2.4 Segmentation automatique
2.4.1 Méthodes non supervisées
Parmi les méthodes non supervisées, nous trouvons une première catégorie s’appuyant sur le seuillage des intensités. Dès 2001, Jack et al. [2001] ont proposé de déterminer un seuil sur l’histogramme des intensités de l’image FLAIR afin de détecter les HSB (figure 2.4). Le seuil optimal, TU,
2.4. Segmentation automatique est déterminé par une analyse de régression sur un ensemble de données simulées. Bien que les auteurs rapportent une erreur moyenne volumique de 6, 6%, l’évaluation n’a porté que sur dix sujets simulés et apparaît peu robuste à la variabilité interindividuelle.
FI G U R E 2.4 – Seuillage de l’histogramme FLAIR [Jack et al., 2001]
Par la suite, Wen & Sachdev [2004] ont proposé de déterminer le seuil pour la détection des HSB à l’aide d’un atlas probabiliste du cerveau. Cet atlas est recalé sur l’image à segmenter, permettant de calculer la moyenne µFLAIRW M et l’écart-type σW MFLAIR des intensités FLAIR sur la sub- stance blanche. Le seuil caractérisant les HSB est alors déterminé comme
µW MFLAIR+3σW MFLAIR. L’utilisation de l’atlas de substance blanche permet de
pondérer l’importance de la localisation et un seuil déterminé sur l’image T1 permet d’éliminer certaines erreurs de segmentation.
Une approche similaire a été utilisée pour l’étude FHS [Jeerakathil et al., 2004]. Une segmentation manuelle de la cavité intracrânienne était effectuée pour ne conserver que les tissus cérébraux. Un premier seuil était déterminé permettant de segmenter le liquide cérébrospinal. Puis les deux échos des séquences T2 étaient additionnés et la somme était modélisée par une distribution log-normale [DeCarli et al., 1992, 1999]. La segmentation des HSB était alors obtenue en seuillant les intensités à m+3, 5sd, où m est la moyenne de la distribution modélisée et sd son écart-type.
Enfin, la deuxième vague de l’étude Rotterdam Scan Study s’appuie sur une approche similaire [de Boer et al., 2009]. Un algorithme de classi-
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
fication par k-plus proches voisins (voir section 5.3.3) est d’abord utilisé pour segmenter les trois principaux types de tissus (substance blanche, substance grise et liquide cérébrospinal) à partir des images T1 et PD. Les images FLAIR sont ensuite utilisées pour la segmentation des HSB. L’his- togramme des intensités FLAIR des voxels classifiés comme substance grise est lissé par convolution avec une gaussienne afin de déterminer le mode principal correspondant à la substance grise considérée comme normale. Les intensités FLAIR sont ensuite seuillées à m+2, 3sd, m étant défini comme la valeur du pic d’intensité de la distribution lissée et sd comme la largeur du pic à mi-hauteur. La valeur de 2,3 est fixée de ma- nière empirique sur un ensemble test. Une contrainte est ajoutée sur la localisation en imposant qu’un pourcentage mimimal des voisins du voxel considéré soit inclus dans la substance blanche.
2.4.1.2 Logique floue
Une deuxième catégorie de méthodes s’appuie sur les principes de logique floue et l’algorithme fuzzy C-means (FCM). Dans le cadre de la logique floue, un voxel peut être considéré comme appartenant à plusieurs classes par l’intermédiaire de son degré d’appartenance à une classe, degré qui peut prendre une valeur comprise entre 0 et 1.
Gibson et al. [2010] combinent une approche de type seuillage avec l’algorithme FCM. Cette approche mixte est également utilisée dans [Wu et al., 2006], où les voxels hyperintenses détectés par seuillage sont consi- dérés comme graines d’un algorithme flou de croissance de régions.
Admiraal-Behloul et al. [2005] s’appuient également sur les principes de logique floue (figure 2.5). Les intensités des images sont ainsi transfor- mées en variables linguistiques en fonction des résultats de classification du FCM : les intensités des images pondérées en densité de proton sont ainsi classées en bright ou dark alors que les intensités des images T2 et FLAIR sont classées en bright, medium-bright et dark. Un système d’infé- rence floue est ensuite utilisé pour segmenter le LCS et les HSB à partir des deux règles d’inférence floue suivantes :
– Si position_voxel est IC et intensit ´e_T2 est bright et intensit ´e_FLAIR est dark, alors voxel est CSF.
– Si position_voxel est SB et intensit ´e_T2 est bright et intensit ´e_FLAIR est bright, alors voxel est HSB.
2.4. Segmentation automatique où la valeur de la variable position_voxel (IC pour intracrânien et SB pour substance blanche) est définie à partir du recalage d’un atlas sur l’image à segmenter.
FI G U R E2.5 – Principe de la segmentation des HSB par Admiraal-Behloul
et al. [2005]
2.4.1.3 Modélisation probabiliste
Une troisième catégorie de méthodes non supervisées regroupe celles s’appuyant sur une modélisation probabiliste, le plus souvent à travers un modèle de mélange de gaussiennes.
Ainsi, Gicquel [1998] proposent une segmentation bayésienne multis- pectrale basée sur les images T1, T2 et PD. Cette approche est reprise et améliorée par Maillard et al. [2008] et a été appliquée sur l’étude 3C. Après des étapes classiques de prétraitement (recalage et correction des inhomo- géneités d’intensité), une segmentation en 7 classes (liquide cérébrospinal, substance grise, noyau caudé, noyau lenticulaire, thalamus, substance blanche et HSB) est obtenue. Une série d’opérations morphologiques est ensuite appliquée de manière à corriger les erreurs de segmentation liées à l’imprécision du recalage et aux effets de volume partiel. Un masque regroupant la substance blanche et les HSB est ainsi obtenu. La méthode de segmentation multispectrale est de nouveau appliquée sur ce masque en distinguant trois classes : substance blanche, HSB faiblement contras- tées et HSB fortement contrastées. Finalement, certains groupes de voxels, classés de manière erronée comme HSB, sont éliminés de la segmentation si plus de la moitié de leur volume est compris dans un masque du LCS
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
ou si leur intensité moyenne sur l’image T2 est inférieure à celle de la substance blanche.
Khayati et al. [2008] ont proposé une approche similaire dans le cas des lésions de sclérose en plaques. Un modèle de mélange de gaussiennes est combiné avec une régularisation par champ de Markov dans un classifieur bayésien. A la différence de la méthode précédente, le modèle de mélange est cette fois adaptatif, le nombre de gaussiennes, leur moyenne et variance étant estimés de manière itérative à partir des données.
Enfin, Van Leemput et al. [2001] s’appuient également sur un modèle de mélange de gaussiennes appliqué sur les images T1, T2 et PD. Cepen- dant, les HSB ne sont plus modélisées dans le modèle de mélange de gaussiennes mais sont au contraire caractérisées comme des points aber- rants du modèle. Quatre classes sont ainsi utilisées pour la modélisation ("substance blanche", "substance grise", "liquide cérébrospinal" et "autre"). Les paramètres du modèle sont obtenus par un algorithme d’Espérance- Maximisation rendu robuste aux points aberrants par l’introduction de poids quantifiant l’accord d’un point avec le modèle. Ces poids, appe- lés poids de typicité, dépendent de la classe considérée et permettent de déterminer un niveau de significativité à partir duquel les points seront considérés comme aberrants.