Pour éviter de réinventer la roue et pour obtenir un barème de comparaison pour les méthodes qui vont être implémentées dans ce projet, il faut vérifier ce qui a déjà été fait dans la littérature. Ce chapitre est un résumé de la littérature en lien avec le projet actuel.
B.3.1
Application TEP-TEP
Il ne semble pas y avoir d’article dans la littérature qui décrit une méthode pour faire du recalage de séquence cardiaque PET-PET ou qui décrit une application d’une telle méthode.
B.3.2
Application indirecte
TEP avec une autre modalitéButs :
Visualization anatomique (CT, IRM) Information supplémentaire (SPECT) Méthodes :
Évaluer les paramètres de recalage sur chaque fenêtre synchronisée indépen- damment, mais initialisée avec la déformation(non-rigide) précédente
Fonction objectif qui est la somme de métrique de similarité sur toutes les fenêtres synchronisées (rigide)
Validations :
Expert qui donne des repères anatomiques, puis utilise une métrique de dis- tance
Générer une vérité terrain grâce à des perturbations Autres modalités
But :
Information supplémentaire sur les tissues (IRM-CT) Générer un atlas (IRM)
Détection de problème cardiaque (US) Méthodes :
Fonction objectif qui est la somme de métriques de similarité sur toutes les fenêtres synchronisées (rigide)
"GroupeWise registration" Validations :
Ratio entre le nombre de voxels de la région d’intérêt de deux séquences qui sont à la même postion et le nombre total de voxels qui composent la région
d’intérêt dans les deux séquences (Nommé "Dice score")
Distance entre centroïd (Fonctionne lorsque les deux images sont acquises en même temps)
Séquence vidéo But :
Suivre le déplacement d’un objet dans une scène Méthodes :
Recherche d’objets en mouvement dans les deux séquences, mises en corres- pondance de ceux-ci et évaluation des paramètres de recalage
Validations :
Qualitatif (Cas où le modèle de base ne réussit pas contre leur modèle qui réussit)
B.3.3
Méthodes intéressantes
Description de quelques méthodes qui peuvent potentiellement être utilisées pour ce projet.
Séquence vidéo : [20]
Potentiel : Donner de l’information supplémentaire sur l’orientation du coeur. Principe : Évaluer les paramètres de recalage d’un objet selon le déplacement de ce dernier.
Remarque : Pour les images utilisées, il y a seulement un objet qui se déplace, ce qui simplifie le problème. Cependant, il faut connaître la position spatiale de l’objet et son déplacement dans le temps.
Cyclique : [18, 60]
Potentiel : Possibilité de simplifier ou stabiliser le modèle.
Principe : Dans la littérature, utilisé en considérant que la composition, dans l’ordre chronologique de la séquence, des paramètres de recalage qui lie deux images successives d’une même séquence devrait être l’identité.
Remarque : Il faut voir s’il y a une manière d’exploiter cette propriété sans connaître les paramètres de recalage entre les différentes images qui composent une séquence.
Multicannaux : [33, 55,64, 85]
Potentiel : Permet d’exploiter le fait que les données sont des séquences pour améliorer l’évaluation du recalage.
Principe : Il faut creuser un peu plus pour voir la subtilité qui la différencie des deux précédentes.
Remarque : Formulation 4D CT dans littérature demande d’évaluer les para- mètres de recalage intraséquentiel. Il faut regarder s’il est possible d’éviter ça.
B.3.4
Métrique de qualité
Qualité : [40, 105]– Extraire l’orientation du coeur de l’image cible et celui de l’image à déformer et comparer celle de l’image déformée avec celle de l’image cible.
– Segmenter le coeur de l’image cible et de l’image à déformer et évaluer la distance entre la segmentation de l’image déformée et celle de l’image cible.
– Il est important de faire attention lorsque vient le temps de comparer la qualité d’un recalage, surtout en imagerie médicale. Dans l’article [86], l’auteur discute de ce problème dans le cas de recalage non linéaire.
B.4
Outils disponibles
Description des outils disponibles. Utile pour évaluer le temps nécessaire pour tester et implémenter les différentes méthodes.
B.4.1
Prototypage
Package disponible sur python qui possède, a priori, la plupart des outils de reca- lage nécessaires pour faire des tests et du prototypage. Ils n’ont pas été testés, alors il est possible qu’ils ne soient pas intéressants pour ce projet.
NiPy imReg
B.4.2
Logiciels de référence
Afin de valider que les méthodes de recalage qui n’exploitent pas les séquences ne sont pas capables de résoudre le problème de ce projet, il faut faire des tests avec des logiciels qui sont les "gold standard" du recalage. Suite à quelques discussions avec les membres du projet, deux logiciels ont été retenus.
Advanced Normalization Tools (ANTs) : Logiciel reconnu comme le "gold stan- dard" dans la littérature. Il fournit un grand nombre d’options que ce soit en modélisation ou en optimisation. En particulier, il permet de faire du recalage multiniveaux. Pour plus d’information, voir le site web de ANTs : http ://st- nava.github.io/ANTs/ .
FMRIB’s Linear Image Registration Tool (Flirt) : Logiciel aussi reconnu pour la qualité de ses recalages. Il s’agît d’un des nombreux logiciels disponibles dans FSL. Contrairement à ANTs, le nombre d’options est beaucoup plus limité. Pour plus d’information, voir le site web de FSL Flirt :
http ://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FLIRT .
Ils sont tous deux complètement fonctionnels en ligne de commande, ce qui va permettre de facilement lancer un grand nombre de tests au besoin.
B.4.3
Implémentation pour Imeka
Les fonctions objectifs, le modèle rigide et la gestion d’images multidimension- nelles sont déjà implémentés dans MITK. Considérant le fait qu’une partie de ce projet consiste à générer un modèle exploitant l’information séquentiel, la majeure partie de l’implémentation devrait consister à combiner judicieusement des outils déjà disponibles dans MITK.