Les diff´erentes approches d’analyse d’images

L’un des challenges en imagerie m´edicale est le post-traitement et l’interpr´etation des images. Au cours des deux derni`eres d´ecennies, un nombre croissant de techniques d’analyse d’images quantitative ont ´et´e d´evelopp´ees, dont l’analyse d’histogrammes, de r´egions d’int´erˆet et l’analyse voxel-`a-voxel. Chaque approche a ses avantages et ses inconv´enients. Il n’existe pas de proc´edure standard en imagerie c´er´ebrale, le choix de l’approche d´epend de la probl´ematique et de l’objectif de l’´etude mais aussi des hypoth`eses formul´ees. Ces approches sont repr´esent´ees sur la figure1.11et r´esum´ees dans le tableau1.3

FIGURE1.11 – Repr´esentation sch´ematique des diff´erentes approches pouvant ˆetre appliqu´ees `a l’analyse des anomalies li´ees `a la SEP sur les cartes de l’imagerie par transfert d’aimantation MTR et l’imagerie de diffusion FA. (A) Analyse par ROI avec s´election d’une l´esion de la SB (carr´e rouge), une r´egion de SBAN (carr´e vert) et une r´egion de SG (carr´e bleu).(B) Analyse des l´esions T2 sur les cartes MTR et FA. (C) Analyse d’histogrammes MTR de la SG et de la SBAN. (D) Analyse voxel `a voxel. Comparaison des FA au niveau de voxel entre les patients SEP et sujets contrˆoles HC (d’apr`esFilippi

et al.(2017), modifi´e)

1.2.1

Analyse par r´egions d’int´erˆet

La technique la plus utilis´ee pour prendre en compte une information spatiale est l’approche par r´egions d’int´erˆet (ROI). L’´etude est centr´ee sur une ou

plusieurs zones particuli`eres du cerveau (e.g. des l´esions visibles ou de grands volumes de substance blanche d’apparence normale), o`u les propri´et´es statistiques (e.g. valeurs moyennes) des intensit´es ou de param`etres IRM (e.g. diffusion, transfert d’aimantation...) `a l’int´erieur de ces r´egions d’int´erˆet sont compar´ees soit `a une autre ROI de tissu sain chez le mˆeme patient, `a travers le temps ou entre diff´erentes populations de sujets. Une fois l’analyse par ROI choisie par l’examinateur, ce dernier devra faire un certain nombre de choix, tels que la d´efinition des r´egions, le choix de la forme et de la taille de ces ROI.

Le choix des ROI, ´etape cruciale pour la pertinence des r´esultats, peut ˆetre effectu´e de diff´erentes mani`eres, que l’on peut mettre en parall`ele avec les diff´erentes techniques de labellisation. Une des m´ethodes pour d´efinir les ROI repose sur l’utilisation d’atlas, il est possible de normaliser les donn´ees dans un espace standard (e.g. espace de Talairach) mais cela a pour cons´equence que les r´egions obtenues ne reposent plus sur les anatomies sp´ecifiques de chaque sujet. Une autre m´ethode tr`es r´epandue est la segmentation manuelle des ROI, elle n’a pas besoin de normalisation et permet ainsi de s’affranchir de la variabilit´e anatomique mais `a de nombreux ´egards, elle est limit´ee et inad´equate. Comme il a ´et´e pr´ecis´e par Astrakas and Argyropoulou(2010), il y a un fort risque d’erreur lorsque la r´egion d’int´erˆet est un organe ou une structure aux bordures complexes. De plus, dans les ´etudes longitudinales, il est difficile de r´ep´eter exactement la mˆeme g´eom´etrie et de reproduire exactement les mˆemes ROI d’une ´etude `a l’autre. Enfin, dans le cas o`u il n’y a pas de connaissance `a priori de la localisation de r´egions d’int´erˆet, le choix des ROI devient compliqu´e et augmenter le nombre de ROI n’est pas une bonne solution, car en ajoutant des r´egions non pertinentes, la sp´ecificit´e spatiale et la puissance statistique sont r´eduites. Afin de rem´edier aux limites des m´ethodes manuelles, de nombreux algorithmes ont ´et´e conc¸us pour la segmentation semi-automatique et automatique des structures d’int´erˆet, ces derniers acc´el`erent le processus et am´eliorent la reproductibilit´e. Il peut s’agir de simples techniques de seuillage ou des m´ethodes de reconnaissance de formes plus complexes. Leurs applications cliniques rencontrent des obstacles. En effet, les plus avanc´es et les plus puissants d’entre eux requi`erent des comp´etences particuli`eres en math´ematiques et en calcul et malgr´e leur vari´et´e, il n’existe pas d’algorithme de segmentation universel pouvant ˆetre appliqu´e de mani`ere satisfaisante dans tous les cas.

Les ROI peuvent avoir une forme circulaire, ovale, carr´ee, rectangulaire ou irr´eguli`ere. Elles peuvent ˆetre d´efinies dans une seule coupe ou s’´etendre sur plusieurs coupes (l’ensemble est alors un volume d’int´erˆet [VOI]). Les ROI restent souvent grossi`eres, de la taille des gyri, ce qui ne permet pas des d´etections focales pr´ecises. En ce qui concerne la taille des ROI, un compromis est fait entre la r´eduction du bruit (qui favorise les ROI de grande taille) et la r´eduction des erreurs d’estimation de volume partiel (qui favorise les ROI de petite taille).

En r´esum´e, les principaux avantages de cette approche sont que les r´egions peuvent ˆetre choisies sur la base d’hypoth`eses `a priori et peuvent ˆetre situ´ees dans une partie sp´ecifique du cerveau. Aussi, elle permet d’att´enuer le probl`eme des comparaisons multiples, dans lequel un espace de recherche de centaines de milliers de voxels est r´eduit `a des zones plus petites et plus maniables, r´eduisant ainsi les seuils de correction des comparaisons multiples. D’autre part, cette approche peut passer `a cot´e d’anomalies significatives dans les r´egions non

s´electionn´ees et d´epend fortement de l’observateur et des indices anatomiques utilis´es pour positionner les r´egions. Le processus de recalage et les probl`emes m´ethodologiques associ´es doivent ˆetre soigneusement pris en compte lorsque des images de diff´erentes modalit´es sont recal´ees afin de permettre le transfert de r´egions. Il est ´egalement n´ecessaire de repositionner les ROI exactement au mˆeme endroit dans les ´etudes longitudinales.

1.2.2

Analyse voxel `a voxel

Une approche alternative `a l’analyse par ROI est une m´ethode sans hypoth`eses `

a priori dans laquelle les r´egions avec une diff´erence statistique significative sont automatiquement d´etect´ees entre les groupes : l’analyse voxel `a voxel. Elle peut ˆetre consid´er´ee comme une analyse de r´egions d’int´erˆet o`u les ROI seraient repr´esent´ees par les plus petites entit´es d’une image 3D, c’est `a dire les voxels. La m´ethode repose sur des algorithmes automatis´es, car il n’est pas humainement possible d’´etudier les valeurs de milliers de voxels sur diff´erentes images.

L’un des exemples les plus populaires de ce type d’analyse est la morphom´etrie voxel-`a-voxel (VBM). La m´ethode VBM, d´evelopp´ee parAshburner and Friston (2000) et impl´ement´ee dans le logiciel SPM, a pour objectif de d´etecter des diff´erences significatives li´es `a des anomalies tissulaires au sein d’un groupe ou entre plusieurs groupes par des tests voxel `a voxel. La VBM repose sur des mesures en chaque voxel de l’image de la concentration locale de tissu en termes de niveau de gris d’images T1, ou encore en termes de coefficient de diffusion dans l’imagerie de diffusion. Ces images sont liss´ees par un lissage gaussien. Puis, toutes les cartes obtenues pour les diff´erents sujets sont mises en correspondance sur un espace commun (i.e. l’espace MNI). L’analyse des diff´erences entre groupes repose sur des tests statistiques param´etriques de type test de Student r´ealis´es voxel `a voxel suivis d’une correction pour comparaisons multiples permettant d’´eviter l’apparition de nombreux faux positifs. Les tests mettent ainsi en ´evidence les voxels pour lesquels il existe une diff´erence significative de concentration entre groupes.

Cette technique est puissante pour effectuer des tests non biais´es sur tous les voxels et attirer l’attention sur les r´egions o`u d’autres ´etudes pourraient ˆetre fructueuses. Mais, bien que l’approche type voxel-`a-voxel ait ´et´e utilis´ee avec succ`es en neuroimagerie pour identifier et caract´eriser les changements locaux li´es aux maladies fonctionnelles et structurelles, elle reste tr`es sensible `a divers artefacts, notamment la distorsion des structures c´er´ebrales, la classification erron´ee des types de tissus... Tous ces facteurs peuvent fausser l’analyse statistique et augmenter le risque de faux positifs. D’autre part, il s’agit d’une m´ethode d’analyse de groupe qui n’est pas conc¸ue pour l’analyse individuelle des patients, il est donc difficile d’envisager un suivi longitudinal d’un patient donn´e. De plus, elle ne permet que la localisation des diff´erences significatives (i.e. anomalies anatomiques) entre groupe et non leur quantification. En g´en´eral, cette m´ethode a ´et´e critiqu´ee pour son incapacit´e `a d´etecter des changements structurels complexes sur le plan spatial, n´ecessitant des techniques alternatives.

1.2.3

Analyse d’histogrammes

L’analyse par histogramme est une technique quantitative utilis´ee dans plusieurs ´etudes en neuroimagerie, c’est une approche alternative aux ROI (Law et al., 2007; Young et al., 2007). D’ailleurs, cette approche peut ˆetre consid´er´ee comme l’oppos´ee de l’analyse par ROI car toute information spatiale est perdue. Elle est g´en´eralement appliqu´ee dans des conditions qui imposent des changements globaux et g´en´eralis´es, dans lesquelles choisir des ROI n’a pas grand int´erˆet (e.g. la scl´erose en plaques). L’histogramme est la repr´esentation graphique la plus couramment utilis´ee pour repr´esenter la distribution de probabilit´e d’une variable quantitative en d´ecrivant les fr´equences dans certaines plages de valeurs. Des m´etriques peuvent ˆetre d´eriv´ees `a partir de l’histogramme : moyenne, quantiles (dont la m´ediane), amplitude du pic, position du pic... Ces variables sont ensuite utilis´ees dans des tests statistiques, par exemple en comparant des patients et des sujets sains. L’analyse d’histogrammes permet de caract´eriser les param`etres IRM, tels que les param`etres de diffusion, dans tout le cerveau de mani`ere enti`erement automatis´ee. De plus, elle ´evite tout biais dˆu `a la connaissance `a priori des zones du cerveau susceptibles d’ˆetre affect´ees par la maladie. Cela ´evite ´egalement de devoir placer des ROI sur les images, sp´ecialement dans les ´etudes longitudinales, ou il faut repositionner les ROI exactement au mˆeme endroit sur les images. La section qui suit 1.3 d´etaillera plus amplement cette approche, qui a d’ailleurs inspir´e ce travail de th`ese.

M´ethodes Avantages Inconv´enients

R´egions d’int´erˆet

- Cette ´etude se concentre sur des zones particuli`eres du cerveau

- Segmentation manuelle : Pas besoin de normalisation et ainsi s’affranchit de la variabilit´e anatomique - Segmentation semi- automatique et automatique: acc´el`erent le processus et am´eliorent la reproductibilit´e - Long processus

- Connaissance `a priori sur la localisation de la pathologie : Introduction d’un biais

- Correction des comparaisons multiples n´ecessaire

- Utilisation d’atlas : Les r´egions obtenues ne reposent pas sur les anatomies

sp´ecifiques de chaque sujet. - Segmentation manuelle : Fort risque d’erreur lorsque la ROI est un organe ou une structure aux bordures complexes. - Segmentation semi- automatique et automatique: Complexes ; Comp´etences particuli`eres en math´ematiques et en calcul requises. Voxel-`a-voxel - En partie automatique - Relativement rapide - Tous les voxels sont test´es d’une fac¸on non biais´ee

- Tr`es sensible `a divers artefacts (Distorsion...)

- VBM souffre d’un param´etrage complexe et ne permet que la localisation des diff´erences significatives et non leur quantification

- Correction des comparaisons multiples n´ecessaire

Histogrammes

- Aucune hypoth`ese `a priori n’est n´ecessaire

- Simple et rapide - Op´erateur ind´ependant - Le repositionnement sur des analyses r´ep´et´ees est inutile - Tr`es utile dans l’´etude des maladies diffuses (e.g. Scl´erose en plaques)

- L’information spatiale est perdue

- La recherche aujourd’hui n’a que superficiellement explor´e cet outil

1.3

Analyse d’histogrammes en imagerie c´er´ebrale