Le traitement d’images médicales

Techniques biomédicalesTechniques biomédicales Caroline Petitjean

Le traitementLe traitementd’images médicalesd’images médicales

Caroline PetitjeanUniversité de Rouen [email protected]

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

saine

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

Radio


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

ourc

e : [

2]


Images scanner (CT) : unités Hounsfield


http://ww

w.m

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

Fs/D

C1_IP

DM

/Dias_IP

DM

_TD

M.pdf


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

(600)

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


P1 P2

P3

P4

P5

P6

P7

P8P9

P10

P11

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

1

0

22

int ))('')('( dssvsvE

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

Elasticité Rigidité

n

iiielastic PPE

1

2

1

1

1

2

11 2n

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

1

0

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


Energie externe d’un snake

2

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

Zones brillantes ou sombres:

2ext

1)(

xxE

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

0)'

(

v

f

ds

d

v

f

Soit E la fonctionnelle d’énergie

EextE

dssvIgdssvsvE 1

0

2

int

1

0

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

t

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


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



T1

T2

PD

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