Dans le contexte de l’imagerie médicale, le format de fichier obtenu en sortie de l’IRM est le DICOM (Digital Imaging and Communications in Medicine). Ce format comporte un fichier pour chaque coupe 2D et un en-tête, communément appelé « header », assez conséquent, contenant l’ensemble des informations concernant le sujet de l’examen, la séquence utilisée, etc.
Cependant, le fait que le format DICOM comporte beaucoup d’éléments superflus pour le traitement d’images et sa construction en fichiers 2D conduisent à l’utilisation d’un autre format de fichier lorsqu’un traitement d’images, et non plus une simple visualisation, doit être réalisé. Ce format est le NifTI (Neuroimaging Informatics Technology Initiative). Considéré comme un format standard et simplifié du DICOM, le NifTI possède quand même quelques subtilités qu’il faut connaitre. L’une d’entre elles est particulièrement importante dans le contexte de notre travail de thèse, il s’agit de l’orientation de l’image.
Il existe trois différentes méthodes pour faire correspondre l’orientation et le positionnement d’une image NifTI dans l’espace. Ces méthodes ont notamment pour but de faire correspondre les coordonnées des voxels au sein de la matrice image {x,y,z} avec une position relative en mm {i,j,k}. La plupart des logiciels qui visualisent ou traitent des images NifTI utilise ces méthodes pour trouver l’orientation de l’image avant de l’afficher. C’est pourquoi cette étape est l’une des plus importantes lorsque ce format est utilisé.
36
Méthode 1 :Cette méthode, rétrocompatible avec le format ANALYZE 7.5 et sans orientation particulière, est la plus simple et ne fait que pondérer les indices :
𝑖 = 𝑝𝑖𝑥𝑑𝑖𝑚[1] ∗ 𝑥 𝑗 = 𝑝𝑖𝑥𝑑𝑖𝑚[2] ∗ 𝑦 𝑘 = 𝑝𝑖𝑥𝑑𝑖𝑚[3] ∗ 𝑧
Équation 1.10
Méthode 2 :
La seconde méthode est utilisée quand qform_code>0. Elle reprend la méthode 1 décrite ci-dessus mais effectue en plus une rotation et un shift. Cette méthode est supposée représenter les coordonnées « scanner-anatomical ». Si on se place dans un cas intra-sujet et intra-modalité, cette méthode devrait être capable de réaliser un recalage rigide pour aligner les deux images. La formule de cette méthode est la suivante :
𝑖 = [𝑅11 𝑅12 𝑅13][𝑝𝑖𝑥𝑑𝑖𝑚[1] ∗ 𝑥] + [𝑞𝑜𝑓𝑓𝑠𝑒𝑡 ] 𝑗 = [𝑅21 𝑅22 𝑅23][𝑝𝑖𝑥𝑑𝑖𝑚[2] ∗ 𝑦] + [𝑞𝑜𝑓𝑓𝑠𝑒𝑡 ] 𝑘 = [𝑅31 𝑅32 𝑅33][𝑞𝑓𝑎𝑐 ∗ 𝑝𝑖𝑥𝑑𝑖𝑚[3] ∗ 𝑧] + [𝑞𝑜𝑓𝑓𝑠𝑒𝑡 ]
Équation 1.11
Les qoffset viennent ici positionner le nouveau centre de l’image tel que pour {x,y,z}={0,0,0} on ait {i,j,k}={ 𝑞𝑜𝑓𝑓𝑠𝑒𝑡 , 𝑞𝑜𝑓𝑓𝑠𝑒𝑡 , 𝑞𝑜𝑓𝑓𝑠𝑒𝑡 }. La rotation est réalisée à partir de la matrice R, calculée à partir des « quatern » qui sont présents dans le « header ». Le facteur d’échelle « qfac » peut-être 1 ou -1.
37
Méthode 3 :Cette méthode est utilisée quand sform_code>0. Dans ce cas-ci, les coordonnées {i,j,k} vont être calculées via une multiplication matricielle entre la matrice sform et {x,y,z} :
𝑖 𝑗 𝑘 = [𝑠𝑓𝑜𝑟𝑚] ∗ 𝑥 𝑦 𝑧 Équation 1.12
Cette méthode a l’avantage de donner directement une information sur l’orientation de l’image, la matrice sform étant facilement interprétable, ce qui peut permettre l’identification rapide de certains problèmes d’orientation.
La méthode 1 apporte principalement une rétrocompatibilité avec d’autres formats. La méthode 2 représente l’orientation telle qu’elle a été décrite lors de l’acquisition et la méthode 3 est utilisée pour positionner l’image dans un espace standard donné par le sform_code. Les méthodes 2 et 3 peuvent coexister dans un même fichier, et sont utiles pour des applications différentes. La première est utile dans le cas où l’on voudrait l’image dans son orientation propre avec pour centre le centre des gradients de l’IRM et la seconde pour positionner l’image dans un espace standard avec un centre prédéfini par cet espace.
Dans cette optique, l’orientation d’une image est originellement décrite dans un espace correspondant à son orientation « machine » et par la suite, peut être recalée de manière rigide pour obtenir la matrice sform stockée dans le header afin d’avoir son orientation dans cet espace standard. Les logiciels de visualisation d’images médicales peuvent utiliser les deux méthodes, suivant leur but et le contexte. Il est important de noter que ces deux orientations sont donc différentes, et peuvent entrainer une confusion s’il y une ambiguïté sur la méthode utilisée par un logiciel ou algorithme.
38
Segmentation
En imagerie médicale, l’un des domaines les plus importants est la segmentation. Elle intervient dans quasiment toutes les études, ne serait-ce que pour isoler le cerveau afin de ne pas inclure le crâne et la peau dans le traitement d’images qui suivra. Dans cette partie, nous allons tout d’abord nous intéresser à la nature d’une segmentation et à son évaluation.
Lorsqu’ une segmentation est réalisée, une image appelée masque est obtenue. C’est la multiplication de ce masque avec une image source qui permettra d’obtenir l’image segmentée (Équation 1.13).
𝐼 = 𝐼.∗ 𝑀
Équation 1.13
Avec 𝐼 l’image segmentée, issue de la multiplication terme à terme de la matrice 𝐼 de l’image source et de la matrice 𝑀 de l’image du masque. Le masque est très généralement de nature binaire, le traitement se comportant simplement comme une opération Booléenne. Mais dans certains cas, comme celui d’une segmentation de région via une image référence par exemple, le masque peut être de nature décimale, souvent compris entre 0 et 1. Ce type de masque prend en compte l’incertitude des frontières de la segmentation et apporte une « probabilité » d’appartenance.
La segmentation peut être réalisée de façon manuelle ou automatique. La méthode manuelle reste un standard pour la segmentation ; de ce fait, l’évaluation de segmentation se fait toujours par rapport à une segmentation manuelle. Mais lorsque la segmentation concerne plusieurs sujets, les méthodes automatiques sont préférables étant donné le gain de temps et la reproductibilité qu’elles apportent. La segmentation manuelle reste toutefois plus performante lorsque des zones complexes doivent être segmentées, et elle demeure nécessaire en l’absence de méthode automatique.