Précédent : Fondements scientifiques Remonter : Projet ORION, Environnements de résolution Suivant : Logiciels
Précédent : Fondements scientifiques
Remonter : Projet ORION, Environnements de résolution
Suivant : Logiciels
Résumé : Les applications abordées dans le projet sont très variées et ont un rôle essentiel pour mener à bien les travaux dans nos axes de recherches. Les grands domaines principalement représentés sont les suivants : l'astronomie, la santé et l'environnement, la vidéosurveillance et les transports. Les réalisations effectuées à l'aide de nos outils et méthodologies peuvent avoir deux finalités différentes : l'une à caractère scientifique est de permettre un apport dans d'autres disciplines, par exemple en astronomie pour la classification automatique de galaxies ; l'autre à caractère industriel est de permettre le développement de systèmes opérationnels comme la vidéosurveillance de stations de métro. Notons enfin que si l'imagerie est un domaine d'application privilégié du projet, des travaux applicatifs en calcul numérique, tel que le pilotage de codes de simulation numérique, ont également lieu (cf. module).
Nous nous intéressons à la définition de solutions adaptées aux problèmes spécifiques posés par le pilotage de programmes de traitement (de séquences) d'images médicales. La complexité du domaine de l'imagerie médicale (données images variées et riches d'information, information imprécise et incomplète, paramètres multiples, objectifs méthodologiques et cliniques nombreux) conduit à la recherche et au développement de méthodes perfectionnées de traitement d'images médicales. Quoique performantes, ces méthodes sont diffusées de façon restreinte auprès des utilisateurs en routine clinique. Notre objectif est donc de proposer un système de pilotage de programmes de traitement d'images médicales capable d'adapter les traitements d'images médicales à différents contextes et de les mettre à la disposition d'utilisateurs non spécialistes comme les cliniciens (médecins imageurs ou spécialistes). Parallèlement, la spécificité des besoins en pilotage de programmes de traitement d'images médicales fournit un cadre intéressant d'expérimentation d'un certain nombre d'extensions au pilotage de programmes. Nous travaillons d'une part, sur la modélisation des connaissances (i.e. images, buts, traitements disponibles, besoins des utilisateurs) qui doit refléter la richesse, la non-exhaustivité et le caractère évolutif du domaine médical, d'autre part, sur un mécanisme de planification et de contrôle d'exécution perfectionné pour respecter la démarche naturelle des experts. Enfin, une automatisation complète des opérations n'étant souvent ni possible ni souhaitable pour le traitement d'images médicales, nous nous intéressons à la place et la forme du dialogue avec l'utilisateur clinicien durant la résolution de sa requête.
Nous travaillons sur deux applications, basées sur des approches différentes du traitement d'images médicales.
La première étude est menée en collaboration avec
l'unité 66 de l'INSERM (La Pitié Salpêtrière, Paris), sur
des programmes d'imagerie médicale fonctionnelle. Il s'agit
essentiellement du pilotage de programmes d'Analyse Factorielle
de Séquences d'Images Médicales (AFSIM [FBDP
92,BBa93]). La diversité des buts
cliniques et des types d'images pour lesquels l'AFSIM est
utilisée nécessite d'être modélisée au sein du système de
pilotage par des concepts adaptés, intervenant à différentes
étapes dans le raisonnement du moteur. De plus, cette diversité
met en lumière différents niveaux de connaissances et de
raisonnement, en particulier la distinction possible entre les
connaissances génériques de pilotage de l'AFSIM et celles
spécifiques à un type d'application de l'AFSIM. Enfin, les
programmes de l'AFSIM soulèvent le problème de l'extraction des
connaissances de pilotage qu'ils contiennent, couplé à des
aspects de contrôle d'exécution non trivial. Une base de
connaissances de pilotage de l'AFSIM (utilisée dans le but
d'estimation de fonctions physiologiques) a déjà été développée
avec YAKL sur une application de
référence : le «suivi de chimiothérapie sur ostéosarcome»,
qui traite des séquences temporelles d'images médicales en
médecine nucléaire/IRM (cf. figure ).
Figure: Séquence dynamique d'images IRM
(genou tumoral en coupe sagittale) et résultats de l'AFSIM pour
l'estimation des fonctions physiologiques sous-jacentes à un
ostéosarcome du genou. (a), (b), (c) coupes sagittales du genou
tumoral à un instant donné, (d) les 3 facteurs résultat
superposés à leur localisation spatiale respective : facteur
vasculaire rapide, facteur vasculaire lent et facteur
d'accumulation dans les tissus intersticiels. (images fournies
par l'INSERM-U66).
Notre seconde étude concerne une application de segmentation
du cerveau à partir d'images IRM 3D, en collaboration avec
Grégoire Malandain du projet Epidaure de l'Inria (cf.
figure ). Il s'agit
ici de traitements d'images médicales basés sur les principes de
la vision par ordinateur (morphologie mathématique
essentiellement), visant à isoler le cerveau anatomique dans les
images. Ici, les connaissances médicales utilisées par l'expert
ne sont pas intégrées dans les programmes, mais interviennent à
un haut niveau de raisonnement. L'intérêt principal de cette
application réside dans la démarche de l'expert : elle est
basée sur un mécanisme d'essai/erreur due à la difficulté de
déterminer les valeurs de paramètres appropriées et à la
sensibilité de ceux-ci aux conditions d'acquisition. La
réparation d'une solution prend ici toute son importance, et
s'étend à la nécessité de mémoriser l'historique des différentes
solutions choisies et des traitements subis par les images.
Figure: Exemple de segmentation d'images du
cerveau : (a) IRM du cerveau initiale, (b) résultat de la
segmentation du cerveau, (c) superposition du résultat sur
l'image initiale pour une meilleure visualisation.
Dans le domaine de la surveillance de locaux, le sentiment croissant d'insécurité parmi la population a conduit les sociétés privées et, dans une certaine mesure, les autorités publiques à intégrer des systèmes de sécurité pour protéger leurs équipements ou leurs intérêts commerciaux. Pour la sécurité des lieux publics, les techniques de surveillance par caméras sont de plus en plus utilisées mais la multiplication de ces moyens entraine une saturation des moyens de transmission et des moyens d'analyse par les contrôleurs (il est difficile de surveiller simultanément des centaines d'écrans). Par exemple, il y a actuellement plus de 1000 caméras pour surveiller le réseau du métro de Bruxelles. Dans le cadre de nos travaux en interprétation automatique d'images vidéo, nous étudions depuis 1994 le problème du développement d'un système automatisé d'assistance aux opérateurs de vidéosurveillance.
L'objectif d'un tel système est de fonctionner comme un filtre
ayant pour fonction de trier les scènes susceptibles d'être
intéressantes pour l'opérateur humain. Construit sur la
coopération d'un module de traitement d'images et d'un module
d'interprétation basé sur des techniques d'intelligence
artificielle, ce système doit reconnaître automatiquement
différents scénarios présentant un intérêt quelconque, afin de
les présenter aux opérateurs. Ces travaux sont effectués avec les
partenaires académiques et industriels des projets européens
Esprit Passwords, AVS-PV et AVS-RTPW. Une première gamme
d'applications très simples pour la surveillance de nuit de
l'intérieur de supermarché (AUCHAN) a montré la faisabilité de
cette approche. Une deuxième gamme d'applications de type
«surveillance de parking» où l'angle de vue assez large permet de
voir de nombreux objets de nature distincte (voitures, piétons,
chariots, etc.) dans un environnement changeant (éclairement,
voitures en stationnement, arbres agités par le vent, etc.) a été
étudiée (voir figure ). Cette
gamme d'applications a permis d'expérimenter diverses méthodes de
récupération du suivi, d'analyse de trajectoire, de
reconnaissance de cas typiques (occultation, formation et
séparation de groupes, etc.). Actuellement nous étudions des
applications de vidéosurveillance dans le domaine du transport
nécessitant l'analyse et la reconnaissance de groupes de
personnes à partir de vue latérales basses prises dans des
stations de métro (métros de Nuremberg, Bruxelles et
Charleroi).
Figure: Exemple de scène de parking où un
individu zigzague dans l'allée.
97]. Toutefois, l'intérêt d'un système d'analyse
automatique de pollens réside dans sa capacité à reconnaître le
type de chaque grain de pollen ; c'est à ce problème
qu'Orion s'est intéressé dès la fin de l'année
1996 [24]. À cause
de la complexité des différentes formes de pollens, nous étudions
une approche prenant en compte la connaissance des
pallinologues ; pour cela, nous nous appuyons sur la
coopération entre deux types d'outils : d'une part, des
algorithmes de traitement d'images et de reconnaissance de formes
et, d'autre part, des outils d'intelligence artificielle sous
forme de systèmes à base de connaissances. Les algorithmes de
traitement d'images et de reconnaissance de formes doivent
permettre d'isoler les grains de pollens, et de réaliser les
mesures numériques sur les grains susceptibles d'être des
pollens. Les systèmes à base de connaissances doivent permettre
de reconnaître les différents types de pollens en s'appuyant sur
une modélisation taxonomique des espèces, et éventuellement, à
terme de piloter les algorithmes pour optimiser les traitements.
Notons que nous avons déjà utilisé cette approche dans d'autres
domaines d'applications pour la reconnaissance d'objets naturels
complexes tels que les galaxies, les zooplanctons [TG92,Oss96] ou les
foraminifères [LSMTB96,LTB94]. Pendant l'année
1997, en collaboration avec les pallinologues du CEMBREU et le
service de pneumologie du CHU de Nice, nous avons mené une étude
de faisabilité sur ce sujet (cf. module ).
Précédent : Fondements scientifiques
Remonter : Projet ORION, Environnements de résolution
Suivant : Logiciels