3. Reconstruction des images 27
3.3. Mise en œuvre
3.3.1. Hiérarchie de recalages
Une des difficultés du recalage d’images est de garantir au mieux que la transformation
trouvée sera celle recherchée. En particulier, pour les méthodes d’optimisation itératives,
cela suppose que leur initialisation se trouve dans le bassin de convergence de l’optimum
(global) recherché. En ce concerne notre problème, le recalage d’images de parois
cellu-laires, cela est un point délicat. En effet, du fait de la structure régulière observée, de
nombreux minima locaux peuvent survenir (il suffit qu’un nombre suffisant de parois se
superposent). Aussi, une première étape de recalage manuel est réalisée. Ensuite, deux
recalages automatiques sont faits, en augmentant le nombre de degrés de liberté de la
transformation recherchée entre les 2. Les étapes successives que nous avons utilisées sont
donc les suivantes.
1. Recalage manuel linéaire rigide. Cette étape consiste à positionner et à apparier
manuellement des points de correspondance pour calculer un premier recalage
ap-proximatif des deux images en estimant la transformation globale par une
trans-formation linéaire rigide T
1.
2. Recalage automatique linéaire rigide. Cette étape consiste à raffiner la
transfor-mation linéaire précédente par un algorithme automatique, qui consistera ici à
identifier automatiquement de nouveaux appariements, et à raffiner la
transfor-mation linéaire de l’étape 1 en calculant une nouvelle transfortransfor-mation linéaire
ri-gide T
2qui met en correspondance les appariements automatiquement détectés
[Ourselin, 2002].
3. Recalage automatique non-linéaire. Cette étape consiste à raffiner la transformation
en ajoutant une composante non-linéaire, sous la forme d’un champ dense de
vec-teurs, qui met en relation chaque voxel de l’image référence avec une position dans
l’espace de l’image flottante [Commowick, 2007]. On appellera cette transformation
non-linéaireT
33.3.2. Fusion
La fusion d’images permet de réunir des informations provenant de plusieurs images
dans une seule, plus exploitable. La fusion des images peut s’effectuer en rééchantillonnant
chacune des images dans la grille de l’une d’entre elles, et nous parlerons en ce cas de
fusion simple. Dans certains cas, on pourra construire l’image fusionnée sur une grille plus
fine, et profiter ainsi de l’étape de fusion pour calculer une image en super-résolution.
Nous détaillons ici ces deux méthodes de construction.
3.3.2.1. Fusion simple
La fusion simple s’opère en réechantillonnant toutes les images flottantes dans la
géo-métrie d’une des images, puis en calculant la moyenne de toutes ces images. Pour chaque
image flottanteI
i, on a construit lors des étapes du recalage la transformation composée
ˆ
T qui permet de la superposer avec l’image référence :
ˆ
T
i=T
1◦T
2◦T
3Une fois obtenues les transformations qui permettent de passer de chaque image
flot-tante à l’image référence, on fusionne les images recalées dans la géométrie de l’image
référence par moyennage :
I
f us= 1
N
X
i
Ii◦Ti
tout en prenant garde à la réduction du support. En effet, après le recalage, il est possible
que l’espace occupé par l’image référence ne corresponde pas exactement à l’espace occupé
par les images flottantes recalées (cf figure 3.3). Il faut donc mesurer en tout point
Figure 3.3.: Illustration du problème du support commun lors du recalage. Après
reca-lage, on peut fusionner les trois images recalées en calculant une moyenne
de celles-ci sur le domaine de l’image référence (image de gauche) et le
recalage de deux images nous permet de mutualiser l’information de ces
deux images dans un domaine qui se trouve alors limité à l’intersection de
leurs domaines recalés. On voit (image de gauche) que la fusion calculée
par une simple moyenne des images fait apparaître les contours des images,
puisque le nombre de contributions n’est pas le même en tout point. Nous
sommes alors obligés de mesurer le nombre de contributions et de tenir
compte de ce nombre (image de droite) lors du calcul de la moyenne (voir
section 3.3.2.1).
de l’espace référence le nombre de contributions N(x), c’est-à-dire le nombre d’images
recalées qui sont définies en ce point. L’équation de la fusion devient alors :
If us(x) = 1
N(x)
X
iIi◦Ti(x)
3.3.2.2. Fusion en super-résolution
Il est possible d’utiliser les transformations calculées lors de l’étape de fusion pour
construire une image sur-échantillonnée, avec des voxels isotropes, afin de régler le
pro-blème de l’anisotropie. La fusion en super-résolution consiste à augmenter la densité
d’information en rééchantillonnant chaque image dans une grille plus fine au moment
de la fusion. Cela permet en particulier de passer d’une image formée de voxels
pa-rallépipédiques à une image formée de voxels cubiques et plus petits. Pour ce faire, on
rééchantillonne d’abord l’image référence dans une grille isotrope, puis on rééchantillonne
les autres images dans cette nouvelle géométrie (voir figure 3.4).
Figure 3.4.: Fusion simple (à gauche) et fusion en super-résolution (à droite). Première
ligne : grilles de l’image référence et de deux images flottantes recalées.
Deuxième ligne : lors de la fusion simple on rééchantillonne les images
recalées dans la géométrie de l’image référence. On peut profiter de l’étape
de fusion pour calculer, à partir de la grille de l’image de référence, une
nouvelle grille plus fine et isotrope, dans laquelle on rééchantillonnera les
images flottantes, ainsi que l’image référence, avant de calculer la moyenne
des images rééchantillonnées (troisième ligne).
3.3.3. Fusion sans biais
Le fait de choisir une image référence parmi l’ensemble des images à recaler peut
introduire un biais dans le recalage et la fusion. On peut remarquer que notre méthode
consiste en fait à calculer une imagemoyenne à partir des différentes acquisitions. Nous
avons donc repris la méthode de calcul d’une moyenne d’images sans biais de Guimond
[Guimond et al., 2000]qui avait été proposée pour construire un atlas d’images cérébrales.
On commence par choisir une des images à recaler comme image référence Iref. En
recalant toutes les images Ii sur I
ref, on calcule une transformation linéaire Ti et une
transformation non-linéaireDi, qui nous permettent de calculer l’image recaléeJi :
Ji =Ii◦Ti◦Di
Ces images recalées nous permettent de calculer une image moyenne A:
A= 1
N
X
Ji
Et on peut estimer la déformation moyenne :
Dmoy= 1
N
X
Di
que l’on peut inverser pour calculer l’image moyenneA
0positionnée dans une géométrie
intermédiaire entre toutes les images initiales Ii :
A
0=A◦(Dmoy)
−1L’idée consiste alors à recommencer le recalage itérativement en utilisant A
k−1comme
image référence. A l’itération k de l’algorithme, on calcule le recalage de chaque image
Ii sur l’imageA
k−1, qui nous permet de construire les imagesJ
ik, en calculant les
trans-formations linéaires et non linéairesT
ki
etD
ki