Influence of MRI acquisition protocol on classification of cheese image texture
Résumé
Texture analysis methods are used to describe the grey level organisation inside a image and thus can be used in MRI applications to classify the different tissues. Unfortunately, texture parameters could be sensitive to MR protocols and to the MR scanner. The objective of this work was to study the influence of the MR protocols and of the grey levels normalisation on the classification of cheese image texture. Soft cheese samples were chosen at two different ripening periods in order to have two different microscopic structures of the protein gel. The data set contained 32 samples, 16 young cheeses and 16 old cheeses. MR images were acquired using a 0.2 T MR scanner . Two pulse sequences were used : a spin-echo sequence to produce proton-density (PDW) , T2-weighted (T2W) and T1-weighted (T1W) images, a gradient echo (FLASH) sequence to produce magnetic susceptibility-weighted images. The texture features were computed on a central region of interest in the image and the big holes were arbitrarily removed. Analysis were performed on original grey levels and on normalised grey levels (m±3s ). The following texture methods were used: co-occurrence matrix, run length matrix, gradient matrix, auto-regressive model, wavelet transform, morphological decomposition. The features with the highest Fisher coefficient were selected, and used for classification performed by two different methods : 1- nearest neighbour classifier (1NN) and non-linear discriminant analysis (NDA). NDA was not sensitive to the normalisation effect while 1-NN provided better results after normalisation except for T1W. With 1-NN PDW and T1W gave the best results and the influence of the protocol was more important in case of no normalisation. The misclassified cheeses were generally dependent on the protocol or on the normalisation state both for 1-NN and for NDA which strongly suggested that texture analysis was very sensitive to acquisition and computation conditions. In conclusion, texture analysis was able to discriminate between two different gel structures but the results showed an influence of the protocol and of the normalisation of the grey levels in particular when considering the misclassified cases.Normalisation which may be a solution for inter-scanners variations gave globally better results.
Les méthodes d'analyse de texture sont utilisées pour décrire l'organisation des niveaux de gris dans une image et peuvent être ainsi utiles pour classifier différents tissus dans une image IRM. Malheureusement ces paramètres sont sensibles au protocole d'acquisition et au scanner lui-même. L'objectif de ce travail était d'étudier l'influence du protocole d'acquisition et de la normalisation des niveaux de gris sur la classification d'images de fromages. Des fromages à pâte molle ont été choisis à 2 stades d'affinage différents afin de disposer de deux structures du gel protéique différentes. L'analyse a été faite sur 32 échantillons, 16 au stade jeune et 16 au stade vieux. Les images ont été acquises sur un IRM 0.2T. Deux séquences ont été utilisées : un séquence "écho de spin" avec trois pondérations différentes (densité de protons, T2 et T1) et une séquence "écho de gradient" qui permet d'avoir une image dépendant de la susceptibilité magnétique. Les paramètres de texture ont été calculés sur une zone d'intérêt au centre des fromages et les grosses cavités ont été retirées. Les analyses ont été effectuées sur les images originales et sur les images normalisées (m±3s). Les méthodes suivantes ont été utilisés : matrice de co-occurence des niveaux de gris, matrice des longueurs de plage, image gradient, modèle auto-régressif, transformée en ondelettes, décomposition morphologique. Les paramètres présentant le coefficient de Fisher le plus élevé étaient sélectionnés et utilisés pour l'étape de classification en utilisant deux méthodes : le plus proche voisin (PPV) et une analyse discriminante non-linéaire (ADNL). ADNL n'était pas sensible à la normalisation des niveaux de gris tandis que PPV donnait de meilleurs résultats après normalisation excepté pour les images pondérées en T1. Avec PPV, les images pondérées en densité de protons et en T1 donnaient le meilleurs résultats et l'influence du protocole était moindre dans le cas où il n'y avait pas de normalisation. Les fromages mal classés n'étaient pas les mêmes en fonction du protocole et de la normalisation ce qui suggère fortement que les paramètres de texture étaient très sensibles aux conditions d'acquisition et de pré-traitement des images. En conclusion, l'analyse de texture a permis de discriminer deux types de gel différents mais les résultats ont montré l'influence du protocole et du pré-traitement des images (normalisation des niveaux de gris) sur les résultats. La normalisation qui peut être une solution à la variation inter-scanner des mesures a donné globalement de meilleurs résultats.