APRAMEN Mai 2004

SCINTIGRAPHIE SCINTIGRAPHIE CÉRÉBRALE CÉRÉBRALE

ET FUSION ET FUSION D’IMAGESD’IMAGES

Hôpital Pitié-SalpêtrièreService de médecine NucléaireM.O. Habert

Fusion d’images médicales

DONNÉES ANATOMIQUES TDM, IRM

Décision médicale

Pronostic

Intervention chirurgicale

Radiothérapie DONNÉES FONCTIONNELLES PET, SPECT, MEG, spectroscopie RMN, IRMf

Fusion d ’images médicales : de quoi parle-t-on ?

Recalage

Fusion de « visualisation »

Intégration de données

Logiciels de recalage / fusion

• Automated Image Registration (AIR) (Unix, Linux, ou Mac OSX) :

• BRAINVISA (Windows, Unix, Linux, Mac OSX)

• MPITOOL (Unix, Linux)

• Logiciels « constructeurs »

• ANALYSE (Unix, Linux, Windows)

• Station HERMES de Nuclear Diagnostics (Unix)

• Station SEGAMI (Windows)

Automated Image Registration (AIR)

Calcul du ratio entre 2 deux volumes images pixel par pixel et minimisation de la variance de ce rapport

- Modèles Linéaires (intra-sujet) :

"Rigide" 6P

" Global rescaling " 7 P

" Talairach " 9 P

" Affine " 12 P

- Modèles non linéaires (inter-sujets) : " 1, 2, 3, 4, 5ème ordre"

30, 60, 105, 168 P

BrainVisa et Anatomist

Logiciel dédié à l’imagerie cérébrale multimodalité

Développé par SHFJ-CEA à Orsay et IFR 49.

Plusieurs modules de traitement:

Image paramétrique

ROI en 2D, 3D, géométrique ou anatomiques

Recalage +++

(Création de template)

aMRI

fMRI

dMRI

PET

TMShttp://brainvisa.info

Recalage par information mutuelle:

Formats: GIS, JPEG, DICOM, ECAT, SPM, VIDA.

Initialisation par centre de gravité (par un seuillage)

Transformations rigides (rotations et translations)

SPECT recalé sur IRM Fusion dans Anatomist

Station HERMES : recalage par information mutuelle

Station SEGAMI (Mirage)

Localisation anatomique

d ’une anomalie fonctionnelle

Bilan préchirurgical des épilepsiesO ’Brien TJ et al. Neurology 1998; 50:445-454. Subtraction ictal SPECT co-registered to MRI

improves clinical usefulness of SPECT in localizing the surgical seizure focus.

Planification de la chirurgie et radiothérapie des tumeurs

cérébralesRubinstein R. Eur J Radiol 1996; 21:188-95. Use of 201Thallium brain SPECT, image

registration, and semi- quantitative analysis in the follow-up of brain tumors.

Holman B.L. J Nucl Med 1991; 32:1478-84. Computer-assisted superimposition of magnetic

resonance and high- resolution technetium-99m-HMPAO and thallium-201 SPECT images of the

brain.

Bilan préchirurgical des épilepsies partielles pharmaco-résistantes

Recalage Normalisation Soustraction « ictal - interictal » Lissage + seuillage Fusion (visualisation)

99mTc-ECD

SISCOM = Substraction SPECT CO-registered to MRI

SISCOM (Substraction SPECT CO-registered to MRI)

• MPITOOL + ou - AIR

• ANALYSE : module dédié

• SEGAMI et HERMES : tous les outils présents mais non regroupés dans un module

• PLAMAIVIC (MEDASYS) ?

Radiothérapie conformationnelle 3D

Hôpital Val de Grâce

Centre d ’anatomie cognitiveCentre de NeuropsychologieService de NeuroradiologieLaboratoire d’AnatomieUrgences cérébrovasculaires

Relation entre lésion et fonction

Données neuro-anatomiques

Données neuro-psychologiques et comportementales

Données neuro-fonctionnelles

Démence thalamique

Syndrome frontal dyséxécutif, syndrome amnésiqueInertie de comportement

Quantification en SPECT :apport de l ’IRM

Définition de volumes d’intérêt

Correction d ’atténuation

Correction de l’effet de volume partiel

Meilleure quantification

Problème de validation

Stratégie de traitement des données

Quantification en SPECT : prédiction pré-clinique de la MA

Recalage(IRM, TEMP)

CorrectionAttenuation &

réponse collimateur & détecteur +

Reconstruction (OSEM)

reconstruction (OSEM)

Correction diffusion (Réseaux

neuromimetiques)Création

carte d’atténuation

El Fakhri G. et al. IEEE Trans Nucl Sci 2003

eU(O+E) = eO O

e

Quantification de la neurotransmission dopaminergique : définition des volumes d’intérêt

• Méthodes par régions d’intérêt– Manuelle– Semi-automatisée– Segmentation automatique

• Méthodes voxel par voxel– De type SPM

Recalage d’un DaTSCAN peu altéré avec brainvisa/anatomist

14 avril 2004

Recalage sur un DaTSCAN très pathologique

SEGAMI

Recalage automatique par information mutuelle

Correction de l’effet de volume partiel en utilisant le recalage (SPECT, IRM)

Profil observé à travers le putamen

Profil théorique à travers le putamen (obtenu grâce au

recalage à l’IRM)

Réponse impulsionelle de la

gamma caméra

10070

Coefficient de recouvrement

(3D)

100

701.43

Analyse voxel-par-voxel Constitution de databases

• Comparaison d’un sujet à une database de sujets sains

• Comparaison de groupes

=> Recalage intramodalité intersujets (transformation affine ou recalage élastique)

Statistical Parametric Mapping

Nécessite une licence MATLABFonctionne sous :Windows, Linux, UnixImages au format « Analyse »

IRM (sujet sain imagé 24 fois)

Template SPECT

Statistical Parametric Mapping

BRASS (HERMES)

RDI : coupe 33

3

5

7

59

57

55

Exemple : ECD

Recalage automatique

Quantification

L’intégration de données

INTERPRÉTATION PLUS PRÉCISE

MODELISATION DES INFORMATIONS SEGMENTATION, FUSION IMAGE DE SYNTHÈSE

= AGGRÉGATION D ’INFORMATIONS ambiguës, conflictuelles, complémentaires, redondantes

M. Zanca, M.I.R, Biophysique et Médecine Nucléaire, CHU Montpellier

CONCORDANCE AVEC IRMProgramme commercial

ou « fait maison »

Images brutes Images en concordance

Crédit SEGAMI & P. VERA, SHFJ, CEA, ORSAY

JL BERNON & M ZANCA, MDS & CHU MONTPELLIER

Superposition visuelle

Simple alternance des pixels (ici), ou séparation des composantes

colorées

JL BERNON & M ZANCA, MDS & CHU MONTPELLIER

Images fusionnées

(logique non floue)

Barra V. et al.Neuroimage 200113:410-34.A general framework for the fusion ofanatomical and functional medical images

Labeling of an epileptic focus by aMR/SPECT/SPECT/PET fusion process

Clare M. C. JAMA. 2001;285:562-567.Advances in Biomedical Imaging

Fusion d ’images : obstacles et difficultés

Transferts, formats d ’image, réseaux

Volume d ’images à traiter

Temps utilisateurs

Précision du recalage

Algorithmes disponibles et validés

Coût

Fusion d ’images : en conclusion Détection plus efficace d ’anomalies fonctionnelles

Meilleure compréhension des relations physio-pathologiques entre lésion et fonction

Aide à l ’interprétation des lésions structurelles ambiguës ou non spécifiques

Aide à la prise de décisions thérapeutiques importantes

Analyse quantitative