Un problème récurrent lors de l'utilisation des méthodes de segmentation d'image pour l'étude de la SEP est celui de l'identi cation et de la classi cation des lésions. Ceci est du à leur grande variété de topologie (taille, forme) et de contraste (temps de relaxations), compliquant singulière- ment les approches par atlas comme par seuillage. Pour notre application de correction du volume de LCS, le problème principal porte sur les larges lésions hypo-intenses des images pondérées en T1, dont le contraste proche de celui du LCS induit fréquement une mauvaise classi cation,
et donc au nal une surestimation des concentrations dans le volume. Cette problématique est d'autant plus importante que les formes de la maladie peuvent présenter diérents degrés de charge lésionnelle, introduisant une biais lors de leur comparaison. Une approche possible de résolution de ce problème est la segmentation multi-spectrale à partir d'images de contrastes diérents, au prix cependant d'un temps d'acquisition prohibitif en routine clinique et/ou d'une dégradation de la résolution spatiale générant un biais important d'eet de volume partiel. Une autre approche consiste à forcer au maximum le contraste T1, notamment en augmentant l'angle
de bascule des séquences rapides à écho de gradient, mais est rapidement limitée cependant par les problèmatiques de SAR et de dépot d'énergie. Nous proposons ici une approche originale, consistant à augmenter le nombre de classes recherchées lors de la segmentation, avec pour ob- jectif de mieux distinguer le LCS des lésions en labélisant ces dernières par des nouvelles classes intermédiaires entre SG et LCS.
Nous nous attacherons dans l'étude suivante à valider qualitativement la pertinence de notre approche sur des patients présentant de nombreuses et larges lésions. Dans un second temps, nous avons estimé à partir de simulations le biais de volume partiel que cela pourrait introduire.
Nous avons pour cela simulé 10 images à partir d'un modèle de cerveau SEP et de niveau d'hétérogénéités (80%) et de bruit (0.5%) moyen (voir 6.3.2), en calculant le biais sur le facteur de correction du volume de LCS (voir 6.3.3) en fonction du nombre de classes de segmentation, avec et sans correction N3 et SUSAN (voir 6.2.1). Dans un troisième temps, nous avons validé cette approche sur les données in vivo de 12 sujets sains et de 10 patients au pire cas présentant des lésions de volume très important.
Comme attendu, nous observons bien que l'introduction de classes de segmentation supplé- mentaire se traduit par une segmentation de classes intermédiaires aux interfaces (voir Fig.6.10).
Fig. 6.10. Répartition des classes tissulaires de segmentation en fonction de leur nombre sur une image simulée
Sur des images in vivo, cette répartition se traduit aussi par une réduction du problème de classi cation en LCS des lésions, comme illustré ici sur le patient SEP présentant le plus de lésions dans notre cohorte (voir Fig.6.11).
Fig. 6.11. Images de probabilité tissulaire du LCS en fonction du nombre de classes de segmentation chez un patient SEP présentant beaucoup de lésions
L'étude du biais que cette approche introduit sur le facteur de correction du LCS (voir Fig.6.12) a révélé une augmentation quasi-linéaire de celui-ci en fonction du nombre de classes de segmentation, une annulation du biais entre 4 et 5 classes recherchées (avec correction), ainsi qu'une in uence signi cative des algorithmes de correction de bruit et des hétérogénéités d'intensité. Etant donné cependant les ordres de grandeur du biais, ces résultats montrent une in uence négligeable jusqu'à 5 classes de segmentation, un biais de 0,7% correspondant à une surestimation de 0,07 mM pour un métabolite de concentration 10 mM. Cette valeur nous semble donc être un bon compromis entre e cacité de la réduction du problème de classi cation des lésions (voir Fig.6.11) et absence de biais sur le facteur de correction.
Fig. 6.12. Biais sur le facteur de correction du LCS en fonction du nombre de classes de segmentation. Si les résultats sur données in vivo ne nous permettent pas d'étudier le biais en l'absence de vérité terrain, nous observons toutefois que le volume de LCS estimé diminue bien avec le nombre de classes de segmentation (voir Fig.6.13), dans des proportions similaires avec nos simulations pour les sujets sains, validant ainsi que le biais est similaire, et dans des proprotions légèrement plus marquées pour les patients SEP présentant de nombreuses lésions, confortant ainsi l'e cacité de notre approche.
Fig. 6.13. Pourcentage volumique de LCS dans le volume d'intérêt en fonction du nombre de classes de segmentation pour des patients SEP, des témoins, et des simulations
L'approche originale proposée ici apporte une solution pragmatique et facile à mettre en oeuvre au problème de classi cation des lésions sur des images pondérées en T1, sans rallonger
le temps d'acquisition par une approche multi-spectrale (citation) ni la complexité du post- traitement par une segmentation manuelle des lésions. Cependant, si son innocuité sur le biais d'eet de volume partiel a été démontrée par simulation, une meilleure modélisation des lésions et une étude correspondante de délité entre contrastes des données simulées et in vivo permet- trait une démonstration rigoureuse de son e cacité, et d'ainsi tester l'hypothèse de la correction
du problème au delà de sa diminution. Il convient toutefois de rappeler que l'e cacité de cette approche dépendant très fortement du contraste obtenu et de l'algorithme de segmentation em- ployé, nécessitant une nouvelle étude de validation pour tout changement. Une optimisation des séquences d'acquisition serait par ailleurs souhaitable, car il s'agit plus d'un traitement sympto- matique que curatif du faible contraste entre lésions et LCS. Cette approche ne permet plus en outre de distinguer SB et SG, la répartition entre les deux classes devenant hasardeuse.
Résultats cliniques
Chapitre
7
Description du projet clinique
Il s'agit d'une étude prospective, par suivi longitudinal tous les 6 mois pendant 3 ans de multiples modalités et contrastes IRM (imagerie conventionnelle pondérée en T1 et T2 avec sans
injection de gadolinium, tenseur de diusion, transfert d'aimantation, spectroscopie du proton). Son objectif est de proposer des marqueurs précoces pronostiques du handicap cli- nique. Le projet est nancé par un projet hospitalier de recherche clinique (PHRC) français dont l'objectif est le suivi longitudinal de la mesure de l'atrophie cérébrale. La logistique du projet (collecte, stockage et extraction des données, etc.) est assurée par le projet Européen EDMUS (European Database for MUltiple Sclerosis).
7.1 Constitution de la cohorte
La cohorte est constituée de 100 patients répartis également en fonction de leur forme clinique au moment de l'inclusion (25 de chaque) entre les 3 formes principales de la maladie (RR, SP et PP, voir 2.1.1) et la forme des CIS suggestif d'une SEP. L'appartenance d'un patient à un groupe peut bien entendu évoluer par la suite conjointement à l'évolution individuelle de la maladie, notamment de lors du passage à la phase progressive. Nous avons par ailleurs constitué un groupe contrôle de sujet sains a n de disposer d'une référence. Les caractéristiques principales de la cohorte (Age, EDSS, durée de la maladie) sont détaillées dans la Fig.8.5.