Normalisation de l'atlas numérique dans le référentiel des cartes pa-

Avant de superposer les segmentations de l'atlas sur nos cartes paramétriques seuillées, nous avons dû vérier que l'atlas numérique pouvait être correctement recalé sur les images normalisées dans le référentiel du template photographique.

4.2.2.1 Méthodologie appliquée

Déformer l'atlas numérique dans le référentiel des volumes autoradiographiques norma- lisés spatialement équivaut à le déformer dans le référentiel du template spécique de l'étude ; autrement dit nous avons recalé l'atlas numérique sur le template photographique. Pour parvenir à recaler ces deux images, nous avons utilisé la stratégie de recalage proposée dans le chapitre 3 (p. 78). Nous avons estimé des transformations ri- gides, anes et non anes entre l'IRM pondérée en T1 utilisée pour créer l'atlas numérique et le template photographique. Les paramètres de déformation ainsi estimés ont ensuite été appliqués sur l'atlas numérique an que ses segmentations puissent être dans le référentiel du template photographique, et par conséquent dans celui des cartes paramétriques seuillées résultant des analyses statistiques.

4.2.2.2 Évaluations du recalage de l'atlas sur le template photographique Les outils et critères d'évaluation de la qualité du recalage de l'atlas sur les données à analyser ont été ceux utilisés pour l'étude de faisabilité de l'analyse par atlas des images natives de la base de données (cf. paragraphe 3.2.1 (p. 91)).

Évaluation qualitative du recalage

Pour évaluer qualitativement le recalage de l'IRM pondérée en T1 sur le template photo- graphique, les contours de l'IRM ont été superposés sur une image histologique normalisée spatialement en utilisant SPMMouse sur le template spécique de l'étude. La gure 4.5

illustre, sous une incidence coronale, la superposition de ces images avant (cf. gure 4.5(a)) et après recalage, i.e. une fois les transformations rigides, anes et non anes estimées et appliquées à l'IRM (cf. gure 4.5(b)). Nous observons qu'après recalage, aussi bien les contours des structures externes (èches pleines no_{1) que ceux des structures internes telles}

que le corps calleux (èches pleines no_{2) ou l'hippocampe (èches pleines n}o_{3) de l'IRM se}

superposent correctement à ces régions bien mises en évidence par le marquage au violet de crésyl.

Comme pour l'étude de faisabilité décrite enparagraphe 3.2.1 (p. 91), nous avons appliqué les paramètres de déformation à une grille formée de plans perpendiculaires et régulièrement espacés entre eux. La gure 4.5(c) montre que la transformation non linéaire, basée sur l'utilisation de B-splines cubiques, a déformé de façon régulière l'IRM pour la mettre en correspondance sur le template photographique (èche pointillée no_1).

Figure 4.5  Evaluation qualitative du recalage de l'IRM pondérée en T1 sur le template photogra- phique par superposition des contours de l'IRM (en blanc) sur une image histologique normalisée dans le référentiel du template photographique avant (a) et après recalage (b). Nous observons qu'après recalage, aussi bien les contours des structures externes (èches pleines no_{1) que ceux} des structures internes telles que le corps calleux (èches pleines no_{2) ou l'hippocampe (èches} pleines no_{3) de l'IRM se superposent correctement à ces régions bien mises en évidence par le} violet de crésyl. La grille en (c) montre que la transformation non linéaire n'a pas déformé de façon excessive l'IRM pour la mettre en correspondance sur le template photographique (èche pointillée no_1).

Évaluation quantitative du recalage

Pour évaluer quantitativement le recalage des images, les diérences de volumes, coecients de Dice et index de sensibilité ont été calculés entre des segmentations de l'atlas et des segmentations manuelles. Ces segmentations manuelles ont été celles réalisées pour l'étude précédente : segmentations des cortex, des hippocampes, des striata, des corps calleux et des substances noires, dénies sur les volumes histologiques d'une souris PS1 (souris contrôle) et d'une souris APP/PS1 (souris modélisant la maladie d'Alzheimer).

4.2. Indexation automatique par atlas des zones de variations d'activités cérébrales 133

Pour être capable de mesurer la concordance des segmentations une fois l'atlas recalé sur le template photographique, nous avons appliqué aux segmentations manuelles, les trans- formations estimées entre les volumes photographiques individuels et le template photo- graphique (cf. gure 4.6). Les critères de superposition énoncés plus haut ont été calculés une fois l'ensemble des segmentations normalisées dans le référentiel du template photo- graphique.

Figure 4.6  Recalages eectués pour évaluer quantitativement l'appariement des données : des transformations rigides, anes et élastiques ont été estimées pour mettre en correspondance l'IRM (a) avec le template photographique (c) ; l'atlas (b) créé à partir de l'IRM (a) a été déformé avec ces paramètres estimés. Les volumes photographiques des sujets segmentés manuellement (d) ont été normalisés spatialement sur le template photographique en utilisant les fonctionnalités de SPM- Mouse. Les paramètres estimés ont été appliqués aux segmentations manuelles correspondantes (e) an de les normaliser dans le référentiel du template photographique. Les critères de super- position ont été calculés entre les segmentations manuelles et celles dénies dans l'atlas une fois normalisées dans le référentiel du template photographique.

Les résultats de cette évaluation quantitative sont présentés dans le tableau 4.2.

Souris PS1 Souris APP/PS1

(ctrl) (modèle MA) ∆V κ Se ∆V κ Se Cortex Corps calleux Hippocampe Striatum Substance noire 0,06 0,83 0,86 0,27 0,55 0,49 0,16 0,83 0,77 0,12 0,83 0,78 0,11 0,42 0,40 0,04 0,74 0,73 0,01 0,31 0,31 0,08 0,75 0,72 0,04 0,75 0,77 0,02 0,52 0,52

Tableau 4.2  Critères de superposition (Diérences de volumes (∆V), Coecients de Dice (κ) et

Index de sensibilité (Se)) calculés entre cinq segmentations de l'atlas recalé sur le template photo- graphique et celles réalisées manuellement sur une souris PS1 (souris contrôle "ctrl") et une souris APP/PS1 (souris modélisant la maladie d'Alzheimer "MA") puis normalisées spatialement sur le template photographique : segmentations du cortex cérébral, du corps calleux, de l'hippocampe, du striatum et de la substance noire. Les scores naux moyens que l'atlas a été capable de localiser globalement ces structures cérébrales sur le template photographique.

Les scores obtenus pour les diérences de volumes calculées entre les segmentations de l'atlas recalé sur le template photographique et les segmentations manuelles montrent que l'atlas a été capable de mesurer sur le template photographique, le volume :

• du cortex cérébral avec une moyenne des erreurs de 5 % (ce qui représente ∼ 4 mm3

pour un hémisphère) ;

• du corps calleux avec une moyenne des erreurs de 14 % (ce qui représente moins de 1 mm3 _{pour un hémisphère) ;}

• de l'hippocampe avec une moyenne des erreurs de 12 % (ce qui représente moins de 2 mm3 _{pour un hémisphère) ;}

• du striatum avec une moyenne des erreurs de 8 % ;(ce qui représente ∼ 1 mm3 _{pour un}

hémisphère)

• de la substance noire avec une moyenne des erreurs de 7 % (ce qui représente ∼ 0,1 mm3

pour un hémisphère).

En moyennant les coecients de Dice calculés pour les structures de grande taille (cortex, hippocampe et striatum) chez les deux souris, nous avons obtenu un score moyen de ∼ 0,79. La moyenne des index de sensibilité obtenus pour ces mêmes structures s'est élevée à ∼ 0,77. Pour le corps calleux (structure ne) et la substance noire (structure profonde de petite taille), ces scores sont plus faibles (score moyen pour les coecients de Dice valait ∼ 0,45, celui pour les index de sensibilité était de ∼ 0,43). Ces scores attestent que l'atlas a été capable de localiser correctement les structures de grande taille sur le template photographique. L'identication par l'atlas des structures nes et petites sur le template photographique est elle plus incertaine ; la détection par l'atlas de clusters dans ces régions cérébrales doit donc être vériée.

4.2. Indexation automatique par atlas des zones de variations d'activités cérébrales 135

4.2.3 Indexation automatique des clusters basée sur les