Traitement d'images Présentée Par - MIV

Discipline:Électronique, Électrotechnique, AutomatiqueSpécialité: Traitement d’imagesPrésentée Par: Stéphanie BricqTitre: Segmentation d’images IRM anatomiquespar inférence bayésienne multimodaleet détection de lésionsUnité de recherche: LSIIT (UMR 7005 CNRS - ULP)Équipe Modèles, Images et Vision, MIVPôle API, Boulevard Sébastien Brant67412 ILLKIRCH CedexDirecteurs de thèse: Christophe Collet, Professeur,ENSPS - LSIIT, équipe MIVJean-Paul Armspach, HDR, LINC

Segmentation d’images IRMContexte du travailL’imagerie médicale, en constante évolution ces dernières années, fournit un nombrecroissant de données. Ce volume important d’images doit ensuite être analysé.Les méthodes automatiques de traitement et d’analyse d’images se sont récemmentmultipliées pour assister l’expert dans l’analyse qualitative et quantitative de ces imageset faciliter son interprétation. Ces méthodes doivent prendre en considération d’une partla quantité des données à analyser et d’autre part, la complexité structurelle des imagesIRM. Une segmentation fiable et précise des images 3D anatomiques multimodales,normales ou pathologiques, reste un objectif premier en analyse d’images médicalescar elle constitue un préalable incontournable pour l’étude de l’atrophie/hypotrophiecérébrale en utilisant les méthodes d’analyse de type Voxel Based Morphometry (VBM),la mesure de la charge lésionnelle dans la pathologie de la Sclérose En Plaques ou encorela visualisation surfacique 3D.Ce travail de thèse a été mené au sein du Laboratoire des Sciences de l’Image, del’Informatique et de la Télédétection (LSIIT, UMR 7005) et du Laboratoire d’Imagerie etde Neurosciences Cognitives (LINC, UMR 7191) dans le cadre du consortium de rechercheImagerie et Robotique Médicale et Chirurgicale (IRMC).Mots-clés : segmentation, IRM, détection de lésions, traitement statistique des images,inférence avec a priori markovien, chaîne de Markov, estimateur robuste, grilles activesstatistiques.Présentation du travail de thèse - ObjectifsDans cette thèse nous focalisons notre étude sur des images IRM cérébrales et nousproposons des méthodes automatiques de segmentation. Un grand nombre de méthodesde segmentation ont été proposées depuis plusieurs années et on distingue deux grandesapproches :– celles dites de « bas niveau » qui s’appuient classiquement sur la réunion de voxelssimilaires (au sens des « niveaux de gris », de la « couleur » ou de la « texture »)dans les régions 3D ou sur la détection des surfaces frontières entre les différentesstructures d’intérêt. Bien qu’elles offrent généralement une bonne précision dansla localisation des frontières, ces méthodes ne donnent des résultats satisfaisantsque si les contrastes entre les structures d’intérêt sont suffisamment marqués, si lesrapports signal à bruit sont suffisamment élevés et si l’image est exempte d’artefacts.Ces conditions sont rarement réunies en pratique, et les méthodes de bas niveaurequièrent donc le plus souvent une correction manuelle des erreurs de segmentation.Il va sans dire que ces corrections peuvent s’avérer délicates dans le cas de structuresspatiales tridimensionnelles.– celles qui s’appuient au contraire sur des modèles a priori, de nature déterministeou probabiliste, qui de plus en plus prennent la forme de modèles déformables oud’atlas numériques.Résumé de la thèse de doctorat, 18 mai 2008 2

Segmentation d’images IRML’objectif de ce travail de thèse est de coupler les méthodes dites de « bas niveaux » auxapproches plus modernes qui s’appuient sur des modèles a priori. Nous avons donc associédes modèles statistiques markoviens [R1] à des modèles a priori de haut niveau de typeatlas statistiques. La difficulté à segmenter une image est due à la complexité structurelledes images IRM et du contraste souvent insuffisant pour extraire la structure d’intérêt,sans aucune connaissance a priori sur sa forme et sa localisation. Les connaissances apriori apportées par les atlas probabilistes permettront donc de mieux différencier lesstructures anatomiques proches par le contraste et la localisation spatiale.La méthode que nous avons proposée est basée sur la modélisation par Chaînes deMarkov Cachées permettant de prendre en compte la notion de voisinage. De plus elleinclut l’information a priori apportée par un atlas statistique dérivant d’images recaléesentre elles, segmentées puis moyennées [1, 3] . Enfin cette méthode prend en considérationles inhomogénéités d’intensité présentes sur les images IRM ainsi que les effets de volumepartiel en proposant une segmentation en cartes de tissus contenant les proportions dechaque tissu en chaque voxel [8].Cette méthode a été appliquée à la segmentation des tissus cérébraux [2] puis étendueen utilisant un estimateur robuste à la localisation et la détection des lésions de SclérosesEn Plaques (SEP) observées en IRM [4]. Grâce à cet estimateur robuste et à l’informationa priori apportée par l’atlas probabiliste, les lésions SEP vont être détectées commedes données atypiques (”outliers”) par rapport à un modèle statistique de cerveau nonpathologique [5, 6, 7].Enfin nous avons développé une méthode 3D de segmentation basée sur les contoursactifs statistiques et le principe de la minimisation de la complexité stochastique [R2],pour raffiner la segmentation des lésions en ayant une information plus précise sur levolume et la forme des lésions, permettant ainsi de mieux quantifier leur évolution.L’ensemble des méthodes développées a été validée à la fois sur des donnéessynthétiques et réelles. Les résultats obtenus ont été comparés avec d’autresméthodes classiques de segmentation couramment utilisées en IRM, en particulierSPM5 1 (Statistical Parametric Mapping) [R3] et EMS 2 (Expectation-MaximizationSegmentation) [R4], ainsi qu’avec des segmentations manuelles réalisées par des experts.Structure du mémoireLe manuscrit est organisé en six chapitres présentant les contributions essentielles dutravail doctoral. Dans le premier chapitre nous décrivons le principe de l’imagerie parrésonance magnétique et les artefacts associés à l’acquisition des images. Les principalesméthodes de segmentation en imagerie cérébrale sont ensuite abordées. Le deuxièmechapitre débute par le rappel de la théorie bayésienne et enchaîne sur la présentationdes modèles markoviens en imagerie, en détaillant plus particulièrement le modèle deschaînes de Markov cachées qui sera utilisé pour la segmentation des tissus cérébraux.1 http ://www.fil.ion.ucl.ac.uk/spm2 http ://www.medicalimagecomputing.com/EMS/Résumé de la thèse de doctorat, 18 mai 2008 3

Segmentation d’images IRMLe chapitre 3 décrit la méthodologie employée pour la segmentation des tissus. Cetteméthode prend en compte les principales imperfections pouvant apparaître sur les imagesIRM (bruit, biais et effets de volume partiel). Nous expliquons comment la notion devoisinage ainsi que de l’information a priori apportée par un atlas probabiliste sontintégrés dans le modèle. Ces différentes contributions sont ensuite validées dans le chapitre4 à la fois sur des bases d’images synthétiques et réelles.Le chapitre 5 décrit l’extension de la méthode pour la détection de lésions de scléroseen plaques en utilisant un estimateur robuste. Cette méthode est validée sur des imagessynthétiques et sur des données cliniques. Enfin le chapitre 6 présente une méthodede raffinement de la segmentation des lésions basée sur les contours actifs statistiques,permettant d’avoir une information plus précise sur le volume des lésions. Nous décrivonsdans un premier temps le modèle des contours actifs et grilles actives statistiques 2D,puis nous présentons l’extension au cas tridimensionnel que nous avons effectué.Références[R1] W. Pieczynski. Modèles de Markov en traitement d’images. Traitement du Signal,20(3) :255–277, 2003.[R2] F. Galland, N. Bertaux and Ph. Réfrégier. Minimum Description LengthSynthetic Aperture Radar image segmentation. IEEE Transactions on Image Processing,12(9) :995–1006, 2003.[R3] J. Ashburner and K.J. Friston. Unified Segmentation. NeuroImage, 26 :839–857,2005.[R4] K. Van Leemput, F. Maes, D. Vandermeulen, and P. Suetens. Automated Model-Based Tissue Classification of MR Images of the Brain. IEEE Transactions on MedicalImaging, 18(10) :897–908, Oct. 1999.Résumé de la thèse de doctorat, 18 mai 2008 4

Segmentation d’images IRMPublicationsChapitre de livres[1] Ch. Collet, A. Jalobeanu, F. Flitti, S. Bricq, “Fusion et imagerie multimodale”,Chapitre 13 du livre ”Problèmes Inverses en Imagerie et en Vision”, ouvrage collectifcoordonné par Ali Mohammad-Djafari, Editor, Ed Hermes, Traité IC2, A paraître.Revue internationale[2] S. Bricq, Ch. Collet, J.-P. Armspach, “Unifying framework for Multimodal Brain MRISegmentation based on Hidden Markov Chains”, Medical Image Analysis, Ed. Elsevier,to appear, 2008.Conférences internationales[3] S. Bricq, Ch. Collet, J.-P. Armspach, “Triplet Markov Chain for 3D MRI BrainSegmentation Using a Probabilistic Atlas”, IEEE 2006 International Symposium onBiomedical Imaging, April 6-9, ISBI’06, 2006.[4] S. Bricq, Ch. Collet, J.-P. Armspach, “3D brain MRI segmentation based on robustHidden Markov Chain”, IEEE International Conference on Acoustics, Speech and SignalProcessing, ICASSP’08, March 30 - April 4, 2008, Las Vegas, Nevada, USA.[5] S. Bricq, Ch. Collet, J.-P. Armspach, “Lesions detection on 3D brain MRI based onRobust Hidden Markov Chain”, ISMRM 2008 Annual Meeting, Toronto, Canada.[6] S. Bricq, Ch. Collet, J.-P. Armspach, “Lesions detection on 3D brain MRI usingtrimmed likelihood estimator and probabilistic atlas”, IEEE 2008 InternationalSymposium on Biomedical Imaging, ISBI’08, Paris, France.[7] S. Bricq, Ch. Collet, J.-P. Armspach, “Markovian Segmentation of 3D Brain MRIto detect Multiple Sclerosis Lesions”, IEEE 2008 International Conference on ImageProcessing, ICIP’08, October 1215, 2008, San Diego, California, U.S.A.Conférences nationales[8] S. Bricq, Ch. Collet, J.-P. Armspach, “Segmentation multimodale d’IRM cérébralesavec effet de volume partiel par Chaînes de Markov Cachées”, Onzième congrèsfrancophone des jeunes chercheurs en vision par ordinateur, Obernai, ORASIS’O7,France, 4-8 juin 2007.[9] S. Bricq, Ch. Collet, J.-P. Armspach, “Segmentation de lésions de Sclérose en Plaquesen IRM cérébrale multimodale par Chaînes de Markov Cachées”, 12ème congrès duGRAMM, Lyon, 26-28 Mars 2008.Autres communications[10] S. Bricq, Ch. Collet, J.-P. Armspach, ”Segmentation d’IRM anatomiquesmultimodales couplant inférence markovienne et atlas probabiliste”, journée du GDR–Résumé de la thèse de doctorat, 18 mai 2008 5

Segmentation d’images IRMISIS, Paris, 23 novembre 2006.Résumé de la thèse de doctorat, 18 mai 2008 6