Positionnement de mes activités (sections CNU 61 et 63)

Mes travaux de recherche concernent le développement et l’application de concepts, de méthodes, de moyens et d’outils pour la caractérisation de tissus biologiques par spectro-imagerie in vivo. L’objectif final de détection et de caractérisation de lésions précancéreuses et cancéreuses précoces passe par :

– la localisation de lésions en imagerie endoscopique qui nécessite l’acquisition et le traitement d’images en lumière blanche et en fluorescence et la construction d’images panoramiques 2D superposant les deux modalités,

– la caractérisation tissulaire par spectroscopie optique point par point qui nécessite l’ac-quisition et le traitement de signaux multidimensionnels (dimensions spectrale, spatiale et temporelle), l’identification de paramètres optiques des tissus à partir de mesures globales de surface (nécessitant la mise en œuvre d’une modélisation des interactions lumière – tissus appropriée), l’extraction et la sélection de caractéristiques spectrales menant à une classification diagnostique optimale.

II.2.2.3.1 Instrumentation

Le développement, la réalisation et la validation métrologique et expérimentale de systèmes d’acquisition de données en spectroscopie multimodale et en imagerie endoscopique de fluores-cence sont rendus nécessaires de par leurs spécificités et leurs contraintes d’application en situa-tion in vivo voire clinique. Le regroupement de ces équipements de spectro-imagerie UV-Vis-NIR constitue l’une des plateformes d’expérimentation du CRAN.

La spectroscopie multimodale couplant les mesures en excitation d’AutoFluorescence (AF) et en Réflectance Diffuse (RD) est développée par seulement quelques équipes au niveau internatio-nal. Elle nécessite la conception et la réalisation d’une instrumentation spécifique, en particulier dans le cas d’une utilisation in vivo. Depuis 2005, nous avons développé et mis au point un sys-tème automatisé de spectroscopie UV-Vis-NIR fibrée résolue spatialement c’est-à-dire permettant l’acquisition simultanée de spectres tissulaires à plusieurs distances inter-fibres. Notre système de source de lumière configurable repose sur un ensemble de filtres optiques linéairement variable, passe-haut et passe-bas, permettant de fournir une succession de pics d’excitations pour l’auto-fluorescence (bandes étroites et longueurs d’onde centrales entre 360 et 450 nm) et de bandes d’illumination plus larges pour la réflectance diffuse (360 à 750 nm). Des procédures spécifiques de calibrage et de corrections de la réponse spectrale du système et des variations de puissance en fonction du temps, adaptées aux protocoles expérimentaux précliniques menés sur plusieurs

Chapitre II. Notice d’activités

semaines, ont été établies. L’ensemble de ces éléments est détaillé dans les références suivantes : [RI18, CI23, CI27, CN12, CN13, CN14]. Finalement, l’optimisation et le packaging de cette instrumentation pour le transfert en clinique sont en cours (réduction du temps de mesure, amé-lioration du RSB, sous-traitance industrielle) avec un objectif d’utilisation en clinique en 2009 (dermatologie).

L’originalité du système d’imagerie endoscopique développé au laboratoire concerne la visua-lisation simultanée et en temps réel des images en lumière blanche et d’images de fluorescence avec excitation dans la bande 390-450nm. Le principe, détaillé dans [RN3], consiste à acquérir ces différentes images successivement dans le temps, au rythme d’une acquisition vidéo et en synchronisation avec un système de commutation rapide entre une source d’illumination en lu-mière blanche et une source d’excitation d’autofluorescence. Cette approche permet d’obtenir des séquences d’images en lumière blanche et en fluorescence superposables spatialement, que nous pouvons alors utiliser pour construire des images panoramiques bimodales à l’aide de tech-niques de mosaïquage [RI11, CI19]. L’ensemble est utilisable sur tout type d’endoscope rigide ou souple. Le dernier prototype réalisé dans le cadre d’un projet de collaboration technologique multi-laboratoires (cf. §II.4.2.2, page 31) permet de disposer d’un système de dimension réduite avec lequel un premier essai clinique est envisagé en 2008 [CI24, Th9, Th7].

II.2.2.3.2 Modélisation des interactions lumière – tissus biologiques

En spectroscopie point par point, la forme et l’amplitude des spectres d’intensité mesurés dé-pendent des propriétés optiques du tissu analysé, elles-mêmes liées à la présence des éléments constitutifs du tissu (organites cellulaires, cellules, matrices, vaisseaux. . . ). La nature, la fonction-nalité, le nombre, la densité, la dimension, l’orientation et l’organisation de ces différents consti-tuants varient en fonction du type de tissu et selon son état (sain ou pathologique par exemple). Du point de vue optique, ces constituants font des tissus biologiques des milieux absorbants, très diffusants et multi-fluorescents (plusieurs fluorophores excités à différentes longueurs d’onde). Compte tenu de cette grande complexité, la modélisation des interactions entre la lumière et les tissus biologiques afin de déterminer les propriétés optiques locales de ceux-ci constitue un axe de développement important. Parmi les principales approches existantes (résolutions numé-riques par méthode des flux de l’Equation de Transfert Radiatif, modèle par approximations de Kubelka-Munk, simulation statistique, cf thèse d’E. Pery [Th8]), la simulation statistique de la propagation de photons par méthode de Monte Carlo est actuellement la seule à pouvoir prendre en compte la complexité des tissus biologiques. En contre-partie, son principal inconvénient réside dans le temps de calcul nécessaire pour converger vers la solution. Le principe consiste à déplacer dans un modèle multi-couches du tissu un très grand nombre de photons dans des directions et sur des distances tirées au sort suivant des fonctions de distribution de probabilités caractéris-tiques du milieu c’est-à-dire fonction des coefficients opcaractéris-tiques de chaque couche (notamment µa, µ_set g les coefficients d’absorption, de diffusion et d’anisotropie respectivement). Peu de travaux existent en fluorescence et aucun en fluorescence multiple ou tenant compte des spectres entiers d’absorption et d’émission de fluorophores. Or, ces propriétés sont d’importance majeure dans le cas de notre approche en spectroscopie bimodale UV-Vis-NIR. Nous avons donc développé un algorithme de simulation de propagation de la lumière dans un milieu multi-couches absorbant et diffusant, prenant en compte l’excitation et l’émission multiple de fluorescence sur la base d’un échantillonnage des spectres d’absorption de chaque fluorophore suivi d’une sélection de la longueur d’onde d’émission selon une densité de probabilité fonction du spectre d’émission. Une validation expérimentale rigoureuse sur fantômes a permis de confirmer le bon fonctionnement de l’algorithme développé. La description détaillée de l’algorithme et sa validation sur fantômes

II.2. Recherche sont publiés dans [RI15, CI15]. Cet algorithme (modèle) a été appliqué pour identifier les coeffi-cients optiques (µa, µset g, paramètres du modèle) de tissus artériels multi-couches (absorbants, diffusants et fluorescents) et leurs variations en fonction de modifications structurelles (varia-tions d’épaisseurs) obtenues par déforma(varia-tions mécaniques ; les artères constituant un excellent modèle expérimental pour cela. Compte tenu des temps très longs de simulation, une analyse exhaustive de l’espace de variation des paramètres n’est pas envisageable et la recherche de va-leurs optimales pour ces paramètres a été effectuée en utilisant une méthode d’optimisation de type simplex de Nelder-Mead, ne nécessitant pas de calcul de dérivée(s). Les valeurs initiales des paramètres à optimiser ont été extraites ou interpolées à partir des quelques valeurs disponibles dans la littérature. L’ensemble des résultats de ces travaux est publiée dans [CI20, CI15, CI22] et [CI20, RI14] en intégralité pages 155 et 223.

II.2.2.3.3 Extraction/sélection de caractéristiques et classification

Les spectroscopies d’AutoFluoresence (AF) et de Réflectance Diffuse (RD) résolues spatiale-ment génèrent, pour un point de mesure sur un tissu, des spectres d’intensité échantillonnés en longueur d’onde ce, pour plusieurs excitations de fluorescence, dans plusieurs bandes de RD et pour plusieurs distances entre la fibre d’excitation et les fibres d’émission. C’est à partir de ces jeux de données extrêmement volumineux que l’on cherche à effectuer une classification diag-nostique la plus efficace possible c’est-à-dire avec les Sensibilité (Se) et Spécificité (Sp) les plus élevées en référence à la classification histologique (“gold standard”). La première difficulté réside dans l’extraction de paramètres spectraux particuliers caractérisant les variations d’amplitude et de forme des spectres et potentiellement discriminants pour la classification. Cette étape permet une première réduction de la dimension du jeu de données à l’aide de caractéristiques égale-ment plus “interprétables” : aires sous courbe, intensités à des longueurs d’onde d’intérêt (pics d’absorption de l’hémoglobine par exemple), ratios, pentes. . . . La deuxième étape consiste à analyser la normalité des distributions des valeurs des caractéristiques extraites (tests de type shapiro-Wilk ou Kolmogorov-Lilliefors) puis à sélectionner les plus discriminantes vis-à-vis des classes histologiques à différencier. Nous avons proposé et testé différents sous-ensembles de ca-ractéristiques originales à partir de données de la littérature et de nos propres observations des spectres acquis dans le cadre de deux études in vivo pré-cliniques (modèles tumoraux sur ani-maux). Le cas échéant, une troisième étape de diminution de la dimension du jeu de données est réalisée sur la base d’une analyse des corrélations. Nous avons par exemple montré que les valeurs de Se et Sp varient sensiblement en fonction du nombre de Composantes Principales (CP) retenues à partir d’une Analyse en Composante Principales (ACP), les valeurs optimales de Se et Sp étant obtenues pour un nombre de CP représentant plus de 90% de l’information contenue dans le jeu de données initial [RI16, RI18] (en intégralité pages 207 et 235. La dernière étape consiste à effectuer une classification supervisée (analyse qualitative) à partir du jeu de données spectrales le plus réduit (ou des CP) en référence à la classification obtenue par l’ex-pertise histologique des lames des échantillons tissulaires biopsiés (propriété de référence). Nous avons évalué l’efficacité de différentes méthodes linéaires hiérarchiques (divisions successives du jeu pour aboutir à la formation d’agrégats -clusters- représentés sous forme de dendrogrammes par exemple) et non-hiérarchiques (méthodes itératives), plus ou moins sensibles au caractère gaussien des distributions de nos jeux de données : classification hiérarchique avec distance de Ward [CI22, CI27], méthode des k plus proches voisins (k-NN), Analyse Discriminante Linéaire (ADL) et Support Vector Machines (SVM) [CI23, RI18, RI16]. Les solutions méthodologiques développées (extraction et sélection de caractéristiques spectrales, réduction de dimension) et les résultats de classification obtenus dans le cadre de deux études in vivo menées sur modèles de

Chapitre II. Notice d’activités

cancers de vessie de rats et de pré-cancers de la peau de souris sont publiées respectivement dans [CI21, CI22, CI27] et [CI23, RI18, RI16]. Pour la vessie, nous avons montré que la combinaison des modalités spectroscopiques AF et RD augmente les performances de classification diagnos-tique sain vs inflammatoire vs cancer (Se et Sp ≥ 90%). Pour la peau, nous avons montré que la combinaison des modalités avec multiple excitation de fluorescence associée à l’exploitation des caractéristiques spectrales obtenues à plusieurs distances inter-fibres (excitation-émission) améliore significativement les performances diagnostiques sain vs hyperplasie/dysplasie et hy-perplasie compensatoire vs hyhy-perplasie atypique/dysplasie (Se et Sp = 100%). La classification des états hyperplasiques atypiques vs dysplasiques reste un axe de recherche à poursuivre (Se ≤ 70% et Sp ≤ 80%).

II.2.2.3.4 Recalage et mosaïquage d’images en endoscopie

Durant la période 2003 - 2005, un premier algorithme robuste de recalage et de mosaïquage automatique a été développé [Th7]. Cette méthode comprend à la fois l’algorithme de recalage des paires d’images consécutives d’une séquence et la résolution de problèmes spécifiques liés aux images endoscopiques (correction des distortions radiales, du shading et filtrage du motif de fibres optiques visible dans le cas des fibroscopes). L’algorithme de recalage utilise une mesure de similarité basée sur l’Information Mutuelle (IM) des niveaux de gris entre chaque paire d’images consécutives et une méthode d’optimisation des paramètres de transformation utilisant un gra-dient stochastique. Un ajustement global et simultané des matrices issues du recalage d’images a conduit à des cartes visuellement justes. Une évaluation quantitative de l’erreur de mosaïquage (quelques pixels) a été réalisée à l’aide d’un fantôme de vessie de porc [CI12, CI17]. Une méthode d’étalonnage d’endoscope dont le principal avantage est d’être aussi précise que les meilleures de la littérature tout en étant plus flexible que ces dernières, a également été validée [CI13, RI11]. Cet étalonnage, qui ne nécessite ni une mire particulière, ni dispositif précis de positionnement, est applicable en milieu clinique. Globalement, l’algorithme de recalage proposé [CI24, CI17] est le premier qui autorise un mosaïquage automatique et suffisamment robuste pour prendre en compte la variabilité inter-patients ainsi que celle due aux différents endoscopes. Une seconde étude menée de 2004 à 2007 nous a permis de poursuivre ces travaux en évoluant vers un al-gorithme rapide de mosaïquage automatique compatible avec la durée de l’examen clinique et suffisamment robuste [Th9]. Après avoir évalué une première approche basée sur la transformée de Fourier-Mellin [CI16], nous avons mis en oeuvre une méthode composite de calcul des para-mètres de transformation perspective pour le recalage des images. Les valeurs des parapara-mètres de translation obtenues par un calcul de corrélation servent d’initialisation rapide à un algorithme d’optimisation itératif court de l’ensemble des paramètres. Ce dernier est basé sur une méthode de minimisation d’erreur (Gauss-Newton) par composition inverse permettant un calcul unique du Hessien et donc un gain significatif de temps de calcul. Des validations de la solution développée sur fantômes (application de transformations connues, calcul d’erreur, limites de convergence) et sur séquences réelles (variabilité des sites, instruments, patients) nous ont permis de caractériser quantitativement et qualitativement la robustesse, la vitesse et la précision de construction des images panoramiques [CI16, CN5, CI19, CN9]. L’approche développée nous a permis d’analyser les distribution des valeurs de translation existant entre les images de séquences cystoscopiques classiques et nous avons exploité ces informations pour mettre en œuvre une étape algorithmique de sélection dynamique et automatique des paires d’images à recaler nous permettant ainsi de diminuer d’un facteur 2 à 4 le temps global de construction d’une image panoramique complète [RI17] (en intégralité page 179). Par ailleurs, nous avons validé la faisabilité de la superposition spatiale sur une image panoramique construite, d’informations de fluorescence à l’aide de

fan-II.3. Implications dans l’encadrement scientifique depuis 2003