Normalisation des données

1. Normalisation des données Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal

2. Qu’est-ce la normalisation ? • Localisation du voxel = localisation anatomique Avec des valeurs d’intensité exactes

3. Terminologie de la normalisation • Estimation de la transformation : trouver la matrice de transformation (pas de resampling) • Resampling : on applique la transformation estimée • La normalisation signifie la combinaison des 2 • Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,

4. Principes de la normalisation • Nous devons comprendre: • Transformations spatiales • Interpolation • Fonctions de similitude • Recherche / Optimisation • Résolution multiple • Espace standard

5. Transformations spatiales • Pour aligner les images, il faut les transformer • Il y a beaucoup de types de transformation • Les degrés de liberté décrivent la transformé partiellement • Par exemple : • Corps rigide (6df) • Affine (12df) • Rigide en parties (6df par partie) • Non-linéaire (fluide, élastique, spline, etc.)

6. Transformations à corps rigide • 6 degrés de liberté en 3D • Inclut: • 3 Rotations • 3 Translations • Utilisées pour co-registration ou pour correction du mouvement intra-sujet

7. Transformations affines • 12 degrés de liberté en 3D • Transformation linéaire • Inclut: • 3 Rotations • 3 Translations • 3 « Scalings » • 3 Skews / Shears • Utilisé pour des normalisations sujet-standard (e.g. Talairach)

8. Transformations non-linéaires • Plus que 12 degrés de liberté • Peuvent être locales • Quelques contraintes: • Rigide en partie • Fonctions de base (e.g. Splines) • Fluide • Utilisé pour une normalisation inter-sujet de bonne qualité

9. Normalisation non-linéaire • T = rotation, « scaling », translation • D = Transformation de plus grand ordre, exige déformation locale

10. Espace Stéréotaxique • Basé sur des points de repère anatomiques (commissures antérieure et postérieure) • Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e.g. thalamotomie, pallidotomie) • Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3-Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988

11. Repère AC-PC commissure postérieure Ligne AC-PC commissure antérieure VAC

12. Espace stéréotaxique J Talairach & P Tournoux, Co-planar stereotaxic atlas of the human brain, Georg Thieme, 1988

13. Espace stéréotaxique

14. La variabilité anatomique reste • Atlas de Talairach et Tournoux, 1988 • Variabilité du sulcus central de 20 sujets

15. Données non registrées Images courtesy A. Zijdenbos, MNI

16. Données registrées

17. Normalisation en espace stéréotaxique • Avantages pour l’imagerie anatomique et structurelle • Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc. • Permet de moyenner entre sujets pour augmenter le SNR • Permet l’utilisation de masques spatiales pour des analyses post-traitement (e.g. des hypothèses basées sur l’anatomie) • Permet d’utiliser des classifications spatiales • Permet d’utiliser des modèles anatomiques (segmentation) • Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis

18. Normalisation en espace stéréotaxique Advantages for functional imaging: • Avantages pour l’imagerie fonctionelle • Fournit une structure conceptuelle pour l’analyse 3D automatisée à travers tous les sujets • Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites... • Extrapole les résultats à la population en large • Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet • Augmente le nombre de degrés de liberté permis dans un modèle statistique • Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu

19. Atlas stéréotaxique Talairach • Inconvénients pour l’imagerie fonctionelle • Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!) • Ignore les différences entre les hémisphères droit et gauche • Séparation des tranches variable, jusqu’à 4mm • Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3D

20. Espace stéréotaxique • Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur • Fournit une structure conceptuelle pour l’analyse 3D complètement automatisée à travers tous les sujets • L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach

21. Histoire des modèles anatomiques du MNI ICBM152 non-linéaire Average 305 Colin27 MNI 250 ICBM 152 Cerveau Jacob 1992 1993 1996 1998 2001 2004

22. Cerveau moyen MNI 250 Evans, A.C., Collins, D.L., Milner, B. (1992). An MRI-based stereotaxic atlas from 250 young normal subjects. Society Neuroscience Abstracts. 18: 408

23. Normalisation manuelle

24. MNI 250 • Pour : • 250 sujets • représente la population moyenne • Peut être utilisée comme cible de normalisation • Contre : • Normalisation manuelle (variable) • Ne couvre pas complètement le haut de la tête et le cervelet • Manque de détail cortical • N’a jamais été rendu publique

25. Average 305 du MNI • Pour : • Normalisation automatique • 305 sujets • Plus de contraste • Utilisé comme cible de normalisation MRITOTAL • Disponible publiquement avec mni_autoreg • Contre : • Ne couvre pas complètement le haut du cerveau et le cervelet • Manque de détail cortical Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205

26. Colin 27 • Pour : • Normalisation automatique • 1 sujet, 27 scans • S/N et C/N très grands • Détail anatomique très beau • Peut être utilisé comme cible de normalisation • Disponible publiquement avec mni_autoreg • Contre : • Un seul sujet – même si normal, peut être un outlier • Ne représente pas la variabilité de la population Holmes, C., Hoge, R., Collins, D.L., Woods, R., Toga, A.W. (1998).Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2): 324-333.

27. Atlas Jacob • Un seul sujet • Dessiné manuellement (Noor Kabani, 96 structures) • Même si normal, peut être un « outlier » • Ne représente pas la variabilité de la population • « Basis for SPAM Atlas in Talairach Daemon »

28. Moyenne ICBM 152 Moyenne T1 Moyenne PD Moyenne T2 Mazziotta et al. (2001). A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc I and B Biol Sci. 356: 1293-322.

29. ICBM 152 – Groupes de tissus Moyenne MG Moyenne CSF Moyenne MB

30. ICBM 152 • Pour : • Normalisation linéaire automatique • 152 sujets • Meilleur contraste • Couvre toute la tête • Modèles T1/T2/PD et MG/MB/CSF • Utilisé comme cible de normalisation MRITOTAL • Disponible publiquement avec mni_autoreg, SPM2, FSL • Contre : • Manque de détail cortical

31. ICBM 152 non-linéaire • Pour: • Normalisation automatique • Meilleur contraste • Couvre la tête au complet • Utilisé comme cible de normalisation MRITOTAL • Détail cortical signifiant • Contre: • ?

32. Modèles stéréotaxiques ICBM 152 non-linéaire Moyenne linéaire 305 ICBM 152 linéaire Colin 27 linéaire

33. Normalisation d’images • Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template) • mritotal: crée la matrice de transformation .xfm • Transformation : « Resample » d’après les paramètres de transformation déterminés • e.g. mincresample ou resample_tal: applique la transformation aux données

34. Quelle est la matrice ? • Il y a deux types « d’output » d’une normalisation • Image transformée (réorientée) • Matrice de transformation • La matrice de transformation est sauvegardée en tant que matrice 4x4 • M14, M24, M34sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling • Ceci est sauvegardé en nom dufichier.mat par le GUI, et spécifié par l’option –omat dans la ligne de commande M11 M12 M13 M14 M21 M22 M23 M24 M31 M32 M33 M34 0 0 0 1

35. Interpolation • Trouve les valeurs d’intensité entre les points de la grille

36. Interpolation • Trouve les valeurs d’intensité entre les points de la grille

37. Interpolation • Trouve les valeurs d’intensité entre les points de la grille • Différents types incluent • Voisin le plus proche • Trilinéaire • Sinc • Spline • Méthode espace k

38. Interpolation • Trouve les valeurs d’intensité entre les points de la grille • Différents types incluent • Voisin le plus proche • Trilinéaire • Sinc • Spline • Méthode espace k

39. Interpolation • Affecte la précision des analyses à venir • Important pour l’imagerie quantitative • Peut affecter la largeur des artéfacts Voisin le plus proche Trilinéaire Sinc

40. Fonctions de similitude • Mesure la validité de l’alignement • Cherche la valeur maximale • Plusieurs variétés principales

41. Fonctions de similitude Important: « allowable image modalities »  Moins important: détails

42. Optimisation • Maximise la fonction de similitude par des essais répétés, et la recherche • Par exemple: trouve le meilleur angle de rotation • Essai 1: angle = -45 degrés

43. Optimisation • Maximise la fonction de similitude par des essais répétés, et la recherche • Par exemple : trouve le meilleur angle de rotation • Essai 2 : angle = -15 degrés

44. Optimisation • Maximise la fonction de similitude par des essais répétés, et la recherche • Par exemple : trouve le meilleur angle de rotation • Essai 3 : angle = 0 degrés

45. Optimisation • Maximise la fonction de similitude par des essais répétés, et la recherche • Par exemple : trouve le meilleur angle de rotation • Essai 4 : angle = +30 degrés

46. Optimisation • Après N essais

47. Maximums locaux et globaux • L’exemple précédent était facile • Mais c’est plus difficile en pratique parce que : • Une dimension par degré de liberté • Il est difficile de discerner entre le maximum global et le maximum local Maximum global Maximum local

48. Initialisation • La position de départ est importante pour la stratégie recherche/optimisation locale • Doit être dans la zone de capture Zone de capture pour un maximum global

49. Multi résolutions • Pourquoi utiliser des résolutions plus basses ? • Calculs plus rapides • 8mm – 80 mille calculs • 1mm – 40 millions de calculs • Pas sensible aux structures subtiles • Progressivement améliore la résolution pendant la normalisation

50. Méthodes de normalisation linéaire • Talairach  Talairach et Tournoux • MRITOTAL  Collins • AIR  Woods • SPM  Friston, Ashburner • FSL  Smith, Jenkinson