L’approche LOCUSB comble les principaux d´efauts de LOCUS en mod´elisant la segmentation coupl´ee des tissus et des structures dans un cadre statistique ´el´egant. Elle fournit des r´esultats tr`es satisfaisants. Le mod`ele pourrait cependant ˆetre compl´et´e. Nous esquissons dans cette section quelques pistes.
Int´egration de couplages suppl´ementaires.
La mod´elisation statistique de LOCUSB permet d’int´egrer de mani`ere naturelle de nouvelles connaissances pour enrichir le mod`ele. En particulier le cadre unifi´e propos´e permet d’introduire des nouvelles modalit´es de couplage.
Extraction du cerveau. L’extraction du cerveau est g´en´eralement consid´er´ee comme un pr´e- traitement mais pourrait ˆetre coupl´e `a la segmentation des tissus et des structures. Partant d’un masque initial, celui-ci pourrait ˆetre raffin´e de mani`ere it´erative. Le couplage pourrait se baser sur des propri´et´es anatomiques : par exemple la mati`ere blanche ne se retrouve jamais en p´eriph´erie du cerveau ; elle est toujours prot´eg´ee par une fine couche de cortex d’au moins 1.5mm. Ce type d’information pourrait ˆetre exprim´e dans un cadre possibiliste via une relation spatiale de distance entre la mati`ere blanche et l’ext´erieur du masque du cerveau. Elle permettrait d’assurer une ´epaisseur minimum de mati`ere grise p´eriph´erique dans l’extraction.
Segmentation des lignes sillons. On observe que la mod´elisation markovienne de la segmen- tation a souvent un effet de « gommage » des structures fines comme les sillons. Les mod`eles chiens (Descombes et al.,1995) sont connus pour ´eviter une telle situation mais leur extension en 3-D est d’une tr`es grande complexit´e calculatoire. On pourrait plutˆot consid´erer l’ajout d’une connaissance suppl´ementaire sur les sillons. Elle pourrait se baser sur la d´etection a priori des sillons par morphologie math´ematique (Mangin et al.,1995), ou par l’introduction de mod`eles statistiques des sillons (Corouge et Barillot,2002) `a recaler sur l’image.
De plus, le cadre propos´e par LOCUSB pourrait permettre de coupler l’estimation des lignes de sillons `a la segmentation des tissus et des structures. On pourrait consid´erer les sillons comme des structures au mˆeme titre que les structures sous-corticales en introduisant un atlas statistique orient´e r´egion des sillons. Cependant, la segmentation des sillons implique vraisemblablement des probl`emes diff´erents de la segmentation des structures sous-corticales (´epaisseur fine, replis nombreux, etc.) ainsi que des interactions diff´erentes avec les tissus et les structures. Il serait alors sans doute pr´ef´erable de consid´erer la segmentation des sillons comme une troisi`eme donn´ee manquante coupl´ee `a la segmentation des tissus et des struc- tures.
Prise en compte du volume partiel.
Le volume partiel n’est actuellement pas pris en compte dans nos mod`eles. Le simple ajout de classes gaussiennes suppl´ementaires pour mod´eliser les voxels contenants les tissus interm´ediaires LCR+MG et MG+MB devrait fonctionner avec notre approche. Il est cependant probable qu’il faille utiliser des sous-volumes plus grands afin que les classes soient suffisamment repr´esent´ees. Il serait pr´ef´erable de consid´erer des mod`eles plus r´ealistes de volume partiel. En particulier celui propos´e parSantago et Gage(1993) serait facile `a mettre en œuvre et ne n´ecessiterait pas d’agrandir les sous-volumes. Il n’introduit en effet pas de nouveaux param`etres mais estime la forme des distributions des classes de volume partiel `a partir des mod`eles des classes de tissu pur (voir Section3.2.4, page37). Une approche semblable `aVan Leemput et al.(2003), ou bien l’utilisation de champ de Markov flou serait aussi `a consid´erer (Salzenstein et Collet,2006).
Partitionnement du volume.
Le partionnement cubique du volume n’est pas enti`erement satisfaisant car arbitraire. Le param`etre de la taille des sous-volumes, bien que peu sensible pour des niveaux d’inhomog´en´eit´e courant avec les imageurs actuels, est `a d´eterminer. Dans les ´evaluations il a ´et´e d´etermin´e et fix´e de mani`ere empirique. Une premi`ere am´elioration serait d’estimer ce param`etre `a partir de l’image en maximisant un crit`ere. Le crit`ere pourrait par exemple chercher `a trouver un compromis entre petite taille des cubes et maximisation d’entropie dans chaque cube.
Une meilleure solution serait d’estimer dans l’image un partitionnement non cubique optimal, qui maximise la quantit´e moyenne d’information dans chaque sous-volume. Des approches par
diagramme de Vorono¨ı, et par multi-r´esolution serait `a envisager.
Extension aux donn´ees pathologiques.
Le probl`eme de la segmentation des donn´ees pathologiques est important. Dans le cas de la scl´erose en plaque les l´esions sont g´en´eralement petites et la segmentation de l’image en trois classes n’est pas perturb´ee. Pour la segmentation en quatres classes (tissus + l´esions) la classe l´esion n’est que tr`es peu repr´esent´ee, et les m´ecanismes de r´egularisation des mod`eles locaux ne sont pas suffisants pour diffuser dans le volume complet la mod´elisation de cette classe.
Pour des l´esions plus volumineuses (tumeurs, accidents vasculaires c´er´ebraux) la segmentation en trois classes est fortement perturb´ee car il existe r´eellement quatres classes. Dans cette situtation, malgr´e les m´ecanismes de r´egularisation, la segmentation en quatres classes ´echoue car la classe n’est pas suffisament repr´esent´ee spatialement.
La segmentation d’IRM c´er´ebrales pathologiques n´ecessite donc une mod´elisation particuli`ere avec une approche locale. Plusieurs pistes sont `a envisager :
• D’une part, le partitionnement « intelligent »du volume contribuerait `a une meilleure repr´esen- tation des classes dans chaque sous-volume. Il serait donc b´en´efique pour segmenter les donn´ees pathologiques mais peut-ˆetre pas suffisant.
• On pourrait imaginer estimer le nombre de classes dans chaque sous-volume avec par exemple un crit`ere BIC (Bayesian Information Criterion) (Schwarz,1978). L’estimation locale pourrait alors se baser sur l’estimation d’un nombre r´eduit de classes et sur des m´ecanismes de r´egularisation fournissant les classes manquantes via le voisinage.
• On pourrait aussi consid´erer la segmentation des l´esions comme un probl`eme coupl´e `a la segmen- tation des tissus en trois classes via la d´efinition d’un probl`eme `a donn´ees manquantes coupl´ees. L’interaction du mod`ele de l´esion sur le mod`ele des tissus pourrait naturellement permettre de ne pas consid´erer les voxels de la l´esion dans l’estimation des tissus. L’interaction du mod`ele des tissus sur le mod`ele de la l´esion pourrait permettre de d´efinir les tissus sains.
Impl´ementation r´eellement distribu´ee.
Comme mentionn´e le syst`eme multi-agents est ex´ecut´e dans un seul processus et un seul thread syst`eme. Cette impl´ementation permet de mieux contrˆoler les conditions d’ex´ecution et de concevoir plus facilement une preuve de concept de nos approches sans consid´erer les multiples probl`emes li´es au parall´elisme uniquement (acc`es simultan´e aux donn´ees, etc.)
L’architecture pourrait toutefois ˆetre adapt´ee pour fonctionner dans un environnement r´eellement distribu´e (multi-thread, multi-processeurs, multi-sites) afin de permettre une v´eritable parall´eli- sation des traitements et ainsi acc´el´erer le processus. On pourrait de mˆeme envisager une impl´emen- tation sur processeurs graphiques (GPU) offrant une tr`es grande puissance de calcul parall`ele `a coˆut r´eduit. Si leur programmation ne pouvait `a l’origine ˆetre r´ealis´ee que dans des langages de bas niveau, des langages de haut niveau proche du C tel CUDA permettent d´esormais le d´eveloppement rapide et structur´e profitant de ces architectures massivement parall`eles. Le d´eploiement sur une grille serait contraint par la taille des informations ´echang´ees entre agents. Lors d’´echange de donn´ees de petite taille (par exemple des mod`eles d’intensit´e des tissus dans LOCUS-T) cela ne pose pas de probl`eme. Pour des donn´ees plus importantes (´echange de cartes de probabilit´es 3-D dans LOCUS-TS) ces ´echanges peuvent limiter l’efficacit´e du calcul sur grille.
8.3.1
Synth`ese
L’approche de segmentation LOCUSB offre donc un cadre statistique efficace, original et ´el´egant pour traduire le couplage entre mod`eles. Il a l’avantage de pouvoir identifier, mod´eliser et in-
terpr´eter les interactions entre mod`eles de mani`ere naturelle, permettant d’int´egrer ´el´egamment des extensions pour l’enrichir.
A
Annexes
Sommaire
A.1 Publications scientifiques . . . 135