au sein d’une structure hospitalière
Module « Bioingénierie, 8° semestre, 2011 Ecole Centrale de Marseille.
Denis Mariano-Goulart Faculté de médecine et CHRU de Montpellier
http:\\scinti.etud.univ-montp1.fr
PLAN
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie et d’un traceur
3. Acquisition des images
4. Reconstruction tomographique
5. Segmentation, analyse et validation (myocarde)
6. Segmentation, analyse et validation (ventriculo)
INSUFFISANCE CARDIAQUE
CORONAROPATHIES 52%
ALCOOL 4%
HYPERTENSION ARTERIELLE
4%
VALVULOPATHIES 10%
CARDIOMYOPATHIES 13%
TROUBLES DU RYTHME
3%
AUTRES 14%
Insuffisance cardiaque : altération de la fonction pompe du coeur
Prévalence = 1-3 % (1 million en France) A 5 ans : 25 (H) à 40 %(F) de décès
Environ ½ morts subites
PHYSIOLOGIE CARDIAQUE
nerf vague Parasympathique
(acétylcholine)
Sympathique (noradrénaline)
fc ↑ contractiloté
irritabilité fc ↓
P, V, fc
NA
Automatisme cardiaque
Mesures hygièno-diététiques Médicaments (Diu., IEC, β B) Défibrillateur implantable si
mais décès avec FE > 40%
35 % des défibrillateurs implantés sont sollicités / 3 ans.
Meilleure identification des patients à risque de mort subite par imagerie ?
Quelle fonction cibler (pompe, innervation, perfusion) ? Quelle modalité d’imagerie ?
Quels traitements d’image ?
PROBLEME CLINIQUE
AJ Moss AJ et al. Long-term clinical course of patients after termination of ventricular tachyarrhythmia by an implanted defibrillator.Circulation 2004;110:3760 –5
%
< 35
= −
VTD
VTS
FE VTD
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie et d’un traceur
3. Acquisition des images
4. Reconstruction tomographique
5. Segmentation, analyse et validation (myocarde)
6. Segmentation, analyse et validation (ventriculo)
CHOIX D’UNE MODALITE D’IMAGERIE
ANATOMIQUE
c . Z=
ρ
ρ µ ∝
η
S ∝
CHOIX D’UNE MODALITE D’IMAGERIE
ANATOMIQUE
c . Z=
ρ
ρ µ ∝
η S ∝
FONCTIONNELLE
Synchronisation à l’électrocardiogramme
) ( C= f t
CHOIX D’UNE MODALITE D’IMAGERIE
FONCTIONNELLE ANATOMIQUE
METABOLIQUE c
. Z=
ρ
ρ µ ∝
η S ∝
perfusion noradrénaline
perfusion noradrénaline
Photons pénétrants et peu diffusés
Émetteurs gamma ou bêta plus (ionisants)
énergies détectables
γ (140 keV ou 159 keV ) β
+→ 2 γ 511 keV ( )
CHOIX D’UN MARQUEUR RADIOACTIF
123
I
53 18
F
8 99
Tc
43
g cm /
ρ log µ
2
PE C
CP
EAU
ρ
C
∝ µ
3 3
PE
E
µ .Z
ϕ
∝ ρ
γγγγ γγγγ
99
43
Tc γγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
Traçage possible d’un métabolisme
Marquage de cations lipophiles (MIBI) au
Marquage de la MIBG à l’
Marquage des globules rouges au
Chimie de complexation avec le noyau tétrapyrolique de l’hème
CHOIX D’UN RADIOTRACEUR
99
Tc
43
Tc
||
||
O
O
99
Tc
43 123
I
53 CH2NH-C-NH2
NH
123
I
53
Tc
CHOIX D’UNE MODALITE D’IMAGERIE
Perfusion myocardique
(MIBI)
Volume sanguin (GR)
Innervation sympathique (MIBG)
Mouvements de la paroi myocardique
Chasse sanguine
Altération de
l’innervation
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie et d’un traceur
3. Acquisition des images
4. Reconstruction tomographique
5. Segmentation, analyse et validation (myocarde)
6. Segmentation, analyse et validation (ventriculo)
Single Photon Emission CT
Collimateur Scintillateur Photo-multiplicateur Localisation
γγγγ p
γγγγ
a
iSingle Photon Emission CT
X
-X
+Scintillateur
PM
Localisation
+ − + −
+ −
= X X X X X
i t
1
S
-1 Spectroscopie
collimateur
-
-
E
ϕE
ϕ'LMH
H H/2
Largeur à mi-hauteur (FWHM)
δ (i) γγγγ γγγγ
Réponse intrinsèque h i
LMH ≤ 4 mm, ± invariante
Réponse du collimateur h c
La LMH dépend de la
distance source-détecteur
h(i)= [ h δ]( i)
Réponse d’un collimateur
Quantitative Analysis in Nuclear Medicine Imaging, Springer US. 2006; CE Metz. Phys Med Biol 1990; 35.
−
−
=
2
2 1 .
. 2 .
arccos . .
2 )
( r
r r r
h λ λ λ
π
ε λ = R . ( L + L D + B )
L B 2R
D
r
Collimateur Détecteur
D=10 cm
P
D=5 cm
LEHR : L = 4,1 cm B = 0,64 cm R = 0,19 cm
ε = 0,065
h
ih
c≈ Gaussienne
Linéarité entre LMH et D
h
ih
c≈ Gaussienne
LMH
contact 50 cm
k' kD
. σ .
LMH = 2 2 ln 2 = +
2 2
2
2 ) 1
( σ
σ π
i
e i
h
= −
Utilité d’une déconvolution
(non stationnaire)
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie et d’un traceur
3. Acquisition des images
4. Reconstruction tomographique
5. Segmentation, analyse et validation (myocarde)
6. Segmentation, analyse et validation (ventriculo)
p
kf R.
p .f
r p
i
i i k, k
r r
=
⇔
= ∑
γγγγ γγγγ
f
iSingle Photon Emission CT
f
i= ?
φ
sinogramme
p(s, φ )
s
φ
Déconvolution (hors synchro ECG)
i j
s t
φ
ω
t = −
nω n
s
φ TF
2( ) n
p ˆˆ
cσ ,
sources à t mm du centre de rotation signal ≈ sur la droite
n=- ω. t de la TF2 du sinogramme
cos sin
- ω
φ
φ r
=
f
( )
s, f(s t ) dtt
∫
+=
ω
⊥ω
φ
rpc
P.R Edholm, RM Lewitt, B Lindholm. « Novel Properties of the Fourier decomposition of the sinogram». Proc. SPIE, 671,8-18 (1986)
Principe fréquence-distance
2 2
2
2 ) 1
(
ti
t
t
i e
h
σσ π
=
−hˆ
tpˆ pˆˆ
c= hˆ
t. pˆˆ
hˆ
t1 pˆˆ
( ) n h p ( ) n
p ˆˆ
cω , ˆ
n( ω ). ˆˆ ω ,
−ω
=
( ) p ( ) n
n h
p
cn
ˆˆ , ) . ˆ (
, 1
ˆˆ ω
ω ω
−ω
= ω
n
( ) n
p ˆˆ
cω ,
W Xia et al, IEEE TMI 1995;14-Hawkins et al. IEEE TMI 1988;7-Lewitt et al. Proc SPIE 1989; 1092-Glick et al. IEEE TMI 1994;13.
Filtre de déconvolution de Metz
) ˆ(
1
ν
hn=1
n=15
n=4
[ ]
) ' , ˆ (
) ' , ˆ ( 1 1
) ' , ˆ (
2
ν ν
ν ν ν
ν h
h m
−
n= −
King et al. JNM 1983;24 et Metz et al. JNM 73;15
774 . 7 ) ln(
. 834 ,
0 −
= C
n
1
ν
) (
ν
m)hˆ
tpˆ pˆˆ
c= hˆ
t. pˆˆ
hˆ
t1 pˆˆ
Alternative pour déconvoluer
m i
j
Bin k : + R
i,j,k,m.f
ij= R
i,j,k,m% du pixel (i,j)
f
ijm i
j
Bin k : +S.R
i,j,k,m.f
ijBin k+1 : +S.R
i,j,k,m.f
ij= R
i,j,k,m% du pixel (i,j)
D
G(d) d
σ
D
Tsui et Floyd, IEEE Trans Nucl Sci 1988;35 – A Formiconi, Phys Med Biol 1989;34 – Penney, IEEE TNS 1990;37 - McCarthy, IEEE TMI 1991;10 – Zeng, IEEE TNS 1991;38-1992;39 – Bechman, IEEE TNS 1993; 40
Alternative pour déconvoluer
Solvabilité du problème tomographique
?
( ) s
p
ωr⊥pˆ
ωr⊥( ) σ
T F
T F R
||f
( ) = ( ) ⊥
⊥
ω
ω
r
r σ fˆ σ.
pˆ
fˆ
Aspect analytique: R bijectif d’inverse continu
Démonstration
s t
f
( ) s f(s t ) dt
p
t
∫ +
= ω
⊥ω
ω
r
r
( ) = ∫ ( )
−s
i.s.
ds .e
s p σ
pˆ
ωr ωr σ( ) σ f(s t ) e dt ds
pˆ
s
i.s.σ t
∫ ∫
⊥+
−= ω ω
ω
r
r
( ) σ = ∫∫ f( x ) e
− ⊥d x
pˆ r
i.σxr.rr
r ω
ω
( ) ( = φ φ ) = ( ) ω
⊥ω
r
r
σ fˆ σ.cos , σ.sin fˆ σ.
pˆ
cos sin
- ω
φ
φ r
=
φ
x r
Johann Radon, ¨ Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten, Ber. Verh. Sach. Akad. 69 (1917), 262–77.
x2
x1
J. Radon
Rétroprojection filtrée
ωr
p
ωr
pˆ abs
x
[ ]
f1
s
pˆ . abs p
TF
− ωr=
ωrProjections sur 180°
( ) x (R p ) ( ) x
f r ∗ f r
=
s
1ω
r⊥ xrs
3s
2x
2
.
r
⊥r
= ω
s
Démonstration
( ) x = ∫∫ f ( ) ξ e d ξ
f
ix.ξr ) r
r
r r( ) ∫ ∫ ( )
=
+∞
=
−∞
=
⊥ ⊥
=
π0 σ σ
. σ
i
σ dσ d
σ e fˆ x
f
φ
ω
φ
ω r
r xrr
( ) ∫ ∫ ( )
=
+∞
=
−∞
=
⊥
=
⊥π
0 σ σ
σ .
i
dσ d
σ e pˆ
x f
φ
ω
ωr
σ
r xrφ
r
[ pˆ
r. abs ] ( ) r . x r
TF
s−1 ω⊥ω
⊥ξ
1ξ
2ρ φ
||
( ) x (R p ) ( ) x
f r ∗ f r
=
ωfr
p
J. Radon
R surjectif ? :
R injectif ? :
Norme de R -1 ?
R
-1continue mais ||R
-1|| grande
2 f
t
t
R.R f R. p f arg min p R f
r r r r
−
=
⇐
=
( ) ( ) 1
λ R λ
R κ R
où p
δ p κ R
min 1 max
-
f f
δ ≤ r = = >>
r
r r
Solvabilité du problème tomographique
Aspect discret : le problème est moins simple !
choix parmi les solutions possibles
⇐
p . R r
d r 0 r 0 * r
=
=
j
* j
j 2 j
d .R.
R d
ω r r r
r
=
j j
j 1
j f ω . d
f
r r
r + = +
j
* j
j 1
j r ω .R .R. d
r
r r
r + = −
j j 2
1 2 j 1
j 1
j . d
r r r
d
r r
r
r r +
+
+ = +
2 C
f
p - f min R
f arg r r
=
∈Initialisation :
Gradient Conjugué
Gilbert P Iterative methods for the three-dimensional reconstruction of an object from projections. J. Theor. Biol. 1972; 36:105-17
Gradient conjugué , Approximation de Galerkin
dont le spectre CV vers celui de R: estimation de κ (R)
κ (R) qui borne l’erreur sur la solution et le spectre
Estimation de κ (R) par Rf=p
+
−
− +
−
−
−
−
−
−
−
−
1 j
1 j j
1 j
1 j
1 j
1 j 0
0 1
0 0
0 0 0
ω β ω 1 ω
0 β 0
ω 0 β
ω 0 β ω 1 ω
β
0 ω 0
β ω
1
O O
O
j
* j
j 2 j
d .R.
R d
ω r r r
r
=
2j 1 2 j j
r β r r r
+=
www.inma.ucl.ac.be/~vdooren/Krylov.pdf Analyse numérique matricielle appliquée à l’art de l’ingénieur. P. Lascaux & R. Théodor (II), p. 516, 1987. MASSON D. Mariano-Goulart, P. Maréchal, S. Gratton, et al. Comput. Med. Imaging & Graphics 2007; 31 : 502-509
Approche intuitive (I)
f
1f
2: p
1= r
1,1f
1+ r
1,2f
2: p
2= r
2,1f
1+ r
2,2f
2f
1f
2∆
1∆
1∆
2∆
264² = 4 096 128² = 16 384 256² = 65 536 512² = 262 144
f
1f
2∆
1∆
2f
1f
2: p
1= r
1,1f
1+ r
1,2f
2: p
2= r
2,1f
1+ r
2,2f
2∆
1∆
2Approche intuitive (II)
Exemple
=
33 23 31
1 1 1 10
9
5
7 6 10 9 8 5 6 5 7
=
−
30,9 33,1 22,9 32,1 1
, 1
5 , 4 12,6 -
9,2 10
9
5
7 6 10 9 8 5 6 5 7 7 8 7 10
=
−
31,1 32,9 23,1 31,9 1
, 3
5 , 2 14,6
7,2 - 10
9
5
7 6 10 9 8 5 6 5 7 7 8 7 10
{ 0,010; 0,843; 3,858; 30,289 } ( ) R 30,289 0 . 010 2984
Sp(R) ≈ ⇒ κ = =
Matrice de Wilson
100 itérations de MLEM
ωr
p
ωr
pˆ abs
x
[ ]
f1
s
pˆ . abs p
TF
− ωr=
ωrProjections sur 180°
( ) x (R p ) ( ) x
f r ∗ f r
=
s
1ω
r⊥ xrs
3s
2x
2
.
r
⊥r
= ω s
Régularisation de la RPF
Exemple : régularisation de Tikhonov (cf. pseudo-inverse de Moore-Penrose)
2 C
f
f R min p
f arg
r r
−
=
∈
− +
= arg ∈ min p R f α.ρ( f )
f 2
C f
r r r
Remplacer : par
Adéquation aux données Surjectivité du problème inverse
Régularisation injectivité
Régularisation algébrique
( R R αI ) f R p
f α.
f R min p
f arg
2 2 t tf
= +
⇔
− +
= r r r
r
r
( R R αI ) R p
f r =
t+
-1 t) f ( ).
f / p ( )
p ( )/
f ( ).
f / p ( )
p / f (
r r r
r r r r
r r
Ρ Ρ
= Ρ
Ρ Ρ
= Ρ
Bayes :
[ log ( p / f ) log ( f ) ]
min arg
f
~
f
r r r
r
r − Ρ − Ρ
=
Adéquation aux données régularisation
Régularisation MAP-EM-OSL
! p
~ p log e
i p i
~p
i
i i
∏
−Ρ( f ) =
K1e
−β.∑
i,j wi,j.V(
fi -fj) r
Gibbs :
∑ ∑
∑
==
=
+ =
Pl
N
s
n s s l
l i
P l
l
i
l
r f
r p
r
11 , ,
1 '
,'
. 1 n f i 1 n
f i
∑∑
∑ + β ∂ + =
=
=
=
P 1
l N
1 s
n s s , l
l i
, P l
1 '
l l,'i r f
r p . U . r
. 1 n fi 1 n fi
∑ −
∂
= ∂
∂ f ∈V(f ) i,k. i k
i k
) f f r ( w V U
Dempster A et al. Maximum likelihood from incomplete data via the EM algorithm. J R Stat Soc 1977;39:1-38.
Hudson H et al. .Accelerated image reconstruction using ordered subsets of projection data. IEEE TMI 1994;13:601-9.
Green PJ. Bayesian reconstructions from emission tomography data using a modified EM algorithm. IEEE Trans Med Imaging 1990;9:84-93
GC 16 MLEM 6 MLEM 200 GC 6
FRECT 34 (CV)
Comparaison MLEM-GC-FRECT
( ) f TF
s 1( ) B. pˆ Rf
2( 1 B ) . fˆ
2E =
−− + −
D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 07 & Lect Notes Comput Sci. 04
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie
3. Choix d’un traceur
4. Acquisition des images
5. Reconstruction tomographique
6. Segmentation, analyse et validation (myocarde)
7. Segmentation, analyse et validation (ventriculo)
Segmentation et Analyse
Scintigraphie myocardique (MIBI ou MIBG)
Faible rapport signal/bruit Activités extra cardiaques
Ventricule gauche ≈ ellipsoïde tronqué
Tomoventriculographie isotopique
Meilleur rapport S/B, basse fréquence Volumes partiels
Peu d’activité extra cardiaque
Pas de modélisation simple (ventricule droit)
QPS : MYOCARDE
A Ezekiel et al. in Computers in cardiology. NY, IEEE Computer society. 1991:237-240 G. Germano et al. JNM 1995;36:1107-1114 et 1995;36:2138-2147 64
Essai d’identification :
seuil 1 amas cubique [50 mL, 1L[
Somme pondérée des coupes SA
? Maxima locaux de S(i,j)
• supérieur seuil et au moins 4-connexes
Transformée de Hough
• ? cercles dans un nuage de points
∑
==
L1 k
k
.SA(i, j, k) ω
j) S(i, ω
kk 0 L/2 L
L
64
S+5% ⇒ fragmentation
QPS ® : TRANSFORMATION DE HOUGH
a b
x
y y b r.sin θ
r.cos θ a
x
+
= +
=
r
θ
M M
x y
a b
θ r.sin y
b
θ r.cos x
a
−
=
−
=
r
θ
y x
b a y)
(x, C
rà tout point M du cercle(O,r) on associe un cercle (M,r) M
D. Ballard, C. Brown. Computer vision. Englewood Cliffs, NJ: Prentice-Hall; 1982.
http://homepages.inf.ed.ac.uk/rbf/BOOKS/BANDB/bandb.htm
1
a b
x y
r
M
a b
M
M’ M’
2 2
D. Ballard, C. Brown. Computer vision. Englewood Cliffs, NJ: Prentice-Hall; 1982.
http://homepages.inf.ed.ac.uk/rbf/BOOKS/BANDB/bandb.htm
QPS ® : TRANSFORMATION DE HOUGH
a b
x y
r
M
a b
M
M’’ M’’
M’ M’
2 3
D. Ballard, C. Brown. Computer vision. Englewood Cliffs, NJ: Prentice-Hall; 1982.
http://homepages.inf.ed.ac.uk/rbf/BOOKS/BANDB/bandb.htm
QPS ® : TRANSFORMATION DE HOUGH
a b
x y
r
M
a b
M
M’’ M’’
M’’’ M’’’
M’ M’
4
2
D. Ballard, C. Brown. Computer vision. Englewood Cliffs, NJ: Prentice-Hall; 1982.
http://homepages.inf.ed.ac.uk/rbf/BOOKS/BANDB/bandb.htm
QPS ® : TRANSFORMATION DE HOUGH
a b
x y
r
M
a b
M
M’ M’
M’’ M’’
M’’’’ M’’’’
? Extrema dans l’espace des paramètres 3D: (a,b,r) Puis QPS choisit le cercle à plus fort comptage moyen sur la circonférence par rapport au comptage au centre Si r est inconnu : cônes
QPS ® : TRANSFORMATION DE HOUGH
QPS : MYOCARDE
JC Cauvin et al. Eur J Nucl med 1992;19:1032-1037
G. Germano et al. JNM 1995;36:1107-14 ; 1995;36:2138-47 et JNM 2000;41:712-19
G : Centre de Gravité du masque binaire
Données = Volume SPECT x Masque
Extraction de 18x36 profils d’activité
Surface médio VG = maxima des profils M
Fit ellipse 3D → axe VG → G ← proj.(G)/axe
G
10° 10°
X 18
M
X 36QPS ® : SEGMENTATION DU MYOCARDE
SMVG(t) Profil(t)
40 mm
SMVG(t)
σe
65% σe 65% σi
ENDO(t) EPI(t)
σi
M(t)
SMVG ENDO
EPI
MOUVEMENT MYOCARDIQUE ?
mais LMH ≈ 15 mm ≈ mouvement
qui est donc peu ou pas visible.
Rappel : Effet de volume partiel
1
1
3/4 p(i)
i i
s(i)
1 3/4
p(i)
i i
s(i)
h(i) 1/2
i 1/4
1/4
EPAISSISSEMENT SYSTOLIQUE
Epaisseur systolique ≈ 30 mm
100 % de l’activité mesurée
Pour une épaisseur diastolique de 15 mm 75 % de l’activité mesurée
JR Galt et al. IEEE Trans Med Imaging 1990; 9:144-150
Applications cliniques
J.M. Links J Nucl Cardiol 2002;9:183-187 - T.M. Bateman. Semin Nucl Med 2005;35:37-51 – G. Mowatt. Health Technology Assessment 2004; 8(30):1-222 (3032 patients)
79 50 86 88
ATT NC ATT Se (%) NC
p(T+/M) Spé (%) p(T-/non M)
Examen normal
Sténose de l’artère circonflexe
> 80%
Applications cliniques
F
H
Evènements CV à 3 ans
X 4
X 2
T. Sharir et al. Circulation 1999;100:1035-42 et J Nucl cardiol 2006;13(4):495-506
< 51
< 43
MIBG
MJ Boogers et al. JACC 2010; 55(24):2769-2777
1. Problème médical à résoudre
2. Choix d’une modalité d’imagerie
3. Choix d’un traceur
4. Acquisition des images
5. Reconstruction tomographique
6. Segmentation, analyse et validation (myocarde)
7. Segmentation, analyse et validation (ventriculo)
TOMO-VENTRICULOGRAPHIE
VTD
VTS
FE
TES
PRM PVM
?
Choix d’un algorithme de segmentation
Approche « frontières »
Seuillages (simple, d’histogramme, hystérésis…) Dérivatives (gradient, Laplacien)
Surfaciques (Hueckel)
Morphologiques (gradient, ligne de partage des eaux) Réseau de neurones
Champs de Markov Variationnelles
Approche « régions »
Techniques Markoviennes, Croissance de régions,
Division et fusion de graphes,
Etc.
Analyse d'images: filtrage et segmentation", J.P Cocquerez et S. Philipp, 1995, MASSON.
Segmentation
NG=NG
max-NG
LPE par immersion
Schmitt M, Mattioli J. « Morphologie mathématique ». Paris, Masson, 1993.
LPE par amincissement homotopique
( ) max min
max ( , ) alors ,
si f < f i j ≤ f f i j = f
− −
= −
1 0 1 0 1 1 0 1 L 1
Mariano-Goulart et al.EJNM 1998; 22:1300-07 et Revue Acomen 2000;6:69-77
j-1 j j+1
i+1
i-1
i
=
0 0 0
1 1 - 1
0 1 0 L'
Extraction
Mariano-Goulart et al.EJNM 1998;22 et EJNM 2001;28- Daou et al. JNM 2001;42
TES ?
FE ?
Ajustement mono- harmonique
H1
) t
.(
1 0
)t
.(
0 0 1e (1) e
sˆ (0)
s(t) = sˆ + j ω = A + A j ω + ϕ N
N
A 0
A 1
ϕ 1
fit cosinus
∑
−=
=
N 1 00 k
)t
(k).e
.(k.N sˆ
s(t) 1
j ωAjustement multi-harmonique
H1 H1+H2 H1+H2+H3
Avant bruitage
∑ −
=
= H 1
0 k
)t .(k
0(k).e N sˆ
s(t) 1 j ω
P(t) D(t) = P(t)
βDéformation d’une CTA de référence
P(t
1/3) P(t
3) t
1/3t
3Déformation d’une CTA de référence
P(t) D(t) = P(t
α)
D(t) = P[Q(t)]
Polynôme Q(t)
D(t) = P[Q(t)]
Détermination de Q(t)
Acquisition bruitée (t
4, A
4) A
4= P(u
4)
A
4= D(t
4) = P[ Q(t
4)]
Q(t
4) = u
4A
41
1 Q(t)
t
C Caderas de Kerleau & D Mariano-Goulart. IEEE Trans Med Imaging 2004 ; 23(4) : 485-91.
Filtrage linéaire de la CTA
H1 : imprécis
Multi-harmoniques : bruité
Modélisation de la CTA H1+H2 H1+ H2 +H3
t1/3
t3
H1
C Caderas de Kerleau & D Mariano-Goulart. IEEE Trans Med Imaging 2004 ; 23(4) : 485-91.
Validation
Analyse de la fonction systolique
TVI
versus
IRM
VES(G-D): 9±14 (GBPS) versus 18±13 (IRM)
L. Sibille et D. Mariano-Goulart, An. Nucl. Med 2010.
δ =4%
δ (IRM)= 11 mL δ (IRM)=0
δ =0
δ (IRM) = 40 mL
δ (IRM) =19mL
ANALYSE 3D DE CTA LOCALES
DEFORMATION
CTA DE REFERENCE CTA LOCALE ESTIMEE G
S
CTA LOCALE
Mariano-Goulart et al. J Nucl Med. 2007; 47: 1416-1423
ANALYSE 3D DE CTA LOCALES
TES FE VD VG
Se=100 Sp=81 S=80 ms
Mariano-Goulart et al. J Nucl Med. 2007; 47: 1416-1423
Synthèse et résultats
- -
+ -
-
Identification Modélisation Quantification
+ +
+
Pronostic
Identification Modélisation Quantification
+ +
+ +
LPE Fit de CTA Échantillonnage
Dys- kinésie Hypo-
kinésie Cicatrice
Volumes
FE
Logiciels
Déconvolution Reconstruction
+
Modalité
TVI
PERFUSION
MIBG
The Mathematics of Computerized Tomography.
F. Natterer. 2001. SIAM.
Quantitative Analysis in Nuclear Medicine Imaging.
H. Zaidi Ed. Springer.
(http://www.springerlink.com/content/k513k6/?p=be16e74068244dbfbeb4d7123ee136b3&pi=0)