23.06.2013 Views

TH`ESE Cédric CLOUCHOUX LOCALISATION ET ...

TH`ESE Cédric CLOUCHOUX LOCALISATION ET ...

TH`ESE Cédric CLOUCHOUX LOCALISATION ET ...

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

154 Chapitre 5. Parcellisation corticale<br />

Pouvoir donner une signification anatomo-fonctionnelle aux structures extraites<br />

implique également pouvoir se baser sur leur organisation globale et relative, afin<br />

de modéliser un schéma de connectivité générique.<br />

L’introduction d’information anatomique a priori est essentielle dans le processus<br />

de parcellisation du cortex. Pouvoir introduire des données autres que<br />

l’information géométrique rend possible l’accès à une parcellisation prenant en<br />

compte des éléments tels que la cytoarchitectonie ou encore les relations connues<br />

entre l’anatomie et la fonction.<br />

Méthodes basées sur un atlas Tout comme la segmentation d’autres structures<br />

corticales comme les sillons, un atlas segmenté par un expert peut être<br />

utilisé, afin d’introduire de l’information a priori. La méthode poposée dans<br />

[Fischl et al., 2004] utilise le système de coordonnées surfaciques présenté dans<br />

[Fischl et al., 1999b] afin de stocker des informations statistiques a priori quand<br />

à l’appartenance d’un point du maillage à un certain gyrus. Une base de<br />

données, manuellement segmentée, est utilisée comme donnée d’entrainement au<br />

système, donnant la possibilité de parcelliser automatiquement des données selon<br />

différentes conventions neuro-anatomiques. Un tel système permet en outre d’incorporer<br />

des connaissances anatomiques expertes dans des zones où la géométrie<br />

locale ne suffit pas à déterminer une parcellisation correcte. L’utilisation des<br />

Champs de Markov aléatoires anisotropiques capture les relations spatiales et<br />

sépare les informations de différents types. Par exemple, cela permet d’encoder<br />

de l’information de type : “le gyrus precentral est souvent voisin du sillon central<br />

dans la direction de plus grande courbure (le long du sillon), mais pas dans la<br />

direction de faible courbure”. Le résultat de cette méthode est illustré sur la figure<br />

5.2. Le résultat de la parcellation dépend de la nomenclature et du template utilisé.<br />

Dans [Fischl et al., 1999b], deux types de nomenclatures sont ainsi testées :<br />

SB (Surface-Based) et CMA (Center for Morphometric Analysis). La nomenclature<br />

SB permet d’obtenir des relations de voisinnages relativement constantes, en<br />

partie car la description des gyri repose sur une description des relations spatiales<br />

du template. En revanche, une parcellisation de type CMA ne propose pas une<br />

telle constance. La constance des relations de voisinage n’est donc pas garantie<br />

par la méthode, mais celle-ci permet de garder une cohérence par-rapport au<br />

modèle utilisé.<br />

Méthodes utilisant les sillons corticaux Un autre exemple de méthode<br />

utilisé afin de labéliser l’ensemble de la surface corticale est proposé dans<br />

[Cachia et al., 2003]. Cette technique utilise les sillons corticaux automatiquement<br />

extraits, afin de définir les limites des gyri. L’approche générique proposée<br />

repose sur des paires de sillons définissant des frontières de gyri, projetés sur la<br />

surface corticale. La parcellation est ensuite calculée grâce à deux diagrammes de

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!