Segmentation de structures c érébrales par ensembles de niveau en compétition et commande floue

1. Segmentation de structures cérébrales par ensembles de niveau en compétition et commande floue Cybèle Ciofolo Paris, 9 juin 2005 Thèse encadrée par Christian Barillot IRISA / CNRS, équipe VisAGeS

2. Objectifs • Quoi ? Segmenter des structures anatomiques pour répondre à un problème médical réel • hémisphères et cervelet : localisation du sillon calcarin et délinéation des aires visuelles • structures internes : zones de stimulation électrique • Quelles conditions ? Structures non identifiables partir de leurs niveaux de gris uniquement • Comment ? Utilisation d’un atlas et de la connaissance d’experts pour localiser les structures Paris, 9 juin 2005

3. Plan • Objectifs • Contexte • Commande floue • Ensembles de niveau • Commande floue pour les ensembles de niveau • Applications : • segmentation des hémisphères et du cervelet • segmentation de structures internes • Amélioration : construction de l’atlas par analyse de forme Paris, 9 juin 2005

4. Contexte • Cerveau : structures très complexes, présentant des circonvolutions • Ensembles de niveau : • Prise en compte du voisinage, régularisation • Changements de topologie autorisés • Utilisation en 3D Paris, 9 juin 2005

5. Principe • Définition des cibles, attribution d’un contour par cible • Contours en évolution simultanée, les termes de la vitesse ont des rôles bien définis • Direction de propagation privilégiée déterminée automatiquement par un système de commande floue Paris, 9 juin 2005

6. très léger léger moyen lourd très lourd Commande floue • Un exemple concret : la machine à laver « Si le linge est très sale et que son poids est moyen, alors la durée de la lessive sera longue» Degré d’appartenance 1 Poids (kg) 0 0 1,5 7,5 4,5 3 6 Paris, 9 juin 2005

7. Commande floue • d’un ensemble de mesures fournies par des capteurs et caractérisées en langage naturel • d’un ensemble de règles de décision établies par des experts • En résumé, c’est la combinaison Degré d’appartenance 1 Poids (kg) 0 0 1,5 3 4,5 6 7,5 très léger léger moyen lourd très lourd dans le but de prendre une décision sur une variable de commande Paris, 9 juin 2005

8. A partir d’une position initiale … … un contour évolue … F Ensembles de niveau • Principe général … avec une vitesse dépendant de la probabilité d’avoir franchi la frontière de l’objet que l’on souhaite segmenter Paris, 9 juin 2005

9. Ensembles de niveau • Idée : englober le contour dans une fonction fde dimension supérieure • Ensemble de niveau 0 de la fonctionf • Propagation de la fonctionf Paris, 9 juin 2005

10. Ensembles de niveau • Quelques détails sur la vitesse d’évolution F F • Elle dépend • de l’intensité (niveaux de gris) de l’image • de la forme du contour (courbure) • de facteurs extérieurs choisis par l’utilisateur Paris, 9 juin 2005

11. Commande floue pour les ensembles de niveau • Mesures • distribution d’intensité du volume traité • forme du contour • données provenant d’un atlas • proximité des autres contours Paris, 9 juin 2005

12. Commande floue pour les ensembles de niveau • Décision : valeur des termes de la vitesse • g : fonction d’arrêt, • PT : probabilité d’avoir franchi la frontière de la structure à segmenter, n : direction privilégiée de propagation du contour, • : pondération de la courbure, k : courbure Paris, 9 juin 2005

13. Application : segmentation des hémisphères et du cervelet • Quelles données ? • 2 bases de 18 sujets, IBSR et GIS • Atlas : la vérité terrain du sujet 1 pour la base IBSR, le fantôme du MNI pour la base GIS Paris, 9 juin 2005

14. Application : segmentation des hémisphères et du cervelet • Quelles règles de décision floue ? • Si un contour concurrent est trop proche du contour courant, alors la direction de propagation privilégiée du contour est celle qui s’éloigne du contour concurrent (répulsion). • Sinon • la distance à la cible du contour est assez grande alors la direction de propagation privilégiée du contour est celle qui minimise cette distance. • si la distance à la cible du contour est petite alors l’évolution du contour ne tient compte que des niveaux de gris et de la forme du contour. Paris, 9 juin 2005

15. Application : segmentation des hémisphères et du cervelet • Résultats (base GIS) Résultat de l’évolution du contour initialisé par des parallelépipèdes situés dans chacune des structures Paris, 9 juin 2005

16. Application : segmentation des hémisphères et du cervelet • Résultats (base IBSR) R : résultat, T : vérité Paris, 9 juin 2005

17. Quelles données ? Base IBSR uniquement Atlas : vérité terrain du sujet 1 Application : segmentation de structures internes du cerveau Paris, 9 juin 2005

18. Application : segmentation de structures internes du cerveau • Résultats (base IBSR) Paris, 9 juin 2005

19. Amélioration : construction de l’atlas par analyse de forme • Modèle de forme : Analyse en Composantes Principales sur la base segmentée Forme moyenne : étiquette Modes de variations : états flous de la distance à l’étiquette Paris, 9 juin 2005

20. Amélioration : construction de l’atlas par analyse de forme • Résultats Paris, 9 juin 2005

21. Conclusion • Adaptation d’un système de commande floue pour régler automatiquement les paramètres d’évolution d’un contour • Application : segmentation simultanée de plusieurs structures avec des contours en concurrence • Perspectives : • raffinement des résultats sur les structures internes en adaptant mieux la classification • Application à d’autres structures : segmentation du cortex Paris, 9 juin 2005

22. Références • Ensembles de niveau J. A. Sethian. Level Set Methods and Fast Marching Methods. Cambridge University Press, 1999. • Commande floue B. Bouchon-Meunier. Traitement de données complexes et commande en logique floue. Hermès Science Publications, 2003. • Atlas D. L. Collins et. al. Multimodality Imaging - Design and Construction of a Realistic Digital Brain Phantom. IEEE Transactions on Medical Imaging, 17( 3), 1998. http://www.cma.mgh.harvard.edu/ibsr/ • Publications personnelles C. Ciofolo, C. Barillot, Segmentation with Competitive Level Sets and Fuzzy Control. Information Processing in Medical Imaging, Glenwood Springs, USA, 2005. C. Ciofolo. Atlas-based segmentation using level sets and fuzzy labels. 7th international conference on Medical Image Computing and Computer Assisted Intervention, Saint-Malo, France, 2004. Paris, 9 juin 2005

23. Merci de votre attention Paris, 9 juin 2005