Segmentation de la lésion ischémique

Comme le montre la visualisation de la lésion sur la figure4.6, et comme nous l’avons décrit au cours des précédentes parties de ce manuscrit, le choix des paramètres de re-construction et en particulier le coefficient δ

β a une grande influence sur les contrastes locaux. Ainsi comme on l’a montré avec différents outils dans la section 3.3.4, si nous souhaitons bien distinguer la lésion des tissus environnants, un coefficient δ

β élevé don-nera de meilleures performances. Nous avons donc choisi δ

β = 1000 pour procéder à la segmentation de la lésion ischémique.

Approche de seuillage par hystérésis

Plusieurs approches peuvent être considérées pour délimiter la zone lésionnelle. La plus simple est de se baser sur un simple seuillage de la zone et de tirer parti de la différence d’intensité. Nous définissons un seuil haut Sh qui appliqué à l’image séparera les structures qui ont une intensité plus élevées que celle de la lésion. Un second seuil

S_b est défini pour discriminer les structures ayant des intensités plus faibles que celles de la lésion. Les niveaux de gris entre Sh et Sb sont supposés être représentatifs de la lésion ischémique. En soustrayant les images issues des deux seuils, on espère obtenir un masque de la lésion. Le problème est, comme on peut le voir sur la figure4.7, que plusieurs

4.3. TÂCHE DE SEGMENTATION POUR QUANTIFIER LA NEURO-INFLAMMATION

structures vont ressortir possédant des intensités dans la même gamme que celles de la lésion. Ces structures vont nous gêner pour avoir un masque unique de la lésion. De plus, le caractère fortement hétérogène de la lésion ne nous permet pas en une seule itération de la segmenter dans sa totalité (i.e. un seuil nécessaire par coupe virtuelle de cerveau).

Figure 4.7 – Seuillage appliqué sur une coupe avec deux niveaux de seuils différents. Le premier à gauche est Sb = 102, le second est Sh = 116 (plus restrictif).

Approche par croissance de région

L’approche par seuillage n’étant pas satisfaisante, nous avons pensé à mettre en place une approche par croissance de région en 3D qui sera limitée par les différentes conditions de propagation à une zone homogène autour de la graine d’initialisation. Cette approche qui fonctionne par itérations successives à partir d’une graine d’initialisation a été intro-duite à la fin des années 1980 [Beaulieu and Goldberg (1989),Chang and Li (1994),Adams and Bischof (1994)]. Cette approche est intéressante pour avoir une zone cohérente et com-pacte mais quand la différence entre les structures à segmenter est faible, on peut avoir une sur-segmentation. Dans notre cas, adjacent à la lésion se trouve l’hippocampe qui est lui aussi en hyposignal. La propagation de la région s’opère sur la proximité des niveaux d’intensités de l’environnement local, la propagation se fait pixel à pixel, si la différence d’intensité n’excède pas un seuil fixé par l’utilisateur alors la propagation se poursuit. Avec des structures aux niveaux de gris similaires, la région va donc également s’étendre aux structures adjacentes à la lésion. La propagation s’effectuant en 3D dans tout le vo-lume on va très vite avoir une sur-segmentation ou un débordement de zone comme on peut l’observer sur la figure4.8(A-B) (e.g. les fibres de myéline). Avec cette proximité des intensités pour les différentes structures présentes, les critères d’arrêt de la propagation deviennent très difficiles à régler. Une illustration de la sensibilité du seuil est proposé en figure 4.8(C-D) où deux seuils de propagation très proches sont utilisés et mènent à une segmentation très différente. Le choix d’une propagation coupe à coupe (2D) ou sur le volume entier dans les trois directions (3D) est considéré. Une propagation en 3D assure une compacité et une continuité de la région segmentée, cependant on a un risque plus important de sur-segmentation de par la multiplicité des structures présentes et adjacentes le long du volume. En 2D, on peut avoir un meilleur résultat puisqu’on choisit coupe à

coupe un point de départ pour la propagation mais on perd un peu de continuité spatiale et de compacité de la lésion ; il s’agit donc d’un choix primordial. Dans notre cas, les deux approches n’ont pas donné entière satisfaction, comme l’atteste la figure4.8.

Figure 4.8 – Masques binaires d’une segmentation basée sur un algorithme de croissance de région. A-B sont deux coupes différentes dans le volume. C-D représentent la même coupe avec des seuils de propagation différents mais proches.

Approche multi-échelles

Face aux difficultés rencontrées pour segmenter la lésion, nous avons considéré une der-nière approche semi-automatique qui consiste à s’intéresser à l’image à différentes échelles spatiales. Cela en espérant pouvoir bien distinguer la lésion du reste des tissus environnants ou du fond de l’image, malgré des intensités proches. En observant l’image à différentes échelles on peut également espérer éliminer les discontinuités qui étaient présentes dans les approches précédentes. On aimerait obtenir un masque le plus uniforme possible et moins fluctuant (e.g. contours bruités) que les résultats présentés en figure 4.8par exemple.

4.3. TÂCHE DE SEGMENTATION POUR QUANTIFIER LA NEURO-INFLAMMATION

multi-résolutions [Burt and Adelson (1983)] pourrait être mise en place pour segmenter la lésion ischémique. Malheureusement comme on le voit dans la figure4.9, on n’observe qu’une partie du fond de l’image, le pourtour du cerveau et certaines structures fibreuses ne peuvent être supprimées du masque malgré les différentes échelles considérées dans une première implémentation de segmentation multi-échelles. Cette approche ne nous permet pas de remplir nos objectifs de segmentation. Le fond de l’image et les tissus de la lésion situés sur le dessus du cerveau ont les mêmes niveaux de gris ce qui empêche également à cette approche multi-échelles de fonctionner. À cela s’ajoute une illumination de l’échan-tillon qui varie lentement mais en continu quand on se déplace dans la profondeur du volume. Une approche par seuillage même multi-échelles ne permet pas de déterminer une valeur unique et optimale qui s’appliquerait à toutes les coupes du volume.

Figure 4.9 – Résultat d’une segmentation multi-échelles de la lésion sur une coupe. De toutes les approches proposées, aucune n’a pu donner entière satisfaction pour différentes raisons. Cependant, une limitation commune est la proximité trop importante des intensités des structures adjacentes à la lésion. Ces structures ne peuvent être éliminées de la détection que par un a priori de forme ou une intervention manuelle. Pour résoudre ce problème plus complexe qu’il parait, une segmentation manuelle des lésions ischémiques a été entreprise. Le faible nombre d’échantillons en notre possession justifiait de tester des

méthodes de segmentation relativement simples mais ne justifiait pas de mettre en place et d’allouer un temps conséquent au développement d’un schéma spécifique de segmentation (e.g. utilisation de contours actifs avec des a priori de forme). Le procédé général employé, a été de réaliser une segmentation fine toutes les cinquante coupes et de propager cette segmentation dans la profondeur du volume, à l’exception des extrémités de la lésion qui varient plus rapidement et pour lesquelles cet intervalle de propagation a été réduit. Le résultat devient alors entièrement satisfaisant comme l’atteste la figure 4.10.

Figure 4.10 – Segmentation manuelle de la lésion ischémique sur une coupe de cerveau.