prsentes dans la littrature, nous avons pu montrer que nos
rsultats taient satisfaisants pour tous les algorithmes que nous avons
dvelopps. Cependant et bien que les mthodes proposes fonctionnent
correctement sur la majorit des images du fond dil, nous avons not
quelques difficults comme par exemple:
- Les pathologies sont difficiles dtecter dans les images trs
faiblement contrastes.
- Les micro-anvrismes situs au niveau du rseau vasculaire nont pas
t dtects.
- La fiabilit des rsultats de dtection des pathologies est lie
troitement aux rsultats de segmentation des lments principaux de
la rtine.
La recherche prsente dans cette thse a montr des rsultats

encourageants qui indiquent que le systme d'analyse des images du fond
d'il propos a russi extraire les structures anatomiques et diffrentes
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.
[141] Nutnaree Kleawsirikul, Smith Gulati, and Bunyarit Uyyanonvara; Automated

Retinal Hemorrhage Detection Using Morphological Top Hat and Rule-based
Classification;3rd International Conference on Intelligent Computational Systems
(ICICS'2013) April 29-30, 2013 Singapore
[142] Jean Serra., Chapitre III, Cours de Morphologie mathmatique, Centre de
Morphologie mathmatique, Ecole des mines de paris, 2000.
[143] Jonathan Fabrizio and Beatriz Marcotegui1, Fast Implementation of the
Ultimate Opening ; M.H.F. Wilkinson and J.B.T.M. Roerdink (Eds.): ISMM 2009,
LNCS 5720, pp. 272281, 2009. Springer-Verlag Berlin Heidelberg 2009.
162

These Feroui Ohetalmologie

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

These Feroui Ohetalmologie

Încărcat de

Drepturi de autor:

Formate disponibile

R EP U BL I QU E A L G ER I ENN E D EM O CR A T IQ U E ET PO PU L A IR E

ANALYSE DES IMAGES COULEUR DU

CHIKH MOHAMMED EL AMINE PR. Universit de TLEMCEN Prsident

Mots cls : Ophtalmologie ; Analyse du fond dil ; Rtinopathie diabtique ; Dgnrescence

En premier lieu, Je tiens exprimer mes plus vifs remerciements au professeur

Je tiens tmoigner toute ma reconnaissance Monsieur MESSADI MAHAMMED ;

Je remercie, en particulier le Professeur CHIKH MOHAMMED AMINE, pour

Je tiens remercier Monsieur, KADDOUR ABELHAFID, professeur a lUSTO,Oran,

LISTE DES FIGURES

Chapitre.1. Aspect Mdical

Chapitre.3. Segmentation des lments principaux

Figure. I.1. le fond doeil................................................................................................................... 8

Tableau.I.1. Lsions de la RD............................................................................................................................... 15

L'imagerie mdicale a rvolutionn la mdecine en fournissant un diagnostic

Ce travail de recherche se focalise sur lanalyse et le traitement des images

lavnement des systmes rtiniens numriss, il est possible danalyser de

De nombreuses maladies peuvent affecter la vision, parmi ces pathologies,

La dgnrescence maculaire lie a lge (DMLA) est une maladie de

Le diabte est caractris par une augmentation chronique de glucose dans

Cette maladie a de nombreux effets nfastes sur le systme nerveux, le

un diagnostic en lui fournissant un deuxime avis et fonctionne galement

La dtection des pathologies lie la RD et la DMLA, se base

Compte tenu de toutes ces considrations et au de ces annes de recherche,

dveloppement des algorithmes pour la dtection des exsudats, des

Les principales contributions de ce travail sont comme suit :

II. Structure de la thse

Le chapitre. 2 : Etat de lart

lments principaux de la rtine (rseau vasculaire, disque optique et

Le chapitre. 3 : Segmentation des lments principaux de la rtine

Le chapitre. 4 : Dtection des pathologies rtiniennes

Ce travail sachve par une conclusion gnrale qui rcapitule succinctement

I. Description Gnrale de lil

I.1. Anatomie du globe oculaire

A l'avant de l'il on dlimite 2 zones principales :

Figure. I.1. le fond dil

I.1.1. La couche protectrice (couche externe)

Figure. I.2.couches de la corne

I.1.2. La couche vascularise (couche moyenne)

I.1.2.2. le corps Ciliaire

I.1.3. La couche visuelle (couche interne)

Figure. I.3. la rtine

I.1.3.1.1. La macula et la Fova

I.1.3.2. Le nerf Optique

I.1.3.4. Arbre Vasculaire

Figure. I.4. : image rtinienne et ses principales composantes

I.1.4. Le contenu de la cavit interne

I.1.4.1. Humeur aqueuse

II. Les pathologies Rtiniennes

II.1. La Rtinopathie Diabtique (RD)

La rtinopathie diabtique (RD) est une des principales causes de ccit et de

Cette affection ne se remarque pas pendant de nombreuses annes, elle ne

II.1.1. Signes Cliniques de la RD

II.1.1.1. Les Micro anvrismes [10]

II.1.1.2. les hmorragies

II.1.1.3.Les Anomalies Microvasculaires Intra Rtiniennes (AMIR).

II.1.1.4. Occlusions veineuses rtiniennes

II.1.1.6. Les Exsudats durs

Figure. I.9. No-vascularisation

II.1.2. Classification des stades de la RD

1 : Rtinopathie non prolifrante minime Prsence de micro-anvrismes uniquement

II.4. Dgnrescence maculaire lie a lge (DMLA)

II.4.1. Signes cliniques de la DMLA

II.4.1.1. Maculopathie lie lge (MLA)

II.4.1.3. Forme exsudative