Statistiques sur l’intensité du niveau de gris

7.1.3 Construction d’un atlas probabiliste . . . 138

7.2 Segmentation . . . 139

7.2.1 Initialisation . . . 139 7.2.2 Modèle déformable . . . 140 7.2.3 Minimisation de l’énergie et convergence . . . 143

7.3 Résultats . . . 144

7.3.1 Segmentation d’une base de sujets sains à partir d’IRM T1 . . 145 7.3.2 Segmentation de sujets sains dans un cadre multi-contraste . 148 7.3.3 Segmentation de patients atteints de chorée de Huntington . 153

7.4 Limites et améliorations futures . . . 156

7.4.1 Recalage avec l’atlas probabiliste . . . 156 7.4.2 A priori sur l’intensité . . . 156 7.4.3 Choix du type d’apprentissage. . . 158

V

Dans la perspective de cette thèse visant à l’étude de la connectivité anatomique des noyaux gris centraux, une des étapes clés consiste à savoir bien identifier ces struc- tures profondes à partir des données d’IRM anatomiques mises à disposition dans la plupart des protocoles cliniques.

Comme nous l’avons signalé au cours du chapitre5, nous sommes loin d’être les pre- miers à aborder le sujet de la segmentation automatique des noyaux gris centraux, et comme la plupart de nos concurrents, nous avons cherché à développer une tech- nique qui soit aussi performante chez le sujet sain que chez le sujet pathologique, qui soit rapide d’exécution et qui donne des résultats de segmentation fiables. Pour rem- plir le second objectif, nous nous sommes inspirés des travaux de thèse de [Poupon, 1999b] reposant sur une méthode de croissance homotopique de régions en compé- tition à laquelle nous avons toutefois apporté plusieurs améliorations significatives. Tout d’abord, nous avons remplacé l’utilisation des invariants de moments de forme pour contraindre le modèle par un atlas probabiliste construit à partir d’une base de données dite d’apprentissage. Ensuite, et parce que les structures ne sont pas toutes "révélées" toujours par le même contraste, nous avons développé une technique capable d’accepter comme données d’entrée non plus seulement un seul contraste, mais un ensemble prédéfini d’IRM dotées de contrastes différents. Par exemple, on pourra tirer bénéfice du contraste T1 pour le striatum, et bénéficier de la puissance

du contraste de l’imagerie T∗

2 pour renforcer l’information moins contrastée en IRM

T1du pallidum. Nous verrons que nous utiliserons par exemple l’imagerie de diffusion

dont la mesure d’anisotropie constitue un très bon contraste pour délimiter le bord de certains noyaux lorsqu’ils sont bordés de faisceaux de fibres extrêmement aniso- tropes. La méthode mise en oeuvre se décompose finalement en deux étapes : une étape d’apprentissage réalisée une fois pour toutes et une étape de segmentation re- lancée pour chaque nouveau sujet dont on souhaite extraire les noyaux gris centraux. Comme son nom l’indique, l’étape d’apprentissage consiste à "apprendre" diverses in- formations sur les structures en question, à l’instar de leur niveau d’intensité, de leur forme et de leur localisation, à partir d’une base de sujets. L’étape de segmentation, quant à elle, utilise l’information apprise pour segmenter les structures profondes d’un sujet à l’aide d’un modèle que nous décrirons au sein de ce chapitre, contraint par ces informations "apprises". Cette méthode a été ensuite testée sur une base de données dotée d’IRM pondérées en T1 et d’IRM pondérées en diffusion dont l’aniso-

tropie fractionnelle a été considérée comme second contraste. Elle a ensuite été mise en oeuvre pour segmenter les noyaux gris centraux de patients atteints de la chorée de Huntington, dans le cadre de l’étude clinique HD Track [Tabrizi et al.,2009].

Mots clés : noyaux gris centraux, modèle déformable, atlas probabiliste, descrip-

Organisation de ce chapitre :

Ce chapitre est organisé comme suit. Après avoir détaillé l’étape d’apprentissage au cours de la section7.1, la section7.2sera dévolue à la présentation de la méthode de segmentation. La section7.3présentera les résultats obtenus sur une base de sujets sains dotée de 2 contrastes (T1 et DTI) ainsi que sur une base de patients atteints de

la maladie de Huntington.

7.1

A

L’étape d’apprentissage consiste à construire un atlas d’a priori anato- miques sur les noyaux gris centraux. Ces a priori peuvent être de nature très dif- férente et aussi bien des informations sur l’intensité, que sur la forme ou encore la localisation spatiale des noyaux gris centraux. Ces informations sont en pratique des statistiques inférées à partir d’une base d’apprentissage. Nous décrirons dans ce qui suit comment ces différents a priori sont calculés à partir de cette base d’apprentis- sage dont les structures d’intérêt on été étiquetées manuellement au préalable.

7.1.1 Statistiques sur l’intensité du niveau de gris

L’objectif de cette partie est d’obtenir pour chaque structure profonde et pour chaque contraste mesuré une mesure statistique de l’intensité du niveau de gris ca- ractérisant la structure en question. Bien que semblant évidente cette mesure néces- site cependant que l’intensité soit comparable entre les données IRM, ce qui, comme nous le verrons dans ce qui suit n’est pas toujours le cas en fonction du contraste utilisé. Dans nos travaux, nous avons utilisé deux contrastes différents, le contraste d’IRM pondérées en T1 et l’anisotropie fractionnelle calculée à partir du modèle de

diffusion tensoriel, pour lesquels nous allons détailler l’approche observée.

Contraste pondéré en T1

Les noyaux gris centraux font partie de la substance grise. La difficulté de la ca- ractérisation de l’intensité de ces noyaux dans une IRM T1 réside dans le fait que

cette intensité est non quantitative et varie selon les paramètres d’acquisition de l’image, et d’un imageur à l’autre. La figure7.1(a) montre des mesures de moyennes de niveaux de gris dans les noyaux gris centraux pour des sujets appartenant à 4 bases de données acquises avec des paramètres d’acquisition différents sur des ima- geurs différents. Pour un noyau donné, les niveaux de gris sont homogènes dans une même base mais varient beaucoup entre bases de données. Pour pouvoir segmen- ter les noyaux à partir d’images acquises avec différentes séquences et sur plusieurs imageurs (cas d’études multi-centriques), il est important de définir une mesure d’in- tensité qui s’affranchisse des paramètres d’acquisition. [Poupon,1999b] a défini des mesures d’intensité qui reposent sur la méthode de détection de pics de substance grise et de substance blanche de [Mangin et al., 1998] et qui s’affranchissent des

(a) (b)

base4

base1 base2 base3 base1 base2 base3 base4

niveau de gris des noyaux gris centraux valeurs de αl des noyaux gris centraux

FIG. 7.1: Comparaison entre la mesure de l’intensité des niveaux de gris (a) et la mesure

du coefficient αl dans les noyaux gris (b) pour des bases de données acquises avec différents

paramètres d’acquisition.

paramètres d’acquisition de l’image. Pour une structure donnée d’étiquette l, sa va- leur moyenne en niveaux de gris s’exprime comme le barycentre des moyennes de la substance grise mGet de la substance blanche mB :

m(l) = αlmB+ (1 − αl)mG (7.1)

et l’écart type de ses niveaux de gris s’exprime comme une moyenne pondérée des écarts-types de la substance blanche et de la substance grise :

σ(l) = βl

σB+ σG

2 (7.2)

Les coefficients αlet βlpeuvent ainsi être calculés pour chaque structure d’étiquette

l à partir des moyennes de substance grise et de substance blanche. Pour tester la stabilité des valeurs de αlpour chaque noyau gris à travers différentes bases de don-

nées, les valeurs de αl ont été calculées pour des sujets appartenant à quatre bases

acquises avec différents paramètres d’acquisition et différents imageurs. La figure

7.1(b) montre que ces coefficients calculés pour une structure donnée sont stables à travers les différentes bases de données.

Pour une structure l, les valeurs moyennes mαl des valeurs αl et mβl des valeurs

βl calculées sur une base d’apprentissage permettent pour n’importe quel nouveau

sujet de calculer, à partir de son pic de substance grise mG et son pic de substance

blanche mB, la moyenne m(l) et l’écart type σ(l) du niveau de gris de la structure l

dans l’image :

m(l) = mαlmB+ (1 − mαl)mG, et σ(l) = mβl

σB+ σG

Cartes d’Anisotropies Fractionnelle (FA)

Les cartes de FA sont calculées à partir d’images pondérées en diffusion à l’aide du modèle tensoriel comme décrit dans4.4.3. Les cartes de FA sont quantitatives et donc indépendantes des paramètres d’acquisition. Pour chaque structure d’étiquette l, la moyenne mF A(l) et l’écart type σF A(l) des valeurs de FA dans cette structure

sont donc calculables directement. Ces valeurs seront par la suite utilisées comme statistiques d’intensité pour la segmentation de structures à partir du contraste de FA.

Dans le cas de segmentation multi-contrastes, des statistiques d’intensités mc(l)

et σc(l) sont calculés pour chaque contraste c et chaque structure l. Ces statistiques

sont très utiles dans le processus de segmentation puisqu’elles servent à construire l’attache aux données, comme nous le verrons ultérieurement dans ce chapitre.