L’objectif clinique vis´e par ce travail (et plus largement par les projets IMOP et euHeart) tient en particulier dans l’aide `a la pose de la sonde ventriculaire gauche `a partir de donn´ees acquises en situation pr´e-op´eratoire. La caract´erisation 3D de l’anatomie veineuse sp´ecifique patient avant l’implantation de cette sonde peut permettre aux cardiologues d’identifier les chemins d’acc`es possibles `a la paroi lat´erale du ventricule gauche et d’adapter le choix de la sonde `a utiliser.
L’objectif plus sp´ecifique de nos travaux tient, `a partir des donn´ees scanner multibarrette recueillies dans le cadre du protocole IMOP, `a fournir des param`etres morphologiques quan- titatifs sur l’arbre veineux coronaire, tels que la position spatiale, le calibre, la longueur et la tortuosit´e.
Comme nous l’avons vu le scanner devient un outil de grand int´erˆet pour la planification du geste interventionnel de la CRT. Cependant, l’att´enuation du produit de contraste dans le r´eseau veineux (dˆu `a son passage pr´eliminaire dans le r´eseau art´eriel et dans le myocarde) et un protocole d’acquisition non optimis´e pour les veines coronaires peuvent entraˆıner une mau- vaise opacification cardiaque. De plus les veines coronaires pr´esentent des diam`etres fortement variables, larges au niveau du sinus coronaire (de 7 `a 13 mm dans sa partie moyenne) tandis que les plus fins vaisseaux peuvent mesurer jusqu’`a 1,5 mm. De fortes courbures peuvent ´egalement ˆetre observ´ees ainsi que des connexit´es avec d’autres structures anatomiques telles que les art`eres coronaires et les ventricules.
La difficult´e se situe donc dans la d´efinition d’une m´ethode d’extraction suffisamment robuste pour faire face aux caract´eristiques particuli`eres du r´eseau veineux coronaire.
Dans un second temps, nous nous int´eresserons plus globalement `a la d´efinition d’un sch´ema de planification d’une proc´edure d’implantation personnalis´ee dans laquelle la ca- ract´erisation du r´eseau veineux est un ´el´ement essentiel. Dans le but d’une optimisation glo- bale de la proc´edure, l’information anatomique de l’arbre veineux coronaire doit ˆetre fusionn´ee avec les donn´ees anatomiques, ´electriques, m´ecaniques et h´emodynamiques du ventricule gauche. Pour cela plusieurs modalit´es r´ecentes d’imagerie et de signaux ´electro-physiologiques peuvent ˆetre utilis´es pour extraire ces informations compl´ementaires. Ce dernier point fait l’objet de travaux compl´ementaires au LTSI. Ma derni`ere contribution a port´e sur l’ana- lyse des probl`emes pos´es et sur une r´eflexion permettant de proposer de premiers ´el´ements de r´eponses ainsi que des pistes de travail, au regard de l’´etat de l’art, pour ´elaborer une proc´edure de planification adapt´ee `a la CRT et `a la difficult´e li´ee au mouvement cardiaque.
Chapitre 2
Etat de l’art
Dans le cadre des maladies vasculaires, l’analyse visuelle des vaisseaux `a partir de bases de donn´ees 3D est une ´etape fondamentale pour l’aide au diagnostic, au traitement mais ´egalement `a la planification d’interventions endovasculaires en revascularisation. La plupart des syst`emes de traitement d’images et de visualisation 3D proposent des outils interactifs pour faciliter cette analyse. Cependant, les outils de quantification utilis´es en routine clinique font largement appel `a des trac´es manuels. Les modalit´es d’imagerie 3D modernes, telles que l’imagerie scanner (CT) ou l’imagerie par r´esonnance magn´etique (IRM), disposent d’outils install´es sur des plateformes cliniques, mais qui peuvent encore demander au clinicien une ´etape de segmentation manuelle longue et contraignante. Dans ce contexte, les techniques de traitement d’images automatique ou semi-automatique ont pour but d’acc´el´erer cette phase d’analyse, en r´eduisant les interactions manuelles et la variabilit´e inter-observateurs.
Les performances des algorithmes de segmentation vasculaire sont d´ependantes des ca- ract´eristiques du syst`eme de formation des images et de la qualit´e des images r´esultantes en ´etant li´ees aux caract´eristiques propres des syst`emes d’acquisition (r´esolution, bruit, ...) mais aussi aux propri´et´es et modes d’injection du produit de contraste et aux m´ethodes de recons- truction des images (artefacts de reconstrucion). Les structures vasculaires peuvent ´egalement ˆetre `a l’origine de difficult´e de par leur morphologie. En effet, elles peuvent se pr´esenter sous forme de r´eseau complexe, mais ´egalement pr´esenter une grande variabilit´e de calibre et de tortuosit´e. De plus, leur apparence et leur g´eom´etrie peuvent ˆetre perturb´ees par la pr´esence de st´enoses, de proth`eses endovasculaires ou stents, de calcifications ou encore d’an´evrismes. Enfin, elles sont anatomiquement connexes `a d’autres organes, de densit´e tissulaire parfois voisine, et pouvant rendre leur d´etection et quantification difficiles.
La litt´erature propose un certain nombre de m´ethodes pour segmenter les structures vasculaires qui diff`erent selon la modalit´e d’imagerie, le domaine d’application (c´er´ebral, r´etinien, h´epatique, p´eriph´erique, pulmonaire, cardiaque, etc). Dans cette revue bibliogra- phique, nous nous int´eressons en particulier aux modalit´es d’imagerie 3D avec r´ehaussement des vaisseaux par produit de contraste, `a savoir l’imagerie scanner et l’IRM. Nous avons vu pr´ec´edemment (paragraphe 1.3) les avantages apport´es par les derni`eres g´en´erations de scanner et d’IRM pour la visualisation d´etaill´ee de structures vasculaires cardiaques. Nous
proposons une synth`ese des principales approches de segmentation vasculaire, bas´ee sur les revues de Kirbas et al. [Kirbas and Quek, 2004] et Lesage et al. [Lesage et al., 2009]. Puis nous nous focalisons sur quelques m´ethodes d´edi´ees aux vaisseaux coronaires.
Dans un premier temps, nous d´ecrivons bri`evement les techniques de pr´e-traitement et pr´e-segmentation dont le but est de simplifier le contenu de l’image, am´eliorer la qualit´e de l’image et localiser approximativement les structures vasculaires. Puis cinq types d’approches d’extraction de vaisseaux sont pr´esent´ees.
Les approches bas´ees mod`eles d´eformables permettent de d´eformer et d´eplacer des courbes ou des surfaces en appliquant des forces de propagation calcul´ees `a partir de crit`eres locaux, exploitant le gradient, la courbure, ou plus globaux s’appuyant sur des crit`eres de r´egion. On distingue les contours actifs et les mod`eles d´eformables implicites.
Les approches bas´ees croissance de r´egion exploitent les propri´et´es de connexit´e et asso- cient en g´en´eral un crit`ere de seuil pour les m´ethodes classiques tandis que les m´ethodes de propagation de front d’ondes introduisent la notion d’inclusion ordonn´ee.
La troisi`eme approche est fond´ee sur un suivi de la structure dans l’espace 3D.
La quatri`eme approche revient `a consid´erer l’image comme un graphe et r´esoudre le probl`eme des chemins minimaux afin de retrouver la ligne centrale d’un vaisseau par exemple. Enfin, les approches stochastiques apparaissent prometteuses de par leur contexte d’hy- poth`eses multiples.
2.1
Pr´e-traitement et pr´e-segmentation
Beaucoup d’algorithmes d’extraction pr´esent´es par la suite utilisent une ´etape de pr´e- traitement du volume ou de pr´e-segmentation. L’objectif des techniques de pr´e-traitement est de r´eduire le bruit et de r´ehausser les structures d’int´erˆet, tandis que les techniques de pr´e-segmentation permettent d’estimer une premi`ere zone de recherche. Les techniques de pr´e-traitement se divisent en deux principales approches : les techniques de filtrage vasculaire et les m´ethodes de diffusion anisotrope.
Les m´ethodes les plus simples sont bas´ees sur des filtres de morphologie math´ematique ([Masutani et al., 1998, Wilkinson and Westenberg, 2001, Zana and Klein, 2001]). Les algo- rithmes sont bas´es sur les quatre op´erations fondamentales : ´erosion, dilatation, ouverture et fermeture. Ce genre d’approches ne permet pas de fournir un r´esultat en fonction de la configuration du voisinage et fournit g´en´eralement un r´esultat approch´e.
Une approche de filtrage vasculaire largement r´epandue utilise les d´erivations du second ordre pour caract´eriser localement la g´eom´etrie dans un volume 3D et dans le but de d´etecter des structures tubulaires hyper-denses. L’information de d´eriv´ee seconde donne les principales courbures pr´esentes localement dans l’image en fonction des intensit´es. Ainsi, les vaisseaux peuvent ˆetre distingu´es par une d´ecomposition sp´ecifique de ces courbures localement, `a savoir une faible orientation de courbure dans la direction du vaisseau et de fortes cour- bures dans le plan orthogonal au vaisseau. La matrice de Hessien est l’outil le plus com- mun´ement utilis´e pour obtenir ce genre d’information. Les premiers travaux se basant sur les vecteurs propres de la matrice de Hessien pour estimer l’orientation des vaisseaux ont ´et´e
Pr´e-traitement et pr´e-segmentation 39
propos´es par Koler et al. [Koller et al., 1995]. Puis, de nombreux travaux se sont int´eress´es au r´ehaussement des structures vasculaires par des filtres multi-´echelles bas´es sur la matrice de Hessien ([Frangi et al., 1998, Sato et al., 1998, Lorenz et al., 1997, Krissian et al., 2000]). Les valeurs propres de la matrice de Hessien sont analys´ees afin de distinguer les structures tubu- laires, des structures planes ou sph´eriques. Le filtre con¸cu par Frangi et al. [Frangi et al., 1998] est le plus repris dans de nombreux travaux de par sa formulation g´eom´etrique intuitive. La faiblesse principale de ce genre de filtres est leur sensibilit´e aux d´eformations locales telles que les an´evrismes, st´enoses et bifurcations. La pr´esence de bruit et de structures avoisi- nantes peut ´egalement perturber la r´eponse du filtre. De plus, afin de traiter diff´erentes tailles de vaisseaux, la matrice de Hessien est calcul´ee par convolution de filtre gaussien de diff´erents ´ecart-types. L’´echelle s´electionn´ee correspond `a l’´echelle (ou `a l’´ecart-type) ayant donn´e la r´eponse maximale du filtre dans l’intervalle des ´echelles consid´er´ees. L’extraction de larges vaisseaux n´ecessite l’utilisation de grands ´ecart-types pouvant induire un flou spa- tial. La r´eponse de ces filtres peut ainsi ˆetre perturb´ee par la pr´esence d’autres structures hyper-intenses dans le voisinage du vaisseau d’int´erˆet. Enfin, de grands ´echelles n´ecessitent un temps de calcul important.
Une autre mani`ere d’analyser localement la g´eom´etrie dans l’image, est l’exploitation de la covariance spatiale des vecteurs de gradients de l’image. Un premier sous-groupe de m´ethodes s’int´eresse `a la distribution spatiale de ces vecteurs de gradient `a travers l’analyse de tenseur de structure. Les travaux propos´es par Agam et Wu [Agam and Wu, 2005] et Agam et al. [Agam et al., 2005] d´emontrent leur capacit´e `a d´etecter potentiellement plus d’une direction. Ils peuvent ainsi d´etecter des nodules et des bifurcations et les diff´erencier de simples segments vasculaires. Une autre approche plus r´ecente vise `a exploiter la distribution spatiale des vecteurs de gradient par flux orient´e optimal [Law and Chung, 2008, Law and Chung, 2009]. Ce flux orient´e optimal est bas´e sur la mesure de flux de gradient `a travers le contour de sph`eres locales. Dans [Law and Chung, 2008], les auteurs pr´esentent les avantages du flux orient´e optimal par rapport aux informations apport´ees par la matrice de Hessien, `a savoir des r´eponses plus stables et plus pr´ecises et ´egalement une robustesse aux difficult´es provenant des structures adjacentes.
La seconde approche de pr´e-traitement d’un volume 3D ayant fait l’objet de plusieurs ´etudes est la diffusion anisotrope. Il s’agit d’une proc´edure d´eriv´ee du produit de convolution avec une fonction gaussienne permettant de r´eduire le bruit tout en pr´eservant les vaisseaux fins et faiblement contrast´es. La diffusion est guid´ee par l’anisotropie locale pr´esente dans l’image estim´ee par l’analyse des directions du gradient et de courbures minimales et maxi- males. Manniesing et al. [Manniesing et al., 2006] exploitent la matrice de Hessien tandis que Krissian et al. [Krissian, 2002] utilisent un flux de gradient vectoriel. Dans [Krissian, 2002], les auteurs cherchent `a lisser plus dans la direction de l’axe du vaisseau que dans la direction de sa section.
Enfin les techniques de pr´e-segmentation peuvent ˆetre r´eduites `a des proc´edures relative- ment simples et approximatives. Des r´egions d’int´erˆet (ROI) peuvent ˆetre s´electionn´ees par une connaissance anatomique a priori. Il peut s’agir d’un masque du coeur pour la segmenta- tion des coronaires [Florin et al., 2004] ou d’un atlas probabilistique pour la vascularisation
c´er´ebrale [Passat et al., 2006]. Une ROI peut ´egalement ˆetre obtenue par seuillage d’inten- sit´e. Cette technique pr´esuppose que l’intensit´e de l’arbre vasculaire soit diff´erente de celle des autres structures. L’application d’un seuil global n’est, dans la plupart des cas, pas per- tinente et est tr`es souvent remplac´ee par l’application d’un seuil adaptatif qui tient compte des caract´eristiques locales de la structure [Wu et al., 2004]. Les techniques de seuillage au- tomatique permettent d’am´eliorer les r´esultats. Wilson et al. [Wilson and Noble, 1999] ont ainsi d´evelopp´e une m´ethode pour segmenter les art`eres c´er´ebrales en IRM en exploitant un mod`ele statistique de la distribution des intensit´es des voxels dans le volume. Les pa- ram`etres du mod`ele sont calcul´es en appliquant un algorithme de maximisation (Expectation- Maximization algorithm).