Analyse d’images

Une fois les corrections appliquées, l’image TEP est prête à être analysée. On définit alors des régions d’intérêt dans l’image ; souvent, des organes ou structures anatomiques sont choisies. Il est dans ce cas nécessaire d’effectuer une segmentation de l’image, c’est-à-dire un découpage de l’image en les différentes structures anato- miques qu’elle contient. Il existe des méthodes pour segmenter l’image TEP mais la méthode la plus utilisée est de segmenter une image anatomique du même sujet, puis d’effectuer un recalage entre l’image anatomique et l’image TEP afin de positionner correctement sur l’image TEP les masques de segmentation créés sur l’image anato- mique. Certaines méthodes de correction de volume partiel utilisent la segmentation de l’image ; cette dernière doit alors être effectuée avant la correction. Nous allons présenter brièvement la segmentation et le recalage ci-dessous.

I.1.3.1. Segmentation

I.1.3.1.a. Segmentation des images TEP

La segmentation d’une image TEP est assez difficile du fait de la faible précision spatiale de la TEP comparée aux méthodes d’imagerie anatomique – or la correction de volume partiel réalisée dans l’espace image utilise la segmentation et exige une délimitation précise des structures, par exemple des tumeurs [65], car c’est au niveau de la limite entre deux structures que l’EVP est le plus important (voir fig. I.25). La segmentation de l’image TEP se réduit souvent à dessiner "à la main" une région (sphère, ensemble de voxels...) sur l’image [64,69–73]. Des méthodes de segmentation automatiques des images TEP ont été proposées [69, 73–77]. Certaines méthodes segmentent automatiquement des images TEP dynamiques en s’appuyant sur les cinétiques dans les voxels de l’image [69, 78, 79].

I.1.3.1.b. Segmentation d’un IRM cerveau homme

Pour les images TEP de cerveau homme, la méthode la plus utilisée est d’effectuer la segmentation de l’IRM du même sujet, puis de recaler l’image IRM et l’image TEP [80–82]. Les structures cérébrales sont en effet bien visibles sur l’image IRM, et le recalage est aisé dans ce cas car il y a peu de déformations dans le cerveau entre les deux acquisitions TEP et IRM. Cette méthode impose l’acquisition d’une image IRM, mais celle-ci est de toute manière souvent nécessaire pour l’étude des maladies

neurodégénératives [67]. Différentes méthodes ont été proposées pour la segmentation de l’IRM cerveau (comme les méthodes Freesurfer [83,84] ou FIRST [85]). Nous avons utilisé celle développée dans notre groupe [86]. Cette méthode recale l’image IRM T1 à segmenter sur une base de connaissance constituée d’images IRM segmentées et en tire un atlas probabiliste adapté à l’image à segmenter. Cet atlas fournit la probabilité pour chaque voxel d’appartenir à telle ou telle structure du cerveau. La segmentation est alors réalisée en attribuant chaque voxel de l’image à la structure à laquelle il a la plus forte probabilité d’appartenir.

I.1.3.2. Recalage

I.1.3.2.a. Présentation du recalage

Le recalage est le processus consistant à passer une image dans le système de co- ordonnées d’une autre image, afin de pouvoir les comparer. En imagerie médicale, le recalage est utilisé principalement pour comparer et fusionner deux images d’un même sujet avec des modalités différentes, par exemple une image anatomique et une image fonctionnelle, ou deux images successives d’un même sujet avec la même modalité, pour l’étude de l’évolution d’une maladie [87] ou de la réponse à un traite- ment [88]. On peut aussi l’utiliser pour corriger les images des mouvements pendant l’acquisition (accidentels ou physiologiques), en recalant les frames entre elles [89]. Le recalage permet également d’effectuer une normalisation spatiale, pour ramener les images de différents sujets dans le repère spatial d’une même image de référence afin de les comparer avec des méthodes statistiques (comparaisons de groupes de sujets) [90].

I.1.3.2.b. Utilité du recalage pour la thèse

Dans la suite, nous allons nous intéresser au recalage d’une image TEP avec une image IRM en vue de la segmentation de l’image TEP. La segmentation sera en effet effectuée sur l’IRM, un recalage entre le TEP et l’IRM est donc nécessaire pour fusionner correctement les masques de segmentation avec l’image TEP.

I.1.3.2.c. Méthodes de recalage

Le plus souvent, les transformations utilisées pour le recalage sont des isométries (combinaisons de rotations et de translations), typiquement pour le recalage d’une image TEP et d’une image IRM cerveau d’un même sujet. C’est le cas le plus simple. Pour tenir compte de la différence de taille entre différents sujets, on peut utiliser des transformations affines (elles permettent également de modéliser le cisaillement). Enfin, le cas le plus général, une transformation non linéaire, est utilisée pour prendre en compte des transformations locales d’organes, par exemple pour le suivi d’un patient au cours du temps, ou pour des régions affectées par le mouvement respiratoire comme le thorax ou l’abdomen.

Les méthodes de recalage existantes ont différents niveaux d’automatisation, de la méthode entièrement manuelle à la méthode entièrement automatisée. Elles peuvent s’appuyer sur des objets extérieurs introduits dans le champs de vue, comme des marqueurs bien visibles dans les différentes modalités utilisées, ou uniquement sur les informations issues des images du sujet lui-même. Dans ce deuxième cas, les méthodes peuvent utiliser soit des informations précises de l’image ("approche géo- métrique"), par exemple un nombre limité de points bien choisis, comme certains points du cerveau facilement identifiables dans les différentes modalités utilisées, ou des masques de segmentation créés pour chaque image, soit directement la valeur de tous les voxels de l’image ("approche icônique") [91]. Dans ce dernier cas, il s’agit de maximiser une mesure de similarité ou de minimiser une fonction de coût utili- sant les voxels des deux images. Un exemple est la maximisation de l’information mutuelle [92–95].