Techniques des images médicales bidimensionnelles

Techniques des images médicales bidimensionnelles

Synthèse des techniques en imagerie médicale

  L’IRM, dans son utilisation clinique courante, s’appuie sur l’interaction de l’onde électromagnétique avec le noyau d’hydrogène H+ essentiellement retrouvé dans les molécules d’eau. Toutefois, la faible proportion de ces molécules dans le tissu osseux rend l’utilisation de l’IRM peu adéquate pour une analyse fiable des structures osseuses. De plus, le champ magnétique imposé, pose parfois des problèmes d’ordre opérationnel. La tomographie donne des images plus nettes. Elle élimine la confusion provoquée par la superposition des organes, puisque le faisceau des rayons X ne touche qu’une mince tranche du corps humain. Par contre elle bombarde la région inspectée par une quantité importante de radiations. De plus, l’acquisition tomographique exige généralement une posture étendue du patient. Cette posture modifie dans certains cas l’allure morphologique du sujet à l’image de la tomographie de la colonne vertébrale. Les systèmes EOS® par contre offrent une solution intéressante à ce niveau, puisqu’ils permettent des acquisitions verticales avec un balayage allant même de la tête au pied.

Méthodes manuelles Dans les méthodes manuelles, la tâche d’identification revient principalement au clinicien. Ce dernier est invité à localiser de façon précise l’emplacement de l’indice d’intérêt directement sur l’image. Durant cet exercice, le clinicien utilise règles et goniomètres sur les films radiologiques, ou des instruments virtuels tels que pointeur et souris sur les radiographies numériques.

Méthodes assistées Les méthodes assistées permettent de faciliter la tâche du clinicien. Le travail de ce dernier est alors limité à placer, sans une précision accrue, des repères à proximité des indices recherchés. Des techniques d’analyse d’image se chargent alors de localiser de façon précise les indices en question (exemple le logiciel SpineView [Kauffmann 2003]). Par rapport à une identification manuelle, qui nécessite une bonne dextérité, de l’expertise et un certain temps d’opération, le traitement informatisé permet de réduire considérablement la nature et le volume de l’effort du clinicien.

Méthodes par segmentation  De façon pratique, segmenter une image médicale consiste à identifier ses régions homogènes et ses contours. Ces régions et contours sont supposés être pertinents, c’est-à-dire que les régions doivent correspondre aux parties significatives et les contours correspondent aux frontières apparentes de la structure anatomique.

Modèle implicite du fémur proximal

  La partie proximale du fémur renferme, d’un point de vue morphologique, les éléments les plus importants suivants : la tête fémorale, le col, la diaphyse, le petit trochanter et le grand trochanter. Dans la littérature, tous les auteurs s’entendent sur la forme sphérique de la tête fémorale. La partie diaphysaire est symétrique et linéaire. Dans le domaine de la modélisation implicite, l’usage des sphères est fréquent pour la simplicité de leur fonction analytique. En tenant compte de ces deux considérations, nous avons proposé de représenter le fémur proximal comme suit. La tête fémorale est modélisée par une sphère. La partie diaphysaire est modélisée par un cylindre fini à section elliptique et dont l’axe Z est orienté le long de l’axe longitudinal de la diaphyse. Ce cylindre fini est décrit sous forme d’un super quadratique. Le grand trochanter, le petit trochanter et le col fémoral, sont chacun modélisés par une sphère.

Démarche de la méthode

  La littérature nous offre différentes techniques pour repérer les indices cliniques sur les images radiographiques. Cependant, il n’existe pas de technique totalement automatique (section 1.2). Les techniques globales, malgré qu’elles soient automatiques dans certains cas, ne peuvent extraire exclusivement les contours d’intérêt de l’image. Les résultats obtenus par ces méthodes contiennent toujours des contours parasites et du bruit. Un travail additionnel est alors nécessaire pour extraire l’information utile. Les techniques locales nécessitent cependant d’introcuire une solution initiale proche du conour d’inérêt.

Étape 1 : Filtrage de l’image originale Le premier traitement porté sur l’image est l’application d’un filtre. Ce traitement permet de réduire le bruit et rehausser les contours. Dans le cadre de nos travaux, nous avons utilisé un filtre de Canny [Canny 1986] et dans certains cas un filtre de Sobel [Sobel 1968], dépendamment de la primitive recherchée.

Étape 2 : Modélisation de l’indice clinique Il s’agit d’approximer l’indice clinique recherché par une primitive paramétrique simple comme par exemple des droites ou des cercles. Dans cette étape, on doit aussi déterminer des contraintes géométriques de la primitive dans le but de restreindre davantage la recherche des contours cibles dans l’image. À titre d’exemple, pour les cercles, il s’agit de déterminer l’intervalle des rayons des cercles qui seront retenus dans l’image. Pour les droites, il s’agit de déterminer les contraintes relatives à leur orientation.

Étape 3 : Transformation de Hough L’application de la transformée de Hough permet de localiser dans l’image l’emplacement de toutes les primitives modélisant l’indice clinique. À l’issue de cette étape, nous obtenons des milliers voir des dizaines de milliers de primitives sur l’image.

Étape 4 : Classification La classification par l’analyse statistique discriminante permet de réduire l’ensemble des primitives obtenues par la transformée de Hough en un nombre restreint de classes de primitives. On passe alors d’un espace de milliers de solutions vers un espace d’une dizaine de solutions. À chaque classe, un seul échantillon représentatif est alors calculé.

Étape 5 : Calcul des disparités des classes En chaque classe, l’indice clinique provenant d’un modèle générique connu a priori est recalé sur l’échantillon représentatif de la classe. Une fonction de disparité est calculée en fonction de la distance euclidienne entre 1′ indice recalé et les contours radiographiques générés durant l’étape de filtrage.

Étape 6 : Sélection de la solution minimale Le recalage optimal détermine l’emplacement de l’indice clinique sur l’image. li est donné par la solution qui affiche la disparité minimale. Au besoin, une recherche locale au voisinage de la solution retenue peut aussi être envisagée pour améliorer le repérage de l’indice sur l’image.

Table des matières

INTRODUCTION
CHAPITRE 1 REVUE BIBLIOGRAPHIQUE
1.1 Revue bibliographique des diféérentes techniques en imagerie médicale
1.1.1 Techniques des images médicales bidimensionnelles
1.1.1.1 Génération des rayons X
1.1.1.2 La radiographie sur film
1.1.1.3 La radiographie numérique
1.1.1.4 Synthèse des tehniques des images médicales bidimensionnelles
1.1.2 Techniques des images médicales volumiques
1.1.2.1 La tomographie axiale
1.1.2.2 L’imagerie par résonance magnétique (IRM)
1.1.3 Synthèse des techniques en imagerie médicale
1.2 Revue bibliographique des méthodes de repérage des indices cliniques sur les images bidimensionnelles
1.2.1 Méthodes manuelles
1.2.2 Méthodes assistées
1.2.3 Méthodes par segmentation
1.2.4 Méthodes par recalage
1.2.5 Synthèse des méthodes de repérage des indices cliniques sur les images médicales bidimensionnelles
1.3 Revue bibliographique des méthodes de reconstruction 3D
1.3.1 Panorama des méthodes de reconstruction 3D
1.3.2 Méthodes directes : Reconstruction à partir d’images volumiques
1.3.3 Méthodes indirectes : Reconstruction par rétroprojection radiographique
1.3.4 Revue bibliographique des méthodes indirectes de reconstruction 3D
1.3.4.1 Méthodes de reconstruction basées sur la rétroprojection de repères ponctuels stéréo-correspondants
1.3.4.2 Méthodes de reconstruction 3D basées sur la rétroprojection de repères ponctuels non stéréo-correspondants
1.3.4.3 Méthodes basées sur la reconstruction 3D de contours: Travaux de Laporte
1.3.4.4 Méthodes de reconstruction basées sur la déformation de modèles statistiques
1.3.5 Synthèse des méthodes de reconstruction 3D
1.4 Revue bibliographique des méthodes de représentation des modèles 3D
1.4 .1 Représentation polygonale
1.4.2 Représentation paramétrique
1.4.3 Représentation implicite
1.4.3.1 Surfaces implicites définies par des primitives ponctuelles
1.4.3.2 Surfaces implicites définies par des primitives non ponctuelles
1.4.3.3 Mélange des surfaces implicites ou « blending »
1.4.4 Synthèse des méthodes de représentation des modèles 3D
1.5 Revues bibliographiques des méthodes de déformation 3D
1.5.1 Méthodes de déformation par « Krigeage »
1.5.2 Méthode de déformation « as rigid as possible » ou MLS (« Moving Least Squares »)
1.5.3 Méthodes de déformation statistique
1.5.4 Synthèse des méthodes de déformation 3D
1.6 Revue morphométrique du fémur et du tibia et des méthodes d’analyse morphométrique 3D de ces structures
1.6.1 Revue morpho métrique
1.6.1.1 Les centres
1.6.1.2 Les axes
1.6.1.3 Les paramètres angulaires
1.6.1.4 Autres paramètres
1.6.2 Méthodes de repérage des indices cliniques du fémur et du tibia en 3D
1.6.2.1 Méthodes manuelles
1.6.2.2 Méthodes assistées
1.6.2.3 Synthèse des méthodes d’analyse morphométrique
1.7 Objectifs de la thèse
CHAPITRE 2 MODÉLISATION ANALYTIQUE DE STRUCTURES OSSEUSES PAR SURFACES IMPLICITES
2.1 Modélisation implicite des structures osseuses des membres inférieurs
2.1.2 Modèle implicite du fémur distal
2.1.3 Modèle implicite du tibia proximal..
2.1.4 Modèle implicite du tibia distal
2.2 Calcul des paramètres implicites
2.2.1.1 Contrainte normale
2.2.1.2 Contrainte radiale
2.2.2 Fonction d’optimisation totale
2.2.3 Orientation du modèle 3D
2.2.4 Estimation d’une solution initiale
2.2.5 Solution initiale du fémur proximal
2.2.6 Solution initiale du fémur distal..
2.2.7 Solution initiale du tibia proximal..
2.2.8 Solution initiale du tibia distal
2.2.9 Réduction de l’expression du modèle analytique complet par orientation de la diaphyse
2.2.1 0 Liste des paramètres
2.2.11 Résumé des étapes du calcul des paramètres implicites
2.3 Résultats
2.4 Validation et convergence
2.4.1 Convergence de l’optimisation du modèle implicite simple
2.4.2 Convergence de l’optimisation du modèle implicite complet
2.5 Discussion
CHAPITRE 3 MÉTHODE AUTOMATIQUE POUR LE REPÉRAGE D’INDICES CLINIQUES SUR DES IMAGES RADIOGRAPHIQUES
3.1 La transformée de Hough
3.2 Classification par analyse statistique discriminante
3.3 Démarche de la méthode
3.4 Mise en application de la méthode : exemple identification de la tête fémorale en vue frontale
3.5 Mise en application de la méthode : repérage d’autres indices cliniques
3.6 Discussion
CHAPITRE 4 APPLICATIONS CLINIQUES BASÉES SUR LA MÉTODE DE REPÉRAGE AUTOMATIQUE DES INDICES CLINIQUES
4.1 1er outil : analyseur automatique de la pangonométrie du fémur en vue frontale
4.1.1 Démarche de 1′ analyse
4.1.1.1 Estimation d’une zone radiographique contenant le fémur distal
4.1.1.2 Estimation de trois zones d’intérêt contenant respectivement : partie proximale, partie diaphysaire et partie distale du fémur
4.1.1.3 Estimation du centre de la tête fémorale
4.1.1.4 Estimation de l’axe du col fémoral
4.1.1.5 Estimation précise du centre de la tête fémorale
4.1.1.6 Estimation de l’axe anatomique
4.1.1.7 Estimation du centre distal du fémur et de l’axe transverse
4.1.1.8 Estimation de l’axe mécanique du fémur
4.1.1.9 Estimation des mesures angulaires
4.1.2 Validation
4.1.3 Résultats
4.1.4 Discussion
4.2 2ème outil: analyseur automatique de la pangonométrique du fémur en vue latérale
4.2.1.1 Estimation des zones d’intérêt contenant respectivement la partie proximale, la partie diaphysaire et la partie distale
4.2.1.2 Estimation des centres des têtes fémorales
4.2.1.3 Estimation des bords diaphysaires et calcul des axes anatomiques
4.2.1.4 Estimation de la ligne de Blumensaat
4.2.1.5 Calcul des axes mécaniques
4.2.2 Validation
4.2.3 Résultats
4.2.4 Discussion
4.3 3ème outil : outil automatique pour le recalage élastique d’un atlas générique sur une paire d’images de type EOS®
4.3.1 Démarche de la méthode
4.3.2 Résultats
4.3.3 Discussion
4.4 4ème outil : outil pour la reconstruction automatique de modèle 3D pré-personnalisé du fémur
4.4.1 Démarche de la méthode
4.4.2 Validation
4.4.3 Discussion
4.5 Conclusion
CHAPITRE 5 MÉTHODE AUTOMATIQUE D’ANALYSE MORPHOMÉTRIQUE 3D DU FÉMUR ET DU TIBIA
5.1 Démarche de la méthode
5.1.1 Lecture du modèle 3D
5.1.2 Reconnaissance de l’os
5.1.3 Calcul des paramètres implicites 3D
5.1.4 Séparation en zones anatomiques
5.1.5 Repérage des indices morphologiques et calcul des paramètres morphométriques
5.2 Application pour l’analyse morphométrique du fémur proximal
5.2.1 Centre de la tête fémorale
5 .2.2 Limite de la surface articulaire de la tête fémorale
5.2.3 Limite de la fossette de la tête fémorale
5.2.4 Axe du col fémoral
5 .2.5 Centre et axes du fémur proximal
5.3 Application pour l’analyse morphométrique du fémur distal
5.3.1 Les épicondyles
5.3.2 Limite de l’échancrure
5.3.3 Limite de la zone articulaire des condyles
5.3.4 Centre et axes du fémur distal..
5.4 Application pour l’analyse morphométrique du tibia proximal
5.4.1 Épines tibiales
5.4.2 Limite de la zone articulaire des condyles
5.4.3 Centre et axes du tibia proximal
5.5 Application pour l’analyse morphométrique du tibia distal
5.5.1 Limite de la zone articulaire du tibia distal
5.5.2 Extrémités du tibia distal.
5.5.3 Centre et axes du tibia distal
5.6 Validation de l’analyse morphométrique
5.6.1 Résultats
5.7 Discussion
CHAPITRE 6 CONCLUSION
CHAPITRE 7 RECOMMANDATIONS

Télécharger le rapport complet