Mathématiques appliquées
& médecine nucléaire : quelques ponts
Denis Mariano-Goulart Faculté de médecine et CHRU Montpellier d-mariano_goulart@chu-montpellier.fr
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Résumé
Depuis la conception du premier "scanner", à la fin des années
1960, les techniques d'imagerie médicale ont grandement
bénéficié de l'apport de nombreux outils de mathématiques
appliquées et de traitement du signal numérique, tant dans le
domaine de la reconstruction (tomographie, images
paramétriques) que de l'analyse d'images (segmentation,
modélisations). Après une brève présentation des diverses
modalités de l'imagerie médicale et des bases de la
reconstruction tomographique, l'exposé insistera sur quelques
travaux récents menés lors de collaborations entre
mathématiciens et médecins dans les domaines de la
régularisation de problèmes inverses linéaires, de la
modélisation de données bruitées ou de la segmentation
d'images médicales. Quelques pistes d'éventuelles nouvelles
collaborations seront suggérées au fil de l'exposé.
Imagerie médicale
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
ANATOMIQUE
ρ µ ∝
c . Z ∝ ρ
η S ∝
Radiologie &
Imagerie
médicale
FONCTIONNELLE
Imagerie médicale
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
ANATOMIQUE
FONCTIONNELLE
Imagerie médicale
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
ANATOMIQUE
METABOLIQUE
FONCTIONNELLE
Imagerie médicale
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
METABOLIQUE
Biophysique
& médecine
nucléaire
I
0p f
1f
nf
2n n 2
2 1
1
f R f ... R f
R
p = + + +
γγγγ γγγγ
9943
Tc
résolution ≈ cm bruit de Poisson
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
TEMP (SPECT)
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
I
0p
Jf
1f
nf
2γγγγ γγγγ
9943
Tc = ∑ i
j i
j R f
p
TEMP (SPECT)
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
f
i?
γγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
TEP (PET-SCAN)
∑
= i j i
j R f
p
Jp
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
TEP
f
iγγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
p
J?
∑
= i j i
j R f
p
Modélisation analytique
( ) x p ( , . x ) dθ
p) (R
π
θ 0
∫ =
⊥
∗ r = r r r
ω ω
s
1ω r ⊥ x r
s
3s
2IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
( ) ( )
Rf p
=
+
=
= ∫
⊥p
dt ) t f(s
s p s
,
t
ω ω
ω r
ωrr
x1 x2
s t
f
θ cos
θ sin
- = ω r
θ
x
2
.
r
⊥r
= ω s
Natterer F. The mathematics of computerized tomography. New York: Wiley; 1986.
Théorème de la projection
i j
s t
f
( ) s f(s t ) dt
p
t
∫ +
= ω ⊥ ω
ω r r
( ) = ∫ ( ) −
s
i.s. ds .e
s p σ
pˆ ω r ω r 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.σ x r . r r
r ω
ω
( ) ( = ) = ( ) ω ⊥
ω
r σ fˆ σ.cosθ , σ.sinθ fˆ σ. r pˆ
θ cos
θ sin
- = ω r
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
θ
x r
Johann Radon, ¨ Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten, Ber. Verh. Sach. Akad. 69 (1917), 262–77.
( ) s
p ω r pˆ ω r ( ) σ
R
||f fˆ
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
T F
T F
( ) = ( ) ω ⊥
ω
r σ fˆ σ. r pˆ
Théorème de la projection
?
( ) s
p ω r pˆ ω r ( ) σ
R
||f fˆ
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
T F
T F
( ) = ( ) ω ⊥
ω
r σ fˆ σ. r pˆ
Théorème de la projection
?
FFT polaire ?
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
A Averbuch, RR Coifman, DL Donoho, M Elad, M Israeli. Appl Comput Harmon Anal. 2006; 21:145-167 O Levi, O Harari, Ronen Peretz. 2007.The Fast Octa-Polar Fourier Transform and its expansion to an accurate discrete radon transform
FFT-
.
0.
. 2 π ω
j − j
− =
= e e
W N N
∑
∑ −
=
− ν
=
ν ω
− =
=
ν N 1
0 k
k N 1
N
0 k
) k
.( s ( k ). W
e ).
k ( s )
(
sˆ j
0) ( H . W + ) ( G
W ).
1 k 2 ( s W
W ).
k 2 ( s
W ).
1 k 2 ( s W
W ).
k 2 ( s
W ).
1 k 2 ( s W
).
k 2 ( s )
( sˆ
N
2 1 N
0 k
. k
2 / N N
2 1 N
0 k
. k
2 / N
2 1 N
0 k
. k . 2 N N
2 1 N
0 k
. k . 2 N
2 1 N
0 k
).
1 k . 2 ( N 2 1
N
0 k
. k . 2 N
ν ν
=
+ +
=
+ +
=
+ +
= ν
ν
−
=
ν ν
−
=
ν
−
=
ν ν
−
=
ν
−
=
ν +
−
=
ν
∑
∑
∑
∑
∑
∑
TFD
Fast Fourier Transform (FFT)
2 ) sin(
. 2 )
cos( j N
W
N= N π − π
) ( . +
) ( )
ˆ ( ν G ν W ν H ν
s = N
TFD
Fast Fourier Transform (FFT)
TF sur N points TF sur N/2 points
) 1 ( ) 1 ( ) 0 ( ).
( )
ˆ (
1 0
2 ) .( 2
s s
e k s s
k
k π ν ν
ν = ∑ = + −
=
− j
TF sur 2 points:
. ) sin( 2 . . )
cos( 2
j N N
ν π ν
π −
Complexité N² → N.log 2 N (512² → 512x9 i.e 57 fois moins)
TFD
Algorithme FFT
Rétroprojection filtrée
( ) x = ∫∫ f ( ) ξ e d ξ
f i x . ξ
r ) r
r r r
( ) ∫ ∫ ( )
=
+∞
=
−∞
=
⊥
⊥=
π
0 θ
σ σ
. σ
i σ dσ dθ
σ e fˆ x
f x
r
r r
r ω
ω
( ) ∫ ∫ ( )
=
+∞
=
−∞
=
= π
⊥θ 0 σ σ
. σ
i dσ dθ
σ e pˆ
x
f x
r r
r r ω
ω σ
[ pˆ r . abs ] ( ) r . x r
TF s − 1 ω ω ⊥
ξ
1ξ
2ρ θ
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
||
( ) x (R p ) ( ) x
f r ∗ ' r
ω r =
p'
ω r
p
ω r
pˆ abs
x
[ ] '
1
s pˆ . abs p
TF − ω r = ω r s
1s
2s
3Projections sur 180°
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Rétroprojection filtrée
x
2
.
r
⊥r
= ω s
( ) x (R p ) ( ) x
f r ∗ ' r
=
Rétroprojection filtrée
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Modélisation algébrique
f
1f
4f
3f
2p
1= r
1,1f
1+ r
1,2f
2p
2= r
2,3f
3+ r
2,4f
4p
3= r
3,1f
1+ r
3,3f
3p
4= r
4,2f
2+ r
4,4f
4
=
4 3 2 1
4 3 2 1
4,4 4,3 4,2 4,1
3,4 3,3 3,2 3,1
2,4 2,3 2,2 2,1
1,4 1,3 1,2 1,1
p p p p
f f f f . r
r r r
r r r r
r r r r
r r r r
p f
R. r r
=
ri,j = % du pixel j intersecté par la projection i
b
1= r
1.1p
1+ r
3,1p
3p
1p
2p
4b
2= r
1.2p
1+ r
4,2p
4b
3= r
2.3p
2+ r
3,3p
3b
4= r
2,4p
2+ r
4,4p
4p
3
=
4 3 2 1
4 3 2 1
4,4 3,4 2,4 1,4
4,3 3,3 2,3 1,3
4,2 3,2 2,2 1,2
4,1 3,1 2,1 1,1
b b b b
p p p p . r
r r r
r r r r
r r r r
r r r r
b p
R.
t
r r
=
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
∆
1: p
1= r
1,1f
1+ r
1,2f
2∆
2: p
2= r
2,1f
1+ r
2,2f
2Algebraic Reconstruction Technique
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
f
1f
2r1,2 r1,1 r2,1
r2,2
1 n 1
1 n
ω d ω
f
f r
r r
r
+= +
2 1 1
1n n 1
1
n
ω
ω p f p
f r
r r
r
+= + −
) p p
( f
f
n +1=
n+ R
* 1−
1nr r
f
1f
2∆
1∆
2
1,2 1 1,1
r ω r r
1
f
n +r
2n 1n
n
f
f f d r
r
1
1 n
1
ω
ω . f
p
d r
r r
= −
n
p
1Kaczmarz S. Angenährte Auflösung von Systemen linearer Gleichungen. Bull Int Acad Pol Sci Lett A 1937;35:355-7.
MLEM et OSEM
Maximiser
p
p
n l
* l
R
∑ ∑
∑ =
=
=
+ = K
l
N
s
n s s l
l i
K l
l
i
l r f
r p
r 1
1 , ,
1 '
,'
. 1 n f i 1
n f i
f
1f
2∆
1∆
2∆’
2IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
=
[ ]
= −
∏ = e p' p !
log /f)
(p' log
i p' i K p
1 i
i i
P
Problème bien conditionné ?
En continu : R opérateur bijectif d’inverse continue (Hadamard).
En discret :
surjectivité
qui revient à minimiser
R injectif ? choix parmi le solutions (initialisation)
R -1 continue mais ||R
-1|| grande :
2
p f
R r r
−
q p
R.
f A f
R.R
tt
r r r r
=
=
=
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
( )
min 1 max
-
λ R λ
R
κ R = =
( )
( )
+
≤ −
R δR p
δ p
R R δR 1 κ
R κ f
δ f
r r r
r
Régularisation
( R R αI ) f R p
α. f f
R min p
f arg 2 2 * *
f
= +
⇔
− +
= r r r
r
r
surjectivité injectivité f r = ( R * R + αI ) -1 R * p
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
[ log ( p / f ) log ( f ) ]
min arg
f
~
f
r r r
r
r − Ρ − Ρ
=
) f ( ).
f / p ( )
p ( )/
f ( ).
f / p ( )
p / f (
r r r
r r r r
r r
Ρ Ρ
= Ρ
Ρ Ρ
= Ρ
régularisation
Adéquation aux données
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
q . A r
d r 0 r 0
*r
=
=
* j j
j 2 j
d .A.
A 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 .A .A. 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
q - f min A
f arg r r
= ∈
Gradient conjugué
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
* j j
j 2 j
d .R.
R d
ω r r r
r
=
j 2 1 2 j j
r β r r
r +
=
+
−
− +
−
−
=
−
−
−
−
−
−
1 j
1 j j
1 j
1 j
1 j
1 j 0
0 1
0 0
0 0 0
j
ω β ω 1
ω 0 β
0
ω 0 β
ω 0 β ω 1
ω β
0 ω 0
β ω 1
G
O O
O
Matrice de Galerkine
Analyse numérique matricielle appliquée à l’art de l’ingénieur. P. Lascaux & R. Théodor (II). MASSON
[ log ( p / f ) log ( f ) ]
min arg
f
~
f
r r r
r
r − Ρ − Ρ
=
Distribution de Gibbs :
( )
= K 1 e − β. ∑
i,jw
i,j.V f
i- f
j)
Ρ( f r
( )
− +
= ∑
j i,
j i
j
f
log Ρ p / f β w
i,V(f - f )
min arg
f
~ r r r
r
Régularisation statistique
) f ( ).
f / p ( )
p ( )/
f ( ).
f / p ( )
p / f (
r r r
r r r r
r r
Ρ Ρ
= Ρ
Ρ Ρ
= Ρ
régularisation Adéquation aux données
MAP-EM-OSL
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Contrôle de convergence
Evaluation de la stabilité :
Erreur inverse (backward error) :
f r λ 1
ε j
j max
j r
r
=
+ δ = + δ
δ δ
= δ δ / (A A) x q q
β , q α
Max A )
x
ε( Min
q , A
r r r
r r
r
x β α
q - x ) A
ε( x
= r + r r r
= ⇒
= δ
= 0, q 0 et α A
β r
D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 2007; 31:502-9 IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
( )
min max
λ R λ
κ =
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Régularisation ?
• Estimation du spectre et de l’erreur possibles.
• Choix optimal de L, H , β, , β, , β, , β, w, V ?
• Pour ce choix, fréquences à l’itération i ?
− +
=
∈2 2
C f
) f H(
f R )
p min L(
f arg
r r r
r
r
MLEM 6 MLEM 200
( )
− +
= ∑
j i,
j i
j
f
log Ρ p / f β w
i,V(f - f )
min arg
f
r r r
r
FRECT
D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 07 & Lect Notes Comput Sci. 04
Statistiques dans les coupes ?
p d . S f
d p
d S f
d r r r r
≤
= ⇒
( ) d f S . Cov ( ) d p . S *
Cov r r
=
S = (R*R + H*H) -1 R* L
Calculs inextricables…
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Alternatives ? :
- tomographie par intervalles (intégrales de Choquet).
- rapports de vraissemblances - …
A. Rico, O. Strauss, D. Mariano-Goulart. Fuzzy Sets and Systems 2009; 160(2):198-211
10
10 10
10
7
9 12
11
3 . 10
1.2 10.3
δ 1 = 11.5 − =
δ 0
10, 0 =
+ bruit
7
9 12
11
5 . 11
3 1 r =
6 1 r =
Une piste ?…
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
0.5
r =
10
10 10
10
7
9 12
11
3 . 10
2 . 1 3
. 10 5
.
1 = 11 − =
δ
0
,
10 δ 0 =
+ bruit
7
9 12
11
5 . 11
1
2 14.5 11 3.5 3.δ
δ = − = ≈
+ bruit x3
5 . 14
1
7 16
13 1
7 16
13
11
Projection par intervalle & bruit
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Projection par intervalle
1 3 0
2
0 1
0 0
0
] S , S [
=
S (1.4+2.2+3.2)/8=1.8
1 3 0
2
0 1
0 0
0
=
S (3.4+2.3+1.1)/8=2.4
] S , S [
2.4]
, [1.8 [S] =
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Modélisation rigoureuse
Intégrale de Choquet asymétrique par rapport à une capacité
Nos résultats montrent un lien fort entre le bruit dans la coupe et le
diamètre de l’intervalle reconstruit La prise de décision à un niveau p donné reste un problème ouvert…
A. Rico, O. Strauss, D. Mariano-Goulart. Fuzzy Sets and Systems 2009; 160(2):198-211
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Un théorème de Radon 3D…
ω r ⊥ ω r
( ) ( ) ξ = ξ
∈ ⊥ ξ
∀ r r r r
r fˆ
pˆ , ω ω
( ) y f ( y t ) dt
y ω , p
ω ∈ S, ∀ ∈ ⊥ = ∫ +
∀ r r r ω r r r ω r
TF
2TF
3f
fˆ
( ) ( )
ˆ f y t e 2 . dt d y
p r r r i y r r r
r
r π ξ
ω
ω ξ ∫∫ ∫ ω −
⊥
+
=
( ) ξ = ∫∫∫ ( ) − π ξ = ( ) ξ
ω
r r
r r r r
r f x e d x fˆ
pˆ 2 i x .
y r
ξ r
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
ω ∈ Ω ⊂ S,
∀ r
Si Ω contient au moins un cercle équatorial de S (ou si Ω intersecte tout cercle équatorial de S)
ω r ω r ⊥
z
( ) ( ) η fˆ η
ω ,
η ∈ ⊥ Pˆ ω =
∀ r r
Ω
SS. Orlov. Sov.Phys. Crystallogr., Vol 20, 3:312-4 et 4:429-433
… un peu difficile à appliquer…
1- Condition d’Orlov :
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
… plutôt difficile à appliquer…
2 - si les projections ne sont pas tronquées (projections complètes)
ω r
3 – moyennant une interpolation 3D dans le domaine des fréquences 1- Condition d’Orlov
( , ) ˆ ( cos sin sin , sin sin cos , cos )
ˆ ξ
1ξ
2= f ξ
1θ φ − ξ
2θ ξ
1θ φ + ξ
2θ − ξ
1φ
p
x1 x3
x2
θ φ
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
p(s, φ , z = (x
A3+z
B3)/2, δ = tg θ)
Synthèse de projections complètes
x2
F Ben Bouallègue, JF Crouzet & D Mariano-Goulart, IEEE Trans Med Imaging 07 & Ann Nucl Med 09
: 4 paramètres, 3 ddl
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
p(s, φ , z = (x
A3+z
B3)/2, δ = tg θ)
Synthèse de projections complètes
( , , , ) ˆ ( , , , ' )
ˆ σ k ζ δ e p χσ k ζ δ
p =
−i∆Φx2
TF3
'
' ,
δ δ χσ ζ
ζ δ σ
δ >
−
=
∆Φ k arctg arctg
( )
22 2
2
'
1 σ
δ ζ δ
χ = + −
F Ben Bouallègue, JF Crouzet & D Mariano-Goulart, IEEE Trans Med Imaging 07 & Ann Nucl Med 09
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
p(s, φ , z = (x
A3+z
B3)/2, δ = tg θ)
Synthèse de projections complètes
( , , , ) ˆ ( , , , ' )
ˆ σ k ζ δ e p χσ k ζ δ
p =
−i∆Φx2
TF3
'
' ,
δ δ χσ ζ
ζ δ σ
δ >
−
=
∆Φ k arctg arctg
( )
22 2
2
'
1 σ
δ ζ δ
χ = + −
( ) ( )
− −
≈ ' , '
k ,
ˆ , ,
,
ˆ , δ
σ δ σ δ
δ
σ k z p k z
p
2O en
DL ζ
σ δ
F Ben Bouallègue, JF Crouzet & D Mariano-Goulart, IEEE Trans Med Imaging 07 & Ann Nucl Med 09
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
F Ben Bouallègue, JF Crouzet & D Mariano-Goulart, CR Physique 05 & Comput Med Imag. Graphics 08.
( ) , ξ )
tan sinθ
ξ tanθ
, ξ (ξ | fˆ sin
sinθ
| ξ 1
, ξ
pˆ w 1 2 1 1 2 2
ϕ
ϕ − −
=
Optimisation de l’interpolation
( ) , ξ , ξ )
θ cos
tan ξ
θ tan ξ
( | fˆ sin θ
cos |
ξ 1 ξ ,
pˆ w 1 2 1 2 1 2
ϕ
ϕ − −
=
x
1x
2x
3TOMO-VENTRICULOGRAPHIE
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Réponse d’un collimateur
LEHR : L = 4,1 cm ; B = 0,64 cm ; R = 0,19 cm ; ε = 0,065
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
« Effet de volume partiel »
JR Galt et al. «Effects of myocardial wall thichness on SPECT quantification». IEEE TMI 1990;9
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
dz LMH e
S
e
e
z
∫ LMH
−
= −
2 /
2 /
2 ln . 2 4
ln
22 π
2Soit X=U X i une réunion de régions compactes disjointes.
On définit la zone d’influence de X i :
le squelette par zones d’influences de X :
et le squelette de X :
Squelette
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
) X (
\ X
(X) i
i
IZ SKIZ = U
{ x, d(x, X ) d(x, X \ X ) }
) X
( i = i < i
IZ
{ x X, (p, p' ) X , p p' /d(x, X ) d(s, p ) d(s, p' ) }
) X
( = ∈ ∃ ∈ ∂ 2 ≠ ∂ = =
SK
SK SKIZ
J. Serra. Image Analysis & Mathematical Morphology. Academic Press. Vol 1(1982) et 2 (1988).
M. Schmidt & J. Mattioli. « Morphologie Mathématique ». 1994. Masson.
Squelette : propriété
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
{ x, d(x, X ) d(x, X \ X ) }
\ X
(X) i i
i <
= U
SKIZ
{ x X, (p, p' ) X , p p' /d(x, X ) d(s, p ) d(s, p' ) }
) X
( = ∈ ∃ ∈ ∂ 2 ≠ ∂ = =
SK
X i
(X)
SKIZ ⊂ SK (X C )
Ligne de partage des eaux
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Soit f de classe C 1 / f(m)= 0 si m est un minimum local.
On définit :
où :
{ , ( , ' ) minima locaux/d ( , ) d ( , ' ) }
)
( f x m m f x m f x m
LPE = ∃ =
( s ) ds
f b
a
b
a
b a
b a
) ( inf
) , (
d f ,
,
∫ ∇
= γ
γ
Propriété : la LPE est un SKIZ(U{m i }) pour d f
Intérêt en segmentation
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Sq(f c ) amincissements…
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
( ) , max si max ( , ) min
1 0
1 0 1 1 0 1
1 i j f f f i j f
f = < ≤
− − o −
− −
= −
1 0
1 0 1 1 0 1 L 1
Mariano-Goulart et al. Eur J Nucl Med 1998; 22:1300-07
j-1 j j+1
i+1
i-1
i
puis LPE par ébarbulage
∞
=
i
f 1 0 0 - 1 0 1 1 0 0
LPE o
( f L )
Sq = o i ∞
IMAGERIE TOMOGRAPHIE INTERPOLATIONS SEGMENTATION
Alternative: immersion
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
TOMO-VENTRICULOGRAPHIE
VTD
VTS FE
TFS
F. Ben Bouallègue et D.Mariano-Goulart. Eur J Nucl Med 1998-2001-J Nucl Med 2001-2007
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
H1 H1+H2 H1+H2+H3
DEBRUITAGE
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
P(t 1/3 )
P(t 3 ) t 1/3
t 3 P(t)
AJUSTEMENT D’UN MODELE
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
D(t) = P[Q(t)]
Q(t)
P(t)
AJUSTEMENT D’UN MODELE
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
Acquisition bruitée (t 4 , A 4 ) A 4 = P(u 4 )
A 4 = D(t 4 ) = P[ Q(t 4 )]
Q(t 4 ) = u 4
A
41
1 Q(t)
t
AJUSTEMENT D’UN MODELE
RESULTATS
H1 H1+H2 H1+H2+H3 D(t)
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
C. Caderas de Kerleau et D. Mariano-Goulart, IEEE Trans Med Imaging 2004
ANALYSE 3D DE CTA LOCALES
TES FE VD VG
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION
D.Mariano-Goulart et al. J. Nucl Med 2007
La collaboration Médecine-I3M
Depuis 2003
JF Crouzet, F Ben Bouallègue, B Mohammadi O Strauss, P. Maréchal, D Mariano-Goulart
8 articles internationaux (IF=1-4) 3 conférences internationales
5 thèses de sciences
JL Bernon (2000), C Caderas de Kerleau (2003)
Y Saesor(2007), F Ben Bouallègue (2009), D Hoa…
IMAGERIE TOMOGRAPHIE 2D TOMOGRAPHIE 3D INTERPOLATIONS SEGMENTATION