Le traitement d’images médicales

1. Techniques biomédicales Le traitement d’images médicales Caroline Petitjean Université de Rouen caroline.petitjean@univ-rouen.fr

2. Résultat : visualisation améliorée Résultat : mesure de la surface de la tumeur Résultat : identification des cellules malades et saines saine Reconnaissance des formes Traitement Prétraitement malade Traitement d’images

3. Objectifs en TIM • Extraction d’information • dans l’image • Amélioration d’image Segmentation • Comparer 2 images • Reconstruction 3D Recalage & fusion

4. Plan • Exemples d’applications • Spécificités des méthodes de TIM • Segmentation • Recalage et fusion d’images • En pratique

5. Exemples • Amélioration du contraste de l’image Contraste amélioré Image acquise Radio Fond d’œil Source : Synarc

6. Exemples • Quantification de la densité capillaire Segmentation de la surface du réseau capillaire Densité capillaire Source : [1]

7. Exemples • Segmentation de tumeurs Source : Cours Devaux PCEM Caroline Petitjean

8. Exemples • Estimation de la contractilité des ventricules cardiaques en IRM radial Source : Thèse CP Quantification Estimation de mouvement circulaire

9. Exemples Scanner seul • 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 + TEP Source : S. Hapdey, CHB, Rouen

10. Exemples • Comparaison d’images avant/après Source : Université Louis Pasteur, Strasbourg

11. Exemples • Comparaison d’images complémentaires IRM Scanner Source : EPFL

12. Exemples • Comparaison d’images complémentaires Scanner TEP Source : EPFL

13. Exemples • Atlas d’organes Source : INRIA http://www.imaios.com/fr/e-Anatomy/Genou-IRM

14. Pourquoi faire un traitement 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

15. Plan • Exemples d’applications • Spécificités des méthodes de TIM • Segmentation • Recalage et fusion d’images • En pratique

16. Spécificités des méthodes de TIM • Prise en compte des caractéristiques des images médicales • Robuste • Rapide (pratique clinique) • (Semi-)Automatique • Validée

17. Spécificités des méthodes de TIM • Effet de volume partiel dans les modalités tomographiques • Chaque coupe a une épaisseur non nulle Source : [2]

18. Spécificités des méthodes de TIM • Rappel : différents types de bruits en vision par ordinateur : Speckle (multiplicatif) Original Salt and pepper (noir et blanc, aléatoire) Gaussien (additif)

19. Spécificités des méthodes de TIM • Images échographiques (US) : bruit “speckle” (multiplicatif) • Images IRM : bruit gaussien

20. Spécificités des méthodes de TIM • 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.

21. Correction de INU en IRM Source : [2]

22. Spécificités des méthodes de TIM • Images scanner (CT) : unités Hounsfield http://www.med.univ-angers.fr/discipline/radiologie/PDFs/DC1_IPDM/Dias_IPDM_TDM.pdf

23. Plan • Exemples d’applications • Spécificités des méthodes de TIM • Segmentation • Recalage et fusion d’images • En pratique

24. Segmentation : objectifs • Extraction de points, • lignes ou régions • Calcul de paramètres • régionaux (surfaces...) • Peut être effectuéeavant ou après recalage Source : [1]

25. Segmentation Segmentation Recherche de frontières (approches « contours ») Recherche de régions (approches « régions ») seuillage, region growing… filtrage linéaire, graph, contours actifs… + Segmentation par techniques de classification (clustering) Source : LIRMM

26. Segmentation : approches régions But : Segmenter l’image en se basant sur des propriétés intrinsèques des régions • Seuillage • Croissance de régions

27. Seuillage • Très simple au niveau algorithme  très utilisé en routine clinique • Seuillage global Originale Histogramme Seuillée Laplacien Source : [3] J. Rogowska. Overview and fundamentals of medical image segmentation. Handbook of medical imaging, Academic Press, p. 69 – 85, 2000.

28. Seuillage

29. Approches régions • Croissance de régions (Region growing) • choix d'un germe • propagation selon un certain critère Accumulation des voisins vérifiant la propriété Source : LIRMM

30. Approches régions : application • Segmentation de la graisse sous-cutanée et viscérale sur des images scanner acquises chez des patients atteints du VIH Source : [1]

31. Approches régions : application • 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

32. Approches régions : application • Segmentation par croissance de région selon un critère de seuillage A partir du germe : pixel  région si son intensité  [-120,-60] Source : [1]

33. Segmentation : approches "contours" • Approche par filtrage linéaire • Technique de graph searching • Contours actifs & modèles déformables

34. Approches contours • Utilisation du gradient de l’image • Exemple : angiographie Image originale Masque Sobel 3x3 Seuillage Seuil haut (1000) Seuillage Seuil bas (600) Source : [3]

35. Approches contours • Laplacien de l’image Laplacien de l’image Nécessité de post-traitement très important ! Zero crossings Source : [3]

36. Approches contours • Le laplacien est sensible au bruit

37. Approches contours • Laplacian of Gaussian (LoG) Laplacien de l’image Laplacien +gaussien Zero crossings Zero crossings Source : [3]

38. Approches contours • Laplacien surtout utilisé pour rehausser les contours

39. (a) Profil idéal (b) Profil observé (flou) (c) Filtré par une gaussienne (encore plus flou) (d) Mise en évidence des contours Approches contours • Autre possibilité pour rehausser les contours

40. Approches contours • Différences de gaussiennes (DoG)

41. Approches contours • Utilisation de masques gradient ou laplacien • Sensibles au bruit • Nécessité de post-traitement + Calcul rapide

42. Approches contours • Technique de “Graph searching” • A utiliser lorsqu’on a de la connaissance a priori sur le contour. • Ex : Point de début, de fin, connus • Ex : Propriétés relatives à la forme du contours Contour lisse (smooth) Courbure faible Contour non lisse Courbure élevée Caroline Petitjean Caroline Petitjean

43. 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 élevé • Si zone de contour : coût faible • Le coût dépend du gradient de l’image • et de connaissance a priori sur le contour • Un graph : ensemble de points • ensemble de liens • Segmenter l’image consiste à trouver le chemin de coût minimal dans le graphe

44. Approches contours • Exemple NdG C(pq)=M-[I(p)-I(q)] Source : Gonzalez & Wood • Graph searching : Problème très général

45. Approches contours • IRM cardiaque Transformation en coordonnées polaires Source : Lalande et al. 1999 Caroline Petitjean

46. Approches contours Matrice de coût Segmentation finale Image originale (coord.polaires) Source : Lalande et al. 1999

47. Approches contours Source : Lalande et al. 1999

48. Propriétés intrinsèques • Longueur, courbure… • Propriétés locales de l’image autour du snake Contours actifs • Définition d’un snake P9 P8 P10 P7 P11 P6 P3 P5 P1 P4 P2

49. Exemple IRM cardiaque • Initialisation : • courbe assez proche du contour extraire Source : A. Yezzi, Georgia Tech Univ. Optimisation itérative : déformations du contour actif de façon ce qu’il atteigne une position d’énergie minimum.

50. Exemple snake 3D