Classification en TEP dynamique

vité dans le temps mesurée dans ce volume [112]. On parle de Courbe Temps-Activité (TAC), dont on peut voir un exemple dans la figure 4.14 pour des régions d’intérêt anatomiques [76].

Figure 4.14 – Courbes temps activité de deux régions cérébrales

Dans une TAC, la hauteur et la localisation temporelle du pic, la cinétique de croissance et décroissance et l’éventuelle stabilisation sont autant d’indices transcrivant la vitesse de perfusion du volume considéré, la quantité de radiotraceur présente ainsi que la quantité de cibles. Il s’agit d’étu- dier comment fluctue l’activité pour estimer la concentration de la molécule cible du radiomarqueur dans les différentes régions du cerveau.

Nature des données

Une fois acquises, les données TEP sont corrigées et reconstruites en images. Elles forment une séquence d’images 3D + t qui traduit l’évolution de la radioactivité dans le temps du volume correspondant au champ de vue de l’appareil. La résolution spatiale d’un imageur TEP est voisine de 5 mm. Les pixels sont généralement cubiques avec une taille de l’ordre de 2 mm par dimension. Un pixel de la matrice 3D constituant une image TEP correspond donc à un volume de 8 mm3 dans le cerveau étudié. La valeur de l’image en ce pixel est proportionnelle à la radioactivité présente dans le volume.

4.6

Classification en TEP dynamique

Malgré la résolution spatiale limitée de la TEP, la précision avec laquelle les VOIs sont définis est essentielle pour obtenir des TACs réalistes et pour extraire de l’information pertinente du mo- dèle. Intuitivement, un VOI correspond à une région ou une structure anatomique. Cependant, le contraste dans les images TEP est d’origine purement moléculaire et l’information anatomique doit être obtenue à l’aide d’une autre source. Cela peut être soit une image anatomique obtenue par une autre technique d’imagerie (CT, IRM...) qui est recalée avec l’image TEP, soit de l’information a priori par les connaissances en anatomie de l’opérateur. Chacune de ces méthodes présente des désavantages. Le recalage avec une image anatomique nécessite un second système d’imagerie, et comporte de l’imprécision liée à la méthode de recalage utilisée et aux artefacts de mouvements, dif- ficilement compensables. Et surtout, les images anatomiques ne sont pas nécessairement pertinentes

140 Extraction de connaissances appliquée à la biologie et l’imagerie médicale

pour délimiter des régions fonctionnellement différentes au sein d’un organe. C’est notamment le cas dans le foie, les reins ou encore le cerveau. D’un autre coté, la définition manuelle de VOIs est opérateur-dépendante, subjective et non facilement reproductible, ce qui peut entraîner des erreurs dans les paramètres du modèle. Enfin cette méthode manuelle est difficilement applicable à un grand volume de données à traiter. Les méthodes automatiques pour la classification en TEP dynamique ont donc fait l’objet d’une attention particulière. Plusieurs études ont proposé d’utiliser des mé- thodes non-supervisées pour délimiter les VOIs dans les images TEP, sans a priori anatomique, pour dégager des régions dont les TACs sont homogènes. On peut classer les méthodes de classification proposées dans la littérature traitant de la classification des images TEP en trois domaines suivants.

Le premier domaine regroupe les méthodes de classification utilisant la méthode k-means. La méthode k-means est introduite par Wong et al [112] pour traiter des images TEP dynamiques à partir des distances entre les points. Le k-means est par ailleurs utilisé dans les méthodes de classification basée sur une réduction de l’espace avec l’analyse en composantes principales (ACP) ou l’analyse factorielle. Kimura et al. [67] proposent d’appliquer k-means sur la projection des TACs sur les premiers vecteurs propres de l’ACP. Cependant, l’ACP est appliquée sur des données simulées sans bruit. Frouin et al. [46] appliquent le k-means sur les facteurs obtenus par une analyse factorielle. La méthode k-means à noyaux a aussi été étudiée par Acton et al. [1] dans le cadre des c-means flous pour prendre en compte la nature intrinsèque floue de la Tomographie par Emission Mono-Photonique (TEMP) et plus généralement dans le cadre de la segmentation de structures cérébrales par Farinha et al. [39].

Le deuxième domaine englobe les méthodes basées sur des modèles probabilistes. Ashburner et al. [8] utilisent l’hypothèse que les données TEP satisfont une distribution gaussienne et proposent un algorithme maximisant la vraisemblance d’un pixel appartenant à un cluster à partir de la TAC du pixel. Une segmentation par Espérance-Maximisation avec incorporation des chaînes Markov a été proposée par Chen et al. [24]. Brankov et al. [21] ont défini une nouvelle métrique de distance pour les TACs des pixels et utilisé cette métrique dans une méthode de classification par Espérance- Maximisation. Krestyannikov et al. [70] séparent les données TEP dynamiques par une méthode paramétrique basée sur les moindres carrés dans l’espace du sinogramme, évitant ainsi les artefacts que peut apporter la reconstruction de l’image.

Enfin, le dernier domaine traite des méthodes hiérarchiques. Une méthode de classification hié- rarchique des voxels a été proposée par Guo et al [50]. Maroy et al. [75] ont proposé une méthode de classification basée sur plusieurs pré-traitements de l’image pour identifier les régions homogènes connexes, suivis d’une méthode hiérarchique ascendante pour regrouper les régions dont les TACs moyennes sont identiques.

Les méthodes proposées dans la littérature souffrent d’une ou plusieurs des limitations suivan- tesă : impossibilité de séparer des domaines non convexes, sensibilité à l’initialisation de centres, choix de la métrique, paramètres d’échelle ajustés non automatiquement, connaissances a priori nécessaires sur la distribution des données, complexité calculatoire prohibitive pour de grands jeux de données, hypothèse implicite de clusters de tailles homogènes, sélection a priori du nombre de classes à trouver.