Segmentation d'images IRM anatomiques et ... - Uuu.enseirb.fr
Segmentation d'images IRM anatomiques et ... - Uuu.enseirb.fr
Segmentation d'images IRM anatomiques et ... - Uuu.enseirb.fr
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
<strong>Segmentation</strong> d’images <strong>IRM</strong> <strong>anatomiques</strong> <strong>et</strong><br />
détection de lésions par inférence bayésienne<br />
multimodale<br />
Stéphanie Bricq 1,2 , Christophe Coll<strong>et</strong> 1 , Jean-Paul Armspach 2<br />
Laboratoires :<br />
[1] LSIIT Laboratoire des Sciences de l’Image, de l’Informatique <strong>et</strong> de la Télédétection<br />
[2] LINC Laboratoire d’Imagerie <strong>et</strong> de Neurosciences Cognitives<br />
4 mars 2009<br />
1
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Introduction<br />
Contexte<br />
<strong>IRM</strong> cérébrales 3D multimodales<br />
Données pathologiques ou non<br />
Nombre important de données<br />
<strong>Segmentation</strong> manuelle coûteuse en temps<br />
variabilité intra- <strong>et</strong> inter-expert<br />
2
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Introduction<br />
Contexte<br />
Objectifs<br />
<strong>IRM</strong> cérébrales 3D multimodales<br />
Données pathologiques ou non<br />
Nombre important de données<br />
<strong>Segmentation</strong> manuelle coûteuse en temps<br />
variabilité intra- <strong>et</strong> inter-expert<br />
Développement de méthodes automatiques<br />
<strong>Segmentation</strong> des tissus cérébraux (MB, MG, LCR)<br />
Détection de lésions SEP : information sur la localisation<br />
<strong>et</strong> le volume des lésions<br />
2
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Contributions<br />
Modélisation HMC<br />
multimodalité<br />
principaux artefacts : biais, PV, . . .<br />
atlas probabiliste<br />
Lésions SEP détectées comme des outliers par rapport à un<br />
modèle statistique d’images cérébrales non pathologiques<br />
Modélisation par CAS 3D ⇒ information + précise sur la forme<br />
des lésions<br />
<br />
<br />
<br />
<br />
<br />
<br />
3
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Contributions<br />
Modélisation HMC<br />
multimodalité<br />
principaux artefacts : biais, PV, . . .<br />
atlas probabiliste<br />
Lésions SEP détectées comme des outliers par rapport à un<br />
modèle statistique d’images cérébrales non pathologiques<br />
Modélisation par CAS 3D ⇒ information + précise sur la forme<br />
des lésions<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
3
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Plan<br />
1 <strong>Segmentation</strong> en tissus<br />
Modélisation proposée<br />
Résultats<br />
2 Détection de lésions SEP<br />
Modélisation proposée<br />
Résultats<br />
3 Contours actifs statistiques 3D<br />
Motivations<br />
Modélisation<br />
Résultats<br />
4 Conclusion <strong>et</strong> Perspectives<br />
4
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Plan<br />
1 <strong>Segmentation</strong> en tissus<br />
Modélisation proposée<br />
Résultats<br />
2 Détection de lésions SEP<br />
Modélisation proposée<br />
Résultats<br />
3 Contours actifs statistiques 3D<br />
Motivations<br />
Modélisation<br />
Résultats<br />
4 Conclusion <strong>et</strong> Perspectives<br />
4
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
1 <strong>Segmentation</strong> en tissus<br />
Modélisation proposée<br />
Résultats<br />
2 Détection de lésions SEP<br />
Modélisation proposée<br />
Résultats<br />
3 Contours actifs statistiques 3D<br />
Motivations<br />
Modélisation<br />
Résultats<br />
4 Conclusion <strong>et</strong> Perspectives<br />
6
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Modélisation HMC<br />
HMC vs. MRF<br />
coûts calculatoires plus faibles<br />
information partielle sur le voisinage<br />
meilleure segmentation des structures fines<br />
vectorisation de l’image : parcours d’Hilbert-Peano 3D<br />
7
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Modélisation HMC<br />
HMC vs. MRF<br />
coûts calculatoires plus faibles<br />
information partielle sur le voisinage<br />
meilleure segmentation des structures fines<br />
vectorisation de l’image : parcours d’Hilbert-Peano 3D<br />
HMC<br />
Observations multimodales : T1/T2/Flair<br />
modélisation gaussienne<br />
y n<br />
y n+1<br />
y n−1<br />
7<br />
ˆx n = arg max ωk ∈Ω P(X n = ω k |Y = y)<br />
x<br />
n−1<br />
x<br />
n<br />
x<br />
n+1
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Atlas probabiliste<br />
Atlas<br />
Atlas B provient de 31 cerveaux non pathologiques<br />
recalés[Nobl<strong>et</strong> 05], segmentés puis moyennés<br />
information a priori sur la localisation de MB, MG, <strong>et</strong> LCR<br />
8
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Atlas probabiliste<br />
Atlas<br />
Atlas B provient de 31 cerveaux non pathologiques<br />
recalés[Nobl<strong>et</strong> 05], segmentés puis moyennés<br />
information a priori sur la localisation de MB, MG, <strong>et</strong> LCR<br />
Modélisation<br />
ˆx n = arg max ωk ∈Ω P(X n = ω k |Y, B)<br />
Y n-1 Yn Yn+1<br />
X n-1 X X<br />
n n+1<br />
B n-1 B n B n+1<br />
Graphe de dépendance d’une chaîne de Markov cachée avec l’information donnée par l’atlas<br />
8
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Hétérogénéités d’intensité<br />
(a) (b) (c)<br />
Illustration de l’artefact d’inhomogénéité. (a) correspond à l’image affectée par une hétérogénéité RF. (b) correspond<br />
à l’artefact isolé <strong>et</strong> (c) à l’image corrigée.<br />
Modélisation<br />
biais multiplicatif ⇒ transformation logarithmique des intensités :<br />
Z n = log Y n<br />
p(z n |x n = ω i ) = 1<br />
σ i<br />
√<br />
2π<br />
exp (zn−µ i − ∑ k c kφ k (x n)) 2<br />
2σ 2 i<br />
9
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Eff<strong>et</strong>s de volume partiel<br />
Tissu 1<br />
Frontière réelle entre<br />
les tissus 1 <strong>et</strong> 2<br />
1<br />
Y n<br />
Yn−1<br />
Yn<br />
Y n+1<br />
.<br />
Y n<br />
L<br />
Tissu 2<br />
Voxels avec eff<strong>et</strong>s de volume partiel<br />
1<br />
A n−1<br />
A a n<br />
A<br />
. n n+1<br />
a K−1<br />
n<br />
(a)<br />
(a) Eff<strong>et</strong> de volume partiel d’après [Jaggi 98]. (b) Chaîne de Markov Cachée multimodale avec prise en compte de<br />
l’eff<strong>et</strong> de volume partiel.<br />
(b)<br />
Modélisation<br />
Estimation de la proportion de chaque tissu en chaque voxel<br />
y = ∑ K<br />
i=1 ai y p<br />
i<br />
10
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Algorithme<br />
1 Recalage non-rigide des images avec l’atlas [Nobl<strong>et</strong> 05]<br />
2 Extraction du cerveau : BET [Smith 02]<br />
3 Vectorisation de l’image : parcours d’Hilbert-Peano 3D<br />
4 Initialisation des paramètres par les K-Moyennes<br />
5 Algorithme HMC avec correction du biais, avec atlas.<br />
6 Algorithme HMC avec estimation de l’eff<strong>et</strong> de volume partiel<br />
sans atlas <strong>et</strong> en gardant les paramètres du biais fixés<br />
7 <strong>Segmentation</strong> MPM<br />
8 Transformation d’Hilbert-Peano inverse ⇒ image segmentée<br />
Donn es segmenter<br />
Recalage de Donn es normalis es Extraction<br />
l atlas<br />
du cerveau<br />
Cerveau<br />
K-Moyennes<br />
K cartes contenant la proportion<br />
de chaque tissu pur en chaque voxel<br />
<strong>Segmentation</strong><br />
avec eff<strong>et</strong>s de<br />
volume partiel<br />
Images sans biais<br />
µ <strong>et</strong> σ<br />
pour les classes pures<br />
HMC<br />
avec correction<br />
du biais<br />
µ <strong>et</strong> σ<br />
pour les classes pures<br />
11
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Validation<br />
Comparaison avec des méthodes existantes<br />
SPM5 [Ashburner 05] :<br />
modélisation d’un mélange de gaussiennes<br />
classification des tissus, correction du biais<br />
recalage des images avec les cartes de probabilités<br />
EMS [Van Leemput 99] :<br />
correction du biais<br />
la classification des tissus dans un modèle MRF<br />
12
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Validation<br />
Comparaison avec des méthodes existantes<br />
SPM5 [Ashburner 05] :<br />
modélisation d’un mélange de gaussiennes<br />
classification des tissus, correction du biais<br />
recalage des images avec les cartes de probabilités<br />
EMS [Van Leemput 99] :<br />
correction du biais<br />
la classification des tissus dans un modèle MRF<br />
Données<br />
Base Brainweb : images synthétiques<br />
différentes modalités : T1/T2/DP<br />
différents niveaux de bruit <strong>et</strong> d’inhomogénéité<br />
vérité terrain : "dure" classes MB/MG/LCR + "floue"<br />
proportions MB/MG/LCR<br />
12
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Validation<br />
Comparaison avec des méthodes existantes<br />
SPM5 [Ashburner 05] :<br />
modélisation d’un mélange de gaussiennes<br />
classification des tissus, correction du biais<br />
recalage des images avec les cartes de probabilités<br />
EMS [Van Leemput 99] :<br />
correction du biais<br />
la classification des tissus dans un modèle MRF<br />
Données<br />
Base Brainweb : images synthétiques<br />
Base IBSR : 18 images réelles<br />
modalité T1<br />
segmentations manuelles MB/MG/LCR interne<br />
12
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Base Brainweb<br />
Index Kappa (MB)<br />
98<br />
96<br />
94<br />
92<br />
90<br />
88<br />
86<br />
84<br />
82<br />
0 1 3 5 7 9<br />
Niveau de bruit (%)<br />
SPM5<br />
EMS<br />
HMC<br />
Index Kappa (MG)<br />
98<br />
96<br />
94<br />
92<br />
90<br />
88<br />
86<br />
84<br />
82<br />
0 1 3 5 7 9<br />
Niveau de bruit (%)<br />
SPM5<br />
EMS<br />
HMC<br />
(a)<br />
Résultats obtenus sur la base Brainweb pour 20% d’inhomogénéité : (a) MB, (b) MG.<br />
(b)<br />
13
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Base IBSR<br />
Index Kappa (MB)<br />
100<br />
98<br />
96<br />
94<br />
92<br />
SPM5<br />
EMS<br />
HMC<br />
90<br />
88<br />
86<br />
84<br />
82<br />
80<br />
78<br />
76<br />
74<br />
72<br />
70<br />
0 2 4 6 8 10 12 14 16 18<br />
IBSR Datas<strong>et</strong> #<br />
Index Kappa (MG)<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
SPM5<br />
EMS<br />
HMC<br />
2 4 6 8 10 12 14 16 18<br />
IBSR Datas<strong>et</strong> #<br />
(a)<br />
Résultats obtenus sur la base IBSR : (a) MB, (b) MG.<br />
(b)<br />
14
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Base IBSR<br />
Index Kappa (MB)<br />
100<br />
98<br />
96<br />
94<br />
92<br />
SPM5<br />
EMS<br />
HMC<br />
90<br />
88<br />
86<br />
84<br />
82<br />
80<br />
78<br />
76<br />
74<br />
72<br />
70<br />
0 2 4 6 8 10 12 14 16 18<br />
IBSR Datas<strong>et</strong> #<br />
Index Kappa (MG)<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
SPM5<br />
EMS<br />
HMC<br />
2 4 6 8 10 12 14 16 18<br />
IBSR Datas<strong>et</strong> #<br />
(a)<br />
Résultats obtenus sur la base IBSR : (a) MB, (b) MG.<br />
(b)<br />
14
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
1 <strong>Segmentation</strong> en tissus<br />
Modélisation proposée<br />
Résultats<br />
2 Détection de lésions SEP<br />
Modélisation proposée<br />
Résultats<br />
3 Contours actifs statistiques 3D<br />
Motivations<br />
Modélisation<br />
Résultats<br />
4 Conclusion <strong>et</strong> Perspectives<br />
16
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Modélisation<br />
Données multimodales : T1, T2, Flair<br />
Information sur le voisinage : modèle HMC<br />
Information apportée par l’atlas<br />
Estimation robuste des paramètres pour détecter les<br />
outliers<br />
Post-traitement pour garder seulement les lésions SEP<br />
17
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Estimateur de vraisemblance tamisée (TLE)<br />
TLE<br />
introduit in [Neykov 90]<br />
développé pour l’estimation robuste de mélanges de lois<br />
normales multivariées <strong>et</strong> de modèles linéaires généralisés<br />
[Vandev 93]<br />
recherche des h observations parmi un échantillon de taille n<br />
pour lesquelles la vraisemblance est maximale.<br />
utilisé pour la segmentation robuste d’<strong>IRM</strong> cérébrales<br />
par [Aït-ali 05]<br />
Définition : TLE<br />
ˆθ TLE = arg θ∈Θ max<br />
h∏<br />
f(y ν(i) , θ) (1)<br />
i=1<br />
18
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Détection des outliers<br />
Estimation robuste des paramètres HMC en utilisant le TLE<br />
1 Calcul de ˆθ (p−1) basé sur l’algorithme EM, à partir des données<br />
complètes ;<br />
2 Tri des résidus r n = − log P(Y n = y n , B n , ˆθ (p−1) ) pour<br />
n = 1, . . . , N avec :<br />
P(Y n = y n , B n , ˆθ (p−1) ) = ∑ ω k<br />
P(X n = ω k )b n (k)f k (y n ; ˆθ (p−1) )<br />
3 Définition H (p) = {y ν(1) , ..., y ν(h) } sous-ensemble contenant les h<br />
vecteurs ayant les résidus les plus faibles pour ˆθ (p−1) ;<br />
4 Calcul de ˆθ (p) en utilisant l’EM, basé sur H (p)<br />
5 R<strong>et</strong>our à l’étape 2 jusqu’à convergence de H (p) .<br />
19
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Post-Traitements<br />
les outliers pour lesquels la probabilité de MB donnée par l’atlas<br />
est supérieure à 0.5 sont gardés<br />
Exclusion des lésions de faible volume (3mm 3 )<br />
20
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation proposée<br />
Algorithme<br />
1 Recalage non-rigide des images avec l’atlas [Nobl<strong>et</strong> 05]<br />
2 Extraction du cerveau (BET [Smith 02])<br />
3 Vectorisation de l’image : parcours d’Hilbert-Peano 3D<br />
4 Initialisation par les KMeans<br />
5 Algorithme HMC robuste<br />
6 <strong>Segmentation</strong> basée MPM<br />
7 Parcours d’Hilbert-Peano inverse pour obtenir l’image<br />
segmentée<br />
8 Post-traitement<br />
1 outliers situés dans la MB<br />
2 volume minimal<br />
21
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Base Strasbourg<br />
Données<br />
8 cas, modalités T1/Flair<br />
segmentation manuelle de chaque cas par 2 experts<br />
Outils de validation<br />
Taux de vrais positifs TPF<br />
Taux de faux positifs FPF<br />
Index Kappa<br />
KI = 2 SEG ⋂ GT<br />
SEG + GT<br />
où GT correspond à la vérité terrain <strong>et</strong> SEG à la segmentation<br />
obtenue<br />
(2)<br />
22
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Base Strasbourg<br />
TPF<br />
1,0<br />
0,9<br />
0,8<br />
0,7<br />
0,6<br />
0,5<br />
0,4<br />
0,3<br />
0,2<br />
0,1<br />
0,0<br />
Expert 2 / Expert 1<br />
HMC / Expert 1<br />
HMC / Expert 2<br />
1 2 3 4 5 6 7 8<br />
Cas de la base Quick_Strasbourg<br />
FPF<br />
1,0<br />
0,9<br />
0,8<br />
0,7<br />
0,6<br />
0,5<br />
0,4<br />
0,3<br />
0,2<br />
0,1<br />
0,0<br />
Expert 2 / Expert 1<br />
HMC / Expert 1<br />
HMC / Expert 2<br />
1 2 3 4 5 6 7 8<br />
Cas de la base Quick_Strasbourg<br />
(a)<br />
Résultats obtenus sur la base de Strasbourg : (a) TPF, (b) FPF.<br />
(b)<br />
23
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
(a)<br />
(b)<br />
(c) (d) (e)<br />
Exemple de résultats obtenus sur le cas 06 de la base de Strasbourg. (a) <strong>et</strong> (b) correspondent respectivement aux<br />
images Flair <strong>et</strong> T1. (c), (d) <strong>et</strong> (e) correspondent respectivement aux segmentations obtenues par l’expert 1, l’expert<br />
2 <strong>et</strong> la méthode proposée.<br />
24
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Résultats<br />
(a) (b) (c)<br />
Représentation 3D des résultats obtenus sur le cas 06 de la base de Strasbourg. (a), (b) <strong>et</strong> (c) correspondent<br />
respectivement aux segmentations obtenues par l’expert 1, l’expert 2 <strong>et</strong> la méthode proposée.<br />
25
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
Résultats<br />
(a) (b) (c)<br />
Représentation 3D des résultats obtenus sur le cas 06 de la base de Strasbourg. (a), (b) <strong>et</strong> (c) correspondent<br />
respectivement aux segmentations obtenues par l’expert 1, l’expert 2 <strong>et</strong> la méthode proposée.<br />
25
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
1 <strong>Segmentation</strong> en tissus<br />
Modélisation proposée<br />
Résultats<br />
2 Détection de lésions SEP<br />
Modélisation proposée<br />
Résultats<br />
3 Contours actifs statistiques 3D<br />
Motivations<br />
Modélisation<br />
Résultats<br />
4 Conclusion <strong>et</strong> Perspectives<br />
27
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Motivations<br />
Objectifs<br />
Méthode<br />
<strong>Segmentation</strong> + précise des lésions<br />
Information sur le volume<br />
<strong>Segmentation</strong> 3D basée sur le principe de Minimisation de<br />
la Complexité Stochastique<br />
Extension au cas 3D des CAS développés par l’équipe de<br />
Ré<strong>fr</strong>égier<br />
28
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation<br />
Minimisation de la complexité stochastique<br />
estimation de la forme ω de la cible dans la scène<br />
approximation de la longueur minimale de code ∆<br />
nécessaire pour décrire l’image :<br />
∆(s,ω,θ)<br />
→ Vecteur paramètre des différentes régions<br />
image = fond, cible <strong>et</strong> contour<br />
∆(s,ω,θ) = ∆ a + ∆<br />
} {{ b + ∆<br />
} ω k<br />
}{{}<br />
→ partition<br />
→ image<br />
→ Maillage surfacique composé de k triangles<br />
→ niveaux de gris du fond <strong>et</strong> de la cible<br />
29
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation<br />
Modélisation de l’image<br />
Approximation de ∆ a ou ∆ b<br />
Shannon<br />
∆ a + ∆ b = 1 2 N a log ˆσ 2 a + 1 2 N b log ˆσ 2 b + K<br />
Approximation de ∆ ω k<br />
k triangles<br />
N voxels<br />
p segments<br />
∆ ω k = k log N+(3/2)∗log p+p(3+log(2 ˆm x )+log(2 ˆm y )+log(2 ˆm z ))<br />
But : trouver la partition ω MCS minimisant ∆<br />
ω MCS = arg min ∆(ω)<br />
ω<br />
30
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Modélisation<br />
Algorithme<br />
Stratégie multi-résolution<br />
1 Initialisation du contour<br />
2 Tant que la distance entre 2 nœuds d > d min , Faire<br />
Subdivision de triangles<br />
Déplacements de nœuds<br />
⇒ maillage avec un nombre sur-estimé de triangles k 0<br />
3 Tant que la CS diminue, Faire<br />
Suppression d’arêtes<br />
Déplacements de nœuds<br />
31
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Résultats<br />
32
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Conclusion<br />
<strong>Segmentation</strong> des tissus cérébraux (MB, MG, LCR) par une<br />
modélisation HMC prenant en compte<br />
la multimodalité<br />
les principaux artefacts : biais, PV<br />
l’information apportée par un atlas probabiliste<br />
Medical Image Analysis 2008, ISBI’06, ORASIS’07<br />
Lésions SEP détectées comme des outliers par rapport à un<br />
modèle statistique d’images cérébrales non pathologiques<br />
ICASSP’08, ISBI’08, ICIP’08, Challenge MICCAI 08<br />
Modélisation par CAS 3D ⇒ information + précise sur la forme<br />
des lésions<br />
33
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Perspectives<br />
tests sur différentes bases d’images<br />
2 bases d’images : 50 patients atteints de SEP, différentes<br />
modalités à 2 instants<br />
segmentation manuelle des médecins en cours<br />
autres modélisations du bruit<br />
initialisation des CAS à partir du résultat de la phase de<br />
détection des lésions<br />
extensions<br />
données multimodales<br />
cas multi-région<br />
3D + t<br />
34
Introduction <strong>Segmentation</strong> en tissus Détection de lésions SEP CAS 3D Conclusion<br />
Merci pour votre attention !<br />
35
Publications<br />
- Chapitres de livres<br />
[B1] Ch. Coll<strong>et</strong>, A. Jalobeanu, S. Bricq, F. Flitti, “Fusion <strong>et</strong> imagerie multimodale”, Chapitre 14 du livre<br />
“Problèmes Inverses en Imagerie <strong>et</strong> en Vision”, ouvrage collectif coordonné par Ali Mohammad-Djafari,<br />
Editor, Ed Hermes, Traité IC2, A paraître.<br />
- Revues internationales<br />
[R1] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “Unifying <strong>fr</strong>amework for Multimodal Brain MRI <strong>Segmentation</strong><br />
based on Hidden Markov Chains”, Medical Image Analysis, Ed. Elsevier, vol. 12(6), pp. 639–652, Déc 2008.<br />
- Conférences internationales avec actes <strong>et</strong> comité de sélection<br />
[C1] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “Tripl<strong>et</strong> Markov Chain for 3D MRI Brain <strong>Segmentation</strong> Using a<br />
Probabilistic Atlas”, IEEE 2006 International Symposium on Biomedical Imaging, April 6-9, ISBI’06, 2006.<br />
[C2] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “3D brain MRI segmentation based on robust Hidden Markov<br />
Chain”, IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP’08, March 30<br />
- April 4, 2008, Las Vegas, Nevada, USA.<br />
[C3] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “Lesions d<strong>et</strong>ection on 3D brain MRI based on Robust Hidden<br />
Markov Chain”, ISMRM 2008 Annual Me<strong>et</strong>ing, Toronto, Canada.<br />
[C4] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “Lesions d<strong>et</strong>ection on 3D brain MRI using trimmed likelihood<br />
estimator and probabilistic atlas”, IEEE 2008 International Symposium on Biomedical Imaging, ISBI’08,<br />
Paris, France.<br />
[C5] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “Markovian <strong>Segmentation</strong> of 3D Brain MRI to d<strong>et</strong>ect Multiple<br />
Sclerosis Lesions”, IEEE 2008 International Conference on Image Processing, ICIP’08, October 12–15,<br />
2008, San Diego, California, U.S.A.<br />
- Conférences nationales avec actes <strong>et</strong> comité de sélection<br />
[C6] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “<strong>Segmentation</strong> multimodale d’<strong>IRM</strong> cérébrales avec eff<strong>et</strong> de<br />
volume partiel par Chaînes de Markov Cachées”, Onzième congrès <strong>fr</strong>ancophone des jeunes chercheurs en<br />
vision par ordinateur, Obernai, ORASIS’O7, France, 4-8 juin 2007.<br />
[C7] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “<strong>Segmentation</strong> de lésions de Sclérose en Plaques en <strong>IRM</strong><br />
cérébrale multimodale par Chaînes de Markov Cachées”, GRAMM, Lyon, 26-28 Mars 2008.<br />
- Autres communications<br />
[C8] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “<strong>Segmentation</strong> d’<strong>IRM</strong> <strong>anatomiques</strong> multimodales couplant<br />
inférence markovienne <strong>et</strong> atlas probabiliste”, journée du GDR–ISIS, Paris, 23 novembre 2006.<br />
[C9] S. Bricq, Ch. Coll<strong>et</strong>, J.-P. Armspach, “MS Lesion <strong>Segmentation</strong> based on Hidden Markov Chains”,<br />
MICCAI 2008 Workshop Proceedings : 3D <strong>Segmentation</strong> in the Clinic - A Grand Challenge. , New-York, 6<br />
septembre 2008.
Annexe<br />
Comparaison des méthodes de segmentation<br />
Seuil de détection<br />
Résultats du challenge MICCAI’08<br />
Références<br />
37
Comparaison des méthodes de segmentation<br />
SPM5 EMS Shattuck HMC<br />
Biais Oui Oui Oui Oui<br />
Eff<strong>et</strong>s de volume partiel Oui 1 Non 2 Oui Oui<br />
Voisinage Non Oui 3 (MRF) Oui (MRF) Oui (HMC)<br />
Non supervisé Oui Oui Partiellement 4 Oui<br />
Atlas Oui Oui Non Oui<br />
Multimodal Non Oui Non Oui<br />
Temps de calcul 20 à 35’ 20 à 35’ 5’ 20 à 40’<br />
1 : les proportions de chaque tissu en chaque voxel ne sont pas calculées.<br />
2 : pas implémenté dans EMS mais présenté dans [Van Leemput 03].<br />
3 : l’estimation des paramètres est basée seulement sur un nombre limité de voxels.<br />
4 : le terme β est fixé.<br />
38
Seuil de détection<br />
paramètre de tamisage h représentant le pourcentage de voxels<br />
utilisés pour l’estimation doit être fixé par l’utilisateur<br />
⇒ paramètre de tamisage adaptatif<br />
A chaque itération, les voxels pour lesquels<br />
P(Y n = y n , B n , θ) < s sont considérés comme outliers<br />
⇒ le paramètre de tamisage h peut changer à chaque itération<br />
39
Challenge MICCAI’08<br />
100<br />
80<br />
Détection Outliers<br />
Classification basée<br />
sur intensité<br />
/ Expert UNC<br />
/ Expert CHB<br />
Modèle Classification sur<br />
contextuel histogramme joint<br />
60<br />
Score<br />
40<br />
20<br />
0<br />
HMC Visage Utah INRIA Utrecht JHU Twente UCLA MRN<br />
Scores obtenus par différentes méthodes lors du challenge MICCAI'08<br />
Scores moyens obtenus par rapport à chaque expert sur la base test du challenge MICCAI’08.<br />
40
Références I<br />
[Aït-ali 05]<br />
[Ashburner 05]<br />
[Jaggi 98]<br />
[Neykov 90]<br />
[Nobl<strong>et</strong> 05]<br />
[Smith 02]<br />
L.S. Aït-ali, S. Prima, P. Hellier, B. Carsin, G. Edan & C. Barillot.<br />
STREM : a robust multidimensional param<strong>et</strong>ric m<strong>et</strong>hod to segment MS lesions in MRI.<br />
In J. Duncan & G. Gerig, editeurs, 8th International Conference on Medical Image Computing<br />
and Computer-Assisted Intervention, MICCAI’2005, volume 3749 of Lecture Notes in Computer<br />
Science, pages 409–416, Palm Springs, USA, October 2005. Springer.<br />
J. Ashburner & K.J. Friston.<br />
Unified <strong>Segmentation</strong>.<br />
NeuroImage, vol. 26, pages 839–857, 2005.<br />
C. Jaggi.<br />
<strong>Segmentation</strong> par méthode markovienne de l’encéphale humain en imagerie par résonance<br />
magnétique : théorie, mise en oeuvre <strong>et</strong> évaluation.<br />
PhD thesis, Université de Caen/Basse-Normandie, 1998.<br />
N.M. Neykov & P.N. Neytchev.<br />
A robust alternative of the MLE.<br />
Compstat’90, pages 99–100, 1990.<br />
V. Nobl<strong>et</strong>, C. Heinrich, F. Heitz & J.-P. Armspach.<br />
3-D Deformable Image Registration : A Topology Preservation Scheme Based on Hierarchical<br />
Deformation Models and Interval Analysis Optimization.<br />
IEEE Transactions on Image Processing, vol. 14, no. 5, pages 553–566, 2005.<br />
S. Smith.<br />
Fast Robust Automated Brain Extraction.<br />
Human Brain Mapping, vol. 17, pages 143–155, 2002.<br />
41
Références II<br />
[Van Leemput 99]<br />
[Van Leemput 03]<br />
[Vandev 93]<br />
K. Van Leemput, F. Maes, D. Vandermeulen & P. Su<strong>et</strong>ens.<br />
Automated Model-Based Bias Field Correction of MR Images of the Brain.<br />
IEEE Transactions on Medical Imaging, vol. 18, no. 10, pages 885–896, Oct. 1999.<br />
K. Van Leemput, F. Maes, D. Vandermeulen & P. Su<strong>et</strong>ens.<br />
A Unifying Framework for Partial Volume <strong>Segmentation</strong> of Brain MR Images.<br />
IEEE Transactions On Medical Imaging, vol. 22, no. 1, pages 10–113, January 2003.<br />
D.L. Vandev & N.M. Neykov.<br />
Robust Maximum Likelihood in the Gaussian Case.<br />
In S. Morgenthaler <strong>et</strong> al., editeur, New Directions in Data Analysis and Robustness, pages<br />
259–264, Birkhäuser Verlag Basel, Switzerland, 1993.<br />
42