Home

Remerciements

1. O PEA ee LE A 5 Int ractions de l interface aA AUTRE PONDERATION et GO NEXT b Mini viewer TABLE DES FIGURES 26 27 29 30 31 31 32 32 33 33 34 34 36 37 38 39 40 43 44 44 Tanguy LE FOL Stage du 01 02 05 au 31 08 05 R sum L objectif de mon stage fut la mise en uvre d une m thode automatique fiable robuste et rapide de quantification surfacique des d mes c r braux sur des IRM acquises selon un protocole sp cifique uti lis en routine clinique L volution de la taille des ced mes est consid r e comme un facteur pertinent afin d valuer l efficacit d un nouveau traitement sur les traumatis s cr niens graves traitement tudi dans le d partement d anesth sie r animation du CHU d Angers Lors des s ances d acquisition 3 s ances par pa tient chelonn es sur 15 jours not es J1 J2 et J3 de multiples s quences IRM sont recueillies une s quence en pond ration T1 une s quence FLAIR FLuid Attenuated Inversion Recovery et une s quence EPI Echo Planar Imaging Pour cette tude nous avons adapt l algorithme EM Expectation Maximisation pour la segmentation des ced mes ainsi qu un traitement de suppression du cr ne prenant en compte les morpholo gies vari es des cerveaux des patients trait s sur les IRM FLAIR Le temps de traitement pour estimer le volume des d mes d un patient pour une date donn e est d e
2. To get started select MATLAB Help from the Help m fa FIG 1 Fen tre Matlab A 3 Choix du patient Fig A 2 1 Une nouvelle fen tre appel GUlintro s ouvre choisir alors le patient traiter et non la date d ac quisition seulement le patient en haut de la fen tre en cliquant sur parcourir une nouvelle fen tre apparait 2 S lectionner le jour d acquisition traiter entre J1 J2 et J3 si droite le message Date introuvable appara t il vous faut choisir une autre date 43 A 4 Segmentation des cedemes 44 3 Enfin dans la derni re partie en bas cliquer sur parcourir une nouvelle fen tre apparait pour s lectionner l emplacement o sera enregistrer les r sultats du traitements et leurs donner un nom exemple patientX_jY_ utilisateurZ 4 Il ne reste plus qu appuyer sur le bouton Lancer le programme pour continuer aici S lectionner le patient traiter Pme oO 2 Date d acquisition G n gt D Lancer le programme S lectionner le r pertoire de travail et donner un nom au fichier de sortie FIG A 2 Fen tre de s lection du patient A 4 Segmentation des d mes A 4 1 Visualisation Fig A 3 1 Pour tout les viewers de coupes initialement la coupe visible est celle trait e pour descendre dans les coupes cliquer sur lt pour monter cliquer sur et pour revenir la coupe initiale 0 2 En h
3. Histogramme d une IRM c r brale type flair CHAPITRE 2 Les s quences IRM utilis es Tanguy LE FOL Stage du 01 02 05 au 31 08 05 2 3 Imagerie de diffusion type EPI Echo Planar Imaging 14 Le choix de travailler sur ces s quences vient du fait que les images FLAIR pr sentent la particularit de bien mettre en vidence les d mes Fig 2 2 Le but de notre travail est donc de d finir le seuil de l histogramme des coupes IRM permettant de ne garder que les ced mes Fig 2 3 2 3 Imagerie de diffusion type EPI Echo Planar Imaging Le ph nom ne de diffusion mol culaire correspond aux mouvements al atoires de translation des mol cules appel s mouvements browniens Contrairement la diffusion de l eau dans un liquide o les mol cules d eau se d placent de facon isotrope sans rencontrer d obstacle la mobilit des mol cules d eau dans les tis sus biologiques est influenc e par la structure tissulaire Les diff rents composants tissulaires la membrane cytoplasmique le cytosquelette la my line constituent des obstacles physiques qui entravent la mobilit des mol cules d eau Dans cette s quence le cr ne est alors en hyposignal et les tissus mous ainsi que le LCR sont en hypersignal Os du cr ne Cellules blanches Oed me Cellules grises Fond LCR FIG 2 4 IRM EPI d un traumatis cr nien grave La sp cificit de l imagerie de diffusion r side dans le fait qu elle ne d tecte pas ou tr s peu les
4. Limites L une des limites de cet algorithme est que la classe qui repr sente le fond tant plus importante que les autres Fig 3 2 l algorithme EM apporte une meilleure pr cision sur cette derni re Or l objectif est de diff rencier au mieux les deux derni res classes afin de ne retenir que la troisi me Nous avons donc supprim la premi re classe du traitement en estimant la classe du fond par un pic de Rayleigh T T T T T Seuil exp rimental Seuil expert a b FIG 3 2 Algorithme EM sur l histogramme d une IRM FLAIR avec la classe du fond CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 18 3 2 Algorithme EM Autre limite l algorithme EM pr sent n cessite de fixer le nombre de classes d finir Dans le cas pr sent figure 3 3 la classe du fond ayant t supprim e 2 classes sont suffisantes alors que la coupe de la figure 3 4 n cessite 3 classes Fig 3 3 3 5 Ainsi le nombre de classes permettant de bien d finir notre seuil et donc notre classe des ced mes ne peut tre fixe Fig 3 3 3 4 3 5 b EE T Seuil exp rimental 0 01 Seuil expert A b FIG 3 4 Algorithme EM pour 2 classes mal estim es sans la classe du fond a histogramme b r sultat o2 Se 2 Tanguy LE FOL Stage du 01 02 05 au 31 08 05 CHAPITRE 3
5. c c csl 11 Segmentation de tissus sain en par Mykk nen et al 2005 11 Atome plong dans un champ magn tique Bo a recevant une onde radio b cr ant un courant en retour 12 IRM FLAIR d un traumatis cr nien grave ooa eoe e e a e e s 13 Histogramme d une IRM c r brale type flait 13 IRM EPI d un traumatis cranten grave ox gd Y ud Eee EUR CERA eue AS a 14 D tection du seuil recherch par algorithme EM 15 Algorithme EM sur l histogramme d une IRM FLAIR avec la classe du fond 17 Algorithme EM pour 2 classes correctement estim es sans la classe du fond a histogramme b r sultat 18 Algorithme EM pour 2 classes mal estim es sans la classe du fond a histogramme b r sultat 18 Algorithme EM pour 3 classes correctement estim es sans la classe du fond a histogramme b r sultat 19 Approximation du fond de l image par un pic de Rayleigh 19 Synopsis de l algorithme EM boucl 20 Initialisation de l algorithme EM 8 classes 20 R sultats de l algorithme EM boucl 20 R sultat de l algorithme EM boucl 20 Diff rentes tapes d rosion dilatation lt oa e e e e a a e 21 a image de d par
6. d mes soit 813mm 773mm De la m me fa on les erreurs spatiales ES entre l algorithme EM et les experts sont du m me ordre de grandeur que les erreurs spatiales inter et intra observateurs Nous pouvons n anmoins noter que ces valeurs sont importantes entre 44 et 55 Ceci peut s expliquer par le fait que les comparaisons se font entre 2 trac s totalement ind pendants trac en aveugle des contours Or en routine clinique les r sultats obtenus par la segmentation automatique serviront de base pour les experts qui pourront modifier les contours Les erreurs inter et intra observateurs devront alors normalement diminuer ainsi que les erreurs entre algorithme EM et les experts Les tests de Bland et Altman donnent dans le cadre de la comparaison entre l algorithme EM et les experts des intervalles de confiance 2 d viations standards sup rieurs de 2596 ceux obtenus pour les comparaisons intra et inter observateurs Ces diff rences importantes peuvent galement s expliquer par le proc d choisi pour le trac des contours proc d aveugle Une tude compl mentaire sur la modification des trac automatique doit tre envisag e CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Discussion et Conclusion 5 1 Bilan Le processus de segmentation que nous avons d velopp Fig 5 2 s av re tre automatique et rapide Cette m thode robuste peut traiter une grande va
7. r alis e afin d tablir l tat de l art sur l extraction d informations en IRM c r bral domaine nouveau pour le laboratoire les images trait es tant essentielle ment des IRM cardiaques Un traitement bas sur la classification par histogramme a t d velopp e l aide du logiciel Matlab et est accessible via une interface utilisateur sp cifiquement d velopp pour cette tude 1 3 Probl matique de segmentation de l eed me Le cas des traumatis s cr niens graves en r animation impose pour la d tection des d mes c r braux de nombreuses contraintes En effet les chocs occasionn s pendant l accident peuvent modifier fortement la morphologie du cerveau Fig 2 4 d De plus les ced mes grands Fig 2 4 b ou petits Fig 2 4 a intenses ou diffus Fig 2 4 c demandent des traitements sp cifiques Enfin le suivi de la taille des d mes n cessite la gestion d une grande quantit de donn es 20 images par acquisition et 3 acquisitions tal es dans le temps par patient et donc un traitement qui se devra non seulement d tre fiable et robuste mais galement rapide pour une utilisation en routine clinique via une interface utilisateur ergonomique a h c d FIG 1 4 Diff rents cas de traumatis s cr niens a petit ed me b grand d me d me diffus d cerveau d form CHAPITRE 1 Pr sentation du sujet et tat de l art Tanguy LE FOL Stage du 01 02
8. s sur le rat Belayev et al 2003 une tude actuellement men e dans le service de r animation du CHU d Angers tente de montrer qualitativement et quantitativement l int r t th rapeutique de l administration d albumine humaine chez les patients pr sentant un traumatisme grave Pour r aliser cette tude les patients sont choisis de fa on al atoire soit dans un groupe o ils re oivent un traitement m dical conventionnel soit dans un groupe o l on y adjoint une injection importante d albumine Pour l ensemble des patients des IRM c r brales diff rents moments d volution de l d me J1 J2 J3 Fig 1 1 1 2 1 3 sont acquises selon un protocole sp cifique d fini par les experts cliniciens L int r t th rapeutique de l administration d albumine n est actuellement valu que cliniquement FIG 1 1 IRM J 2 FIG 1 2 IRM J 8 FIG 1 3 IRM J 15 1 2 Sujet de stage 8 1 2 Sujet de stage L objectif du stage propos est d tudier quantitativement l volution des l sions c r brales sur des IRM chez des patients ayant re u ou non le traitement par albumine pour d terminer son volution dans le temps Afin de quantifier l volution des l sions il est n cessaire d extraire l oed me et d en r aliser une quantifica tion surfacique voire volumique ceci afin de comparer la cin tique de croissance des l sions dans les deux groupes Une recherche bibliographique a tout d abord t
9. 05 au 31 08 05 1 4 tat de l art 9 1 4 tat de l art Dans de nombreux cas encore le contourage des zones pathologiques sur des IRM du cerveau reste manuel Merwa et al 2004 Lescot 1 et al 2005 Ces op rations sont donc fastidieuses et tr s expert d pendantes C est pourquoi actuellement des processus automatis s et sp cifiques sont d velopp s pour le cerveau Les r centes tudes Gorges 2003 Dugas Phocion et al 2004 Prastawa et al 2004 Liu et al 2005 font tat de deux grandes familles de traitements utilis s pour la segmentation en IRM c r brale l algo rithme EM et l utilisation de la logique floue D autres traitements apparaissent moins souvent dans la lit t rature c est le cas des contours actifs Zhu et al 1997 Mykk nen et al 2005 et de l utilisation d atlas Van Leemput 1 et al 1999 Van Leemput 2 et al 1999 Van Leemput et al 2001 Moon et al 2002 Prastawa et al 2004 Dugas Phocion et al 2004 servant surtout initialiser les traitements ult rieurs Toutes les r f rences cit es font tat de travaux sur la mise en vidence de zones pathologiques du cer veau 1 4 1 M thodes de segmentation Contours actifs Les contours actifs sont bas s sur la minimisation d une fonctionnelle directement interpr table en terme de contraintes physiques raideur lasticit attache aux donn es afin de converger vers le contour de la zone segmenter Kass et
10. 15 p 429 442 1996 Xu et al 1998 C Xu C Pince J L N Snake Shapes and Gradient Vector Flow IEEE Transactions on image processing vol 7 pp 359 369 1998 Zhu et al 1997 Zhu Y Yan H N Computerized tumor boundary detection using a hopfield neural network IEEE Transactions on medical imaging Vol 16 N 1 p 55 67 1997 BIBLIOGRAPHIE Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Annexe Mode d emploi du programme de segmentation d d mes c r braux A 1 Introduction Ce programme t cr sur Matlab version 6 5 Pour son bon fonctionnement l utilisateur a besoin de 2 ensembles de programmes Les programmes relatifs l interface GUI1 m GUI1 fig G lintro m GUlintro fig GUIpond m GUI pond fig et freehanddraw m et ceux relatifs aux traitements li s la segmentation des d mes A 2 tapes pr liminaires Fig A 1 1 Installer les programmes dans un m me r pertoire 2 Ouvrir Matlab Une fen tre s ouvre dans la case suivante Current Directory en haut droite s lectionner l adresse du r pertoire contenant les programmes en cliquant sur le bouton juste droite Taper dans le cadre Command Window en bas droite GUI le programme est alors lanc ioi xj File Edit View Web Window Help D ap oc atm Np Current Directory C maTLasepsiwork 3 Using Toolbox Path Cache Type help toolbox path
11. Chi Z Yan H Pham T N Fuzzy algorithms with application to image processing and pattern recognicion Advances in fuzzy systems applications and theory Vol 10 1996 Cocquerez et al 1995 Cocquerez J P Philipp S N Analyse d images filtrage et segmentation d Masson 1995 Cohen et al 1991 Cohen L D N On Active Contours Models and Balloons Computer vision gra phics and image processing Image understanding vol 53 pp 211 218 1991 Dempster et al 1977 Dempster A P Laird N M Rubin D B N Maximum likelihood from incom plete data via the EM algorithm Journal of the Royal Statistical Society Series B Vol 39 p 1 38 1977 Dugas Phocion et al 2004 Dugas Phocion G Gonzales M A Lebrun C Chanalet S Bensa C Ma landain G Ayache N N Hierarchical segmentation of multiple sclerosis lesions in multi sequence MRT IEEE international symposium biomedical imaging Vol 1 p 157 160 2004 Goldszal et al 1996 Goldszal A F Davtzikos C Pham D L Yan M X H Nick Bryan R Susan MR N An image processing system for qualitative and quantitative volumetric analysis of brain images IEEE Transactions on medical imaging Vol 15 p 429 442 1996 Gorges 2003 Gorges S N Segmentation des structures sous corticales par fusion floue d informations sur des images RMN M moire de fin d tude Polytech Grenoble 2003 Held et al 1997 H
12. Travail r alis pendant le stage DOMUM b FIG 3 5 Algorithme EM pour 3 classes correctement estim es sans la classe du fond a histogramme b r sultat 3 2 2 Pic de Rayleigh Les travaux r alis s par Schroeter et al 1998 ont permis de justifier l approximation de la classe du fond par un pic de Rayleigh quation 3 10 et Fig 3 6 _ gr 252 3 10 R x w exp avec w le poids du pic de Rayleigh par rapport l histogramme On la variance du pic de Rayleigh Sch ma h x Nombre histogramme WA d OCCUFTEN initial sise p x Rayleigh Niveau de gris FIG 3 6 Approximation du fond de l image par un pic de Rayleigh Ce pic nous donne par sa rencontre avec l axe des abscisses le seuil X du fond Il ne reste plus qu mettre tous les pixels d intensit inf rieure ce seuil O pour liminer cette population Nous obtenons alors une meilleure pr cision sur l approximation des derni res classes les tissus sains et les ced mes CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 E A 3 2 3 Algorithme EM boucl L algorithme EM classique n cessite une intervention manuelle pour choisir le nombre de gaussiennes intervenant dans le calcul Nous avons donc d velopp un processus de rebouclage de l algorithme Fig 3 7 afin de d finir automatiquement le nombre optimum de gaussiennes Partant d un grand nombre de ga
13. comme il est not plus haut la derni re classe repr sente la fois les ced mes qui nous int ressent et les os du cr ne que nous ne devons pas inclure dans la quantification Nous avons donc d velopp un traitement automatique de suppression des os du cr ne T T T T T FIG 3 1 D tection du seuil recherch par algorithme EM 15 n DU 3 2 Algorithme 3 2 1 Algorithme EM classique Principe L algorithme EM s applique l approximation de donn es cach es Dempster et al 1977 Il est notam ment utilis pour l estimation des Mod les de Markov Cach s et des M langes de distributions Soit I un v nement repr sentant l intensit du pixel de coordonn e x L histogramme H 1 sera approxim par une somme de gaussiennes G 1 14 0 pond r es par des poids ay quation 3 1 N Hye 3 1 n avec 14 le signal approxim de H I N le nombre de gaussiennes Un la moyenne de la gaussienne n On la variance de la gaussienne n Pour chaque gaussienne il faut estimer trois param tres Pn oo 3 2 Au total il y a 3N param tres estimer p 01 141 01 0 2 42 03 Qn ln Tn S 3 Les param tres a u et c sont estim s par un processus it ratif L algorithme EM est un processus it ratif compos de deux tapes Ces tapes fournissent une estimation des variables cach es h Pour un m lange de gaussiennes les variables cach es son
14. de classes reste toujours fixer et lorsque les cerveaux sont trop d form s ou trop diff rents de l atlas les r sultats sont faux Enfin cette initialisation par un atlas augmente significa tivement le temps de calcul du traitement de part la n cessit d un recalage FIG 1 6 a Histogramme joint de Prastawa et al 2004 comparant le patient trait avec un atlas chaque r gion contour e d signe un type de tissu c r brale b R sultats de Pham et al 1999 pour la segmentation des tissus sains du cerveau les 3 images du dessus sont les IRM de d part et les 3 images de dessous sont respectivement le LCR la mati re grise et la mati re blanche CHAPITRE 1 Pr sentation du sujet et tat de l art Tanguy LE FOL Stage du 01 02 05 au 31 08 05 1 4 tat de l art 11 1 4 2 Quantification d d mes c r braux Sur les T1 et FLAIR permettant de d tecter tumeur l sions scl reuses et d mes le cr ne appara t comme ces derniers en hypersignal et hormis les contours actifs qui demandent une initialisation manuelle tr s proche de la pathologie les autres m thodes de segmentation ne peuvent les diff rencier Ainsi dans toutes les tudes pr sent es ci dessus le cr ne est extrait au pr alable soit manuellement soit par du recalage co teux en temps Le Thuc et al 1998 ont tent de r pondre ce probl me mais la m thode qu ils ont d velopp e est bas e sur des filtres morphologique
15. os du cr ne ce qui nous servira cr er un masque du cr ne pour ne garder sur l image FLAIR en hypersignal que les d mes CHAPITRE 2 Les s quences IRM utilis es Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Chapitre 3 Travail r alis pendant le stage 3 1 Objectif du stage L objectif de ce stage est donc de quantifier la surface des d mes c r braux par un traitement automa tique fiable robuste et surtout rapide pour une utilisation en routine clinique En effet pour chaque patient 60 images sont acquises 20 coupes x 3 jours seulement pour les IRM FLAIR L id e est de travailler sur l histogramme des IRM FLAIR avec une m thode d j test e dans le cas de la segmentation des diff rentes parties du cerveau et que nous voulons adapter aux ced mes des accident s graves l algorithme EM Ceci est envisageable du fait que l histogramme des IRM FLAIR ait toujours les m mes caract ristiques Fig 3 1 un premier pic repr sente le fond de l image e deuxi me pic les tissus sains les d mes et les os sont toujours en hypersignal troisi me partie de l histogramme L histogramme peut donc tre mod lis par au moins 3 gaussiennes et la d finition du seuil entre les 2 der ni res classes permettra de mettre en vidence les ced mes et les os L avantage de cette m thode est tout d abord sa rapidit mais aussi que la position des d mes n intervient pas dans le traitement Cependant
16. par des stimulations r p t es Il est recueilli sur des antennes adapt es au volume analyser Ceci se fait au cours de s quences d finies par certains param tres en fonction de la perturbation choisie On parle de s quence SE cho de spin ou EG cho de gradient La dur e d une s quence est variable actuellement entre 0 5 et 15 minutes Au cours d une s quence la stimulation puis la reconstruction se font plan par plan dans les trois directions de l espace FIG 2 1 Atome plong dans un champ magn tique Bo a recevant une onde radio b cr ant un courant en retour 12 2 2 La s quence FLAIR 13 2 2 La s quence FLAIR Le Fluid Attenuated Inversion Recovery FLAIR est une technique d acquisition permettant d obtenir des images tr s fortement pond r es en T2 tout en supprimant le signal des liquides tels que le LCR Cette s quence permet de d tecter les d mes c r braux et met en vidence des l sions situ es proximit des ventricules Les s quences FLAIR permettent alors de distinguer pour le cas du cerveau endommag Fig 2 2 en hyposignal le fond et le LCR en intensit interm diaire la mati re grise et blanche en hypersignal les ced mes et les os du cr ne L histogramme d une telle image est pr sent Fig 2 3 Os du cr ne Cellules blanches Oed me Cellules grises Fond LCR FIG 2 2 IRM FLAIR d un traumatis cr nien grave Lp FIG 2 3
17. par l algorithme De modifier la segmentation r sultat du processus automatique d velopp De contourer manuellement les d mes en aveugle c est dire sans le r sultat de la segmentation automatique De d s lectionner des r gions D annuler toutes les s lections De passer la coupe suivante En fin de traitement d obtenir un coefficient de taille d oed mes CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Chapitre 4 Exp rimentation et r sultats 4 1 Patients et technique d imagerie Une trentaine de patients traumatis s cr niens graves r partis en 2 populations les patients sont choisis de fa on al atoire soit dans un groupe o ils re oivent un traitement m dical conventionnel soit dans un groupe o l on y adjoint une injection importante d albumine ont pass chacun au plus 3 s ances d IRM pour la validation nous avons choisi 5 patients n ayant pas recu de traitement albumine L imageur IRM est un appareil IRM General Electric de 1 5T Les temps d acquisition des diff rentes pond rations sont Tg 150ms 10000ms Tr 2300ms pour la s quence FLAIR Tg 100ms Tp 6500ms pour la s quence EPI Tp 20s 700s pour la s quence T2 Tp 13ms 450ms pour la s quence Tp 13ms Tp 450ms pour la s quence gado Les protocoles d acquisition mis disposition pour cette tude permettent une ac
18. tudes les ROI de r f rence sont souvent initialiser manuellement Algorithme EM L algorithme EM Expectation Maximisation Dempster et al 1977 est un estimateur qui classe les dif f rents types de tissus en fonction de leurs intensit s principe d velopp 3 2 1 il permet non seulement de s affranchir d une localisation priori des ROI mais galement d autoriser une certaine variabilit d intensit au sein d une m me classe afin de d tecter par exemple des tissus diffus Ce traitement a t adapt pour la d tection de diff rents tissus c r braux sains Wells et al 1996 Schroeter et al 1998 Pham et al 1999 Fig 1 6 b Van Leemput 1 et al 1999 Mais son inconv nient r side dans le nombre de classes que l utilisateur doit d finir afin de regrouper les pixels et dans l initialisation des param tres de ces classes Il est donc impossible d utiliser seule la classification EM de mani re non supervis e Pour palier au pro bl me de l initialisation certaines quipes proposent d utiliser un atlas qui compare et tiquette les tissus du patient par rapport un atlas ou patient type gr ce un histogramme joint Fig 1 6 a pour d tecter les tissus sains Van Leemput 1 et al 1999 Van Leemput 2 et al 1999 les tumeurs Moon et al 2002 Prastawa et al 2004 et les l sions scl reuses multiples Van Leemput et al 2001 Dugas Phocion et al 2004 Mais dans ces tudes le nombre
19. 25 SUSLA SEdg E a atc e ewe a Soe As Us a 1 3 Probl matique de segmentation del eed me PAs NN 1 41 M thodes de segmentation 1 4 2 Quantification d d mes c r braux PAS Autres qHodalite S 436 Suv we em M aut eee NS RATE SUE A ae rx ES 2 Less quences IRM utilis es PX Principo de FIRM scire aaa va Re A ee ot 2 2 Las quence FLAIR 3s Y eio a D SOON NE Ao 2 3 Imagerie de diffusion type EPI Echo Planar Imaging 3 Travail r alis pendant le stage Sol ODLETI SILE sx sicat eie exc E E MoN Room Ae Roo X MEE dn en 9 AWOME EM 5 LS i So A e me NN a 3 4 AlS EM Classique xA Eo Uu AA 22 2 eue ne ew hy ee ee Oo eo eee dem Boc 3 2 3 Alsonthine EM boucl vic wes LA te d A E GU 33 e y brad Bow ee eR Ge a Bow SR e D Ed Xu s xd eod 3 3 1 Filtres morphologiques 532 IRM mode EPL Dad gad Be wee DAA PHS ARES a RS 3 3 3 Transformation polaire et barbulage Imtertaco as de deum E RNA ee A 3 4 1 Les images des indices pour les m decins IAZ TAMENG ES ne 4 Exp rimentation et r sultats 4 1 Patients et technique d imag
20. NDERATION et GO NEXT b Mini viewer CHAPITRE A Mode d emploi du programme de segmentation d ad mes c r braux Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Annexe B Mesures de volumes 46 47 TAB B 1 Mesure du volume des d mes pour 5 patients par 2 m decins et par traitement semi automatique CHAPITRE B Mesures de volumes Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Annexe C Article
21. Pieczynsk1 Pieczynski W N Mod les de Markov en imagerie Institut National des T l communica tions Prastawa et al 2004 Prastawa M Bullitt E Ho S Gerig G N A brain tumor segmentation frame work based on outlier detection Med Image Anal Vol 8 N 3 p 275 283 2004 Schroeter et al 1998 Schroeter P Vesin JM Langenberger T Meuli R N Robust Parameter Esti mation of Intensity Distributions for Brain Magnetic Resonance Images IEEE Transactions on medical imaging Vol 17 N 2 p 172 184 1998 Van Leemput 1 et al 1999 Van Leemput K Maes F Vandermeulen D Suetens P N Automated model based bias field correction of MR Images of the brain IEEE Transactions on medical imaging Vol 18 N 10 p 885 896 1999 Van Leemput 2 et al 1999 Van Leemput K Maes F Vandermeulen D Suetens P N Automated model based tissue classification of MR Images of the brain IEEE Transactions on medical imaging Vol 18 N 10 p 897 908 1999 Van Leemput et al 2001 Van Leemput K Maes F Vandermeulen D Colchester A Suetens P N Automated segmentation of multiple sclerosis lesions by model outlier detection IEEE Transactions on medical imaging Vol 20 8 p 677 688 2001 Wells et al 1996 Wells W M Grimson W E L Kikins R Jolesz F A N Adaptive segmentation of MRI data IEEE Transactions on medical imaging Vol
22. Remerciements Je voudrais remercier toutes les personnes qui ont durant mon stage contribu au bon d roulement de celui ci Je tiens remercier le Professeur Le Jeune chef du service de M decine Nucl aire de m avoir permis de r aliser ce stage dans son service M le Professeur Jean Louis Ferrier directeur du LISA pour m avoir accueilli au sein de son laboratoire Mme le Docteur Christine Cavaro M nard ma tre de conf rences et responsable du stage pour ses ex plications et ses conseils Je tiens remercier aussi Monsieur Charles Dima m decin pour son accueil sa gentillesse et ses connaissances m dicales J adresse aussi un grand merci mes coll gues Pierre Yves Daniau Clavreul stagiaire DEA Aymeric Histace Attach Temporaire d Enseignement et de Recherche Xavier B ty et Vincent Roullier doctorants Josselin Maillard et Gabriel Oheix stagiaires IUT de Nantes d partement informatique pour m avoir permis de passer un s jour agr able en leur compagnie J ai aussi une pens e pour ma famille qui s est int ress e mon sujet ainsi que la promotion Thomson pour son aide critique pour le d veloppement de la GUI Enfin je remercie particuli rement Alice pour son soutien sa compr hension et son aide dans les choix importants que j ai eu faire pour ma vie future Table des mati res Introduction 1 Pr sentation du sujet et tat de l art Me Ml SOMME Urea th A Gee S Uc TIT 1
23. al 1988 Mise en oeuvre par Zhu et al 1997 pour la segmentation des tumeurs cette m thode s est av r e peu adapt e aux l ments de forme variable avec des contours souvent tr s dif fus et demande donc pour tre fiable une initialisation manuelle tr s proche du contour r elle Fig 1 5 La m thode que nous avons utilis e pour le r sultat pr sent Fig 1 5 inclue l nergie GVF Xu et al 1998 et l nergie ballon Cohen et al 1991 qui permettent th oriquement d optimiser les processus et de s affran chir d une initialisation proche du contour r el b FIG 1 5 a initialisation du contour actif b r sultat du contour actif CHAPITRE 1 Pr sentation du sujet et tat de l art Tanguy LE FOL Stage du 01 02 05 au 31 08 05 1 4 tat de l art 10 Logique floue La logique floue est un concept qui donne pour chaque pixel de l image non pas le type de tissu auquel il appartient mais le degr d appartenance tel ou tel tissu Deux m thodes de classification bas es sur la logique flou Chi et al 1996 se d marquent La premi re dite de connectivit floue utilise l intensit des pixels voisins pour classifier le pixel trait Liu et al 2005 ont utilis cette m thode sur des tumeurs La se conde est bas e sur la probabilit d appartenance d un pixel une classe et a t adapt e pour la segmentation de tissus sains par Pham et al 1998 et Gorges 2003 Cependant pour ces 3
24. aut a gauche les 3 images repr sentent la coupe trait aux diff rentes dates d acquisition 3 Au milieu a gauche les 3 images repr sentent la coupe juste inf rieur a celle trait e la coupe trait et la coupe juste sup rieur 4 En bas a gauche la premiere image donne les r sultats de l algorithme EM soulign en rouge puis la seconde donne le r sultat de la s lection des ROI par l utilisateur avec ou sans l aide du traitement informatique 5 A droite reste la grande image pour les traitements manuelles VALIDER sen Tour ANNULER MODIFIER FIG A 3 Organisation des diff rentes images de l interface CHAPITRE A Mode d emploi du programme de segmentation d ad mes c r braux Tanguy LE FOL Stage du 01 02 05 au 31 08 05 A 4 Segmentation des cedemes 45 A 4 2 Int ractions Fig A 4 et A 5 l Un Le bouton S lectionner affiche les r gions d tect es par le programme comme de l d mes en blanc sur fond noir en cliquant sur les ROI voulues elles se grisent et seront s lectionner pour la quantification pour quitter cette fonction un simple clique en dehors de l image de travaille suffit Le bouton Modifier affiche les r gions s lectionn es par l utilisateur en pointill s rouges avec la coupe trait e en fond l utilisateur peut alors par un clique gauche initialiser un contour puis avec la sourie d finir la zone s lectionner et finir par un clique droit le plus proc
25. btient partir de l ent te DICOM 0 5 100 200 260 a b c FIG 3 16 Elaboration du masque a IRM EPI b histogramme de l EPI c masque EPI apr s seuillage et mise l chelle FIG 3 17 R sultat du Masque EPI a IRM FLAIR b IRM FLAIR trait par masque EPI CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 3 Masque du cr ne 23 Cependant sur certaines coupes principalement au niveau des limites du cerveau le masque obtenu conserve des zones ne correspondant pas au cerveau Fig 3 18 FIG 3 18 Cas d un masque EPI incorrect 3 3 3 Transformation polaire et barbulage Nous avons donc d velopp un dernier traitement pour supprimer les os du cr ne qui n ont pas t li min s lors de la cr ation du masque EPI En effet l image EPI a une faible r solution et pr cision contours fous et bruit s Fig 3 16 a Du fait que le cerveau soit assimilable une forme ovoide toute excroissance issue du traitement pr c dent doit tre supprim e Pour ce faire nous r alisons une transformation de l image en coordonn es polaires Cocquerez et al 1995 Fig 3 19 a centr e sur le centre de gravit du cerveau On d tecte alors les contours du cerveau par lanc s de rayons Fig 3 19 b jaune Au final les contours du cerveau sont liss s par un filtrage phase nulle Fig 3 19 b vert Ce traitement permet alors d liminer les exc
26. c uon eed C Ede doa UR VERON UN EC He ae 4 4 Variation inter observateurs m decin 1 m decin 2 4 5 Variation EM expert m decin 1 Algorithme EM 4 6 Variation EM expert m decin 2 Algorithme EM 4 7 Test de Bland et Altman comparaison m decin 1 j1 m decin 1j2 4 8 Test de Bland et Altman comparaison m decin 1 m decin2 4 9 Test de Bland et Altman comparaison m decin 1 Algorithme EM 4 10 Test de Bland et Altman comparaison m decin 2 Algorithme EM 5 1 R sultats finaux des diff rents traitements pour divers cas d d mes 5 2 Sch ma r capitulatif du traitement final 5 3 Exemple de segmentation globale pour un patient a 4 4 5 4 Probl me de visualisation de coupes la coupe n 5 j3 ne correspond pas la coupe des 2 acquisitions pr c dentes 5 5 Guidage de navigation endovasculaire pour l assistance la pose d endoproth se aortique AT ES ut Baga Bari D E Dore RE UA P deep ub A 2 Fen tre de s lection du patient Organisation des diff rentes images del interface l l A 4 Int ractions de l interface a ANNULER et SELECTIONNER b ANNULER TOUT MODIFIER et VALI DER
27. d Imaging Graph Editeur Vol 29 1 p 21 34 2005 Loncaric et al 1998 Loncaric S Kovacevic D Cosic D N Fuzzy expert system for edema segmen tation Electrotechnical Conference Vol 2 p 1476 1479 1998 MathWork www mathworks com Merwa et al 2004 Merwa R Hollaus K Oszkar B Scharfetter H N Detection of brain oedema using magnetic induction tomography a feasibility study of the likely sensitivity and detectability Phy siol Meas feb Vol 25 N 1 p 347 54 2004 Moon et al 2002 Moon N Bullitt E Van Leemput K G N Model based brain tumor seg mentation Pattern recognition Vol 1 p 528 531 2002 Mykk nen et al 2005 Mykk nen J Tohka J Luoma L Ruotsalainen U N Automatic extraction of brain surface and mid sagittal plane from PET images applying deformable models Computer Methods and Programs in Biomedicine Vo 79 N 1 Pages 1 17 2005 Pham et al 1998 Pham D L Prince J L N An adaptive fuzzy segmentation algorithm for three dimensional magnetic resonance images 2nd Int Conf Med Image Computing and Computer Assist Interventions MICCAI99 Visegrad Hungary 1998 Pham et al 1999 Pham D L Prince J L N A generalised EM algorithm for robust segmentation of magnetic resonance images Proceedings of the 33rd Annual Conference on Information Sciences and Systems in Baltimore p 558 563 1999
28. e TABLE DES MATI RES 35 ba Hx OM E 36 aa De care 37 TE he ne ae a E e 38 38 38 38 ut 39 E ENERET AE 39 E De de uut 39 ee eo ee us 39 boa ee 40 43 ae uS ES eed 43 43 a 43 44 ae 44 ia e ee ee 45 46 48 Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Table des figures 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 2 1 22 2 3 2 4 3 2 3 3 3 4 3 9 3 6 3 7 3 8 3 9 3 10 3 11 3 12 3 13 3 14 3 15 3 16 3 17 3 18 3 19 3 20 3 21 3 22 3 23 IRMA TE 2 uuu De one S Ede SENE Ieri di E AAA E 7 HE uc AR A Se Ee 7 Se asia kn ga a a I ENS Bk Be Ye ue dopo ACE dc deu M 7 Diff rents cas de traumatis s cr niens petit d me b grand ced me c d me diffus d cerveau d form 8 a initialisation du contour actif b r sultat du contour actif 9 a Histogramme joint de Prastawa et al 2004 comparant le patient trait avec un atlas chaque r gion contour e d signe un type de tissu c r brale b R sultats de Pham et al 1999 pour la segmentation des tissus sains du cerveau les 3 images du dessus sont les IRM de d part et les 3 images de dessous sont respecti vement le LCR la mati re grise et la mati re blanche 10 Hauteur de coupe identique d un patient l s a Scanner X D IRM
29. e alors le probl me de recalage 5 2 3 Visualisation des coupes J1 J2 et J3 A plus ou moins une semaine d intervalle il est impossible de reconfigurer la position du patient dans l IRM l identique C est pourquoi dans le programme d interface homme machine les coupes dites iden tiques aux diff rentes dates d acquisition ne sont pas forc ment la m me hauteur Il serait peut tre pos sible afin d y rem dier de recaler grossi rement pour ne pas perdre trop de temps de calcul les diff rentes acquisitions pour obtenir les coupes quivalentes aux 3 dates et la m me hauteur CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 5 3 Perspectives 39 FIG 5 4 Probl me de visualisation de coupes la coupe n 5 j3 ne correspond pas la coupe des 2 acquisitions pr c dentes 5 3 Perspectives En dehors des r ponses aux limites soulev es lors de ce stage d autres perspectives pourraient am liorer l ensemble des traitements 5 3 1 Rapidit et visualisation Un premier apport serait de passer certains algorithmes labor s sous Matlab en code C afin de gagner du temps de calcul Une visualisation 3D des d mes permettrait de mieux visualiser les pathologies et leurs volutions 5 3 2 Algorithme EM 3D Pour l instant l algorithme EM d velopp durant ce stage prend en compte seulement les pixels de la m me coupe or une piste int ressante serait de g n ral
30. e l expert par le biais d une interface utilisateur afficher la coupe trait e aux diff rentes dates b FIG 3 23 Caillot de sang a en hyposignal b en hypersignal image acquise une semaine plus tard que a CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 4 Interface utilisateur 26 3 4 Interface utilisateur De mani re pouvoir appr cier les r sultats du processus d velopp et modifier dans les cas critiques les ROI d tect es automatiquement nous avons cr en collaboration avec les m decins une interface graphique 3 4 1 Les images des indices pour les m decins Afin de donner un maximum d l ments au m decin pour d cider de la pr sence ou non d d me nous avons d cid pour notre traitement d afficher la coupe traiter accompagn e des coupes justes sup rieures et inf rieures ainsi que de la m me coupe trait e mais des temps d acquisition diff rents Fig 3 24 Ces images permettent d avoir un aper u de la forme du ou des ced me s dans l espace La m me coupe des temps diff rents permet de suivre l volution du ou des cedeme s De plus cette interface nous permet de diff rencier les poches de sang et les d mes que notre algorithme ne peut diff rencier puisque que le sang et les d mes ont la m me intensit AUTRE PONDERATION FIG 3 24 Interface de visualisation et de segmentation des ed mes c r brau
31. eld K Kops E R Krause B J Wells W M Kikinis R Muller Gartner H N Markov random field segmentation of brain MR images IEEE Transactions on medical imaging Vol 16 N 6 1997 Kass et al 1988 Kass M Witkin A Terzopoulos D N Snakes Active contour models International Journal of Computer Vision Vol 1 p 321 331 1988 Kastler et al 2003 Kastler B Vetter D Patay Z Germain P N Comprendre l IRM d Masson 5 me edition p 165 et 241 2003 Lescot 1 et al 2005 Lescot T Bonnet M P Zouaoui A Muller J C Fetita C Corait P Puybasset L N A quantitative computed tomography assesment of brain weight volume and secific gravity in severe head trauma Computer Assisted Tomography Vol 22 N 5 p 827 837 2005 Lescot 2 et al 2005 Lescot T Carpentier A Galanaud D Puybasset L N Brain MRI in the as sessment of severe head trauma annales fran aises d anesth sie et de r animation Vol 24 N 5 p 516 521 2005 Le Thuc et al 1998 Le Thuc V Taleb Ahmed A Saint Michel T Ayachi M Pruvo JP N Contri bution la segmentation automatque de l enc phale partir de coupes IRM Vision Interface p 320 327 1999 4 BIBLIOGRAPHIE 42 Liu et al 2005 Liu J Udupa JK Odhner D Hackney D Moonis G N A system for brain tumor volume estimation via MR imaging and fuzzy connectedness Comput Me
32. erie 42 Analyse statistique SENS LS 2S ove di ag NU Se A bi cg 42 1 Analyse par r gression 42 2 Xestde Bland et Altman a uu eu eur ee ome a a Ro ieu 4 2 3 Analyse d erreurs spatiales AA RESONAS 2 2 5 309 8e 3 Nos depo NS RS SIS os sud Tu b e jah re V 0 OO lt J TABLE DES MATI RES Conclusion Sal SE an en ei dos DU Bh a ee ee SO Dalah enema DIAN e asa dow A Gis hw SH Gd os oh cass is Se a S200 Le masque du Cralle s s augue vede qe ok ees 202 2 Le probleme du SANG La due dend rb BG A is 5 2 3 Visualisation des coupes J1 J2etJ3 D 9 SPefSDOLUV6S EL m E de rate ue me sde arte 5 3 1 Rapidit et visualisation 5 3 2 Algorithme EM3D 5 3 3 Quantification vraie des d mes JA Bilan personnel 2 275 en dass A Mode d emploi du programme de segmentation d d mes c r braux 1 2 A 4 InttOQductlonDr erro Eee a dS tapes pr liminaires Fig A Choix du patient Fig A2 Segmentation des ed mes A 4 1 Visualisation Fig A 3 4 2 Int ractions Fig A 4 et AS B Mesures de volumes C Articl
33. erme de recherche prenant d s lors tout son sens Ce fut aussi pour moi l occasion d crire un article pour la conf rence Majecstic de Rennes qui aura lieu en novembre afin de valoriser et valider le travail de ces quelques mois de recherche Enfin gr ce aux diff rents t moignages et conseils de ma responsable de stage ainsi que de mes col l gues j ai d cid de continuer dans cette branche par une th se au LTSI Laboratoire de Traitement du signal et de l Image Rennes qui a pour but de d velopper un programme d aide la chirurgie vasculaire Fig 5 5 368080 fr cmt 4 sa ge EIL ll nah MET raa ETSI INSENS Waicessii de Batan DO a FIG 5 5 Guidage de navigation endovasculaire pour l assistance la pose d endoproth se aortique CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Bibliographie Belayev et al 2003 Belayev L Zhao W Pattany P M Weaver R G Huh P W Lin B Busto R Ginsberg M D N Diffusion weighted magnetic resonance imaging confirms marked neuroprotective efficacy of albumin therapy in focal cerebral ischemia Journal of the Royal Statistical Society Series B Vol 39 p 1 38 2003 Bland et al 1986 Bland J M Altman D G N Statistical methods for assessing agrement between two methopds of clinical measurements Lancet Vol 1 p 307 310 1986 Chi et al 1996
34. es par un m me m decin et par des m decins diff rents afin d valuer les variations inter et intra observateurs L cart entre estimations automatiques 28 4 2 Analyse statistique 29 et manuelles est quantifi par l erreur standard d estimation SEE et est compar aux variabilit s intra et inter observateur des estimations manuelles 4 2 2 Test de Bland et Altman La diff rence entre estimations par d tection automatique et d tection interactive est mise en relation avec la moyenne des 2 estimations test de Bland et Altman afin de d terminer l intervalle de confiance dans lequel se trouvent 95 des erreurs apport es par les observateurs aux r sultats de l algorithme automatique et l cart entre et la moyenne des modifications 4 23 3 Analyse d erreurs spatiales Pour l analyse de l erreur spatiale le trac expert d un m decin permet la r alisation d un masque bi naire de d tection que nous venons superposer un masque semblable construit partir soit des d tections automatiques soit des contours du second m decin ou soit du m me m decin 3 semaines plus tard La com paraison de ces 2 masques binaires permet la caract risation de la m thode de segmentation au moyen du calcul de 3 param tres e pourcentage de pixels correctement d tect s VP le pourcentage de pixels faussement consid r s comme n appartenant pas la classe des d mes EN et le pourcentage de pixels
35. et al 2005 Le corps est constitu 80 d eau et de graisse donc d hydrog ne dont le noyau se compose d un proton Le proton poss de une propri t quantique appel e fi spin z quivalente un mouvement de rotation sur lui m me Au spin est associ un moment magn tique microscopique La disposition pr f rentielle des moments magn tiques microscopiques dans la direction du champ magn tique principal Bo est l origine de l apparition d une aimantation ou moment magn tique macroscopique M l quilibre M est donc align le long du champ magn tique Bo M est alors d plac hors de sa position d quilibre par le champ tournant dont la fr quence de rotation est celle de r sonance de l hydrog ne Fig 2 1 a Le champ tournant est ensuite arr t et M retourne le long de Bo Fig 2 1 b Ce mouvement de retour l quilibre est d crit par deux constantes de relaxation appel es T1 et T2 S 1l existe une bobine autour de l objet lors du retour de M sa position d quilibre la rotation de M quivalente la rotation de l aimant l int rieur d une dynamo en traine l apparition aux bornes de la bobine d un courant lectrique que l on peut enregistrer C est le signal de pr cession libre qui est la base de toute l imagerie par r sonance magn tique Pour localiser le signal dans l objet et donc obtenir l image on utilise des gradients de champ magn tique Le signal en IRM est faible et doit tre accumul
36. faussement consid r s comme appartenant la classe des oed mes FP Le premier param tre renseigne sur l efficacit de la technique d tecter les pixels d miques Le troisi me renseigne sur la capacit de la m thode ne d tecter que les pixels appartenant cette m me classe Dans le cadre clinique un examen pourra tre consid r comme valid s il se caract rise par un pourcentage de vrai positif important et un pourcentage de faux positifs faible L int r t de ce dernier test est de pouvoir d tecter des erreurs de localisation alors que les 2 autres analyses ne peuvent d tecter que des erreurs de quantification surfacique Fig 4 1 Au final on d finit l erreur spatiale par ES FP FN 1 VP 4 1 Oed me intense Oed me diffus Oed me d tect par l observateur 1 Oed me d tect par l observateur 2 Cr ne Surface d tect e par l observateur 1 Surface d tect e par l observateur 2 Mais R gion d tect e par l observateur 1 R gion d tect e par l observateur 2 FIG 4 1 Int r t de l analyse d erreur de localisation CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 30 4 2 4 R sultats En incluant tout ce que notre traitement d tecte c est dire non seulement les ced mes mais galement sur certaines coupes le sang et les os le biais apport par les donn es relatives aux sang et l os est alors
37. he du point de d part pour quitter cette fonction un simple clique en dehors de l image de travaille suffit Le bouton Annuler affiche les r gions s lectionn es par l utilisateur en gris sur fond noir en cli quant sur les ROI voulues elles redeviennent blanche et ne seront pas comptabilis es pour la quantifi cation pour quitter cette fonction un simple clique en dehors de l image de travaille suffit Le bouton Annuler Tout supprime toutes les ROI s lectionn es par l utilisateur Le bouton Valider affiche les zones choisit par l utilisateur avant de passer la coupe suivante Le bouton Autre Pond ration permet d ouvrir une nouvelle fen tre affichant les diff rentes pon d rations en fonction des cases coch es par l utilisateur Le bouton Go next traite et affiche la coupe suivante jusqu la 20 et derni re Contourez les oed mes manuellement Clique gauche pour initialiser le contour Clique droit terminer le contour Clique en dehors de l image pour terminer le contourage manuelle H id 5 VALIDER ANNULER SELECTIONNER MODIFIER VALIDER ANNULER TOUT ANNULER SELECTIONNER MODIFIER a b ANNULER TOUT FIG A 4 Int ractions de l interface a ANNULER et SELECTIONNER b ANNULER TOUT MODIFIER et VALIDER suc xj EPIC EP2I Di 12 F 1 Ti gado a b FIG A 5 Int ractions de l interface a AUTRE PO
38. iser l algorithme EM la troisi me dimension ici la coupe Dans le but d obtenir de plus amples informations et de mieux quantifier les d mes Mais cela semble pour l instant difficilement envisageable cause des paisseurs de coupe et de l espace inter coupe importants respectivement 5mm et 1 5mm 5 3 3 Quantification vraie des d mes La m thode que nous avons d velopp e ici ne d termine les ced mes qu en se basant sur les contrastes Or les intensit s sur lesquelles sont trait es les images sont en chelle flottante Les r sultats sont donc subjectifs Il serait int ressant de les coupler avec le coefficient de diffusion apparent r elle afin d affiner les r sultats de quantification CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 5 4 Bilan personnel 40 5 4 Bilan personnel Cette exp rience est ma seconde dans le milieu de la recherche Il ne s agit donc pas pour moi d une d couverte Cependant elle fut bien plus r v latrice de ce qui se fait dans ce monde tr s diff rent de celui de l entreprise En effet mon premier stage a consist simplifier l utilisation de programmes alors que celui que je fais actuellement m a sembl tre un vrai travail de recherche avec ces r flexions ces choix de m thodes etc Je me suis notamment rendu compte que le fait de ne pas obtenir de r sultats par une m thode est d j une facon de progresser vers le r sultat final le t
39. ites Malgr des r sultats satisfaisants cet encha nement de traitement poss de quelques limites emp chant une automatisation compl te 5 2 1 Le masque du cr ne Malgr un temps de calcul relativement 30 secondes par image rapide pour obtenir uniquement le masque du cr ne et une ind pendance vis vis de la forme des cerveaux les traitements sp cialis s dans la segmentation du cr ne ne permettent pas d enlever ce dernier dans 100 des cas En effet l impr cision de l IRM EPI au niveau des contours peut engendrer un masque partiel du cr ne Ce ph nom ne est amplifi au niveau des fausses nasales car les os du cr ne sont alors tr s proches des tissus mous Un biais peu alors appara tre dans la quantification des d mes 5 2 2 Le probl me du sang La d tection du sang consid r comme de l d me par l algorithme automatique n a pas pu tre r solu durant ce stage En effet du fait des changements de composition le sang appara t sur du FLAIR tant t en hypersignal tant t en hyposignal Il serait donc int ressant de segmenter la coupe trait e aux 3 dates d acquisitions pour comparer et signaler un pareil cas On pourrait aussi se servir du fait que le sang est en hypersignal peu de temps apr s l accident sur du T2 et plusieurs jours apr s passe en hypersignal sur du T1 Une id e serait d utiliser notre cha ne de traitement sur d autres pond rations pour d tecter les poches de sang Mais se paus
40. masque du cerveau est ainsi cr Fig 3 12 e iN FIG 3 11 Diff rentes tapes d rosion dilatation a b FIG 3 12 a image de d part b image masqu Cependant pour certains traumatis s cr niens le cerveau peut ne pas tre bien s par du cr ne par le LCR Fig 3 15 et les coupes au niveau de la fosse nasale Fig 3 13 et du haut du cr ne ne permettent pas d ob tenir des r sultats corrects Fig 3 14 FIG 3 13 Image de d part FIG 3 14 Masque erron FIG 3 15 Cerveau accident Nous allons donc nous aider d une autre s quence d acquisition afin de ne conserver que l d me CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 3 Masque du cr ne 22 3 3 2 IRM mode EPI Nous avons utilis les images pond r es en EPI afin de construire le masque du cerveau Ce type d images d tecte en hypersignal la mati re vivante il nous suffit donc d liminer le bruit de fond par un simple seuillage pour obtenir le masque cherch Fig 3 16 Cependant les acquisitions EPI et FLAIR ne se font pas simultan ment On peut donc penser que les images ne sont plus superposables et qu un recalage doit tre effectu Mais puisque le patient est attach toujours dans un comma profond et que les acquisitions commencent au m me endroit on peut admettre que les 2 types d images sont superposables la mise l chelle pr t que l on o
41. me EM Algo EM Med2 0 900 1000 1500 2000 2500 AVERAGE of Algo_EM and Med2 FIG 4 10 Test de Bland et Altman comparaison m decin 2 Algorithme EM CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 35 Analyse p Student SEE en mm ES en Algorithme EM m decin 1 0 0018 0 8803 221 3336207 43 96 Algorithme EM m decin 2 0 01045 0 8269 266 181765 55 86 m decin 2 m decin 1 0 00005 0 8424 262 4647131 54 17 m decin 1 j1 m decin 1 j2 0 00008 0 8653 208 1243166 44 37 TAB 4 1 Mesure des param tres des tudes statistiques L ensemble des r sultats de l analyse d valuation du processus de segmentation est pr sent figures 4 3 4 4 4 5 4 6 4 7 4 8 4 9 4 10 ainsi que dans le tableau r capitulatif 4 1 Les tests de Student montre une significativit statistique des r sultats p lt 0 01 L analyse par r gression lin aire donne des coefficients de corr lation entre les r sultats obtenus par les experts et l algorithme EM tr s proches 5 pr s des coefficients de corr lation inter et intra observateurs Tout ces coefficients montrent une bonne correlation 0 83 R 0 88 des surfaces d tect es De m me les erreurs standards d estimation entre algorithme EM et experts sont similaires aux erreurs standards inter et intra observateurs Les valeurs de ces erreurs standards sont relier la moyenne des surfaces des
42. n inter observateurs m decin 1 m decin 2 CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 32 Surface EM en mm 3500 3000 2500 2000 1500 1000 e med1 EM Lin air e med1 EM 500 0 500 1000 1500 2000 2500 3000 3500 4000 Surf ace Med1 j1 en mm FIG 4 5 Variation EM expert m decin 1 Algorithme EM Surf ace EM en mm 3500 3000 2500 2000 1500 S riel Lin air e S r ie1 1000 500 0 0 500 1000 1500 2000 2500 3000 3500 4000 Surf ace Med2 j1 en mm FIG 4 6 Variation EM expert m decin 2 Algorithme EM CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 33 Test de Bland et Altman Med1_J1 Med1_J2 Med1_J1 Med2 600 400 200 0 900 1000 1500 2000 2900 AVERAGE of Med1 J1 and Med1 J2 FIG 4 7 Test de Bland et Altman comparaison m decin 1 j1 m decin 1 j2 400 200 0 900 1000 1500 2000 2500 AVERAGE of Med1 J1 and Med2 FIG 4 8 Test de Bland et Altman comparaison m decin 1 m decin 2 CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 34 600 400 o EM Med1_J1 N Algo_ D e e 500 1000 1500 2000 2500 AVERAGE of Algo EM and Med1_J1 FIG 4 9 Test de Bland et Altman comparaison m decin 1 Algorith
43. nviron 15 minutes sans supervision Afin d va luer quantitativement cette chaine de traitements nous l avons compar e avec des segmentations manuelles faites par des experts radiologues sur 5 patients soit 5 patients J1 J2 et J3 de 20 coupes 300 images Les r sultats montrent que la diff rence entre les mesures par traitements automatiques et manuelles sont similaires l inter et l intra variabilit des experts Ces r sultats sont donc encourageants pour l utilisation potentielle de cette technique en routine clinique MOTS CL S D tection Estimation Filtrage Algorithme EM Chapitre 1 Pr sentation du sujet et tat de l art 1 1 Contexte Le traumatisme cr nien est une pathologie fr quente aux cons quences lourdes tant en termes de morta lit qu en termes des s quelles engendr es Aux tats Unis on estime que chaque ann e 230 000 personnes sont hospitalis es pour traumatisme cr nien parmi lesquelles 50 000 meurent et 80 000 restent handicap es En France les donn es pid miologiques sont plus fragmentaires mais il est probable que les chiffres soient proportionnels Malgr les progr s r cents dans la connaissance de la physiopathologie des traumatismes cr niens graves et de l isch mie c r brale aucune mol cule n a pu faire la preuve de son efficacit clinique en termes de r cup ration fonctionnelle et de r duction de l d me intracellulaire A la suite de travaux pr alables r alis
44. quisition sur 20 coupes d paisseur 5mm s par es de 1 5mm d intercoupe Enfin les patients taient attach s dans le coma et n taient pas d plac s pendant l acquisition hormis par la table mobile de l IRM 4 2 Analyse statistique Les images des traumatis s cr niens sont trait es par segmentation automatique et par segmentation in teractive Deux m decins ont effectu ind pendamment le trac manuel des ced mes sur 5 patients avec 3 dates pour chacun des patients soit 300 images traiter Pour d terminer la variablit intra op rateur un m decin a r alis les trac s une seconde fois 3 semaines plus tard La surface que repr sente ces d mes est calcul e pour chaque coupe de chaque patient L valuation de la segmentation automatique est r alis e par analyse par r gression lin aire par test de Bland et Altman Bland et al 1986 et par analyse des erreurs spatiales 4 2 1 Analyse par r gression lin aire Une analyse par r gression lin aire permet de d terminer la corr lation entre les estimations tablies partir des trac s automatiques d une part et manuels d autre part La relation entre les estimations auto matiques et une s rie d estimations manuelles est valu e par un test de Student bilat ral un lt 0 01 est consid r comme la valeur seuil de significativit statistique Une analyse par r gression lin aire est ga lement r alis e entre 2 s ries de mesures manuelles effectu
45. ri t d d mes puisqu elle ne se fonde pas sur la locali sation et les contrastes forts L tude de l histogramme de l image doubl e d un masque du cr ne et d un barbulage en coordonn e polaire permet de s affranchir dans de nombreux cas des probl mes li s aux mor phologies changeantes du cerveau ainsi que du cr ne De plus la pr cision de l algorithme EM permet de d tecter toutes sortes d oed mes Fig 5 1 Ainsi avec ce traitement nous d tectons de mani re rapide et automatique l ensemble des d mes sur une s quence d acquisitions en 15 minutes sous Matlab Fig 5 3 Enfin les r sultats de la validation montrent que la diff rence entre les mesures par traitements automatiques et manuelles sont similaires l inter et l intra variabilit des experts Ces r sultats sont donc encourageants pour l utilisation potentielle de cette technique en routine clinique c d FIG 5 1 R sultats finaux des diff rents traitements pour divers cas d d mes 36 5 1 Bilan 5 1 1 Sch ma bilan EPI IRM FLAIR Seuillage P Transformation affine la 52 Suppression du fond Rayleigh Ebarbulage Filtre m dian FIG 5 2 Sch ma r capitulatif du traitement final 37 CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 5 2 Limites 38 FIG 5 3 Exemple de segmentation globale pour un patient 5 2 Lim
46. roissances inhabituelles Fig 3 19 c Il ne reste plus qu revenir dans le syst me des coordonn es cart siennes Fig 3 20 b a b c FIG 3 19 a IRM FLAIR avec masque EPI en coordonn es polaires b d tection de contour et barbulage c r sultat CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 3 Masque du cr ne 24 FIG 3 20 R sultat de l barbulage a IRM FLAIR b IRM FLAIR trait par transformation polaire et rabotage Transformation polaire A partir d une image de taille M x M centr e O xo yo en passant en coordonn es polaires sa taille devient 360 x 22 Sur l image de d part un point P a pour coordonn es x OP cos 0 xo 3 11 y OP sin 0 yo 3 12 Sur l image transform e les coordonn es de ce point sont z OP 3 13 3 14 Filtre phase nulle Pour lisser le contour du cerveau en coordonn e polaire Fig 3 19 b jaune nous avons utilis un filtre dit phase nulle fonction appel filtfilt sous Matlab Ce filtre permet de supprimer les harmoniques hautes fr quences et donc de ne garder que les fr quences principales basses fr quences afin de lisser le contour Nous avons choisi un type de filtre FIR filtre r ponse impulsionnel fini simple quation 3 15 3 15 1271 927 G g La particularit de filtre phase nulle est de filtrer dans un sen
47. s et ne fonctionne pas du tout sur des images pr sentant des pathologiques et des cr nes d form s par des accidents cette m thode est d velopp e 3 3 1 1 4 3 Autres modalit s Finalement notre connaissance aucun article ne fait tat de quantification d oed mes c r braux sur des images IRM sans intervention manuelle Cependant l IRM n est pas la seule modalit qui pourrait tre utilis e pour d tecter des pathologies c r brales Les m thodes pr c dentes ont t adapt es et tes t es sur des images scanner X Fig 1 7 a et TEP Fig 1 8 Pour le scanner Merwa et al 2004 et Lescot 1 et al 2005 segmentent manuellement les tissus Loncaric et al 1998 utilisent la logique floue Pour la tomographie mission de positrons des mod les d formables sont utilis s afin de segmenter les tis sus sains du cerveau Mykk nen et al 2005 FIG 1 7 Hauteur de coupe identique d un patient l s a Scanner X b IRM Subject 1 subject 2 FIG 1 8 Segmentation de tissus sain en par Mykk nen et al 2005 CHAPITRE 1 Pr sentation du sujet et tat de l art Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Chapitre 2 Les s quences IRM utilis es 2 1 Principe de l IRM Tr s sch matiquement un appareil d IRM tudie les modifications d aimantation des noyaux d hydro g ne sous l action conjointe de deux champs magn tiques l un fixe B et l autre tournant Lescot 2
48. s puis dans l autre de mani re suppri mer les retards de chaque filtrage Fig 3 21 d o le nom de filtre phase nulle Ce traitement est pertinent pour notre cas puisqu il n y a pas de d calage entre la limite du cerveau du d part et celle obtenue apr s fil trage phase nulle alors qu un filtrage normal appel filter sous Matlab le d cale Fig 3 21 A la sortie le signal est de la forme S w X w H w et l ordre du filtre est alors doubl Fig 3 22 CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 3 Masque du cr ne 25 signal de d part signal trait par filtre phase nulle signal trait par filtre classique FIG 3 21 Comparaison de filtrage classique et phase nulle X z H z X 1 2 H 1 z X 1 2 H 1 72 H 2 retard 6 retard 0 retard 0 FIG 3 22 Sch ma du processus du filtre phase nulle Limites Il reste cependant des cas o l algorithme ne donne pas un r sultat correct Les caillots de sang appa raissent tant t en hyposignal juste apr s l accident le sang est assimil un liquide pur tant t en hyper signal quelques jours plus tard les cellules du sang se d sagr gent et alt rent la nature du sang sur les s quences FLAIR Fig 3 23 et sont donc consid r s lorsqu ils ont une forte intensit comme des d mes Ce probl me nous a donc amen a donner la possibilit d int grer l avis d
49. t 21 ace SEDA y i LR RS Be Ua Dee Seed 21 e ESA de AP E nde er de m LE RS dte e CSS 21 Cenveauwaccidente SALE SSR RTS MOSES ES OS EGER EME SE ese us aod 21 Elaboration du masque a IRM EPI b histogramme de l EPI c masque EPI apr s seuillage et mise l chelle 22 R sultat du Masque EPI a IRM FLAIR b IRM FLAIR trait par masque EPI 22 Cas d un masque EPI incorrect 23 a IRM FLAIR avec masque EPI en coordonn es polaires b d tection de contour et barbulage c r sultat 23 R sultat de l barbulage a IRM FLAIR b IRM FLAIR trait par transformation polaire et rabotage 24 Comparaison de filtrage classique et phase nulle 0 0 25 Sch ma du processus du filtre phase nulle 2 2 2 2 2 2 2 25 Caillot de sang a en hyposignal b en hypersignal image acquise une semaine plus tard que a 25 TABLE DES FIGURES 3 24 Interface de visualisation et de segmentation des d mes c r braux 3 25 Mini viewer d image diCOm 3 542 a aks ave du Wale Kobe me milan Sd 4 1 Int r t de l analyse d erreur de localisation 4 2 Variation EM expert m decin 1 traitement automatique a Nanauotrinita observatelif d S
50. t les sources des v nements Ainsi h x N 1 et h x n 0 Vn N si la source de l v nement I est uniquement la gaussienne N On suppose que chaque v nement est issu d une des N gaussiennes Partant de cette id e il nous faut construire une table de probabilit s pour chaque point composant l image par rapport aux N gaussiennes quation 3 4 h x n Prob evenement I est issu de la sourceN 3 4 Les probabilit s h x n nous donneront alors les facteurs de m lange o ainsi que up et oh CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 Synopsis de l algorithme EM Au d part on initialise les valeurs des caract ristiques des gaussiennes puis on alterne les tapes E Expectation et M Maximisation L tape E fait une estimation pour n fix des valeurs manquantes h x n pour les v nements A la 72 1t ration h s crit ON GLa spinon ala QAM aD GI uY o 3 5 L tape M recalcule les param tres p pour l it ration 7 1 en fonction des h calcul s pr c demment X SID V han 3 6 x 1 1 UTD _ ur ak 3 7 Gm _ 1 8 5 po ues EG Y h a n I x 3 8 n p X 1 SUD S hem 3 9 n x 1 L algorithme s arr te soit au bout de 500 it rations soit lorsque la somme des facteurs minimiser h x n ne change entre la derni re et l avant derni re it ration que de 0 01 ou moins
51. tr s important ce qui nous emp che d obtenir des r sultats satisfaisants R 0 4 Fig 4 2 Surface EM en mm 4500 4000 3500 y 1 0416x 488926 3000 0 4097 2500 2000 1500 1000 e S riel Lin aire S rie1 0 500 1000 1500 2000 2500 3000 Surface Med1 j1 en mm FIG 4 2 Variation EM expert m decin 1 traitement automatique Puisque le masque du cr ne n est pas correct dans la moiti des cas la plupart du temps au niveau des fosses nasales et du haut du cr ne et puisque notre algorithme ne peut diff rencier les d mes du sang nous avons d cider de supprimer manuellement le cr ne dans les coupes critiques et d autoriser un observateur supprimer les ROI correspondant au sang Les volumes valu s sont donn es dans le tableau B 1 de l annexe B CHAPITRE 4 Exp rimentation et r sultats Tanguy LE FOL Stage du 01 02 05 au 31 08 05 4 2 Analyse statistique 31 Analyse par r gression lin aire Surface Medi j2 en mm 3000 2500 2000 1500 1000 S r iel Lin aire S riel 500 0 500 1000 1500 2000 2500 3000 3500 4000 Surface Med1 j1 en mm FIG 4 3 Variation intra observateur Surf ace Med2 j1 en mm 4000 3500 3000 2500 2000 1500 1000 S rie1 Lin aire S riel 500 0 500 1000 1500 2000 2500 3000 3500 4000 Surface Medi j1 en mm FIG 4 4 Variatio
52. ussiennes une dizaine dont les moyennes sont initialis es aux principaux pics de l histogramme afin de gagner du temps pour la convergence de l algorithme le programme compare ces gaussiennes et les fusionne si leurs moyennes et leurs aires partag es sont proches ceci la fin de chaque traitement par algorithme EM Fig 3 8 3 9 Algorithme Regroupement EM de classes X gaussiennes Y gaussiennes FIG 3 7 Synopsis de l algorithme EM boucl FIG 3 8 Initialisation de l algorithme EM 8 classes FIG 3 9 R sultats de l algorithme EM boucl FIG 3 10 R sultat de l algorithme EM boucl Cependant en d tectant le ou les ced mes le seuil d termin fait aussi apparaitre les os du cr ne or ces derniers ne doivent pas tre pris en compte pour la quantification Nous avons donc d velopp un processus de suppression des os du cr ne CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 3 Masque du cr ne 21 3 3 Masque du cr ne 3 3 1 Filtres morphologiques Partant du principe que le cr ne est s par du cerveau par du liquide c phalo rachidien en hyposignal et que le cerveau est plus grand contient plus de pixels que le cr ne celui ci peut tre supprim par un encha nement d rosions Cocquerez et al 1995 ne reste plus qu dilater Cocquerez et al 1995 le cerveau d autant de fois que d rosions Fig 3 11 Le
53. x A Angers le protocole d acquisition d fini pour les traumatis s graves implique diff rentes s quences FLAIR T1 T1gado EPI diffusion Ces diff rents types d images permettent de donner d autres informa tions aux m decins entre autre pour le sang car il apparait dans les premiers jours en hypersignal sur du T2 et plus tard en hypersignal sur du T1 c est pourquoi nous avons inclus un mini viewer des diff rentes pond rations acquises aux dates j1 j2 et j3 Fig 3 25 CHAPITRE 3 Travail r alis pendant le stage Tanguy LE FOL Stage du 01 02 05 au 31 08 05 3 4 Interface utilisateur 21 3 4 2 GUIpond FIG 3 25 Mini viewer d image dicom l Interface L interface graphique que nous avons d velopp sous Matlab permet aux m decins de contourer les ced mes et ainsi de comparer les donn es aux r sultats obtenus par les programmes d velopp s Dans la phase d valuation pour que les m decins ne soient pas influenc s par les r sultats de l algorithme EM nous avons supprim l affichage de ces derniers lors de la phase de contourage manuel des m decins L interface permet l utilisateur D observer la coupe trait e aux diff rentes dates d acquisition De visualiser les coupes inf rieures et sup rieures de celle trait e D avoir acc s aux autres types de pond rations De voir les r sultats de la segmentation des d mes par l algorithme EM De s lectionner des r gions parmi celles d tect es

Remerciements

Contents

Download Pdf Manuals

Related Search

Related Contents