segmentation d ’irm cérébrales multi-séquences et application à la sclérose en plaques
DESCRIPTION
Segmentation d ’IRM cérébrales multi-séquences et application à la sclérose en plaques. Guillaume Dugas-Phocion. La sclérose en plaques. Maladie relativement mal comprise, que l ’on suppose auto-immune Altération de la gaine de myéline Plaques apparaissant à l ’IRM dans la matière blanche. - PowerPoint PPT PresentationTRANSCRIPT
Segmentation d ’IRM cérébrales multi-séquences et application à
la sclérose en plaques
Guillaume Dugas-Phocion
La sclérose en plaques
• Maladie relativement mal comprise, que l ’on suppose auto-immune
• Altération de la gaine de myéline• Plaques apparaissant à l ’IRM dans la matière
blanche
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique :– Signes sensitifs : paresthésies ascendantes des
membres inférieurs, démarche talonnante, malhabilité d ’ une main
– Signes moteurs
– Signes visuels
– Signes cognitifs
Ces paresthésies sont décrites comme des fourmillements ou un engourdissement plus que comme des picotements, souvent plus tardifs dans l ’ évolution de la maladie
Ces paresthésies sont décrites comme des fourmillements ou un engourdissement plus que comme des picotements, souvent plus tardifs dans l ’ évolution de la maladie
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique :– Signes sensitifs
– Signes moteurs : faiblesse musculaire, fatigue ; spasticité
– Signes visuels
– Signes cognitifs
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique :– Signes sensitifs
– Signes moteurs
– Signes visuels : douleurs péri-orbitaire ou rétro-orbitaire, baisse de l ’acuité visuelle
– Signes cognitifs
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique :– Signes sensitifs
– Signes moteurs
– Signes visuels
– Signes cognitifs : troubles de la mémoire, du raisonnement abstrait et de l ’attention
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique
• Rôle des examens complémentaires :– Ecarter d ’autres diagnostics possibles
– Contribuer au diagnostic de SEP
– Evaluer l ’efficacité des traitements
Le diagnostic reste un diagnostic d ’élimination plus qu ’un diagnostic positif. Les critères de Poser
définissent deux groupes de SEP (définie et probables) et deux sous-groupes (le premier, clinique, le second
recourant aux examens complémentaires
Le diagnostic reste un diagnostic d ’élimination plus qu ’un diagnostic positif. Les critères de Poser
définissent deux groupes de SEP (définie et probables) et deux sous-groupes (le premier, clinique, le second
recourant aux examens complémentaires
IRM et diagnostic
• Diagnostic essentiellement basé sur l ’examen clinique
• Rôle des examens complémentaires• Examens complémentaires :
– Analyse du liquide céphalo-rachidien (LCR)
– Potentiels évoqués
– IRM
Analyse du liquide céphalo-rachidien (LCR) : activité immunologique - lymphocytes T, globulines - non spécifique
Analyse du liquide céphalo-rachidien (LCR) : activité immunologique - lymphocytes T, globulines - non spécifique
Les potentiels évoqués sont des potentiels électriques recueillis après une brève stimulation
stéréotypée, appliquée de façon répétitive.
Utilisés pour confirmer l ’atteinte clinique en cas de symptômes inhabituels.
Les potentiels évoqués sont des potentiels électriques recueillis après une brève stimulation
stéréotypée, appliquée de façon répétitive.
Utilisés pour confirmer l ’atteinte clinique en cas de symptômes inhabituels.
Les lésions évocatrices de SEP sont confluentes, périventriculaires à contour irréguliers et/ou ovalaires perpendiculaires à l ’axe anté-postérieurs.
Signes non-spécifiques de la SEP
Les lésions évocatrices de SEP sont confluentes, périventriculaires à contour irréguliers et/ou ovalaires perpendiculaires à l ’axe anté-postérieurs.
Signes non-spécifiques de la SEP
L ’IRM, au même titre que les autres examens complémentaires, n ’apporte au diagnostic qu ’un
élément de dissémination spaciale, et temporel en cas de rehaussement du signal après injection de
Gadolinium
L ’évaluation de l ’IRM repose sur deux paramètres : la charge lésionnelle et l ’activité lésionnelle. Etudes en
cours sur la corrélation entre localisation et symptômes. (Charil et Zijdenbos)
L ’IRM, au même titre que les autres examens complémentaires, n ’apporte au diagnostic qu ’un
élément de dissémination spaciale, et temporel en cas de rehaussement du signal après injection de
Gadolinium
L ’évaluation de l ’IRM repose sur deux paramètres : la charge lésionnelle et l ’activité lésionnelle. Etudes en
cours sur la corrélation entre localisation et symptômes. (Charil et Zijdenbos)
Signature IRM des plaques
• Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons
Prétraitement des données par un recalage rigide intra-patient sur l ’IRM T1 du même instant.
Le recalage est un recalage iconique robuste avec pyramide d ’images
Prétraitement des données par un recalage rigide intra-patient sur l ’IRM T1 du même instant.
Le recalage est un recalage iconique robuste avec pyramide d ’images
Signature IRM des plaques
• Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons
• Caractéristiques générales :– Hypersignal en T2 et en DP : globalité des plaques
– Hyposignal en T1 : zones nécrotiques
– Hypersignal en T2 FLAIR : basse résolution
Signature IRM des plaques
• Données : IRM T1, T2 FSE, T2 FLAIR, Densité de Protons
• Caractéristiques générales• Forte variabilité des plaques - intensité ou
localisation
Cette variabilité IRM est le reflet de la variabilité réelle des plaques : périventriculaires, juxtacorticales, dans le cervelet, dans le corps calleux, dans le tronc cérébrales ; lésions actives, œdémateuses, nécrotiques, jeunes, etc.
Cette variabilité IRM est le reflet de la variabilité réelle des plaques : périventriculaires, juxtacorticales, dans le cervelet, dans le corps calleux, dans le tronc cérébrales ; lésions actives, œdémateuses, nécrotiques, jeunes, etc.
Objectif à long terme
• Obtention de chiffres directement exploitables– signification médicale réelle (charges lésionnelles)
– estimation de l ’erreur sur ces chiffres
• Validation par segmentation d ’experts• Corrélation avec les études sur les déficits
physiques et cognitifs
Difficultés
• Forte variabilité inter-expert pour la validation• Définition difficile d ’un modèle IRM de lésion• On ne connaît pas a priori le poids relatif des
lésions entre elles
Prétraitement : tout ce qui n ’est pas sain est potentiellement malade
Hypothèses de base
• Labélisation : matière blanche, matière grise, LCR.
• Segmentation basée sur l ’intensité• Modèle de bruit gaussien
Segmentation basée sur un algorithme d ’Expectation Maximisation.
Expectation maximisation
Expectation maximisation
Expectation maximisation
Expectation maximisation
Expectation maximisation
• Densité de probabilité gaussienne :
f(yj | lj, ) = Gl(yj - l)
• Indépendance spatiale des voxels• Modèle de mixture de gaussienne• Algorithme en 2 étapes
Expectation maximisation
• Densité de probabilité gaussienne• Indépendance spatiale des voxels• Modèle de mixture de gaussienne• Algorithme en 2 étapes
Expectation maximisation
• Densité de probabilité gaussienne• Indépendance spatiale des voxels• Modèle de mixture
f(Y | ) = f(yj | )
avec f(yj | ) = f(yj | lj=k, )·k
• Algorithme en 2 étapes
Expectation maximisation
• Densité de probabilité gaussienne• Indépendance spatiale des voxels• Modèle de mixture de gaussienne• Algorithme en 2 étapes :
– Expectation : labélisation des voxels
– Maximisation : estimation des paramètres par maximisation de la vraisemblance
Expectation maximisation
• Expectation : calcul des probabilités pour chaque voxel
f(lj | Y, (m-1)) = ___________________
• Maximisation : mise à jour des paramètres des classes
f(yj | lj, (m-1)) * lj
k f(yj | lj = k, (m-1)) * k
Probabilité a priori dans le cadre de la loi de Bayes : attention au fait que dans notre cas, la probabilité a priori dépend de la position du voxel (Atlas probabiliste)
Probabilité a priori dans le cadre de la loi de Bayes : attention au fait que dans notre cas, la probabilité a priori dépend de la position du voxel (Atlas probabiliste)
Expectation maximisation
• Expectation : calcul des probabilités pour chaque voxel• Maximisation : mise à jour des paramètres des
classes (M estimateurs)
k(m) = __________________________
k(m) = ___________________________________
j f(lj = k | Y, (m-1)) * yj (m-1)
j f(lj = k | Y, (m-1))
j f(lj = k | Y, (m-1)) * (yj (m-1) - k
(m)) * (yj (m-1) - k
(m)) ’
j f(lj = k | Y, (m-1))
EM Simple : résultats
EM Simple : résultats
EM Simple : résultats
Application aux lésions de SEP
• Extraction des points aberrants comme pré-segmentation des lésions
• Seuillage sur le χ2 correspondant à chaque classe
• Algorithme à 3 étapes :– Expectation : labélisation des voxels
– Maximisation : estimation des paramètres sans les voxels labellisés comme point aberrant
– Extraction des points aberrants
Rajouter l ’équation du seuil des points abherrants
Rajouter le calcul du biais dans l ’EM
Toucher un mot des contraintes locales
Rajouter l ’équation du seuil des points abherrants
Rajouter le calcul du biais dans l ’EM
Toucher un mot des contraintes locales
Application aux lésions de SEP
Améliorations
• Objectif : débruiter la segmentation des lésions– Diminuer la variance des classes pures
– Conserver la sensibilité de la segmentation
Inclusion d ’un modèle de volume partiels
Modèle de volume partiel
• Un voxel est dit partiel quand il est composé de plusieurs tissus
1
2
Modèle de volume partiel
• Dans le cas de l ’IRM, le bruit est considéré comme gaussien
Modèle de volume partiel
• Dans le cas de l ’IRM, le bruit est considéré comme gaussien
• L’intensité est linéaire en la proportion de tissu dans les volumes partiels :
• Ip = I1 + (1 - )I2
Modèle de volume partiel• Dans le cas de l ’IRM, le bruit est considéré comme
gaussien• L’intensité est linéaire en la proportion de tissu dans
les volumes partiels :
• Ip = I1 + (1 - )I2
• Le résultat est calculable dans le cas gaussien, pour fixé : – I1 = G(1, 1)
– I2 = G(2, 2)Ip = G(1 + (1 - ) 2, 1 + (1 - ) 2)
Modèle de volume partiel : simulation
12
Modèle de volume partiel partiel : simulation
12
Algorithme
• EM classique : deux étapes– Labélisation des voxels en fonction des paramètres
courants
– Estimations des paramètres en maximisant la vraisemblance
Algorithme
• EM avec classes partielles : trois étapes– Labélisation des voxels en fonction des paramètres
courants - classes pures et partielles
– Estimations des paramètres des classes pures en maximisant la vraisemblance
– Calcul des paramètres des classes en fonction des paramètres des classes pures
Résultats
• EM avec classes partielles : trois étapes
Résultats
• EM classique : deux étapes
Résultats
• EM avec classes partielles : trois étapes
Résultats
• EM classique : deux étapes
Résultats : segmentation
Conclusion partielle
• Conclusion partielle : légère diminution de la variance des classes pures.
• Que se passe-t-il si on augmente le nombre de classes partielles ?
Résultats
• EM avec classes partielles : trois étapes
Résultats
• EM avec classes partielles : trois étapes
Conclusion partielle (bis)
• Conclusion partielle : comme prévu, la variance diminue progressivement
• Cette diminution est trop faible pour être suffisante
• Contraintes supplémentaires nécessaires– Contrainte locale (modification de la probabilité a-
priori) sans exploser le temps de calcul
– Contrainte sur la variance des classes pures ?
Atlas probabiliste pour les volumes partiels
• Champs de Markov trop coûteuse en temps de calcul• On applique une contrainte locale une seule fois :
– Premier EM sans volumes partiels
– Extractions des zones susceptibles de contenir des voxels partiels
– Mise à jour de l ’atlas
– Deuxième EM incluant les classes partielles
Rajouter une suite de schémas qui montre comment on fait effectivement le calcul
Rajouter une suite de schémas qui montre comment on fait effectivement le calcul
EM sans volumes partiels
Génération d ’un masque pour chaque interface
Résultats
Résultats
Résultats
Résultats
Conclusion
Annexes
Estimation des points aberrants
• Rajout d ’une classe uniformément distribuée• Maximisation de la vraisemblance :
j log( f(yj | ) + ) 0
On considère qu ’une petite fraction des données est dessinée comme une classe poubelle uniformément distribuée
On considère qu ’une petite fraction des données est dessinée comme une classe poubelle uniformément distribuée
Estimation des points aberrants
• Mise à jour des estimateurs (W Estimateurs) :
t(yj | (m-1)) = _____________f(yj | (m-1))
f(yj | (m-1)) +
Estimation des points aberrants
• Mise à jour des estimateurs (W Estimateurs) :
k(m) = _____________________________
k(m) = ____________________________________
• Estimation des points aberrants :
1 - j t(yj | (m-1)) f(lj = k | Y, (m-1))
j t(yj | (m-1)) f(lj = k | Y, (m-1)) * yj (m-1)
j t(yj | (m-1)) f(lj = k | Y, (m-1))
j t(yj | (m-1)) f(lj = k | Y, (m-1)) * (yj (m-1) - k
(m)) * (yj (m-1) - k
(m)) ’
j t(yj | (m-1)) f(lj = k | Y, (m-1))
Test du χ2
• Paramètres de la gaussienne : , • Ellipse d ’ équiprobabilité :
(y- )t (y- ) = χ2
• Seuillage sur la probabilité d ’appartenance à une classe = seuillage sur le χ2
Introduire la distance de mahalanobis comme la ‘taille’ d ’une ellipse. Dans notre cas, cela revient à faire un test sur la probabilité
Introduire la distance de mahalanobis comme la ‘taille’ d ’une ellipse. Dans notre cas, cela revient à faire un test sur la probabilité
Résultats : segmentation (sans atlas)
Résultats : segmentation (avec atlas)