Segmentation des veines en angiographie-RX

La segmentation du réseau veineux coronaire 2D est la première étape du recalage 3D/2D intrinsèque proposé dans ces travaux. Dans un premier temps, un état de l’art permettra de définir quelles méthodes peuvent être appliquées aux images angiographiques injectées. Ensuite, l’approche proposée pour ces travaux sera présentée.

État de l’art en segmentation des réseaux vasculaires en imagerie 2D

La segmentation des vaisseaux en imagerie 2D a fait l’objet de nombreux travaux, en particulier pour la segmentation des vaisseaux rétiniens. Ainsi, [Fraz et al., 2012] ont récem- ment publié une revue des méthodes utilisées pour la segmentation des images rétiniennes. Concernant la segmentation des vaisseaux coronaires, plusieurs techniques de segmenta- tion ont été appliquées en angiographie 2D pour la détection du réseau artériels, dont une revue a été proposée par [Dehkordi et al., 2011], mais peu de travaux se sont intéressés à l’extraction du réseau veineux. Ainsi, [Zhou et al., 2014] effectuent une identification manuelle des veines coronaires dans deux vues angiographiques, qui sont ensuite utilisées pour effectuer une reconstruction 3D. La segmentation des vaisseaux coronaires en angio- graphie reste un problème difficile, du fait du faible contraste de certains vaisseaux, des nombreuses superpositions pouvant intervenir avec les structures osseuses ou les cathéters et de la dimension dynamique des séquences. Disposant d’une segmentation pré-opératoire des veines coronaires, l’objectif n’est pas d’obtenir une segmentation précise des veines 2D mais suffisante pour permettre un recalage en situation per-opératoire. La suite de cette section résume l’ensemble de ces méthodes. Pour plus de précisions, le lecteur pourra se référer à [Dehkordi et al., 2011].

Une approche très utilisée en radiologie interventionnelle est de soustraire une image de référence, sans produit de contraste, aux images injectées pour ainsi éliminer les structures osseuses et les outils environnants. Cette technique permet de générer une nouvelle image, appelée Digitally Subtraction Angiography (DSA), à partir de laquelle il est plus facile d’extraire les structures vasculaires [Aach et al., 1999]. Bien que cette technique soit per- formante en imagerie rétinienne et cérébrale, son application est plus difficile en imagerie cardiaque à cause de la mobilité des structures à éliminer (côtes, diaphragme, cathéters). Certains auteurs ont alors proposé d’effectuer un recalage déformable entre l’image de ré- férence et l’image injectée en créant une grille de déformation définie à partir de points singuliers [Meijering et al., 1999]. Dans cette optique, [Nejati et al., 2013] proposent de découper l’image de référence en blocs et d’effectuer un permier recalage rigide par bloc, puis de mettre en correspondance des points singuliers, tels que les coins de Harris détectés dans les deux images pour définir un champ de déformation.

D’autres approches consistent à utiliser des filtres de réhaussement et de détection des vaiseaux coronaires directement dans les images injectées. Ainsi, [Poli and Valli, 1997] ont proposé d’appliquer aux images une combinaison linéaire de noyaux Gaussiens, sensibles à la détection de vaisseaux de différents diamètre et orientation pour réhausser les régions associées au produit de contraste, puis d’utiliser un seuillage à hystérésis pour effectuer la segmentation. La morphologie mathématique peut également être employée pour le ré- haussement en combinant érosion, dilatation et filtre "chapeau haut de forme" [Eiho and Qian, 1997; Zana and Klein, 2001], ainsi que les filtres anisotropiques non linéaires [Kris- sian et al., 1997; Orkisz et al., 1997; Krissian, 2002]. Ces derniers ont pour avantage d’être moins sensibles au bruit, en lissant l’image tout en préservant les contours. Enfin, l’analyse multi-échelle de la matrice hessienne a également été employée pour le réhaussement des vaisseaux coronaires [Lorenz et al., 1997; Frangi et al., 1998; Shikata et al., 2004]. Ces méthodes ont pour inconvénient d’être sensibles au bruit et de supprimer les intersections entre vaisseaux. Afin de réduire l’impact du bruit, [Truc et al., 2009] ont proposé d’effec- tuer une analyse de la matrice hessienne dans un ensemble d’images directionnelles, issues de l’application d’une banque de filtres directionnels (Directional Filter Bank, DFB), puis de recombiner l’ensemble des images directionnelles réhaussées. Cette méthode est moins sensible au bruit et préserve les intersections mais est également plus coûteuse en temps de calcul.

Enfin, des techniques plus avancées telles que l’utilisation de modèles déformables [Kris- sian et al., 2000] ou de contours actifs [Nirmala Devi and Kumaravel, 2008; Nain et al., 2004] ont également été utilisées. Toutefois, la définition d’un critère d’arrêt de l’évolution des contours actifs reste un problème difficile. D’autres études ont eu recours aux tech- niques d’apprentissage, notamment pour distinguer les vaisseaux coronaires des cathéters. Ainsi, [Gupta et al., 2012] utilisent la technique des forêts aléatoires pour déterminer si un point apartient ou non à une structure vasculaire. Les vecteurs caractéristiques utili- sés pour décrire chaque pixel sont constitués d’une analyse de la matrice hessienne et des valeurs propres d’une fenêtre placée autour du point considéré.

Approche proposée pour la segmentation des veines en angiographies-RX

Dans un souci de simplicité et de rapidité, l’approche choisie dans ces travaux est de réhausser dans un premier temps les veines coronaires puis d’effectuer un seuillage afin d’obtenir une image binaire. La méthode devant s’adapter à des images issues de différents systèmes d’acquisition en fonction des salles interventionnelles, un ensemble de

pré-traitements visant à améliorer la qualité des images a également été défini. En ce qui nous concerne, deux systèmes d’acquisition sont utilisés : (i) le C-Arm haut de gamme de la salle TherA-Image et (ii) le C-Arm du bloc opératoire de routine. Le processus proposé se décompose en 4 étapes (cf. figure 4.13). Il comprend deux phases de pré-traitement pour améliorer la qualité globale de l’image puis rehausser les régions contrastés. Un seuillage puis un "nettoyage" sont ensuite appliqués. L’ensemble de ces étapes est détaillé ci-dessous.

Figure 4.13 – Approche proposée pour la segmentation des veines coronaires en angiographie-RX.

Amélioration globale de l’image

Les images obtenues par le C-Arm du bloc opératoire de routine sont généralement brui- tées mais bénéficient d’un bon contraste, tandis que les images issues du C-Arm de la salle TherA-Image sont de meilleure qualité mais n’utilisent qu’une plage limitée d’intensité. Afin de réduire le bruit, trois filtres de débruitage ont été testés : le filtre gaussien, le filtre médian, généralement efficace sur du bruit blanc, et un filtre anisotropique : le filtre bilatéral, qui a pour avantage de lisser tout en préservant les contours. Leur application aux images issues des deux systèmes d’acquisition est illustrée dans le tableau 4.5. Bien que le filtre bilatéral soit celui qui renforce le mieux la netteté dans les images issues de la plateforme TherA-Image, il conserve l’aspect de granularité dans les images du C-Arm mobile. Dans les deux images, le filtre médian atténue le bruit tout en conservant la netteté de l’image, contrairement au filtre gaussien. Le filtre médian a donc été retenu.

D’autre part, le contraste global des images peut également être amélioré, en particu- lier pour les images provenant de la plateforme TherA-Image qui utilisent peu les faibles intensités. L’égalisation d’histogramme a donc été testée. Deux techniques ont été consi- dérées : la méthode classique d’égalisation globale et la technique d’égalisation adaptative limitée (CLAHE) définie par [Zuiderveld, 1994] et reposant sur une égalisation locale dont l’augmentation de contraste est limitée. Les résultats sont illustrés dans le tableau 4.6. Bien que l’égalisation globale permette l’amélioration du contraste, les veines conservent une gamme d’intensité proche des structures avoisinantes. L’égalisation adaptative limitée a donc été préférée.

Réhaussement des veines

Avant d’effectuer la détection des veines, les zones sombres sont réhaussées de façon à améliorer le contratse des veines. Une version multi-échelle de l’opérateur de morphologie mathématique de type "chapeau haut de forme" (top hat ), proposée par [Bai et al., 2012] est utilisée. Le filtre "chapeau haut de forme" classique, permettant de réhausser les régions sombres (T_b) d’une image I par un élément structurant e, est défini par :

Tb(I, e) = I • e − I (4.6)

où • est la fermeture morphologique (I • e = (I ⊕ e) e), tandis que le chapeau permettant un réhaussement des zones claires se définit par :

TherA-Image Bloc opératoire de routine Image Filtre gaussien Filtre médian Filtre bilateral

TherA-Image

Image originale Egalisation globale Egalisation adaptative

Images

Histogrammes

Bloc opératoire de routine

Images

Histogrammes

Figure 4.14 – Réhaussement des veines coronaires par application d’un chapeau haut de forme multi-échelle (MS-TopHat). L’élément structurant e0 est une ellipse de taille 7 pixels et N=20.

où ◦ est l’ouverture morphologique (I ◦ e = (I e) ⊕ e).

L’approche proposée par [Bai et al., 2012] (cf. figure 4.14) consiste à utiliser un ensemble d’éléments structurants (e₀, e1, ..., eN) de taille croissante tels que : ei = e0⊕ e0⊕ ... ⊕ e0

| {z }

i−f ois

pour définir une image des régions claires (Iw) et une image des régions sombres (Ib) définies

par :

Iw= max

i Tw(I, ei) ; Ib= maxi Tb(I, ei) (4.8)

ainsi que deux images (claire et sombre) des détails entre deux éléments consécutifs, définies par :

I_wd = max

i [Tw(I, ei) − Tw(I, ei−1)] ; I d

b = max

i [Tb(I, ei) − Tb(I, ei−1)]. (4.9)

L’image de réhaussement est alors définie par :

IR= I + (Iw+ Iwd) − (Ib+ Ibd). (4.10)

La figure 4.14 montre que le filtre réhausse les veines coronaires mais également les structures osseuses (vertèbres et côtes) ainsi que les cathéters.

Seuillage

Suite au réhaussement des images, seuls les pixels ayant une intensité en dessous d’un seuil T sont conservés pour aboutir à une image binaire. Selon le seuil choisi, l’image géné- rée fournit une représentation plus ou moins complète des veines coronaires mais contient

Image pré-traitée Rehaussement des veines Seuillage TherA-Image Blo c op ér atoire de routine

Tableau 4.7 – Résultats du seuillage pour T = 20. Application des étapes de pré-traitement, re- haussement et seuillage à des images issues des deux systèmes d’acquisition.

également plus ou moins de structures annexes. La sélection du seuil sera précisée dans la section 4.4.5. Le tableau 4.7 illustre le processus proposé sur deux images issues des deux systèmes d’acquisition.

Nettoyage

Enfin, deux étapes de post-traitement sont appliquées aux images binaires afin de ne garder que les régions les plus significatives. Tout d’abord, un opérateur d’ouverture suivi d’un opérateur de fermeture par un élément circulaire de diamètre 5 pixels sont appliqués aux images binaires et permet d’éliminer les petits blocs de pixels et de relier des régions connexes séparées par le seuillage. Ensuite, seules les régions connexes constituées d’au moins 400 pixels sont conservées. Les étapes de nettoyage sont illustrées dans le tableau 4.8.