La tomographie par émission de positons (TEP)

Contexte et problématique

Le cœur est un organe vital dont les éventuels dysfonctionnements peuvent avoir des conséquences fatales : les maladies cardiovasculaires sont parmi les plus meurtrières dans les pays du monde. La détection et la prévention de telles pathologies constituent donc un enjeu majeur de la médecine moderne. Une analyse précise de la morphologie cardiaque ainsi que de sa fonction contractile est nécessaire pour améliorer le diagnostic et le suivi de ces pathologies. Plusieurs modalités d’imageries médicales sont utilisées pour le diagnostic des maladies cardiovasculaires. La qualité de ces images (contraste et résolution en particulier) est très variable, allant d’un niveau élevé pour l’IRM à un niveau plus moyen pour les images scintigraphiques. La tomodensimétrie (TDM), par exemple permet la visualisation des artères coronaires (coro-TDM), et peut également montrer les calcifications des artères coronaires et de déterminer le score calcique coronaire, paramètre permettant de quantifier objectivement l’étendue des calcifications coronaires.

La tomographie par émission de positons (TEP) représente de son côté une technique d’imagerie fonctionnelle permettant la visualisation des zones myocardiques saines, dormantes ou infarcies. Nous pouvons aussi citer l’échocardiographie, une modalité qui via l’analyse des signaux acoustiques réfléchis, permet de déduire les structures cardiaques et d’étudier la morphologie et le mouvement de ces structures.La modalité la plus utilisée lors du diagnostic cardiaque est l’IRM, ou l’imagerie par résonnance magnétique qui permet d’obtenir d’une manière plus précise, une caractérisation morphologique des tissus cardiaques, et ceci en utilisant des produits de contraste (par exemples les chélates de gadolinium). Elle permet également de suivre en temps réel la morphologie cardiaque et la contractilité du myocarde en imagerie dynamique, ce qu’on appelle communément la cinétique cardiaque.

Principe de l’Imagerie par résonance magnétique :

L’histoire de la Résonance Magnétique Nucléaire (RMN) commence avec la description du phénomène de résonance par Bloch et Purcell en 1946. Au cours des premières décades (depuis les années 50 jusqu’aux années 70), la RMN a été avant tout développée en tant qu’outil analytique par des physiciens, chimistes et biologistes. C’était une technique de spectroscopie, et non d’imagerie. Dans les années 70, l’intérêt pour les applications médicales commençait à croitre. La technique d’imagerie proprement dite se développe, et la première image d’un être humain est enregistrée. Dans les années 80, des progrès importants ont été réalisés en matière de résolution temporelle et spatiale, et l’usage de l’Imagerie par Résonance Magnétique (IRM) devient prépondérant pour les examens cliniques.Enfin, dans les années 90, l’IRM fonctionnelle se développe pour la détection de l’activiténeuronale, et donc l’étude du fonctionnement du cerveau.

Deux éléments principaux interviennent dans le phénomène de résonance magnétique
• Le champ magnétique statique, très intense, généralement dénommé B0.
• Le second élément est un champ électromagnétique B1, avec une longueur d’onde de l’ordre des radio-fréquences (similaires aux ondes radio FM, aux environs de 100 MHz).L’application de ce champ radio-fréquence B1 est brève (quelques ms) et est souvent appelée « impulsion RF » .

Approches basées sur l’information à priori :

De nombreuses approches utilisent de l’information à priori et/ou des interactions avec l’utilisateur. Souvent, cela consiste soit à indiquer le centre du ventricule gauche sur une image, soit à tracer manuellement un contour sur une image de référence. Cependant,certaines méthodes utilisent plus d’informations à priori concernant la forme du ventricule gauche, sa position par rapport aux autres organes, son orientation, etc.Dans [Michael et al, 2004], les auteurs ont introduisent des informations à priori dans le processus de segmentation. Ils ont intégré différentes sources de connaissances à priori extraites à partir des images annotées dans un modèle déformable. L’inter-variabilité individuelle de forme a été modélisée par un modèle statistique. Dans ce travail, la relationspatiale entre l’endocarde et l’épicarde a été modélisée par l’adaptation de deux surfaces triangulaires couplées.

Pour préserver la variation du niveau de gris autour de la surface du myocarde, un autre modèle paramétrique spatiale a été développé par une approche basée sur la classification de surfaces de profiles des niveaux de gris. Dans le même contexte d’utilisation de connaissances à priori, d’autres chercheurs [Wanget al 2009] ont intégrés des connaissances relatives à la région et aux contours des images IRM pour l’application d’une méthode de segmentation basée sur les champs de Markov (MRF) afin de délimiter le ventricule gauche .

Segmentation par les Modèles actifs d’apparence :

Les modèles actifs d’apparence [Cootes et al, 1998], [Cootes et al, 2001] permettent de faire une analyse combinée d’une forme donnée, en exploitant à la fois sa texture et son contour. Les modèles AAMs sont créés à partir d’un ensemble d’exemples sur lesquels des points d’intérêts sont spécifiés. Les variations entre les positions des points de contours etaussi entre les textures, sont apprises par une méthode basée sur l’analyse en composantesprincipales (ACP).L’algorithme AAMs se décompose en trois étapes. La première est la phase de création du modèle déformable. Elle est suivie d’une modélisation de la relation entre les paramètres de contrôle du modèle. Enfin, l’étape de recherche permet l’ajustement du modèle aux nouvelles images.

Principe du modèle (AAM) Le modèle moyen AAM est créé à partir d’un échantillon d’images appelé ensemble d’apprentissage. En pratique, l’utilisateur trace les contours définissant la forme de l’objet d’intérêt dans chaque image dans l’ensemble d’apprentissage, figure.6.1. L’information sur les changements de formes observées dans l’ensemble d’apprentissage est utilisée pour modéliser la variation de la forme à segmenter. Pour ce faire, une analyse en composantes principales (ACP) est appliquée afin de modéliser la variation de la forme et du niveau de gris observée dans l’ensemble d’apprentissage. Après l’étape d’annotation, un processus d’alignement basé sur une analyse procustrienne est appliqué aux vecteurs de formes obtenus. La forme et la texture moyenne sont calculées après cette étape. Le modèle actif d’apparence, tel que décrit par Cootes, Taylor et Edwards [Cootes et al, 2001] exige une combinaison statistique des formes et des modèles de texture pour former un modèle d’apparence hybride. Ce modèle est ensuite utilisé pour segmenter de nouvelles images à l’aide d’un algorithme dit de recherche. Le modèle d’apparence représente à la fois la forme et la texture de la variabilité vu dans un ensemble d’apprentissage. Après avoir aligné toutes les formes de l’ensemble d’apprentissage par rapport à la forme moyenne à l’aide d’une analyse de Procruste.L’objectif de la phase de recherche AAM est de trouver les paramètres du modèle qui permettent de générer l’image de synthèse la plus proche possible de l’image de test.

Afin de rendre le modèle robuste par rapport à la pose initial du modèle moyen et aux minimas locaux, nous proposons dans ce travail la construction et l’utilisation d’un modèle multiéchelle. Ce modèle est basé sur l’application successive de différents modèles moyens créés à des échelles multiples. En effet, au cours de la recherche, la première échelle grossière est utilisée pour détecter l’objet suivi par les échelles plus fines.La phase de recherche commence par l’échelle 4. Le contour final trouvé pour cette échelle est utilisé comme contour initial pour l’échelle suivante.Pour notre application, nous avons utilisé 20 images pour construire le modèle moyen. Le modèle multi-échelle proposé est utilisé pour segmenter les contours endocardiques dans les images IRM de tests. Pour ce faire, nous plaçons la forme moyenne à l’emplacement spécifié manuellement dans un premier temps, ensuite nous appliquons l’algorithme de recherche utilisant le modèle moyen multi-échelles pour trouver l’emplacement et l’apparence de la forme endocardique.

Initialisation automatique L’initialisation automatique du modèle AAM est une étape très implorante. En effet elle permet de gagner en temps d’exécution. D’autre part une mauvaise initialisation peut conduire le modèle à de mauvais résultats. À cet effet, une initialisation automatique est très recommandée. Nous décrivons dans cette section une nouvelle méthode d’initialisation automatique associée à la segmentation d’images IRM cardiaque en utilisant le modèle AAM. Nous proposons en effet une nouvelle méthode basée sur l’évaluation de la distance de Hausdorff entre les régions de l’image après binarisation et un modèle qui représente l’endocarde, pour détecter la position spatiale du ventricule gauche. Cette contribution a été publiée dans [Ammar et al, 2012b].

La distance de Hausdorff

Dans de nombreux domaines tels que la vision par ordinateur ou la reconnaissance des formes, il est souvent nécessaire de comparer les formes et les motifs afin d’obtenir une valeur numérique décrivant leurs ressemblances. La distance de Hausdorff est une mesure de distance permettant de comparer les formes et les motifs [Huttenlocher et al, 1993]. L’idée que nous proposons dans ce travail est d’utiliser cette distance pour la détection et la localisation ventriculaire gauche. Nous commençons cette procédure de détection par un pré-traitement qui consiste à appliquer un algorithme de seuillage à l’image traitée. Nous procédons ensuite à l’évaluation de la distance de Hausdorff entre toutes les régions de l’image et un modèle qui représente la frontière endocradique.Nous proposons deux méthodes pour créer le modèle du ventricule gauche :
• Méthode manuelle: l’expert définit les bordures de ce modèle par lasélection manuelle de certains points. Le modèle créé par cette approche est irrégulière dans les bordures.
• Méthode automatique: nous utilisons également le modèle AAM moyen comme le modèle représentant la bordure endocardique.

Conclusion générale

Le développement des outils de traitement et d’analyse d’images présente aujourd’hui un domaine de recherche très motivant. L’automatisation d’un tel processus est devenue l’objectif de la majorité des chercheurs travaillant en vision par ordinateur. Malgré les difficultés qui peuvent être rencontrées pour automatiser ce genre de processus, comme par exemple, la variabilité des données inter et intra sujets, les chercheurs essayent de surmonter ce problème en faisant appel aux techniques de reconnaissance des formes. L’objectif de cette thèse était de participer à la résolution de cette problématique majeure du développement de la vision par ordinateur par la proposition de deux algorithmes desegmentation des images IRM cardiaques, dont l’objectif est de localiser et de caractériserles structures d’intérêts dans une image IRM cardiaques.

Comme mentionné dans le chapitre état de l’art, le but de la localisation des régions d’intérêt est d’initialiser les algorithmes de segmentation qui nécessitent une initialisation, comme les contours actifs, les méthodes d’ensemble de niveau et aussi les modèles ASM et AAM.Le deuxième objectif de ce travail est la détection de ces régions après l’application d’un algorithme de segmentation globale comme la méthode FCM, KFCM et EM. La première contribution de notre thèse est la caractérisation des objets d’intérêts après une segmentation globale en utilisant les méthodes de classification : FCM, KFCM, EM.

Table des matières

Introduction générale
Chapitre I: Imagerie cardiaque
I.1. Introduction
I.2. Le système cardiovasculaire
I.2.1. Morphologie générale du cœur
I.2.2. Physiologie cardiaque et fonction contractile
I.3. Objets d’intérêts en imagerie cardiaque ventriculaire gauche
I.4. Le Ventricule Gauche (VG)
I.5. Principe de l’Imagerie par résonance magnétique
I.5.1. Interaction avec le champ magnétique statique B0
I.5.2. Le phénomène de résonance
I.5.3. Types de contrastes dans les images IRM
I.5.3.a. Contraste en IRM : TR long-TE long
I.5.3.b. Contraste en IRM : TR court –TE court
I.5.3.c. L’image de densité de proton
I.5.4. Séquence d’inversion récupération
I.5.5. Produits de contraste
I.6. Plans de coupe en IRM cardiaque
I.7. IRM cardiaque
I.7.1. Les séquences rapides
I.7.2. Méthodes de synchronisation cardiaque (gating cardiaque)
I.7.3. L’IRM à contraste de phase
I.7.4. IRM de perfusion myocardique de premier passage
I.7.5. Rehaussement tardif
I.8. Détermination des volumes ventriculaires gauches
I.9. Conclusion
Chapitre II: Etat de l’art
II.1. Introduction
II.2. Méthodes de segmentation
II.2.1. Segmentation par classification et morphologie mathématique
II.2.2. Modèles défotmables
II.2.3. Modèles statistiques
II.2.4. Approches basées sur l’information a priori
II.3.Localisation automatique du ventricule gauche
II.4.Conclusion
Chapitre III: Les différentes méthodes de segmentation
III.1. Introduction
III.2. Approche de segmentations par classification
III.2.1. La méthode d’OTSU
III.2.2. La méthode K-moyennes (K-Means)
III.2.3. Fuzzy-C Means (FCM)
III.2.4. la méthode KFCM
III.2.5. L’algorithme de classification espérance-maximisation
III.3. Les modèles déformables
III.4. Les modèles actifs d’apparence
III.4.1. Modèle statistique de forme
III.4.2. Modèle statistique de la texture
III.4.3. Construction du Modèle statistique de texture
III.4.4. L’Analyse Combinée (texture/forme)
III.4.5. Recherche de l’objet dans une nouvelle image
III.4.6. Implémentation multi-résolution
III.5. Conclusion
Chapitre IV : Segmentation par classification
IV.1. Introduction
IV.2. Données expérimentales
IV.2.1. La base d’images
IV.2.2. Segmentation manuelle
IV.3. Résultats expérimentaux
IV.3.1. Résultats de l’algorithme FCM
IV.3.2. Résultats de l’algorithme KFCM
IV.3.3. Résultats de l’algorithme EM
IV.4. Caractérisation du ventricule droit et gauche
IV.5. Conclusion
Chapitre V: Détection du ventricule gauche
V.I. Introduction
V.2.Initialisation manuelle
V.3.Méthodes de détection et d’initialisation de la segmentation
V.3.1. Transformée de Hough Circulaire
V.3.2. Méthode semi -automatique
V.3.3. Méthode basée sur l’index de circularité
V.4.Segmentation du ventricule gauche par ensemble de niveaux
V.5.Résultats et discussions
V.5.1. Données expérimentales
V.5.2. Détection de l’endocarde
V.5.3. Evaluation des résultats
V.6. Conclusion
Chapitre VI: Segmentation des images IRM par Le modèle AAM
VI.1. Introduction
VI.2. Segmentation par les Modèles actifs d’apparence
VI.2.1. Principe du modèle (AAM)
VI.2.2. Initialisation automatique
VI.3. Résultats et interprétations
VI.4. Evaluation des résultats
VI.5. Conclusion
Conclusion générale
Références bibliographiques

Télécharger le rapport complet