Analyse semi-automatique

Quand un opérateur segmente manuellement une région sur des coupes fonctionnelles, il s'appuie sur des repères anatomiques mis en évidence sur d'autres images (atlas pa- pier, coupes histologiques) et pertinents pour l'analyse qu'il souhaite mener. Le terme de segmentation intègre pour la personne en charge de cette tâche une notion d'extraction d'informations biologiquement pertinentes. Les algorithmes développés pour réaliser une analyse fonctionnelle semi-automatique doivent donc fournir des informations similaires. En traitement des images, segmenter un objet est le procédé mathématique qui permet d'extraire cet objet de l'image à laquelle il appartient. Plus généralement, segmenter une image consiste à regrouper des pixels connexes ayant des propriétés communes qui les dif- férencient des pixels des régions voisines (Horowitz and Pavlidis, 1975; Zucker, 1976). Il s'agit donc de déterminer des régions signicatives pour cette image et qui regroupent des pixels homogènes entre eux. Pham et al. et Lec÷ur et al. ont présenté les dié- rentes techniques de segmentation couramment utilisées en traitement d'images médicales (Pham et al.,2000; Lecoeur and Barillot,2007). Avant de présenter quelques-unes de ces méthodes, nous synthétisons des caractéristiques des images 2D acquises post mortem dont il faut tenir compte pour déployer une technique d'analyse.

1.4. Méthodes d'analyse d'images 2D acquises post mortem 41

1.4.2.1 Caractéristiques des images 2D acquises post mortem

Les points suivants sont des caractéristiques des images histologiques et autoradiogra- phiques importantes à considérer en vue d'une analyse réalisée semi-automatiquement. Ces images sont illustrées en gure 1.7 (p. 9).

• le cerveau d'un petit animal (Rat, Souris) est lisse, i.e. sans circonvolution. Il existe donc moins de repères anatomiques que sur les cerveaux de primates.

• les images autoradiographiques sont dépourvues de repères anatomiques précis et sont très bruitées.

• les marquages histologiques de type violet de crésyl mettent en évidence certains types de cellules (corps cellulaires des neurones). Le contraste de l'image histologique est donc important au niveau de la cellule alors que les niveaux de gris sont assez similaires dans la plupart de structures anatomiques.

1.4.2.2 Méthodes de segmentation d'images semi-automatiques

Les techniques de segmentation d'images couramment utilisées en traitement d'images médicales sont les suivantes :

1. Méthodes de seuillage : ces méthodes font l'hypothèse qu'une région peut se dé- marquer des autres car l'intensité des pixels qui la constituent appartient à un in- tervalle qui lui est propre. Le risque principal encouru ici est un choix non optimal du ou des seuils entraînant des sur- ou sous-segmentations des objets recherchés. Des méthodes basées sur l'analyse d'histogramme de l'image peuvent aider à déterminer au mieux ces seuils (Brummer et al.,1993).

2. Détection de contours : ces méthodes s'appuient sur des primitives géométriques présentes dans les images. Il s'agit le plus souvent de contours des régions, i.e. des lignes de contrastes séparant des régions de niveaux de gris diérents et relative- ment homogènes. Ces contours peuvent être déterminés en étudiant les variations d'intensité existantes au sein de l'image, autrement dit, en exploitant localement les extrema ou passages à zéro des gradients et laplaciens de l'image à analyser. Dans son étude, Deriche a proposé une méthode permettant de localiser les maxima du gra- dient de l'image selon une direction de l'opérateur (Deriche, 1987). Cette technique est considérée aujourd'hui comme une référence dans le domaine de la détection de contours.

3. Croissance de régions : cette approche consiste à agréger entre eux des pixels connexes dont l'intensité répond à un critère d'homogénéité permettant de dénir une structure (Haralick and Shapiro, 1985). Parmi les méthodes connues s'appuyant sur ce principe, nous pouvons citer celle appelée ligne de partage des eaux qui consiste à considérer l'image à analyser comme un relief en associant le niveau de gris de chaque point à une altitude (Digabel and Lantuéjoul, 1978). La technique du Fast Marching peut, elle, segmenter des structures en utilisant un front de propagation (Sethian,

4. Classication tissulaire en fonction d'une base d'apprentissage : cette ap- proche d'analyse consiste à répartir les pixels d'une image en plusieurs classes dénies dans une base de données dite d'apprentissage. L'attribution d'une classe à chacun des pixels peut se faire par la méthode des k-means (MacQueen, 1967). Le prin- cipe de cette méthode est de partitionner au départ l'image en k ensembles, dénis manuellement ou par une heuristique, qui vérient localement des propriétés d'homo- généité, notamment en terme d'intensité lumineuse. Une autre méthode permettant de classier les pixels d'une image dans des classes d'une base d'apprentissage est celle utilisant les champs de Markov, modèle statistique permettant d'attribuer un label (valeur arbitraire) à un pixel donné en fonction des valeurs prédénies dans les pixels alentours. Cette approche intègre donc la notion de répartition spatiale des pixels (Geman and Geman,1984). L'attribution des labels peut se faire par une ap- proche bayésienne qui va classier chaque pixel dans une classe de structures dénies selon la valeur du label la plus probable (Ali et al., 2005; Sharief et al., 2008; Bae et al.,2009).

5. Méthodes basées sur des modèles déformables : ces méthodes s'appuient sur des formes prédénies qui vont être capables de se déformer pour s'ajuster au mieux aux objets devant être segmentés. Nous parlons ici de modèles défor- mables et de contours actifs (Kass et al., 1988; Terzopoulos and Fleischer, 1988). Pour converger rapidement, la position initiale du modèle doit être proche de la so- lution. Ces méthodes sont en général utilisées pour ne segmenter qu'un objet à la fois.

L'ensemble des méthodes présentées dans le paragraphe précédent est sensible au bruit présent dans les images à analyser. Les appliquer sur des images autoradiographiques ne fournirait qu'une extraction partielle des informations recherchées (contours, régions) et donc dicilement exploitables pour mener une analyse de l'intégralité des données autoradiographiques. Par ailleurs, l'application de ces méthodes sur des images histologiques marquées au violet de crésyl ne permettrait d'extraire que les corps cellulaires des neurones du reste des images ou les zones délimitées par ces cellules (selon la résolution de numérisation des coupes). Il ne serait donc pas possible d'obtenir des segmentations ables correspondant exactement à des structures anatomiques. Ces segmentations ne pourraient donc pas non plus analyser l'intégralité des données autora- diographiques correspondantes. Enn, les méthodes nécessitant une initialisation (basées sur la croissance de régions, la méthode des k-means ou encore les contours actifs) sont très dépendantes de cette première étape et par conséquent peu reproductibles.

1.4. Méthodes d'analyse d'images 2D acquises post mortem 43

Nos recherches bibliographiques nous ont permis de découvrir d'autres approches d'analyses semi-automatiques développées principalement pour étudier des images tridimensionnelles telles que des images TEP ou IRM. Il s'agit de la méthode d'analyse par comparaison statistique des intensités des pixels des images et de celle utilisant des atlas numériques 3D. En plus de l'optimisation éventuelle de l'intervention d'un opérateur en charge de l'analyse des données post mortem, l'utilisation de l'une de ces méthodes implique la nécessité de reconstruire en 3D les données autoradiographiques et/ou histologiques acquises post mortem. Le problème d'asymétrie des coupes énoncé auparavant pourrait alors être résolu.

La section suivante présente des travaux menés pour reconstruire les données post mortem en 3D. Par la suite, les approches analyses semi-automatiques sus-citées seront détaillées.

1.5 Méthodes d'analyse d'images 3D acquises post