Segmentation de tumeurs et lymphomes dans des images multi-modales TEP-TDM 

Images d’émission de positons

En imagerie pour l’oncologie du thorax, en plus des images TDM, les images TEP (tomographie à émission de positons) sont très utilisées pour le diagnostic et la caractérisation de l’activité des tissus tumoraux. A l’inverse des images TDM qui fournissent une information anatomique (ou structurelle) précise, les images TEP fournissent une information fonctionnelle (c’est-à-dire de l’activité du corps humain). Le principe de l’imagerie TEP est de mesurer les concentrations locales, après injection dans l’organisme d’un patient de molécules marquées par un isotope radioactif émetteur de rayons gamma. Les propriétés physiques ou chimiques des molécules marquées leur permettent de s’accumuler dans certains tissus en fonction de leurs activités métaboliques. Par exemple, pour l’oncologie du thorax, le traceur le plus utilisé est le 18F-fluorodésoxyglucose 18F-FDG (isotope radioactif du glucose) qui va préférentiellement se fixer dans les zones du corps consommant le plus de glucose, c’est-à-dire le foie, le cerveau et les tumeurs (les cellules des tissus tumoraux se multiplient plus vite que celles des tissus sains et consomment ainsi plus de glucose). En se désintégrant, l’isotope radioactif libère des positons (particules chargées positivement), qui vont s’annihiler avec des électrons (chargés négativement) en libérant deux photons gamma dans deux directions opposées à 180 degrés l’une de l’autre et à une énergie de 511 keV. Des caméras à photons, placées autour du patient, permettent de détecter les rayonnements gamma simultanés et de sens opposés, provenant d’une désintégration, permettant de définir une droite sur laquelle est situé le lieu de la désintégration du traceur. Des méthodes de reconstruction permettent ensuite de créer l’image TEP complète.

« Scanners » combinés

Les images TDM sont des images purement anatomiques (ou structurelles) permettant d’étudier la position, la forme et la taille des tissus du corps humain. Cependant elles ne révèlent qu’une mesure de la densité des tissus : une image TDM ne permet pas de différencier un nodule pulmonaire bénin d’une tumeur (ces deux tissus ayant la même densité). A l’inverse, les images TEP sont des images fonctionnelles. Elles révèlent l’activité du corps humain en fonctionnement mais ne fournissent pas d’informations anatomiques précises. Aussi la complémentarité de ces deux modalités est naturelle et l’intérêt de les utiliser conjointement a été souligné par de nombreuses publications médicales [Giraud et al., 2002; Ashamalla et al., 2005; van Baardwijk et al., 2006; Faria et al., 2008]. Lorsque les images TDM et TEP sont acquises avec deux appareils différents, le recalage des deux modalités est un problème difficile et un obstacle à leur utilisation conjointe. Il existe cependant actuellement des machines combinées permettant de réaliser des acquisitions TEP et TDM au cours d’un même examen. Des détails sur la conception des différents modèles d’appareils combinés TEP-TDM sont donnés dans [Townsend et al., 2004]. L’intérêt d’une telle amélioration technique est qu’il devient immédiat de placer les images TEP et TDM dans le même repère puisque le patient reste dans la même position et que les deux acquisitions sont très proches dans le temps. Cependant le recalage entre les deux images peut ne pas être parfait, des décalages peuvant provenir de :
la différence de résolution entre les images TEP et les images TDM (typiquement 4 × 4 × 4 mm3 pour l’image TEP et 1, 17 × 1, 17 × 1, 60mm3 pour l’image TDM) induisant un effet de volume partiel plus important pour les images TEP,
la différence de temps d’acquisition entre les deux modalités : de l’ordre de la seconde pour les images TDM et plusieurs minutes (environ 20 min) pour les images TEP.
Dans une zone comme le thorax, où les mouvements de respiration sont importants, cette différence de temps va se traduire par un « flou de mouvement » sur l’image TEP et d’éventuels décalages entre les modalités TEP et TDM.

Contourages manuels

Pour la radiothérapie, comme souligné dans [Daisne, 2005], la modalité considérée comme la plus utile pour réaliser des contourages des tumeurs est la TDM. Aussi même si des recherches sont menées pour proposer des protocoles de segmentation en TEP et des indices de mesures d’activité, les praticiens considèrent toujours l’image TDM comme étant l’image de référence. La manière de délimiter les contours des volumes cibles de radiothérapie (en oncologie du thorax les  tumeurs pulmonaires et les lymphomes à partir des images TDM) est définie par les rapports 50 et 62 de l’ICRU1 (International Commission for Radiation Units) [ICRU, 1993a,b]. Les volumes cibles sont décomposés en 3 niveaux concentriques (du plus étroit au plus large) définissant le GTV, le CTV et le PTV.
Le GTV (gross tumor volume) correspond au volume apparent de la tumeur (dit volume tumoral macroscopique).
Le CTV (clinical tumor volume), correspond au volume anatomo-clinique. Il fait référence aux extensions courantes de tumeurs observées par prélèvement chirurgical.
Le PTV (previsional target volume) est le volume cible prévisionnel. Il tient compte d’éventuels mouvements du patient pendant la séance d’évaluation et de l’imprécision des appareils de radiothérapie.
Plusieurs études cliniques sont consacrées à la quantification de la variabilité intra et inter-praticiens dans le tracé du GTV, par exemple [Giraud et al., 2002; Steenbakkers et al., 2006; van Baardwijk et al., 2007]. Plusieurs protocoles pour mesurer cette variabilité sont proposés. Certains ne s’appuient que sur les images TDM comme par exemple [Giraud et al., 2002]. D’autres mesurent la variabilité en utilisant conjointement les images. En particulier les travaux de [Steenbakkers et al., 2006] montrent que l’indice de concordance (c’est-à-dire le rapport entre l’intersection et l’union de deux segmentations différentes) entre différents experts est de l’ordre de 0,70. Cette valeur est certes bien supérieure à celle observée en utilisant des images TDM seules mais elle reste trop faible pour être considérée comme reproductible. Aussi le besoin d’algorithmes automatiques, ou semi-automatiques, de segmentation, a été souligné dans [Daisne, 2005], pour favoriser une meilleure repoductibilité dans les étapes de contourage, en limitant les tâches manuelles fastidieuses pour l’utilisateur.

Segmentation d’images du thorax et de tumeurs pulmonaires

La segmentation de structures thoraciques, qui peuvent être des nodules ou des tumeurs, des emphysèmes pulmonaires, les bronches, etc., passe souvent par une première étape consistant en la segmentation des poumons dans leur ensemble. Plusieurs auteurs proposent des algorithmes pour réaliser automatiquement cette tâche. Un certain nombre d’entre eux s’appuient à la fois sur les propriétés d’intensités des poumons (ils sont beaucoup plus sombres que les structures avoisinantes) et sur des systèmes de « règles ». Ainsi les auteurs de [Zheng et al., 2003] proposent de segmenter les poumons en réalisant tout d’abord un seuillage puis en mettant en œuvre un système de règles éliminant les « trous » dans le seuillage précédent pouvant correspondre à des nodules, en séparant les éventuelles jonctions entre les poumons et en supprimant la trachée. Des approches assez similaires sont proposées dans [Hu et al., 2001], dans [Armato et Sensakovic, 2004] où une étape supplémentaire utilisant un algorithme de «rolling ball» est proposée pour éliminer les nodules collés aux bordures des poumons, et dans [Guo et Wu, 2007] où le système de règles est construit pour réaliser un tracé du coutour externe des poumons à partir du seuillage. D’autres approches n’utilisant pas un seuillage pour la première étape de la segmentations des poumons ont également été proposées. Par exemple, [Brown et al., 1997] proposent d’utiliser une approche par croissance de régions, et [Moreno, 2007] une approche par classification par k moyennes et contraintes spatiales. Dans les deux cas, un raffinement est proposé pour obtenir la segmentation des poumons. L’ensemble de ces méthodes permet d’obtenir de bons résultats pour des poumons sains ou avec des nodules de petites tailles.
Les tumeurs de grandes tailles, si elles sont connexes aux parois des poumons, sont généralement par construction de ces méthodes exclues des segmentations. Le problème de la segmentation des poumons a aussi été abordé à l’aide de méthodes variationnelles, nous discuterons de ces approches dans le prochain paragraphe. La trachée est également souvent segmentée dans les images du thorax, en particulier pour pouvoir la séparer des poumons.
La segmentaion de la trachée est en général abordée par des méthodes de type seuillage puis régularisation comme par exemple dans [Yim et Hong, 2005]. En effet, le niveau d’intensité de la trachée est plus faible que celui du parenchyme pumonaire (la trachée ne contient que de l’air à l’inverse du parenchyme qui contient également des vaisseaux sanguins).Les nodules ou tumeurs pulmonaires font l’objet de travaux s’intéressant à leur segmentation et/ou à leur détection dans les images TDM et dans les images TEP. Les images TEP étant mal résolues, elles sont surtout utilisées pour de la détection. Par exemple, dans [Maroy et al., 2010] la détection de tumeurs pulmonaires est effectuée grâce à un apprentissage, les tumeurs détectées sont classées en fonction de leur probabilité à être de vrais positifs ou de faux positifs (80% des tumeurs sont correctement détectées) et une étape de segmentation est proposée (70% des tumeurs sont correctement segmentées).

Table des matières

Introduction 
1 Segmentation d’images médicales : état de l’art sur les méthodes variationnelles et leurs applications en oncologie 
1.1 Contexte médical 
1.1.1 Images de tomodensitométrie
1.1.2 Images d’émission de positons
1.1.3 « Scanners » combinés
1.1.4 Contourages manuels
1.2 Segmentation automatique d’images par des méthodes variationnelles 
1.2.1 Méthodes variationnelles utilisant le gradient de l’image
1.2.2 Méthodes variationnelles utilisant des informations de régions
1.3 Méthodes variationnelles pour la segmentation d’images médicales 
1.3.1 Diverses applications .
1.3.2 Segmentation d’images du thorax et de tumeurs pulmonaires
1.4 Conclusion 
2 Segmentation de tumeurs et lymphomes dans des images multi-modales TEP-TDM 
2.1 État de l’art 
2.2 Un modèle variationnel pour la segmentation d’images multimodales 
2.2.1 Formulation vectorielle : approche naïve
2.2.2 Pondération de l’attache aux données variant spatialement
2.3 Choix du terme d’attache aux données 
2.3.1 Utilisation de masques de structures ananomiques
2.3.2 Utilisation de boîtes englobantes quelconques
2.4 Tests et résultats 
2.5 Conclusion 
3 Segmentation et contraintes de forme 
3.1 État de l’art 
3.2 Description d’une forme par ses moments 
3.2.1 Les moments géométriques
3.2.2 Les moments de Legendre
3.3 Introduction des moments de Legendre dans la fonctionnelle 
3.4 Discrimination de formes 
3.5 Tests et résultats 
3.5.1 Segmentation du cœur : définition d’une région d’intérêt et initialisation
3.5.2 Tests pour la segmentation du cœur
3.5.3 Application à d’autre organes : segmentation de l’aorte
3.6 Conclusion
4 Représentation du thorax et procédure hiérarchique de segmentation
4.1 Distributions d’intensité dans les images TDM 
4.1.1 Analyse des histogrammes de structures thoraciques dans des images TDM
4.1.2 Estimation de densités de probabilité d’intensité d’images
4.1.3 Estimation des densités des organes du thorax : séparabilité et construction d’un arbre hiérarchique
4.2 Segmentation du thorax 
4.2.1 Parcours de l’arbre
4.2.2 Construction du terme d’attaches aux données
4.2.3 Nœuds terminaux : limites des statistiques et ajout de connaissances a priori
4.3 Tests et résultats 
4.4 Conclusion
5 Segmentation pour le suivi longitudinal 
5.1 État de l’art
5.2 Recalage 
5.2.1 Méthode
5.2.2 Exemple de résultat de recalage
5.3 Adaptation de la méthode de segmentation dans le cadre du suivi 
5.3.1 Construction du coefficient de pondération λ(x)
5.4 Tests et résultats 
5.4.1 Détails de la procédure de segmentation sur un cas particuliers
5.4.2 Différents exemples tests : résultats et commentaires
5.5 Conclusion 
Conclusion
Bibliographie

Télécharger le rapport complet