Le tableau 2.2 synthétise les méthodes utilisées dans les grandes co- hortes présentées au début de ce chapitre. Il est à noter que la cotation visuelle demeure couramment utilisée dans toutes ses études. Une seule étude a utilisé une procédure de segmentation manuelle sur toutes ses images, ce qui confirme que cette procédure n’est pas utilisable de ma- nière systématique à cause du temps important qu’elle requiert et de son caractère fastidieux.
Cinq études ont développé des méthodes de segmentation automa- tique des HSB pour l’analyse de la cohorte (FHS, LADIS, AGES - Reyk- javik, 3C, Rotterdam Scan Study). Cependant, trois d’entre elles étaient des études monocentriques. Parmi ces dernières, FHS et Rotterdam Scan Study II ont mis en place des procédures à base de seuillage alors que Klöppel et al. [2011] ont montré que ces approches étaient peu robustes. Rotterdam Scan Study I et AGES - Reykjavik utilisent, elles, des méthodes supervisées (respectivement kNN et ANN). Cependant, les méthodes supervisées sont particulièrement dépendantes de la représentativité de l’ensemble d’apprentissage et leur généralisabilité à de nouveaux centres nécessite une harmonisation importante des conditions d’acquisition et une relative homogénéité des aspects des lésions.
Cela ne semble pas être le cas pour les HSB, puisque l’étude LADIS, qui s’est appuyée sur la même approche que l’étude AGES - Reykjavik, rapporte des résultats décevants pour les ANN. L’étude 3C est la seule
2.5. Discussion
Etude Nb
centres Séquences IRM Méthode de quantification
CHS 2 T1, T2 et PD Cotation 0-10 ([Manolio et al.,
1994])
ARIC 2 T1, T2 et PD Cotation 0-10 ([Manolio et al.,
1994])
ASPS 1 T1, T2 et PD Cotation visuelle ou segmentation
manuelle
FHS 1 T1, T2 et PD Modélisation probabiliste et
seuillage [Jeerakathil et al., 2004]
LADIS 11 T1, T2 et FLAIR Cotation visuelle ou ANN [Zijden-
bos et al., 2002 ; Dyrby et al., 2008] AGES-
Reyjkavik 1
T1, T2, PD et
FLAIR
Cotation visuelle ou ANN [Zijden- bos et al., 2002 ; Sigurdsson et al., 2011]
3C / EVA 3 T1, T2 et PD
Cotation viuelle ou segmenta-
tion bayésienne multispectrale
[Maillard et al., 2008] Rotterdam
Scan Study I 1
T1, T2, PD, IR et FLAIR
Cotation visuelle ou kNN [Anbeek et al., 2005]
Rotterdam
Scan Study II 1 T1, PD et FLAIR
Cotation visuelle ou kNN pour les tissus normaux suivi d’un seuillage pour les HSB [de Boer et al., 2009]
TA B L E A U 2.2 – Synthèse des méthodes de quantification utilisées pour
les principales cohortes.
étude multicentrique utilisant une méthode non supervisée. Elle n’utilise cependant pas le FLAIR, alors que cette séquence IRM a depuis été dé- montrée comme étant particulièrement informative pour la segmentation des HSB (tableau 2.1). De plus, elle n’a pas été évaluée par rapport à une segmentation manuelle mais uniquement en étudiant la corrélation avec une échelle visuelle.
Il est également à noter que différents travaux ont également portés sur une meilleure caractérisation des HSB par l’utilisation d’autres séquences IRM. On peut ainsi citer le transfert de magnétisation ([Fazekas et al., 2005]), l’utilisation d’indices de diffusivité tels que l’anisotropie fraction-
2 . QU A N T I F I C A T I O N D E S H Y P E R I N T E N S I T É S D E L A S U B S T A N C E B L A N C H E
nelle, la diffusivité radiale ou moyenne [Vernooij et al., 2008 ; Burzynska et al., 2010] ou encore l’utilisation de séquences DIR (Double Inversion Recovery) [Turetschek et al., 1998 ; Madhuranthakam et al., 2011]. Cepen- dant, les études épidémiologiques ayant permis de mettre en évidence les conséquences cliniques des HSB s’appuient pour l’essentiel sur les séquences pondérées en T2 et les séquences FLAIR, qui demeurent donc celles couramment utilisées.
Dans cette thèse, nous proposons une nouvelle méthode de segmenta- tion des HSB. Cette méthode sera non supervisée afin de ne pas dépendre de l’ensemble d’apprentissage et devra être robuste aux différences d’ac- quisition entre différents centres pour être applicable dans un environ- nement multicentrique. Elle s’appuiera essentiellement sur les images FLAIR, modalité la plus informative. Nous évaluerons cette méthode par comparaison avec une segmentation manuelle de référence sur des données multicentriques présentant une grande variabilité de charge lé- sionnelle. Enfin, nous comparerons nos résultats avec ceux de plusieurs autres méthodes de segmentation, aussi bien non supervisées que super- visées. Cette comparaison sera faite sur un même jeu de données et en utilisant les mêmes prétraitements afin de mieux évaluer les performances propres aux méthodes.
Chapitre 3
Méthode de segmentation des
hyperintensités de la substance
blanche (WHASA)
L’état de l’art présenté au chapitre précédent nous conduit au déve- loppement d’une nouvelle méthode de segmentation qui s’appuie sur les images T1 et FLAIR. Un critère important pour le développement de la méthode doit être sa robustesse aux conditions d’acquisition (type de machine, intensité du champ) ainsi qu’à l’importante variabilité de la pathologie (allant de l’absence totale de HSB jusqu’à la présence de HSB confluentes occupant la quasi totalité de la substance blanche). Le but de cette méthode est également d’être applicable à des données de qualité clinique et pouvant être acquises dans des protocoles incluant un bilan classique pour les sujets âgés.
Ce chapitre est organisé de la manière suivante : nous présentons tout d’abord le schéma général de la chaîne de traitements proposée (section 3.1). Nous détaillons ensuite chacune de ces composantes. La section 3.2 résente les différentes étapes de prétaitements effectués per- mettant de faciliter l’analyse automatique des images. La section 3.3 dé- taille la manière de combiner diffusion non linéaire et ligne de partage des eaux pour obtenir deux segmentations présentant différents niveaux de détails de l’image FLAIR. La section 3.4 précise les critères utilisés pour sélectionner les HSB au niveau de détail le plus grossier. Enfin, la section 3.5 détaille l’utilisation de la dilatation géodésique pour améliorer la segmentation obtenue en utilisant le niveau de détail plus fin.
3 . MÉ T H O D E D E S E G M E N T A T I O N D E S H Y P E R I N T E N S I T É S D E L A S U B S T A N C E B L A N C H E ( W H A S A )
Une version antérieure de cette méthode a été décrite dans [Samaille et al., 2012]. L’approche détaillée dans ce manuscrit diffère sur certains points, notamment afin d’améliorer la robustesse et de diminuer le nombre de paramètres à fixer.
3.1
Schéma général de la chaîne de traitements
La méthode de segmentation des HSB développée au cours de cette thèse, dénommée WHASA (White matter Hyperintensities Automatic Seg- mentation Algorithm), est résumée dans la figure 3.1. Elle repose sur 4 étapes principales :1. une étape de prétraitements, qui permet de corriger le biais des images IRM et d’obtenir une première segmentation des princi- paux types de tissus (substance blanche (SB), substance grise (SG) et liquide cérébrospinal (LCS)). Cette étape s’appuie sur le logiciel SPM1.
2. une étape de segmentation de l’image FLAIR. Cette étape est obte- nue par la combinaison de deux algorithmes classiques en traitement des images : la diffusion non linéraire et l’algorithme de ligne de partage des eaux (LPE).
3. une étape de sélection des régions obtenues à l’étape précédente, afin de conserver celles correspondantes aux HSB.
4. une étape de croissance, qui permet de rendre plus précise la seg- mentation des bords des HSB obtenues à l’étape précédente.