Segmentation d ’IRM cérébrales multi-séquences et application à la sclérose en plaques

1. Segmentation d ’IRM cérébrales multi-séquences et application à la sclérose en plaques Guillaume Dugas-Phocion

2. La sclérose en plaques • Maladie relativement mal comprise, que l ’on suppose auto-immune • Altération de la gaine de myéline • Plaques apparaissant à l ’IRM dans la matière blanche

3. Ces paresthésies sont décrites comme des fourmillements ou un engourdissement plus que comme des picotements, souvent plus tardifs dans l ’ évolution de la maladie IRM et diagnostic • Diagnostic essentiellement basé sur l  ’examen clinique : • Signes sensitifs : paresthésies ascendantes des membres inférieurs, démarche talonnante, malhabilité d ’ une main • Signes moteurs • Signes visuels • Signes cognitifs

4. IRM et diagnostic • Diagnostic essentiellement basé sur l  ’examen clinique : • Signes sensitifs • Signes moteurs : faiblesse musculaire, fatigue ; spasticité • Signes visuels • Signes cognitifs

5. IRM et diagnostic • Diagnostic essentiellement basé sur l  ’examen clinique : • Signes sensitifs • Signes moteurs • Signes visuels : douleurs péri-orbitaire ou rétro-orbitaire, baisse de l ’acuité visuelle • Signes cognitifs

6. IRM et diagnostic • Diagnostic essentiellement basé sur l ’examen clinique : • Signes sensitifs • Signes moteurs • Signes visuels • Signes cognitifs : troubles de la mémoire, du raisonnement abstrait et de l ’attention

7. Le diagnostic reste un diagnostic d ’élimination plus qu ’un diagnostic positif. Les critères de Poser définissent deux groupes de SEP (définie et probables) et deux sous-groupes (le premier, clinique, le second recourant aux examens complémentaires IRM et diagnostic • Diagnostic essentiellement basé sur l  ’examen clinique • Rôle des examens complémentaires : • Ecarter d ’autres diagnostics possibles • Contribuer au diagnostic de SEP • Evaluer l ’efficacité des traitements

8. Analyse du liquide céphalo-rachidien (LCR) : activité immunologique - lymphocytes T, globulines - non spécifique Les potentiels évoqués sont des potentiels électriques recueillis après une brève stimulation stéréotypée, appliquée de façon répétitive. Utilisés pour confirmer l ’atteinte clinique en cas de symptômes inhabituels. IRM et diagnostic • Diagnostic essentiellement basé sur l  ’examen clinique • Rôle des examens complémentaires • Examens complémentaires : • Analyse du liquide céphalo-rachidien (LCR) • Potentiels évoqués • IRM L ’IRM, au même titre que les autres examens complémentaires, n ’apporte au diagnostic qu ’un élément de dissémination spaciale, et temporel en cas de rehaussement du signal après injection de Gadolinium L ’évaluation de l ’IRM repose sur deux paramètres : la charge lésionnelle et l ’activité lésionnelle. Etudes en cours sur la corrélation entre localisation et symptômes. (Charil et Zijdenbos) Les lésions évocatrices de SEP sont confluentes, périventriculaires à contour irréguliers et/ou ovalaires perpendiculaires à l ’axe anté-postérieurs. Signes non-spécifiques de la SEP

9. Prétraitement des données par un recalage rigide intra-patient sur l ’IRM T1 du même instant. Le recalage est un recalage iconique robuste avec pyramide d ’images Signature IRM des plaques • Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons

10. Signature IRM des plaques • Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons • Caractéristiques générales : • Hypersignal en T2 et en DP : globalité des plaques • Hyposignal en T1 : zones nécrotiques • Hypersignal en T2 FLAIR : basse résolution

11. Cette variabilité IRM est le reflet de la variabilité réelle des plaques : périventriculaires, juxtacorticales, dans le cervelet, dans le corps calleux, dans le tronc cérébrales ; lésions actives, œdémateuses, nécrotiques, jeunes, etc. Signature IRM des plaques • Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons • Caractéristiques générales • Forte variabilité des plaques - intensité ou localisation

12. Objectif à long terme • Obtention de chiffres directement exploitables • signification médicale réelle (charges lésionnelles) • estimation de l ’erreur sur ces chiffres • Validation par segmentation d ’experts • Corrélation avec les études sur les déficits physiques et cognitifs

13. Difficultés • Forte variabilité inter-expert pour la validation • Définition difficile d ’un modèle IRM de lésion • On ne connaît pas a priori le poids relatif des lésions entre elles  Prétraitement : tout ce qui n ’est pas sain est potentiellement malade

14. Hypothèses de base • Labélisation : matière blanche, matière grise, LCR. • Segmentation basée sur l ’intensité • Modèle de bruit gaussien  Segmentation basée sur un algorithme d ’Expectation Maximisation.

15. Expectation maximisation

16. Expectation maximisation

17. Expectation maximisation

18. Expectation maximisation

19. Expectation maximisation • Densité de probabilité gaussienne : f(yj | lj, ) = Gl(yj - l) • Indépendance spatiale des voxels • Modèle de mixture de gaussienne • Algorithme en 2 étapes

20. Expectation maximisation • Densité de probabilité gaussienne • Indépendance spatiale des voxels • Modèle de mixture de gaussienne • Algorithme en 2 étapes

21. Expectation maximisation • Densité de probabilité gaussienne • Indépendance spatiale des voxels • Modèle de mixture f(Y | ) =  f(yj | ) avec f(yj | ) =  f(yj | lj=k, )·k • Algorithme en 2 étapes

22. Expectation maximisation • Densité de probabilité gaussienne • Indépendance spatiale des voxels • Modèle de mixture de gaussienne • Algorithme en 2 étapes : • Expectation : labélisation des voxels • Maximisation : estimation des paramètres par maximisation de la vraisemblance

23. Probabilité a priori dans le cadre de la loi de Bayes : attention au fait que dans notre cas, la probabilité a priori dépend de la position du voxel (Atlas probabiliste) Expectation maximisation • Expectation : calcul des probabilités pour chaque voxel f(lj | Y, (m-1)) = ___________________ • Maximisation : mise à jour des paramètres des classes f(yj | lj, (m-1)) * lj k f(yj | lj = k, (m-1)) * k

24. Expectation maximisation • Expectation : calcul des probabilités pour chaque voxel • Maximisation : mise à jour des paramètres des classes (M estimateurs) k(m) = __________________________  k(m) = ___________________________________ j f(lj = k | Y, (m-1)) * yj (m-1) j f(lj = k | Y, (m-1)) j f(lj = k | Y, (m-1)) * (yj (m-1) - k(m)) * (yj (m-1) - k(m)) ’ j f(lj = k | Y, (m-1))

25. EM Simple : résultats

26. EM Simple : résultats

27. EM Simple : résultats

28. Rajouter l ’équation du seuil des points abherrants Rajouter le calcul du biais dans l ’EM Toucher un mot des contraintes locales Application aux lésions de SEP • Extraction des points aberrants comme pré-segmentation des lésions • Seuillage sur le χ2 correspondant à chaque classe • Algorithme à 3 étapes : • Expectation : labélisation des voxels • Maximisation : estimation des paramètres sans les voxels labellisés comme point aberrant • Extraction des points aberrants

29. Application aux lésions de SEP

30. Améliorations • Objectif : débruiter la segmentation des lésions • Diminuer la variance des classes pures • Conserver la sensibilité de la segmentation  Inclusion d ’un modèle de volume partiels

31. 1 2 Modèle de volume partiel • Un voxel est dit partiel quand il est composé de plusieurs tissus

32. Modèle de volume partiel • Dans le cas de l ’IRM, le bruit est considéré comme gaussien

33. Modèle de volume partiel • Dans le cas de l ’IRM, le bruit est considéré comme gaussien • L’intensité est linéaire en la proportion de tissu dans les volumes partiels : • Ip = I1 + (1 - )I2

34. Modèle de volume partiel • Dans le cas de l ’IRM, le bruit est considéré comme gaussien • L’intensité est linéaire en la proportion de tissu dans les volumes partiels : • Ip = I1 + (1 - )I2 • Le résultat est calculable dans le cas gaussien, pour  fixé : • I1 = G(1, 1) • I2 = G(2, 2) Ip = G(1 + (1 - ) 2, 1 + (1 - )2)

35. 1 2 Modèle de volume partiel : simulation

36. 1 2 Modèle de volume partiel partiel : simulation

37. Algorithme • EM classique : deux étapes • Labélisation des voxels en fonction des paramètres courants • Estimations des paramètres en maximisant la vraisemblance

38. Algorithme • EM avec classes partielles : trois étapes • Labélisation des voxels en fonction des paramètres courants - classes pures et partielles • Estimations des paramètres des classes pures en maximisant la vraisemblance • Calcul des paramètres des classes en fonction des paramètres des classes pures

39. Résultats • EM avec classes partielles : trois étapes

40. Résultats • EM classique : deux étapes

41. Résultats • EM avec classes partielles : trois étapes

42. Résultats • EM classique : deux étapes

43. Résultats : segmentation

44. Conclusion partielle • Conclusion partielle : légère diminution de la variance des classes pures. • Que se passe-t-il si on augmente le nombre de classes partielles ?

45. Résultats • EM avec classes partielles : trois étapes

46. Résultats • EM avec classes partielles : trois étapes

47. Conclusion partielle (bis) • Conclusion partielle : comme prévu, la variance diminue progressivement • Cette diminution est trop faible pour être suffisante • Contraintes supplémentaires nécessaires • Contrainte locale (modification de la probabilité a-priori) sans exploser le temps de calcul • Contrainte sur la variance des classes pures ?

48. Rajouter une suite de schémas qui montre comment on fait effectivement le calcul Atlas probabiliste pour les volumes partiels • Champs de Markov trop coûteuse en temps de calcul • On applique une contrainte locale une seule fois : • Premier EM sans volumes partiels • Extractions des zones susceptibles de contenir des voxels partiels • Mise à jour de l ’atlas • Deuxième EM incluant les classes partielles

49. EM sans volumes partiels

50. Génération d ’un masque pour chaque interface