Sélection des régions sur LPE grossi`ere

La segmentation LPEgrossi`ereobtenue à la fin l’étape précédente est une

image constante par morceaux, séparée en régions. La différence entre les intensités moyennes de deux regions adjacentes est toujours supérieure à λest, l’estimation du contraste moyen SB/SG. L’objectif de la section

3.4. Sélection des régions sur LPEgrossi`ere

suivante est de parvenir à sélectionner parmi ces régions uniquement celles qui correspondent aux hyperintensités de la substance blanche. Pour chaque région, il est alors possible de calculer plusieurs caractéristiques, telles que l’intensité moyenne, la distribution des intensités, la localisation, la taille... Ces caractéristiques n’étaient soit pas disponibles au niveau du voxel (par exemple, la taille), soit moins informatives (l’intensité moyenne). Pour ce dernier cas, il aurait évidemment été possible de considérer la valeur moyenne de l’intensité dans un voisinage, mais cela aurait conduit à mélanger des informations provenant de tissus sains et de tissus lésés. Nous décrivons trois critères simples utilisés pour la sélection des régions HSB.

3.4.1

Critère d’intensité

FI G U R E 3.15 – Histogramme des intensités d’images mFLAIR avec diffé-

rentes charges lésionnelles.

Ligne du haut : image mFLAIR, histogramme des intensités et zoom de l’histogramme sur le mode représentant les tissus cérébraux d’un sujet ne présentant aucune HSB. Ligne du bas : image mFLAIR, histogramme des intensités et zoom de l’histogramme sur le mode représentant les tissus cérébraux d’un sujet présentant de très importantes HSB.

Le premier critère est celui de l’intensité. Nous voulons ici détermi- ner un seuil permettant d’indiquer quelle région peut être considérée comme hyperintense par rapport aux tissus normaux, que sont la sub- stance blanche et la substance grise. Ces deux tissus ont été la plupart du

3 . MÉ T H O D E D E S E G M E N T A T I O N D E S H Y P E R I N T E N S I T É S D E L A S U B S T A N C E B L A N C H E ( W H A S A )

temps fusionnés par le processus de diffusion non linéaire. A la fin de ce processus, les régions correspondantes ont donc une intensité moyenne égale à la moyenne des intensités de ces deux types de tissus.

Il est possible d’estimer grossièrement cette valeur d’après l’histo- gramme de l’image mFLAIR. En effet, l’histogramme des intensités d’une image mFLAIR (lorsque les valeurs faibles, correspondant au fond et au liquide cérébrospinal, ne sont pas considérées) est constitué d’un seul mode principal. Deux modes distincts pour la substance grises et la sub- stance blanche sont habituellement observés pour les images pondérées en T1. La valeur du mode principal de l’histogramme nous fournit ainsi rapidement une estimation de l’intensité moyenne des tissus normaux, que nous notons ˜i. La figure 3.15 montre également que la détermination de ce mode est robuste à la présence, même importante, d’HSB.

Une fois ˜i déterminé, il nous faut indiquer quel écart par rapport à cette valeur caractérise les régions hyperintenses. Grâce à l’étape de fusion des régions, nous savons que les intensités moyennes des régions adjacentes sont séparées d’au moins λest. Une région comprenant des tissus normaux

aura son intensité moyenne à peu près égale à ˜i. Les régions un peu plus hyperintenses auront donc une intensité moyenne d’au moins ˜i+λestmais

cela peut correspondre à des régions composées uniquement de substance grise par exemple plutôt qu’à des régions réellement hyperintenses. Nous définissons alors le seuil permettant de séparer les régions hyperintenses comme :

s = ˜i+2λest

Bien que ce critère ait été choisi de manière empirique, il faut noter que la diffusion non linéaire a permis de renforcer les contrastes entre régions.

LPEgrossi`ereest ainsi beaucoup moins sensible au choix de ce seuil sur les

intensités que l’image mFLAIR originale (voir section 4.5.5).

3.4.2

Critère de localisation

Le second critère pour déterminer les régions correspondant aux HSB est celui de la localisation. Nous voulons ici retenir les régions situées principalement dans la substance blanche. Cependant, les cartes de proba- bilité en tissus SBsujet, obtenues à partir de SPM, sont parfois imprécises,

3.4. Sélection des régions sur LPEgrossi`ere

tuant sur l’image pondérée en T1, les HSB apparaissent hypointenses et peuvent être fréquemment affectées à la substance grise plutôt qu’à la substance blanche.

Afin de pallier à cet inconvénient, nous utilisons plutôt l’a priori de sub- stance blanche SBMN I, obtenu à partir du template ICBM452 recalé dans

l’espace de l’image FLAIR du sujet. A chaque région, nous associons cette fois la probabilité moyenne d’appartenance à la substance blanche. La figure 3.16 montre l’effet des différentes cartes de probabilité de substance blanche sur les probabilités moyennes associées aux régions. Suite à la mauvaisse classification sur l’image T1, une partie importante des HSB n’est pas comprise dans SBsujet alors que SBMN I la couvre partiellement.

(a) (b) (c)

(d) (e)

FI G U R E 3.16 – Effet de la carte de probabilité utilisée pour déterminer la

probabilité moyenne d’une région.

(a) Agrandissement de l’image mFLAIR non diffusée. En rouge sont superposés les bords de LPEgrossi`ere. (b) Superposition de SBsujetet des bords de LPEgrossi`ere(en blanc).

(c)Superposition de SBMN I et des bords de LPEgrossi`ere (en blanc). (d) A chacune des

régions de LPEgrossi`ereest attribuée la probabilité moyenne de SBsujetsur la région. (e) A

chacune des régions de LPEgrossi`ereest attribuée la probabilité moyenne de SBMN I sur la

3 . MÉ T H O D E D E S E G M E N T A T I O N D E S H Y P E R I N T E N S I T É S D E L A S U B S T A N C E B L A N C H E ( W H A S A )

FI G U R E 3.17 – Procédure d’élimination des régions corticales.

Gauche : Sur certaines coupes, un grand nombre de régions corticales ne correspondant pas à des HSB peuvent être détectées. Milieu : Les régions que l’on souhaite éliminer sont presque toutes connexes à l’interface(SG|LCS)cortex(en bleu cyan). Droite : Seules

les régions non connexes à l’interface SG|LCS sont conservées.

3.4.3

Elimination de régions corticales

L’utilisation des deux critères d’intensité et de localisation nous permet d’obtenir une première estimation des HSB. Cependant, un certain nombre de régions ne correspondant pas à des HSB peuvent également vérifier ces deux critères. Il s’agit en particulier de régions corticales qui peuvent être hyperintenses en raison des plissements du cortex qui entrainent des effets de volume partiel (figure 3.17).

Le troisième critère utilisé est donc un critère d’exclusion. Nous im- posons que les régions sélectionnées ne soient pas connexes à l’interface SG|LCS au niveau des circonvolutions du cortex. Ce critère est parti- culièrement adapté pour le cas des HSB, puisque celles-ci épargnent de manière systématique les fibres en U sous-corticales et ne sont donc jamais localisées près du ruban cortical [Pantoni & Garcia, 1997 ; Young et al., 2008].

L’interface SG|LCS est définie de la même manière que l’interface SB|SG (section 3.3.2) : SGsujet et LCSsujet sont seuillées à 0, 5, les masques

binaires ainsi obtenus sont dilatés par un élément structurant 2D de rayon 1 voxel (connectivité 4) et l’intersection entre les deux masques dilatés fournit une estimation de l’interface SG|LCS. Afin de nous restreindre uniquement au niveau des circonvolutions du cortex, une procédure particulière a été implémentée à partir du masque cérébral et de l’interface SG|LCS.

Tout d’abord, une couronne indiquant grossièrement la zone corticale est définie à partir du masque cérébral. Celui-ci est érodé par un élément structurant circulaire (érosion 2D) de rayon 10 voxels. L’érodé est sous- trait du masque cérébral initial afin d’obtenir une couronne de 10 voxels indiquant grossièrement la zone corticale. Nous sélectionnons ensuite

3.5. Etape de croissance