Segmentation du guide pour la reconstruction 3D
2.5.2 Résultats sur données cliniques
2.5.2.1 Résultats globaux
Le Tableau 2.7 récapitule les statistiques d'erreurs obtenues sur 95% des images de la base de données cliniques où les 5% retirés correspondent aux cas comportant les plus grandes erreurs. Cela nous permet d'avoir une estimation plus réaliste des performances de l'algorithme en général.
Les trois premières lignes du tableau contiennent les distances. On observe qu'en moyenne la distance DVT→SEGde la vérité terrain à la segmentation est de 1.5 pixels démontrant une très bonne détection
2.5. Résultats Métriques moy±std med±mad
DVT→SEG 0.6±0.1 (1.2) 0.6±0.1 DSEG→VT 84.2±76.5 (193.2) 67.5±67.3 D 42.4±38.3 (97.2) 34.1±33.7 FPR 3.6±4.8 (16.0) 0.0±0.0 FNR 1.5±1.6 (7.0) 1.0±1.0 TPR 97.9±2.7 (80.0) 99.0±1.0 ACC 95.4±5.7 (81.0) 99.0±1.0 G 97.4±6.0 (56.4) 100.0±0.0 L 0.6±1.5 (6.0) 0.0±0.0 Ldist 0.1±0.7 (6.0) 0.0±0.0
Table 2.5 Résultats sur la série FANTOME_1 (cas basse dose)
Métriques moy±std med±mad
DVT→SEG 0.7±0.1 (1.1) 0.6±0.1 DSEG→VT 2.3±3.6 (18.3) 0.7±0.3 D 1.5±1.9 (9.8) 0.7±0.2 FPR 0.3±0.6 (2.0) 0.0±0.0 FNR 2.3±2.2 (10.0) 1.0±1.0 TPR 97.0±3.0 (86.0) 98.0±1.0 ACC 99.4±0.8 (97.0) 100.0±0.0 G 97.1±8.3 (6.6) 100.0±0.0 L 1.4±3.1 (20.4) 0.0±0.0 Ldist 0.0±0.0 (0.0) 0.0±0.0
Table 2.6 Résultats sur la série FANTOME_2 (cas dose normale)
du guide. La distance DSEG→VTest en revanche plus élevée avec une distance moyenne de 20.2 pixels ce qui reète l'existence de structures superues dans la segmentation faisant ainsi remonter la distance moyenne symétriqueD à 11.1 pixels.
L'existence de ces structures superues se traduit par un FPR d'environ6%. Néanmoins cette valeur est dépendante du nombre de vrais négatifs donc de la taille de l'image. Le FNR reste assez faible avec
4.6%ce qui équivaut à un TPR de 94.6%reétant et une précision ACCmoyenne de 92.4%.
Globalement 85.6% du guide est segmenté avec une longueur cumulée manquante L qui vaut en moyenne 17.5 pixels. La distanceLdist pour l'extrémité distale est en moyenne de 3.1 pixels.
Métriques moy ±std (erreur max) [95%] med±mad DVT→SEG 1.5±1.6 (9.7) 0.8±0.2 DSEG→VT 19.9±20.2 (91.1) 11.8±10.5 D 11.1±10.3 (46.1) 7.4±6.2 FPR 5.9±7.1 (38.0) 3.5±2.5 FNR 4.6±3.3 (13.0) 4.0±2.0 TPR 94.6±4.1 (79.0) 95.0±2.0 ACC 92.4±9.6 (49.0) 96.0±2.0 G 85.6±17.8 (16.1) 93.9±6.1 L 17.5±22.9 (101.8) 8.7±8.7 Ldist 3.1±10.0 (61.6) 0.0±0.0
Table 2.7 Résultats obtenus sur la base de données globale. La colonne de gauche donne la moyenne±l'écart-type (valeur max ou min selon la mesure considérée) sur 95 % de la base de données globale et la colonne de droite donne la médiane±
2.5.2.2 Dépendance à la pathologie
Le Tableau 2.8 montre que les fausses détections sont bien plus importantes dans le cas des ané-vrismes. En eet, on observe un FPR de 8.4% dans le cas des anévrismes contre 3.1% dans les autres cas. Cette observation est conrmée par une distance DSEG→VTpresque deux fois plus élevée pour les anévrismes. Ces fausses détections sont le plus souvent provoquées par la présence d'un coil. La taille totaleLdes portions manquantes de guide est un peu moins élevée dans le cas des anévrismes. Cela peut s'expliquer par le fait déjà mentionné que sur nos données, les modèles de guide utilisés pour le traitement des anévrismes ont généralement une partie radio-opaque plus courte. En revanche la longueur distale Ldist est près de deux fois moins grande dans le cas des anévrismes. Cela peut s'expliquer par le fait déjà mentionné que sur nos données, les modèles de guide utilisés pour le traitement des anévrismes ont généralement un diamètre plus grand et apparaissent par conséquent plus contrastés dans l'image.
Métriques Pathologie Autre Anévrisme DVT→SEG 1.2±1.1 (5.7) 1.7±2.3 (14.3) DSEG→VT 12.3±15.0 (52.3) 25.9±24.9 (116.2) D 7.1±7.5 (26.6) 14.2±12.7 (60.4) FPR 3.1±2.9 (15.0) 8.4±10.2 (46.0) FNR 3.6±3.3 (12.0) 5.2±3.2 (15.0) TPR 95.7±3.8 (84.0) 93.9±4.1 (79.0) ACC 95.9±4.4 (78.0) 90.4±11.1 (49.0) G 88.8±13.2 (20.6) 83.7±19.8 (16.1) L 20.0±19.1 (97.3) 16.0±24.7 (105.6) Ldist 4.4±12.7 (63.7) 2.4±7.8 (52.8)
Table 2.8 Résultats obtenus sur 95 % de la base de données globale regroupés en fonction de la pathologie (anévrisme versus autre). Les résultats sont donnés au format moyenne±écart-type (valeur max ou min selon la mesure considérée).
2.5.2.3 Rôle de l'exposition
Le Tableau 2.9 indique une nette amélioration de l'algorithme de segmentation pour une exposition E supérieure à 200 mAs. On passe de moins de 82% de guide détecté en moyenne pourE <200 mAs à environ 94% pour pour E >200mAs. Il en va de même pour la distance moyenne à l'extrémité distale Ldistoù on passe d'une valeur supérieure à 2.5 pixels en moyenne (15 pixels pour100< E <200) à moins de 0.2 pixels en moyenne pour E > 200 mAs. La diérence est moins marquée en ce qui concerne les fausses détections. Les meilleurs résultats sont obtenus sans surprise pour une forte exposition supérieure à 300 mAs.
2.5.2.4 Inuence de la soustraction
Le Tableau 2.10 met en évidence l'importance de la soustraction. Dans le cas roadmap non soustrait (RNS), seulement81%du guide a pu être récupéré en moyenne contre85% dans le cas soustrait (RS) et 97% dans le cas de la uoroscopie soustraite (FS). Les cas soustraits RS et FS présentent une distance moyenne à l'extrémité distale inférieure à 1.5 pixels allant jusqu'à une détection parfaite de l'extrémité distale pour le cas FS contre plus de 17 pixels dans le cas RNS. Le mode FS présente les meilleurs résultats
2.5. Résultats Métriques Exposition
E<100 100<E<200 200<E<300 E>300
DVT→SEG 1.5±1.4 (7.0) 3.7±4.4 (17.9) 0.7±0.3 (2.2) 0.7±0.2 (1.2) DSEG→VT 15.6±16.7 (77.9) 37.1±35.3 (184.1) 23.4±22.0 (56.1) 5.5±7.3 (36.2) D 8.8±8.1 (39.3) 21.0±17.2 (92.4) 12.1±10.9 (28.4) 3.3±4.0 (19.3) FPR 7.1±9.1 (42.0) 10.9±12.6 (52.0) 4.8±3.9 (18.0) 1.8±1.6 (5.0) FNR 5.7±1.8 (9.0) 8.1±4.6 (18.0) 2.5±2.1 (7.0) 1.8±1.5 (4.0) TPR 93.8±1.9 (85.0) 90.8±4.9 (79.0) 97.0±2.5 (89.0) 98.0±1.5 (96.0) ACC 92.0±8.7 (64.0) 87.2±13.6 (49.0) 94.6±4.7 (78.0) 97.9±1.7 (94.0) G 82.8±18.0 (16.1) 74.8±20.4 (20.6) 94.0±11.3 (25.4) 94.5±8.2 (23.3) L 23.8±25.8 (90.9) 33.1±42.4 (162.6) 6.2±9.8 (35.3) 10.6±9.8 (38.8) Ldist 2.5±6.7 (30.2) 15.0±26.5 (83.2) 0.2±1.1 (10.1) 0.0±0.0 (0.0)
Table 2.9 Résultats obtenus sur 95 % de la base de données globale regroupés en fonction de l'exposition exprimée en mAs. Les résultats sont donnés au format moyenne±écart-type (valeur max ou min selon le critères).
en terme de fausses détections avec une distance moyenneDSEG→VTde 2 pixels contre plus de 20 pixels dans les autres cas. Cependant il est à noter que le cas FS correspond à un unique patient où l'acquisition a été eectuée à une exposition élevée>300mAs, sans coil dans le champ de vue, ce qui peut également expliquer cette nette diérence.
Métriques Modes RNS RS FS DVT→SEG 2.3±1.9 (8.2) 1.5±1.8 (11.7) 0.6±0.1 (0.9) DSEG→VT 39.8±57.7 (193.9) 21.9±17.3 (58.2) 2.0±1.3 (7.2) D 21.4±28.3 (97.3) 12.1±9.0 (29.4) 1.3±0.7 (4.1) FPR 3.1±2.0 (8.0) 7.9±9.2 (44.0) 1.4±1.4 (5.0) FNR 6.6±4.0 (13.0) 4.8±3.0 (14.0) 0.9±0.7 (2.0) TPR 92.6±4.0 (86.0) 94.3±3.9 (79.0) 99.0±0.7 (97.0) ACC 96.2±2.3 (91.0) 90.8±10.6 (49.0) 98.4±1.5 (95.0) G 80.5±15.5 (20.6) 84.9±18.6 (16.1) 96.6±8.7 (23.3) L 33.2±32.0 (118.2) 16.6±22.4 (88.1) 6.5±6.4 (17.4) Ldist 17.0±23.6 (71.3) 1.5±5.7 (40.8) 0.0±0.0 (0.0)
Table 2.10 Résultats obtenus sur 95 % de la base de données globale regroupés en fonction du mode (Roadmap Non Soustraite - RNS, Roadmap Soustraite - RS et Fluoroscopie Soustraite - FS). Les résultats sont donnés au format moyenne
±écart-type (valeur max ou min selon la mesure considérée).
2.5.2.5 Analyse qualitative
La Figure 2.16 illustre quelques cas de segmentation où chaque ligne correspond à une instance parti-culière avec de gauche à droite l'image soustraite, l'image ltrée et le résultat de la segmentation. Les deux
premières lignes (Figure 2.16(a), (b),(c),(d), (e),(f)) illustrent deux cas de segmentation d'images appar-tenant à un même patient traité pour une stule (Patient 6) où l'exposition est supérieure à 300 mAs et l'image est acquise avec le mode uoroscopie soustraite. Pour ces deux cas, la segmentation est considérée comme un succès. Le cas de la troisième ligne est également issu du patient 6 (Figure 2.16(g),(h),(i)) et illustre un cas où le ltrage temporel crée des artéfacts prononcés dans l'image. Le cas présenté en quatrième ligne correspond au patient 4 traité pour un méningiome (Figure 2.16(j), (k),(l)). L'image est acquise à une exposition de 115 mAs en mode uoroscopie de roadmap et pour laquelle nous avons soustrait un masque résultant en la Figure 2.16(j). On observe là un cas de bruit non uniforme : le bas de l'image est plus bruité. Enn la dernière ligne présente le cas d'un patient traité pour un anévrisme (Figure 2.16(m),(n),(o)). On remarque sur cet exemple que la soustraction est plus bruitée dans la zone du coil. De plus, le guide étant proche du coil, son mouvement induit un léger mouvement de l'anévrisme lorsque le neuroradiologue cherche à accéder à ce dernier ce qui provoque des artéfacts de soustraction. qui font partie du résultat de la segmentation sur la Figure 2.16(o).
2.6 Discussion
Nous avons mis en place une chaîne de traitements préliminaire pour la reconstruction stéréoscopique d'un micro-guide, à savoir une segmentation du micro-guide donnée sous la forme d'un ensemble de squelettes pour une paire d'images acquises à instant donné par le système biplan.
Pour cela, nous avons fait en sorte que le micro-guide soit le seul objet dans l'image et que la segmen-tation ne soit gênée que par un bruit statistique. Nous discutons brièvement le cheminement qui nous a conduit à proposer une segmentation par débruitage. Nous évoquerons ensuite des pistes d'amélioration. Segmentation par débruitage La partie segmentation de ce travail de thèse a commencé par l'en-cadrement de deux stages. La première approche a été d'utiliser le ltre orienté tournant (FOT) retenu dans l'étude comparative de [Bismuth et al., 2009] (revoir Sec. 2.2.2.1) comme le plus ecace pour seg-menter des guides en présence d'un CNR faible. Le FOT a tendance à atténuer les plus fortes courbures de même que l'extrémité du guide ce qui est apparu comme problématique sur nos images. Un deuxième point est qu'en tant que ltre de rehaussement, le FOT transforme le bruit en structures parasites. Or dans le cadre de nos images où la soustraction du fond est possible, les structures parasites ne viennent que du bruit. Extraire le guide implique alors soit de caractériser le "bruit" de ces structures parasites (par exemple une taille signicativement supérieure à la taille des objets parasites) ou de réduire le bruit avant application du FOT en caractérisant le bruit de l'image de départ. La seconde option nous a paru préférable parce que d'un point de vue statistique, l'estimation du bruit est un problème mieux posé que l'estimation des artéfacts du FOT, et parce qu'elle agit sur deux niveaux : rehaussement et débruitage. Pour être ecace, elle suppose par ailleurs que les opérateurs de rehaussement et de débruitage travaillent de concert, ce qui peut ne pas être le cas si les outils choisis sont de natures très diérentes. Ce sont ces considérations qui nous ont amenés à explorer le ltrage par diusion tensorielle qui a été proposé pour rehausser les structures curvilignes comme pour la réduction du bruit dans les régions uniformes et pour lesquelles existe une littérature solide et des schémas calculatoires ecaces [Weickert et al., 1998, Chan and Mulet, 1999, Weickert and Scharr, 2002].
Dans une première ébauche, nous avons alterné le tenseur de CED de Weickert et le tenseur diagonal de Perona-Malik dans le schéma itératif de la diusion pour bénécier des deux comportements. Les résultats probants nous ont incité à tirer parti du cadre unié du formalisme par tenseur pour concevoir un unique ltre adaptatif permettant de passer continûment d'un comportement à l'autre en tenant compte des caractéristiques statistiques du bruit présent dans les images comme de la forme connue a priori de l'objet d'intérêt.
Hypothèse de bruit uniforme : Les performances du ltrage adaptatif sont optimales pour un bruit uniforme. Lorsque ce ne sera pas susamment le cas il conviendra de revenir à la chaîne image originale où une stabilisation de la variance est eectuée dans l'image courante et dans l'image masque suivie d'une soustraction linéaire comme nous l'avons proposé en Sec. 2.2.1.4. Alternativement, il serait intéressant de prédire le niveau du bruit, actuellement estimé à partir de la distribution de la diérence des valeurs
2.6. Discussion propre du tenseur de structure de toute l'image, à partir d'une estimation locale du bruit non-uniforme de l'image soustraite.
Aspects temporels : Nous avons vu que le Temporal Noise Reduction appliqué par le système, bien que permettant de réduire le bruit, est à l'origine d'artéfacts où le guide apparaît dédoublé dans l'image. Ne pas appliquer le TNR à nos images élimine ce type d'artéfacts, mais augmente le bruit, ce qui dégrade les performances de segmentation en créant un nombre de structures superues plus élevé. La dimension temporelle du ltrage est un axe supplémentaire qui s'intègre sans diculté au formalisme du ltrage par diusion par l'utilisation de tenseurs tridimensionnels et qui devrait permettre de mieux gérer les transitions abruptes de position du guide.
Artéfacts de soustraction : Bien qu'en neuroradiologie le patient soit le plus souvent sous anes-thésie générale de légers bougés peuvent avoir lieu ponctuellement. Les structures dans l'image masque ne sont plus parfaitement alignées avec les structures de l'image courante. Il en résulte des artéfacts de soustraction qui ajoutent une information structurelle à celle du guide dans l'image soustraite. Plus par-ticulièrement, la présence de coils à proximité du guide est problématique car les battements cardiaques ou les mouvements du guide peuvent entraîner un très léger bougé de l'anévrisme qui contient la masse de coils. Des contours de cette masse ou encore des spires isolées apparaissent alors dans l'image soustraite et sont rehaussés par le ltrage directionnel. Des techniques de recalage (pixel shift) [David Dowsett, 2006] peuvent être appliquées pour éliminer ces artéfacts. Pour les images en projection, le recalage n'est jamais théoriquement exact. Ces techniques sont donc ecaces si le bougé à compenser est faible. Pour des bougés plus importants, des techniques de recalage élastiques doivent être envisagées [Nejati et al., 2013]. De même que nous avons pu établir un ltrage adéquat pour nos images de guide, spécialiser les techniques de recalage actuelles à la soustraction d'une image de guide dans la perspective de sa segmen-tation, en intégrant la connaissance de la présence d'un coil, devrait être possible et en augmenter les performances.
Pour conclure, les performances de segmentation présentées dans ce chapitre ne sont ni bonnes ni mauvaises parce que la segmentation n'est pas un but en soi, mais l'étape préliminaire nécessaire à la reconstruction du guide. Elles sont donc à rapporter à la performance de la chaîne complète, indiquant ainsi avec quel degré de précision de segmentation nous aurons été capables de reconstruire le guide.
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
(j) (k) (l)
(m) (n) (o)
Figure 2.16 En colonne de gauche à droite : image soustraite, image ltrée, image segmentée. Cas lignes 1 et 3 : Patient 6 (stule), FS, latéral, E = 754. Cas ligne 2 : Patient 6 (Fistule), FS, frontal, E = 624. Cas ligne 4 : Patient 4 (méningiome),