Le module de traitement de données

L’intégration de nos contributions sur le Verio 3T nécessite le développement d’un module de traitement de données plus spécifique à l’emploi de données d’IRM. Notamment, l’objectif de ce module est d’exploiter les données d’IRM d’un point de vue physiologique. Il doit permettre également d’identifier et de suivre la position du microrobot magnétique. À cet effet, le module de traitement de données se décompose en trois sous-modules : i) reconstruction de l’image, ii) reconnaissance et iii) suivi du microrobot. Ces deux derniers sous-modules sont présentés ci-après. En effet, le premier sous-module de reconstruction de l’image est réalisé grâce aux fonctionnalités disponibles dans le module ICE de l’environnement IDEA, alors que le deuxième sous-module de suivi est basé sur des techniques classiques de traitement d’image.

V.2.2.1 Détection et reconnaissance du microrobot magnétique

Le traitement et l’analyse de données médicales basée sur l’IRM est un domaine de recherche à part entière. Dans le cadre de nos travaux, nous avons considéré des méthodes simples et faciles à intégrer dans l’environnement IDEA. D’autre part, rappelons qu’un microrobot magnétique génère un artefact sur l’image IRM. Ainsi, la procédure de détection automatique de la position du microrobot, consiste ici en une étape de segmentation d’image, puis de reconnaissance de forme de l’artefact.

Tout d’abord, la segmentation d’objet est réalisée en utilisant l’algorithme EM12[173]. Cette méthode consiste à considérer la forme et les caractéristiques statistiques des pixels de l’artefact lié au microrobot. Celles-ci sont ensuite utilisées en entrée d’un classificateur SVM13 [174]. À partir de l’artefact reconnu, sa position est déterminée par le calcul du centre de gravité. L’objectif de la procédure de classification est de détecter l’artefact causé par le microrobot, et de rejeter d’éventuelles cavités, ou d’autres structures anatomiques, obtenues lors de la phase de segmentation.

Pour valider la méthodologie retenue, plusieurs expérimentations ont été réalisées en utilisant les données de l’IRM Verio 3T. À cet effet, différents fantômes ont été utilisés et placés dans le tunnel de l’IRM. En particulier, pour se rapprocher des conditions réelles, des expérimentations ont été effectuées sur des tissus d’animaux (ici deux cuisses de canard).

La figure V.9 montre une sélection de coupes réalisées sur les fantômes. Sur ces coupes ap-paraissent des artefacts correspondant à des microrobots en acier de rayon r = 500 µm (sur la première ligne) et r = 300 µm (sur la seconde ligne).

On constate clairement sur la figure V.9-(a) que les artefacts de susceptibilité magnétique sont visibles à partir de la séquence TrueFISP. La forme des artefacts est comparable à celle obtenue dans un flacon d’agarose présentée sur la figure V.5. Le volume des artefacts obtenus avec la séquence FLASH (cf. figure V.9-(b)) sont plus importants que ceux observés avec une séquence FSE (cf. figure V.9-(c)). Il est à noter que le volume des artefacts est un facteur déterminant dans l’efficacité de l’algorithme de segmentation proposé.

La figure V.10 montre une sélection de coupes provenant de la segmentation EM. Après une étape de pré-segmentation, où une région d’intérêt a été sélectionnée pour exclure la région d’arrière plan, les zones appartenant au microrobot sont détectées automatiquement. Elles sont

12. Expectation Maximization algorithm (EM) : classe d’algorithmes qui permet de trouver le maximum de vraisemblance des paramètres de modèles probabilistes.

V.2. Architecture d’intégration logicielle des algorithmes de navigation sur l’IRM

(a) (b) (c)

Artefact de la sphère 500µm

Artefact de la

sphère 500µm _{sphère 500µm}^{Artefact de la}

Artefact de la

sphère 300µm sphère 300µm^{Artefact de la} _{sphère 300µm}^{Artefact de la} Artefact de la

sphère 500µm

Figure V.9 – Coupes coronales des fantômes contenant des microrobots de rayon r = 500 µm (sur la première ligne) et r = 300 µm (sur la seconde ligne) obtenues pour les séquences : (a) TrueFISP, (b) FLASH, et (c) FSE.

ensuite segmentées en des images binaires, avant de reconstruire leurs volumes. À titre d’exemple, la figure V.11 présente différents volumes segmentés obtenus pour différentes tailles de microro-bots et ce, à partir de différentes séquences.

Sé qe unc e FS E Sé qe unc e SE Sé qe unc e GE 3.0 mm 2.5 mm 2.0 mm 1.5 mm 1.2 mm 1.0 mm

Figure V.11 – Volume segmenté avec l’algorithme EM en fonction du diamètre du microrobot avec différentes séquences.

0 5 10 15 0 0.5 1 1.5 2 2.5 3 ^{× 10} 5 FSE GRE SE Volume de la sphère [mm³] Vol um e de l'a rte fa ct [m m ³] FSE GE SE

V.2. Architecture d’intégration logicielle des algorithmes de navigation sur l’IRM

À titre de comparaison, la figure V.12 décrit l’évolution du volume de l’artefact en fonction de celui du microrobot. Il apparaît que le volume de l’artefact est directement proportionnel au volume du microrobot. L’artefact observé dans la séquence GE montre des dimensions plus élevées que dans les séquences FSE et SE. Cela est essentiellement dû à l’absence de l’impulsion de 180◦ utilisée dans ce type de séquence. L’inhomogénéité du champ magnétique statique ne peut pas être compensé, ce qui conduit à un déphasage intravoxel (grandes régions sombres). A contrario, les séquences SE et FSE utilisent une impulsion 180◦ de recentrage pour compenser cet effet.

L’algorithme de segmentation développé est ainsi capable de détecter les artefacts induits par différents types de séquences. Les résultats de segmentation ne diffèrent que par leur volume, tandis que les propriétés géométriques sont globalement identiques. Il reste alors à déterminer la position du microrobot dans l’artefact reconnu.

V.2.2.2 Suivi de la position du microrobot

Le suivi de position du microrobot est réalisé à partir de la localisation de l’artefact dans l’image. Cette localisation est réalisée à partir d’un algorithme du type Template Matching [175]. En effet, l’algorithme du template matching est d’une grande efficacité pour résoudre les problèmes de localisation quand le modèle de la cible à suivre est bien connu. Cet algorithme consiste à mettre en correspondance les images en entrée vis-à-vis d’un modèle pré-établi. Pour définir la bibliothèque de modèles, les données issues de la reconstruction de l’artefact sont exploitées. Nous utilisons la méthode du template matching définit par :

C(p) = T(p) ⊛ I(p), _{∀p ∈ I} (V.3)

avec C la matrice de corrélation, T un modèle de l’objet, I l’image d’entrée, et ⊛ l’opérateur de corrélation. La position de l’artefact est alors déterminée à partir de la position maximale déterminée dans la matrice de corrélation, soit :

C(partefact) = max

partefact(C) (V.4)

Cette position correspond alors à la position de l’artefact à suivre, p_artefact, et son centre de gravité peut être ainsi obtenu. Pour accélérer l’algorithme du suivi, l’étape de reconstruction de l’image peut être ignorée. En effet, l’opération de corrélation peut être réalisée directement dans l’espace-K. Un autre avantage est que l’execution de l’algorithme dans ce domaine permet d’utiliser des données partiellement acquises pour déterminer la position de l’artefact. Moins d’itérations de séquences sont ainsi réalisées, le processus d’acquisition en est accéléré.