Impact du bruit

3.1.2 Corrections des effets du bruit . . . 43 3.2 Estimation de l’architecture fibreuse : tractographie . . . 49 3.2.1 Approches d´eterministes . . . 50 3.2.2 Approches stochastiques . . . 53 3.3 Analyse quantitative des fibres estim´ees . . . 55 3.3.1 En neurologie . . . 55 3.3.2 Et en cardiologie ? . . . 58

3.1

Am´elioration du SNR : r´egularisation

3.1.1 Impact du bruit

Le bruit thermique, ´egalement nomm´e bruit de Johnson est essentiellement blanc et g´en´er´e par le mouvement Brownien des ´electrons. En IRMTD, le bruit de Johnson est

superpos´e `a deux autres composantes : le bruit relatif `a l’imageur IRM et le bruit relatif au corps du patient dans l’imageur [Vlaardingerbroek 96]. La mesure de magn´etisation, porteuse de l’information anatomique, se traduit par des donn´ees complexes dans l’espace K, qui donnent, apr`es transformation de Fourier, le signal dans l’espace physique. Dans les donn´ees complexes de l’espace K, le bruit de Johnson peut ˆetre approxim´e par une distribution gaussienne complexe avec une moyenne nulle, un ´ecart-type constant et une partie r´eelle et imaginaire ind´ependantes [Henkelman 85].

Bien que toute l’information soit contenue dans les donn´ees complexes, il est com- mun de travailler avec le module ou la phase, qui ont plus de sens d’un point de vue physique. Cependant, le calcul du module se caract´erise par une op´eration non lin´eaire qui transforme la distribution gaussienne des donn´ees complexes en une distribution ricienne pour le module du signal [Gudbjartsson 95]. La distribution ricienne est tr`es similaire `a la distribution gaussienne pour des niveaux de bruit faibles ; par contre, elle d´evie significa- tivement de la distribution gaussienne pour des niveaux de bruit ´elev´es. Ainsi, supposer que la distribution du bruit pour le module du signal est gaussienne, pour des niveaux de bruit ´elev´es, conduit une estimation biais´ee des param`etres de la distribution effective (ricienne).

De tels modules de signaux ou images pond´er´ees en diffusion (images DW pour “diffusion- weighted” en anglais) permettent d’acc´eder `a la cartographie du tenseur de diffusion via les ´equations de Stejskal-Tanner (2.8), puis par diff´erentes transformations non lin´eaires `a des informations anatomiques d´etaill´ees. D’un point de vue statistique, il faut savoir qu’une transformation non lin´eaire modifie la forme de la distribution originale. Par cons´equent, la succession de transformations non lin´eaires appliqu´ees au bruit conduit `a de fausses interpr´etations des donn´ees IRMTD, ce qui constitue un des verrous majeurs du domaine.

3.1.1.1 Mod`ele de propagation du bruit

La chaˆıne des transformations non lin´eaires qui m`ene des quantit´es mesur´ees aux in- formations anatomiques est la suivante :

{signaux S} 7→ {modules |S| = S} 7→ {tenseurs T } 7→ {valeurs et vecteurs propres} 7→ {tractographie, connectivit´e, etc.}.

La distribution du bruit n’est formalis´ee dans la litt´erature que pour la premi`ere et la deuxi`eme ´etapes [Gudbjartsson 95]. Un aper¸cu de celle-ci, lors de la troisi`eme ´etape, est pr´esent´e dans [Hahn 05].

Le concept central en IRMTD est le tenseur de diffusion T en chacun des voxels du

volume. Afin de formuler l’estimation du tenseur au sens des moindres carr´es `a partir des images DW dans le cas g´en´eral incluant Ng≥ 6 directions de gradient, gj = (g1j, g2j, g3j)

(j = 1, . . . , Ng), nous introduisons les notations suivantes :

1.

sj :=− log(Sj/S0)/b (3.1)

o`u Sj = |Sj| est une image DW (j ≥ 1) et S0 = |S0| est l’image pond´er´ee en T 2

(r´ef´erence).

2. Le tenseur de diffusion ´etant sym´etrique, seules six composantes sont n´ecessaires pour le d´ecrire et nous pouvons donc le r´e´ecrire sous la forme vectorielle suivante :

T := [t1, t2, t3, t4, t5, t6]T (3.2)

o`u, conform´ement aux notations utilis´ees dans le chapitre 2,   txx txy txz txy tyy tyz txz tyz tzz   =   t1 t4 t5 t4 t2 t6 t5 t6 t3   .

3. Chaque gradient de diffusion est repr´esent´e sous la forme d’un vecteur ligne de six composantes :

(G)j := [g1j2 , g2j2 , g3j2 , 2g1jg2j, 2g1jg3j, 2g2jg3j] (3.3)

o`u chaque composante du vecteur correspond `a une composante du tenseur (g_1j2 est associ´e `a la composante xx du tenseur, g<sub>2j</sub>2 `a la composante yy, 2g1jg2j `a la

composante xy, etc.) et (G)j est une ligne de la matrice G caract´erisant l’ensemble

des gradients de diffusion utilis´es (de dimension Ng× 6).

Les ´equations de Stejskal-Tanner (2.8) s’´ecrivent alors GT = s, ce qui conduit `a l’esti- mateur (du tenseur) suivant :

e

T = (GTG)−1GTs. (3.4)

3.1. AM ´ELIORATION DU SNR : R ´EGULARISATION 41

Le bruit apparaˆıt dans ce syst`eme au niveau des signaux complexes _Sj(v). On con-

sid`ere g´en´eralement que les parties r´eelle et imaginaire du signal _Sj(v), respectivement

ℜe(Sj(v)) etℑm(Sj(v)), sont toutes deux corrompues par un bruit Gaussien, stationnaire,

de moyenne nulle et d’´ecart-type σ. Il a ´et´e d´emontr´e dans [Papoulis 84] que le module fSj

du signal observ´e f_Sj suit une distribution ricienne :

PfSj(v) = α0| Sj(v) = α  = α0 σ2exp  −α 2 0+ α2 2σ2  B0 αα0 σ2  (3.5) o`uB0est la fonction de Bessel de premi`ere esp`ece d’ordre 0 et Sj(v) =

q

ℜe(Sj(v))2+ℑm(Sj(v))2

est le module du signal sans bruit au voxel v.

Afin de quantifier le rapport signal sur bruit (SNR en anglais), on d´efinit SNRj =

Sj(v)/σ pour j ≥ 0. Celui-ci caract´erise la distribution ricienne de fSj(v) ; il varie spa-

tialement (en fonction du voxel v consid´er´e). Il s’ensuit que les propri´et´es statistiques des variables qui d´ecoulent du module du signal (par exemple, le tenseur de diffusion) varient ´egalement spatialement.

En introduisant les pond´erations wjl = P6k=1(GTlkGlk)−1Gjk (l = 1, . . . , 6), on peut

´ecrire tl=PN_j=1g wjlsj =− Ng X j=1 wjllog(Sj/S0)/b =₋ Ng X j=1 wjl b log(Sj) + log(S0) Ng X j=1 wjl b , (3.6)

et en d´eduire l’esp´erance de l’estimateur de tl :

E[ˆtl] =− Ng X j=1 wjl b E[log(fSj)] + E[log(fS0)] Ng X j=1 wjl/b . (3.7)

Les ´equations (3.6) et (3.7) permettent d’´ecrire le biais relatif `a l’estimateur de tl :

Biais[ˆtl] = E[ˆtl]− Ng X j=1 wjl b log(Sj) + log(S0) Ng X j=1 wjl/b. (3.8)

Dans le cadre d’une hypoth`ese de bruit gaussien sur les intensit´es des images DW, E[fSj] =

Sj. Ainsi, lorsque les images DW ne sont pas trop bruit´ees, la fonction log introduit un

faible biais dans l’estimation de tl. Ce biais est accentu´e lorsque le SNRj diminue. En effet,

l’application d’une fonction concave `a une variable al´eatoire introduit un biais d´ecrit par l’in´egalit´e renvers´ee de Jensen. Dans le cas de la fonction log, l’in´egalit´e est la suivante :

log(E[fSj])≥ E[log(fSj)]. (3.9)

3.1.1.2 Artefacts g´en´er´es par le bruit

Les artefacts g´en´er´es par le bruit sont ´etudi´es par mod´elisation num´erique. Parmi les nombreuses m´ethodes existantes, les plus couramment utilis´ees sont : la simulation de Monte Carlo (SMC) [Pierpaoli 03, Skare 00b, Jones 04b], la th´eorie de la perturbation [Anderson 01] et le bootstrap [Jones 03, Pajevic 03, Heim 04].

SMC

Le degr´e d’anisotropie de la diffusion est li´e `a l’homog´en´eit´e des directions des fibres dans le voxel mesur´e, puisque la diffusion se fait principalement le long de la fibre. Dans [Pierpaoli 03], diff´erents indices d’anisotropie sont ´etudi´es. Les auteurs montrent que les indices variant par rotation (des gradients de diffusion), calcul´es `a partir des coefficients de diffusion apparent (ADC en anglais), souffrent d’artefacts dont les valeurs d´ependent de la direction des gradients de diffusion appliqu´es et de l’orientation des structures au sein de chaque voxel. Ces indices peuvent ainsi faire apparaˆıtre des structures hautement anisotropes comme ´etant isotropes, notamment lorsque la direction principale de diffusion de la structure imag´ee n’est pas parall`ele aux directions des gradients de diffusion. De ce fait, des indices invariants par rotation qui sont fonctions des valeurs propres du tenseur de diffusion (par exemple, l’anisotropie fractionnelle FA (2.14)) sont inclus dans l’´etude. Il est montr´e par SMC que ces indices surestiment le degr´e d’anisotropie des structures pour un SNR mod´er´e et que ce ph´enom`ene s’amplifie `a mesure que le SNR diminue, jusqu’`a faire apparaˆıtre une diffusion isotrope comme anisotrope. Deux sources sont identifi´ees pour cette erreur : (i) dans un milieu isotrope ou anisotrope, en pr´esence de bruit, la valeur propre principale tend `a avoir une valeur sup´erieure `a sa valeur r´eelle et les deux autres valeurs propres sont diminu´ees (ii) dans un milieu isotrope, le bruit introduit une erreur dans le tri des valeurs propres selon leur amplitude conduisant `a une mauvaise identification de la direction principale de diffusion.

Des r´esultats similaires sont pr´esent´es dans [Skare 00b], o`u la distribution des valeurs propres est ´egalement analys´ee par SMC. Pour un SNR limit´e, on observe des diff´erences significatives dans les distributions des valeurs propres pour un mˆeme tenseur de diffu- sion mais pour des orientations diff´erentes de celui-ci par rapport au syst`eme de coor- donn´ees propre `a l’acquisition. De ce fait, des indices d’anisotropie d´ependant `a la fois des valeurs propres et des vecteurs propres (ces derniers donnent des informations sur l’ori- entation du tenseur de diffusion) sont inclus dans l’´etude et il est d´emontr´e que ceux-ci sont g´en´eralement plus robustes que les indices bas´es uniquement sur les valeurs propres. Enfin, les r´esultats de la SMC indiquent que la probabilit´e d’obtenir des valeurs propres n´egatives augmente avec le niveau de bruit, ce qui donne lieu `a des erreurs dans les mesures d’anisotropie et surtout empˆeche l’interpr´etation du tenseur comme une quantit´e d´ecrivant la diffusion.

Les ´etudes pr´esent´ees jusque l`a travaillent dans des conditions cliniques (SNR0 > 5 dB

et b _{≈ 1000 s.mm}−2_{). R´ecemment, des exp´eriences ont ´et´e r´ealis´ees pour des valeurs de b}

plus importantes (b≫ 1000 s.mm−2_{) afin de mesurer la diffusion non gaussienne, ou avec}

une plus grande r´esolution spatiale (e.g. 0.5 mm3) pour r´eduire l’effet du volume partiel. Ces donn´ees incluent des images DW avec SNRj < 3 dB (j > 0), dont le bruit ricien ne

peut ˆetre assimil´e `a une distribution gaussienne. La premi`ere SMC pour de fortes valeurs de b, r´ealis´ee dans [Jones 04b] dans le cadre de l’´etude du cerveau humain in vivo, met en avant un r´esultat int´eressant : la FA moyenne est estim´ee sans biais pour b = 3000 s.mm−2

et sous-estim´ee pour b = 5000 s.mm−2.

Th´eorie de la perturbation

Le principe de la th´eorie de la perturbation [Anderson 01] peut s’´enoncer en quelques points :

1. Le bruit sur les images DW produit une perturbation al´eatoire du tenseur de diffu- sion : eT = T + eP , o`u eT est le tenseur estim´e `a partir des images DW, T est le tenseur sans bruit et eP est une matrice sym´etrique al´eatoire.

3.1. AM ´ELIORATION DU SNR : R ´EGULARISATION 43

2. Cette perturbation se r´epercute sur tous les ´el´ements qui d´ecoulent du tenseur de diffusion (notamment, les valeurs et vecteurs propres).

3. Si la perturbation eP que connaˆıt le tenseur est suffisamment petite, la th´eorie de la perturbation consiste `a chercher une solution approch´ee des valeurs et vecteurs propres sous la forme d’un d´eveloppement en s´erie des puissances de eP .

Les r´esultats de cette ´etude confirment le biais dans l’estimation des valeurs propres et du degr´e d’anisotropie, d´ecrit dans [Skare 00b, Pierpaoli 03]. De plus, l’´etude de la prop- agation du bruit dans les vecteurs propres montre que celle-ci produit des erreurs dans leurs orientations et donc des erreurs dans la tractographie. En effet, l’erreur moyenne sur la position de la fibre est la mˆeme pour chaque pas de streamlining, donc les erreurs s’accumulent au fil du suivi it´eratif des directions principales de diffusion et peuvent ainsi produire un ´ecart significatif par rapport `a la fibre originale. De plus, l’erreur moyenne est proportionnelle au nombre de pas et au bruit, renseignant sur les limitations fondamentales de la tractographie par streamlining.

Bootstrap

Enfin, l’analyse par bootstrap est une approche plus empirique de l’analyse d’erreur. Elle consiste `a acqu´erir n jeux de donn´ees (ou r´eplications) pour chaque direction de diffusion, puis `a choisir al´eatoirement (avec remise) une des r´eplications pour chaque direction de diffusion afin de cr´eer un ´echantillon bootstrap. Ces ´echantillons permettent d’estimer la distribution du tenseur et certaines quantit´es qui en d´ecoulent. L’incertitude de la direc- tion de diffusion principale est ainsi ´etudi´ee dans [Jones 03]. En particulier, le vecteur propre principal e1 est repr´esent´e sous la forme d’un tenseur dyadique e1eT1, ce qui permet

de calculer un vecteur propre principal moyen ¯e1 pour l’ensemble de l’´echantillon de boot-

strap sans aucune ambigu¨ıt´e (on s’abstrait de la notion d’orientation du vecteur propre) et ´egalement de quantifier la dispersion autour de ¯e1. Cette dispersion est repr´esent´ee sous

la forme d’intervalles de confiance `a 95% qui permettrent de visualiser le “cˆone d’incerti- tude” de la direction principale de diffusion pour chaque voxel. Une corr´elation entre cette incertitude et l’index d’anisotropie Cl= (λ1− λ2)/(λ1+ λ2+ λ3) est ´etablie : l’incertitude

croˆıt lorsque Cl diminue et une incertitude de 2.5◦ subsiste pour des valeurs fortes de Cl .

Dans [Heim 04], l’analyse par bootstrap est appliqu´ee `a des distributions de param`etres de diffusion sp´ecifiques (FA et Cl) : elle permet par exemple de mesurer la qualit´e des

donn´ees IRMTDet d’aider `a d´etecter la corruption des donn´ees par une erreur syst´ematique

de l’imageur. Dans ce but, des intervalles de confiance de FA sont d´etermin´es et soumis `

a l’analyse par histogramme. La moyenne, les modes et la hauteur sont extraits comme indicateurs de qualit´e. Cette ´etude analyse en particulier l’impact du bruit, du d´ebruitage et du mouvement du patient sur ces param`etres.

Enfin, le bootstrap et la SMC sont appliqu´es de mani`ere conjointe dans [Pajevic 03]. La SMC am`ene `a la conclusion qu’une distribution gaussienne multivari´ee mod´elise conven- ablement le bruit dans le tenseur. Cette distribution est compatible avec la distribution du tenseur pour SNR0 > 2 dB, quand seulement six gradients de diffusion sont appliqu´es et

pour des valeurs cliniques de b. Le boostrap fait apparaˆıtre que les propri´et´es statistiques de la majorit´e des voxels sont compatibles avec l’hypoth`ese gaussienne.