Le traitement d’images médicales

Techniques biomédicalesTechniques biomédicales Caroline Petitjean

Le traitementLe traitementd’images médicalesd’images médicales

Caroline PetitjeanUniversité de Rouen caroline.petitjean@univ-rouen.fr

Techniques biomédicales

Prétraitement

Résultat : visualisation améliorée

Traitement

Résultat : mesure de la surface de la tumeur

Reconnaissance des formes

Résultat : identification des cellules malades et saines

malade

Traitement d’imagesTraitement d’images

Objectifs en TIMObjectifs en TIM Amélioration d’image

SegmentationSegmentation

Recalage & fusionRecalage & fusion

Extraction d’informationdans l’image

Comparer 2 images Reconstruction 3D

PlanPlan

Exemples d’applications

Spécificités des méthodes de TIM

Segmentation

Recalage et fusion d’images

En pratique

Exemples Exemples

Amélioration du contraste de l’image

Imageacquise

Contrasteamélioré

Source : SynarcFond d’œil

Exemples Exemples

Quantification de la densité capillaire

Segmentationde la surface

du réseau capillaire

Densité capillaire

Source : [1]

Techniques biomédicalesTechniques biomédicales Caroline PetitjeanCaroline Petitjean

ExemplesExemples

Source : Cours Devaux PCEM

Segmentation de tumeurs

Exemples Exemples Estimation de la contractilité des ventricules

cardiaques en IRM

Estimation de mouvement

Quantification

radial

circulaire

Source : Thèse CP

• Utilisation de l’imagerie fonctionnelle TEP pour le contourage en radiothérapie

Meilleure

détection/discrimination des tissus tumoraux

Modification de la forme/volume du volume tumoral comparé aux images scanner seules.

Scanner seul

Scanner + TEP

ExemplesExemples

Source : S. Hapdey, CHB, Rouen

ExemplesExemples

Comparaison d’images avant/après

Source : Université Louis Pasteur, Strasbourg

ExemplesExemples

Comparaison d’images complémentaires

IRM Scanner Source : EPFL

ExemplesExemples

Comparaison d’images complémentaires

Scanner TEP Source : EPFL

ExemplesExemples

Atlas d’organes

Source : INRIA

http://www.imaios.com/fr/e-Anatomy/Genou-IRM

Pourquoi faire un traitementPourquoi faire un traitementpar ordinateur ?par ordinateur ?

Les logiciels d’aide au diagnostic permettent de :

- diminuer la variabilité intra- et inter-expert

- réduire le temps passé à des tâches fastidieuses

- estimer de nouveaux paramètres

PlanPlan

Segmentation

En pratique

Spécificités des méthodes de TIMSpécificités des méthodes de TIM

Prise en compte des caractéristiques des images médicales

Robuste

Rapide (pratique clinique)

(Semi-)Automatique

Validée

Effet de volume partiel dans les modalités tomographiques

• Chaque coupe a une épaisseur non nulle

Source : [2]

Rappel : différents types de bruits en vision par ordinateur :

Original Salt and pepper(noir et blanc,aléatoire)

Gaussien(additif)

Speckle(multiplicatif)

Images échographiques (US) : bruit “speckle” (multiplicatif)

Images IRM : bruit gaussien

En IRM : intensité non uniforme (INU)

Source : [2] B. Dawant and A. Zijdenbos. Chapter 2: Image Segmentation. Handbook of Medical Imaging. Volume 2: Medical Image Processing and Analysis, SPIE Press: p.71-127, 2000.

Correction de INU en IRMCorrection de INU en IRMS

Images scanner (CT) : unités Hounsfield

http://ww

ed.univ-angers.fr/discipline/radiologie/PD

/Dias_IP

PlanPlan

Segmentation

En pratique

Segmentation : objectifsSegmentation : objectifs

Extraction de points,lignes ou régions

Calcul de paramètresrégionaux (surfaces...)

Peut être effectuéeavant ou après recalage

Source : [1]

SegmentationSegmentationSegmentation

Recherche de régions(approches « régions »)

Recherche de frontières (approches « contours »)

Source : LIRMM

seuillage, region growing…filtrage linéaire, graph, contours actifs…

+ Segmentation par techniques de classification (clustering)

Segmentation : approches régions

But : Segmenter l’image en se basant sur des propriétés intrinsèques des régions

• Seuillage• Croissance de régions

SeuillageSeuillage

Très simple au niveau algorithme très utilisé en routine clinique

Seuillage global

Histogramme Laplacien

SeuilléeOriginaleSource : [3] J. Rogowska. Overview and fundamentals of medical image segmentation. Handbook of medical imaging, Academic Press, p. 69 – 85, 2000.

SeuillageSeuillage

Approches régionsApproches régions

Croissance de régions (Region growing) choix d'un germe propagation selon un certain critère

Accumulation des voisinsvérifiant la propriété

Source : LIRMM

Approches régions : applicationApproches régions : application

Segmentation de la graisse sous-cutanée et viscérale sur des images scanner acquises chez des patients atteints du VIH

Source : [1]

Segmentation par croissance de région selon un critère de seuillage

Choix du seuil : Codage sur 12 bits 4096 valeurs Image CT en unités Hounsfield : [-1024 ; 3071]

• Air : -1024 HU• Eau : 0 HU• Graisse : -120 à –60 HU• Os : 1000 HU

Segmentation par croissance de région selon un critère de seuillage

A partir du germe :

pixel régionsi son intensité

[-120,-60]

Source : [1]

Segmentation : approches Segmentation : approches ""contourscontours""

Approche par filtrage linéaireTechnique de graph searchingContours actifs & modèles déformables

Approches contoursApproches contours

Utilisation du gradient de l’image

Exemple : angiographie

MasqueSobel 3x3

SeuillageSeuil haut

(1000)

SeuillageSeuil bas

Imageoriginale

Source : [3]

Laplacien de l’image

Zerocrossings

Laplaciende l’image

Source : [3]

Nécessité de post-traitement très important !

• Le laplacien est sensible au bruit

Laplacian of Gaussian (LoG)

Laplacien+gaussien

Zerocrossings

Laplaciende l’image

Zerocrossings

Source : [3]

Approches contours

• Laplacien surtout utilisé pour rehausser les contours

Approches contours

• Autre possibilité pour rehausser les contours

(a) Profil idéal(b) Profil observé (flou)(c) Filtré par une gaussienne (encore plus flou)(d) Mise en évidence des contours

Approches contours

• Différences de gaussiennes (DoG)

• Utilisation de masques gradient ou laplacien– Sensibles au bruit– Nécessité de post-traitement

+ Calcul rapide

Technique de “Graph searching”

A utiliser lorsqu’on a de la connaissance a priori sur le contour.

Ex : Point de début, de fin, connusEx : Propriétés relatives à la forme du contours

Contour lisse(smooth)

Courbure faible

Courbure élevéeContour non lisse

Caroline Petitjean

Approches contours Approches contours A partir de l’image, on fabrique une matrice de coût, pour passer d’un pixel à l’autre

Si zone uniforme : coût élevéSi zone de contour : coût faible

Le coût dépend du gradient de l’imageet de connaissance a priori sur le contour

Un graph : ensemble de pointsensemble de liens

Segmenter l’image consiste à trouver le chemin de coût minimal dans le graphe

Exemple

Graph searching : Problème très généralSource : Gonzalez & Wood

NdG C(pq)=M-[I(p)-I(q)]

Source : Lalande et al. 1999

IRM cardiaque Transformation en coordonnées polaires

Image originale (coord.polaires) Matrice de coût Segmentation finale

externeinternesnake EEE

• Propriétés intrinsèques• Longueur, courbure…

• Propriétés locales de l’image autour du snake

Contours actifsDéfinition d’un snake

Exemple IRM cardiaque

Source : A. Yezzi, Georgia Tech Univ.

• Initialisation :• courbe assez proche du

contour extraire

Optimisation itérative : déformations du contour actif de

façon ce qu’il atteigne une position d’énergie minimum.

Exemple snake 3D

Energie d’un snake

• Formulation paramétrique du contour

Energie totale(C) = Eint(C) +Eext(C)

• Energie interne : mesure la régularité de la courbe

int ))('')('( dssvsvE

1,0)),(),(()( ssysxsvC

Elasticité Rigidité

iiielastic PPE

iiiirigidité PPPE

Energie interne d’un snake

Energie élastique

Energie de courbure

Energie externe d’un snake

• Energie externe : reliée au contenu de l’image

• Si contour : gradient élevé g ≈ 0• Si zone homogène : gradient faible g élevé

2 )))((( dssvIgEext Avec g fonction généralement décroissante de gradient de l’image

Energie externe d’un snake

ext IE Contours en tant que maxima de la norme du gradient:

Zones brillantes ou sombres:

Répulsion d’une zone:

IE ext

Résolution

• Comment trouver C qui minimise E = Eint + Eext ?

• Par l’équation d’Euler Lagrange

0)))((()()('' 2)4( svIgsvsv

dssvsvsfE ))('),(,(

Pour que E atteigne un extremum, il faut que v(s) vérifie

Soit E la fonctionnelle d’énergie

dssvIgdssvsvE 1

22)))((())('')('(

tsvsvIgsvsv

)))((()()('' 2)4(

Dans notre cas :

Equation d’évolution du snakeEquation d’évolution du snake

Conclusions sur les snakes

• Avantage : calculs numériques rapides

• Inconvénients – Segmentation multi-objets impossible– Phase d’initialisation sensible– Approche non intrinsèque

Contours actifs géodésiques

Résultats de CAG

• Source : Yezzi et al

Segmentationavec a priori de forme

Quand la forme de l’objet à segmenter est connue et ne varie pas (trop)

ASM appliqué en échocardioContours de 96 points tracés manuellement sur 66 images par des cardiologues

ASM appliqué en échocardio

• Variation sur les premiers vecteurs propres

Variation de la largeur Variation du septum

Variation du VG Variation de l’oreillette

• Utilisation à des fins de segmentation

Initialisation du modèle

ASM : segmentation IRM

114 points, 8 images

Active Appearance Model

personalpages.manchester.ac.uk/staff/timothy.f.cootes/

Segmentation par classificationSegmentation par classification

La segmentation peut être vue comme un problème de classification :

Les régions sont étiquettéesComment trouver l’étiquette d’un pixel ?

Différentes techniques :Sans apprentissage : k-meansAvec apprentissage : kppv, réseau de neurones…

Application : segmentation multimodale

Clustering (k-moyennes)

• K = nombre de régions (cluster) à trouver– Ici K = 2 (Fond + chromosomes)

1) On clique dans l’image pour avoir un représentant de chaque région (=centre de cluster = CC)

2) Pour chaque pixel de l’image,calcul de sa distance à chaque CC : |NdG - Pi|on lui attribue la région de distance minimum

Pf = 32, Pc = 217

3) Pour chaque cluster, on calcule le NdG moyen = nouveaux CC. Sont-ils différents des anciens CC ?

Si oui, retour à 2)Si non, stop

• Exemple :

segmentation de la tumeur

IRM cérébrale à 2 instants différents

(recalage préalable supposé)

Clustering• Segmentation en 3 classes

• Résultat après convergence

Segmentation multimodaleSegmentation multimodale

Principe : utilisation de plusieurs images de la même scène physique pour la segmentation

Hypothèse de recalage préalable

Spatiale (classification) : utilisation d’images de différentes modalités à même instant

Temporelle : utilisation d’images de la même modalité à des instants différents

Axial Sagittal CoronalTechniques de

classification

Chaque pixelpossède 3 valeurs

(T1, T2, PD)

Source : [2]

IRM cérébrale

Distribution des pixels en T1 et T2

Source : [2]

Classification en 4 classes • fond (noir),• matière blanche (blanc),• matière grise (gris clair),• liquide céphalo-rachidien (gris foncé) Source : [2]

Le traitement d’images médicales

Documents

Transcript of Le traitement d’images médicales

Traitement d’images : briques de base S. Le Hégarat

TPs Traitement d’images

Project-Team TEMICS TraitEment, Modélisation d’Images et … · 2016-06-06 · Project-Team TEMICS TraitEment, Modélisation d’Images et CommunicationS ... If the design of the

Plateforme d’évaluation multi-critères pour les ... · Plateforme d’évaluation multi-critères pour les algorithmes de traitement d’images médicales par Pierre LAURENT MÉMOIRE

Recalage et fusion d’images médicales

Introduction au traitement d’images Détection de contours ...files.yoannsculo.fr/documents/UTT/Dossier_AC_TI_Yoann_Sculo.pdf · Yoann SCULO – P09 1 Introduction au traitement

Élaboration d’outils de traitement d’images pour aider à ...

cours-Segmentation d’images médicales

MÉTHODES PAR SOUS-ESPACES ET … · mÉthodes par sous-espaces et d’optimisation : application au traitement d’antenne, a l’analyse d’images, et au traitement de ... traitement

TS225 - Introduction au traitement d’images Travaux Pratiques

Exercice Chapitre 4 – Traitement d’images binaires par ...

4 Traitement D’images - Xmcvs.free.frxmcvs.free.fr/astroart/Chapitre4.pdf · 4 TRAITEMENT D’IMAGES Ce chapitre dØcrit les fondements du traitement d’images, ainsi que l’utilisation

TD – Traitement d’imagespanamaths.net/Documents/INFORMATIQUE/TraitementImages_TD_1-2_CORRIG… · TD – Traitement d’images 1ère partie - Corrigé Introduction et objectifs

QIR : Logiciel de traitement d’images

Apport du traitement d’images dans le suivi de l’influence des … · 2014. 6. 5. · B A S E Biotechnol. Agron. Soc. Environ. 2014 18(1), 37-48 Apport du traitement d’images

LIFAT EA 6300rfai.li.univ-tours.fr/LIFAT_data/PosterFR_EN.pdf · 2019-03-05 · Analyse d’images médicales, visualisation et fouille de données médicales, optimisation de parcours

GAMMA CAMERA (traitement d’images)

Traitement d’images

Traitement d'images : approche morphologique...Traitement d’images : approche morphologique NikolaStikov ELE6812 5avril2016 Nikola Stikov (ELE6812) Morphologie mathématique 5 avril

Introduction au traitement d’images Détection de …€¦ · Traitement d’image, filtrage, ... la représentation visuelle de l’histogramme permet de se rendre compte ... rendu