Fusion d’images

Dans une méthode de segmentation par recalage d’atlas, il est rarement suffisant d’utiliser un seul atlas. Afin d’avoir une représentation complète, plusieurs atlas représentant différentes

variations possibles de la région sont fusionnés ensemble sur l’image cible. Une fois le recalage des atlas effectué, une sélection normalement basée sur les résultats de la métrique est réalisée. Puis une fusion avec les atlas choisis doit être réalisée afin d’avoir une représentation de la région cible.

Comme démontré par Rohlfing et al. (2004), de meilleurs résultats de segmentation sont obtenus en réalisant un recalage multi atlas suivi d’une étape de fusion basée sur une règle de décision. Cette méthode est supérieure à un recalage d’une seule image, et ce même si cette image est une représentation moyennée ou choisie comme étant la plus pertinente dans une base de données. Une des techniques les plus simples de fusion est le «majority voting»(MV) qui est basé sur le système proposé par Xu et al. (1992) pour la reconnaissance d’écriture manuelle. Le MV réalise un processus de vote avec toutes les images binaires des différentes images représentant la région d’intérêt. Le principe est simple : pour chaque voxel, si une majorité d’images l’inclut dans la région, alors le voxel est inclus dans le résultat de la fusion. Le MV considère toutes les images de façon égale, ce qui peut être un désavantage si une ou deux images sont plus pertinentes que les autres. Par le principe du vote, des images plus différentes des autres sélectionnées dans l’échantillon risquent d’être moins représentées dans l’image de sortie, ce qui peut être également un désavantage.

Une autre alternative est d’inclure une pondération pour chaque image dans le processus de vote, méthode connue sous le nom de «weighted voting» introduit par Artaechevarria et al. (2008). Cette méthode a été initialement utilisée avec un poids global pour chaque image basé sur le résultat de la métrique. Par la suite, des pondérations locales sont apparues pour prendre en compte la variabilité du résultat selon chaque section de l’image. Par exemple, Artaechevarria et al. (2009) démontrent qu’une meilleure fusion d’images IRM du cerveau est obtenue avec des poids locaux plutôt qu’avec des poids globaux. Ceci est particulièrement vrai pour des régions avec des contrastes élevés. Les pondérations peuvent être calculées selon diverses méthodes telles que par une corrélation croisée. D’autres méthodes plus complexes ont été réalisées afin de trouver les pondérations optimales. Par exemple, Khan et al. (2011) utilisent une technique d’apprentissage supervisée pour définir des poids locaux qui sont basés sur une combinaison linéaire des différences entre les voxels.

Une autre catégorie de méthode de fusion comprend des modèles probabilistes. Un des algo- rithmes les plus populaires de cette catégorie est STAPLE proposé par Warfield et al. (2004). STAPLE est une abbréviation de «Simultaneous truth and performance level estimation» est un algorithme qui analyse différentes segmentations de la même région et calcule une estima- tion probabiliste de la segmentation réelle de celle-ci, qui est encore inconnue. STAPLE peut être appliqué à des images cliniques segmentées manuellement ou automatiquement par un

algorithme. Le calcul est réalisé en trouvant une mesure de performance pour chaque segmen- tation et en trouvant la combinaison optimale pour fusionner les segmentations. L’algorithme produit une image de la segmentation avec une probabilité pour chaque voxel de faire partie de la segmentation. Cet algorithme peut donc être utilisé dans un processus de fusion pour un recalage multi-atlas. Par la suite, une image binaire peut être créée en segmentant au-dessus d’un seuil de probabilité, ou encore, l’image probabiliste peut être utilisée directement dans un processus de segmentation en réalisant une déformation basée sur la carte des probabilités. STAPLE a l’avantage de moins ignorer des images différentes de l’échantillon, contrairement au MV, ce qui peut être un avantage si la région a effectivement une forme qui démontre des caractéristiques non-conformes.

STAPLE est très performant lorsque comparé à d’autres méthodes de segmentation. Par exemple, Gholipour et al. (2012) ont utilisé une approche de segmentation multi-atlas pour segmenter les ventricules latéraux sur des images IRM du cerveau du fœtus. En comparant différentes méthodes de fusion pour l’échantillon, STAPLE donne de meilleurs résultats que le vote majoritaire (MV), le vote pondéré local (local weighted voting) et le vote pondéré local normalisé (local weighted voting with intensity normalization).

Certaines études récentes ont démontré que leur méthode de fusion surpassait STAPLE dans leur application. Par exemple Wang et al. (2013) a développé la méthode de « Joint label fusion ». Cette méthode améliore le procédé de vote par poids en adressant la limitation que des poids sont calculés indépendamment et que des atlas différents peuvent créer des erreurs similaires. Les poids sont alors calculés en minimisant l’erreur totale associée à la fusion de la région en modélisant la probabilité jointe que deux atlas réalisent une erreur de segmentation à un voxel spécifique. Par contre, cette méthode fut créée avec des images IRM et serait moins directement applicable à l’ultrason. La probabilité est calculée en comparant l’intensité des voxels de la paire d’atlas et de l’image cible et la relation devrait être modifiée pour des images échographiques. La méthode a été validée par la segmentation de l’hippocampe dans des images IRM du cerveau et les résultats de leur échantillon, mesurés avec le coefficient Dice, sont supérieurs à ceux obtenus par STAPLE.

Une autre approche démontre des résultats excellents : Benkarim et al. (2016) proposent une approche probabiliste en prenant en compte la confiance de la segmentation à chaque point. La plausibilité maximale est estimée en modélisant la relation entre l’apparence de l’image et les erreurs de segmentation. Les atlas sont recalés entre eux afin d’estimer les erreurs de segmentation et d’accorder une estimation de la confiance à l’atlas. Basée sur la mesure de Dice de segmentation de structures sous corticales d’image IRM de cerveau, leur méthode de fusion donne des résultats similaires à la «joint label fusion» et supérieurs à STAPLE.