Masquage des yeux

Afin d’illustrer l’intérêt d’une base cohérente, nous avons développé une application de masquage des yeux de manière automatique. Celle-ci a pour but d’anonymiser les patients, ce qui est contraignant à faire manuellement avec de grandes bases d’images.

Avec la méthode que nous développons ici, la seule action manuelle est de placer une boîte englobante qui délimite la tête dans l’une des images, et une autre au niveau des yeux. La propagation à l’ensemble des autres patients est obtenue automatiquement par le procédé suivant :

1. Positionnement manuel d’une boîte englobante sur la tête dans une image. 2. Application de notre méthode de mise en correspondance de grand groupes.

3. Extraction des images contenant une tête, par propagation de la boîte englobante sur l’ensemble des images, ce qui peut s’apparenter à de la détection d’organe, et qui est effectuée dans l’esprit de la segmentation basée atlas ;

4. Application d’une deuxième passe de notre méthode de mise en correspondance de grands groupes. Pour celle-ci, nous n’utilisons que les points d’intérêt situés au niveau de la tête, ce qui accroît la précision.

5. Projection du pré-positionnement des yeux sur toutes les images contenant des yeux en utilisant les transformations de l’étape précédente.

6. Application d’un bandeau noir à la position décrite.

Le recalage utilisant seulement l’ensemble partiel des points situés au niveau de la tête permet une amélioration de la précision. Conceptuellement, cette mise en correspondance limitée à une zone peut être vue comme une première étape vers le recalage déformable, apparenté au recalage affine par morceaux présentés au chapitre2. Le résultat est présenté figure3.19. On peut noter que les yeux sont bien couverts, exception faite des patients dont la tête est tournée. Ceci est directement lié au modèle de déformation choisi, celui-ci n’étant pas assez riche pour décrire une rotation locale.

FIGURE3.19 – Masquage des yeux appliqués à des images CT. Note : les maillages sont extraits uniquement dans le but de visualiser les résultats, seules les images 3D sont utilisées dans la méthode.

3.7 Conclusion

Nous proposons une méthode de recalage permettant la mise en correspondance rigide de grands groupes d’images médicales sans référence. Nous avons montré l’intérêt de cette méthode en matière de rapidité et de robustesse, particulièrement dans le cadre de l’utilisation de jeux de données médicales contenant des ensembles disjoints. Cette approche à faible empreinte mémoire, grâce à l’utilisation de points d’intérêt, permet de gérer de larges jeux de données, de manière très rapide.

Notre approche est un moyen efficace de gestion de grandes bases de données en utilisant un modèle translation-échelle simple. Ce modèle de transformation est une première étape qui permet d’apporter une cohérence à des bases de données d’images, pour des applications dites de ”screening“.

Contribution 2 : mise en correspondance

déformable de grands groupes

Sommaire

4.1 Introduction . . . . 77 4.2 Challenges . . . . 77 4.2.1 Quantité de données . . . . 77 4.2.2 Répétabilité et appariements aberrants . . . . 78 4.2.3 Complexité calculatoire . . . . 78 4.3 Contributions . . . . 79 4.3.1 Recalage sans référence par points . . . . 79 4.3.2 Pondération-EM . . . . 79 4.3.3 Méthode d’optimisation efficace . . . . 80 4.4 Appariement des points d’intérêt. . . . 80 4.4.1 Méthode . . . . 80 4.4.2 Discussion . . . . 80 4.5 Demi-transformées guidées par des points d’intérêt . . . . 81 4.5.1 Introduction. . . . 81 4.5.2 Données d’entrée . . . . 81 4.5.3 Choix des demi-transformées . . . . 82 Fonctions de base radiales . . . . 82 B-Splines . . . . 83 4.5.4 Approche pyramidale. . . . 84 4.5.5 Attache aux données . . . . 85 4.6 Statistiques robustes . . . . 86 4.6.1 M-estimateur de Tukey . . . . 86 4.6.2 Pondération-EM . . . . 87 Paramétrisation par image . . . . 89 Paramétrisation locale . . . . 90 Limite de localité . . . . 90 4.6.3 Test avec des données synthétiques . . . . 91 4.6.4 Test avec des données réelles. . . . 92 4.6.5 Comparaison . . . . 93 4.7 Optimisation . . . . 94 4.7.1 Notation matricielle . . . . 95 4.7.2 Moindres carrés pondérés itératifs . . . . 97

Itération de Gauss-Newton . . . . 97 Descente de gradient . . . . 98 4.8 Régularisation . . . . 98 4.8.1 Introduction. . . . 98 4.8.2 Protocole expérimental : données synthétiques . . . . 99 Génération des points d’intérêt. . . 101 Génération de champs de déformation . . . 101 Génération de la liste des couples . . . 101 Exemple synthétique . . . 102 4.8.3 Régularisation du déplacement des points de contrôle. . . 103 4.8.4 Régularisation sur les couples appairés . . . 104 4.8.5 Contrainte inter-images sur les points de contrôle . . . 105 4.9 Conclusion . . . 108

4.1 Introduction

Nous avons vu au chapitre précédent que les points d’intérêt pouvaient être utilisés à des fins de mise en correspondance d’images médicales possédant une variabilité élevée. Nous avons proposé une méthode permettant le recalage rigide d’un ensemble d’individus. Ce nouveau chapitre a pour objectif d’étendre l’utilisation des points d’intérêt pour la mise en correspondance déformable d’images, en estimant des champs de déformation. Ces travaux font l’objet d’une publication en cours, soumise en janvier 2017 AGIERet collab.[2017].

La mise en correspondance déformable de masses de données est un verrou scientifique [XUet collab., 2016]. Le recalage rigide permet la détection d’organes et permet de rendre spatialement cohérente une base de données. La mise en correspondance déformable va plus loin et permet un recalage beaucoup plus riche. Après un recalage déformable, il donc est possible de reporter les coordonnées d’un voxel sur un autre. Autrement dit, nous sommes capables de comparer l’environnement local des organes de plusieurs individus. En pointant par exemple la bifurcation de la trachée d’un individu, nous sommes capables de la comparer aux bifurcations des trachées des autres individus, en appliquant les champs de déformation.

Ceci est déjà largement utilisé dans le cadre de la segmentation basée atlas [IGLESIASet SABUNCU, 2015;KÉCHICHIANet collab.,2014], qui permet de reporter des segmentations de plusieurs images (l’atlas) sur une nouvelle image à segmenter. Une fois les segmentations reportées dans le repère cible, un système de vote est utilisé pour construire la segmentation finale. Ce type d’approche utilise le recalage de plusieurs images pour transporter les segmentations, cette opération est effectuée sur de petits ensembles d’images (une vingtaine d’éléments dans l’atlas) en utilisant des recalages par paires.

L’usage croissant de techniques d’apprentissage montre aussi des besoins en bases d’apprentissage et de tests de grande envergure. Pour construire ces bases, des méthodes de recalage déformable permettant de gérer de grands ensembles, supérieurs au millier d’images, sont nécessaires.

4.2 Challenges

Nous proposons une méthode unifiée permettant de mettre en correspondance plusieurs centaines d’images. Cette approche peut être vue comme une approche par graphe complet, de manière similaire à notre contribution du chapitre précédent. Dans un premier temps, cette approche se limite à des images contenant les mêmes zones imagées. Plusieurs verrous scientifiques sont à prendre en considération et doivent être dépassés.