EPFL
 Biomedical Imaging Group
EPFL   Student Projects: Vincent Cattin
English only    BIG > Teaching > Student Projects > Vincent Cattin
 CONTENTS
Home page
Events
Members
Publications
Tutorials and Reviews
Research
Demos
Download Algorithms
Teaching
bulletStudent projects
Analyse de textures pour l'imagerie de tumeurs

Vincent Cattin
Section Microtechnique, EPFL

Semester project
February 2005

Résumé

L'objectif de ce projet est de développer un outil graphique simple et performant pour la classification de textures avec la perspective dÕune application dans la détection de cellules cancéreuses en imagerie médicale.

Pour se faire, lÕalgorithme choisi est basé sur le filtrage de textures afin dÕen extraire les caractéristiques sous forme dÕinformations numériques. Les filtres, représentant les motifs de bases qui constituent localement une texture sont utilisés pour caractériser cette texture.

Concrètement, le filtrage des textures sera implémenté dans le langage JAVA comme un plugin à ImageJ (logiciel libre de traitement dÕimage). La classification quand à elle sera exécutée sur un script R (programme libre dÕanalyse statistique).


Résultats

Les résultats présentés dans ce rapport nous montre que la méthode de classification choisie nous donne de bonnes performances pour un choix d'images répondant à des critères très sévères. En effet, des critères tels que la résolution, la variation des niveaux de gris entre deux images d'une même texture, l'absence de textures composites pour la classification, etc. ont une influence directe et significative sur les performances. Des résultats comme ceux que nous obtenons ici ne seront évidemment pas reproductibles aussi facilement pour des images ne répondant pas automatiquement à ces critères comme des images histologiques pour la détection de tumeurs par exemple.
Pour preuve, lors des premiers tests que nous avons effectués, les résultats se situaient à environ 30-40 % de taux de réussite en moyenne et pire dans certains cas. Par la suite, nous avons compris que la taille de la fenêtre utilisée pour la décomposition en sous-régions était trop grande pour une bonne discrimination des images d'apprentissage.

Plus tard, nous avons aussi effectués quelques tests plus réalistes en utilisant pour la classification des images de mêmes textures que celles d'apprentissage mais capturées sous des conditions différentes (luminosités, résolution...). Les résultats ont alors chuté jusqu'à 20% pour des textures à peines différentes.