Soutenance mémoire
Les principales substances présentes dans l’encéphale
Outre la présence des veines cérébrales, des tissus servant de parois où de nombreuses petites structures telles que les glandes, l’encéphale contient principalement trois substances (Fig.1.1 (b)) [MAM03]:
Le liquide céphalo-rachidien (LCR) (ou liquide cérébro-spinal, LCS) : est le liquide dans lequel baignent le cerveau et le cervelet. D’un volume moyen de 150 ml, il est absorbé par le système veineux cérébral et continuellement renouvelé [MOR06].Ses principaux rôles sont :
La protection mécanique du système nerveux central contre les chocs.
La protection contre les infections.
Le transport des hormones entre les différentes régions éloignées du cerveau.
La matière grise (MG) : correspond aux corps cellulaires des neurones avec leur réseau dense de dendrites. Elle se répartit en :
Une couche superficielle d’une épaisseur de quelques millimètres recouvrant le cerveau et le cervelet : le cortex.
Des noyaux profonds : les noyaux gris centraux [CHO97].
La matière blanche (MB) : (ou substance blanche) correspond à la gaine de myéline qui recouvre les axones des neurones pour en accélérer la conduction. Les axones myélinisés s’assemblent en faisceaux pour établir des connexions entre groupes de neurones.
Origine physique du signal en IRM
Le corps humain est composé de 80% d’eau [MIR07]. Or, les noyaux d’hydrogène possèdent un spin nucléaire non nul. Cette quantité caractéristique d’un système quantique permet l’interaction de ces noyaux avec un champ magnétique [HUE04]. Une expérience en RMN comporte les phases suivantes :
Un champ magnétique statique intense b0 permet d’aimanter le corps.
Un champ oscillant b1, autrement dit une onde électromagnétique, d’intensité beaucoup plus faible, perturbe alors le système et fait basculer les spins dans un plan généralement perpendiculaire à b0, dit transversal. Cette interaction ne peut se produire que lorsque la fréquence de l’onde perturbatrice b1 entre en résonance avec le système de spins, c’est-à-dire lorsque sa fréquence correspond à la fréquence de Larmor qui est, pour l’hydrogène, une fréquence radio (RF) d’environ 64 MHz pour une machine IRM standard de 1,5 Tesla.
Lors de l’arrêt de l’excitation par l’impulsion RF, la dynamique de retour des spins à l’état d’équilibre crée une onde électromagnétique qui peut être mesurée grâce à une antenne.
La nature de cette dynamique dépend des propriétés locales des tissus (propriétés magnétiques, chimiques, moléculaires, etc.). Plus particulièrement, il se trouve que des phénomènes physiques différents caractérisent la repousse de l’aimantation longitudinale mz (parallèle à b0) et la disparition de l’aimantation transverse mxy. Ces phénomènes sont caractérisés par deux échelles temporelles que l’on a coutume de paramétrer par deux constantes de temps T1 et T2 (Fig.1.4) [LAN99].
L’IRM fonctionnelle
Divers types de contraste existent en IRMf (IRM fonctionnelle) : CBF (pour «Cérébral Blood Flow », ou flux sanguin cérébral), BOLD, ASL (pour « Arterial Spin Labeling », ou labellisation des spins artériels), etc. Même s’il est vrai que toutes ces modalités tendent à se développer, la plus répandue est actuellement celle basée sur l’effet BOLD [OGA99]. Cette séquence représente un contraste dynamique et endogène, reflète de manière indirecte l’activité neuronale. Grace à l’effet BOLD, on peut réaliser des images avec une résolution de l’ordre de quelques millimètres en espace, et de l’ordre de la seconde en temps, permettant ainsi de suivre la dynamique de l’activité cérébrale ou, en tout cas, ses conséquences métaboliques et hémodynamiques, avec une assez bonne précision. L’IRMf permet de répondre à des questions neuroscientifiques diverses et variées [NEA98]. Par exemple, quelles régions sont impliquées dans une tâche de mémoire à court terme, Ou comment les interactions fonctionnelles du réseau moteur se modulentelles en fonction d’un apprentissage. L’effet BOLD est lié à cette oxygénation et, en particulier, à la concentration de desoxyhémoglobine [dHB] dans les capillaires.
Ligne de partage des eaux
La ligne de partage des eaux (LPE) représente l’approche morphologique de la segmentation d’une image en niveau de gris (NG) [BEA01]. Inspiré de la topographie il consiste à assimiler l’image à une carte topographique pour laquelle le niveau de gris correspond à l’élévation du terrain. Une carte topographique est constituée d’un amalgame de bassins hydrographiques. Chaque bassin étant défini par une zone dans laquelle chaque point a une élévation supérieure ou égale au minimum local. Dans cette optique, l’image est segmentée en régions contenant un unique minimum de niveau de gris ; ce minimum correspondant au fond du bassin hydrographique. Lorsque deux régions se rencontrent, une digue (Watershed) est construite afin d’empêcher ces dernières de se fusionner. L’algorithme LPE (ou Watershed) a été proposé par Digabel et Lantuéjoul [DIG78], il utilise la description des images en termes géographiques. Une image peut en effet être perçue comme un relief si l’on associe le niveau de gris de chaque point à une altitude. Il est alors possible de définir la ligne de partage des eaux comme étant la crête formant la limite entre deux bassins versants. Pour l’obtenir, il faut imaginer l’immersion d’un relief dans l’eau, en indiquant que l’eau ne peut pénétrer dans les vallées que par ses minima. La LPE est représentée par les points où deux lacs disjoints se rejoignent au cours de l’immersion. Une des difficultés à la mise en œuvre de cette analogie intuitive est qu’elle laisse beaucoup de liberté quant à sa formalisation. Il existe deux classes principales d’implémentation. L’une est basée sur un algorithme récursif d’immersion et l’autre basée sur l’utilisation de fonctions de distances géodésiques. Leur définition algorithmique ainsi que leur analyse critique est donnée dans l’article de Roerdink et Meijster [ROE00]. Dans la littérature Bueno et al. [BUE00] ont proposé une segmentation en trois dimensions basée sur la ligne de partage des eaux pour les structures internes du cerveau, puis, deux techniques très similaires qui utilisent la LPE pour la segmentation de la partie solide des tumeurs cérébrales ont été créé par Mancas et al. [MAN04] ; néanmoins, cette méthode ne prend pas en compte l’œdème et la nécrose. Rettmann [RET02] a automatisé la segmentation des sillons corticaux en utilisant l’algorithme LPE, il a aussi corrigé le problème de la sur-segmentation en proposant un algorithme de post-traitement qui permet de fusionner les régions similaires (la sélection des régions similaire est faite manuellement). Une implémentation de l’algorithme de Watershed fut proposée par Vincent et Soille [VIN06]. Elle consiste à trier les pixels par valeur du nombre de niveau de gris croissante. La segmentation commence en créant un bassin pour lequel le niveau de gris de l’image est le minimum. L’algorithme parcourt ensuite le voisinage de ce minimum afin de trouver d’autres pixels de même niveau de gris. Lorsqu’un pixel est assigné à un bassin, il est enlevé de la liste des pixels triés. Lorsqu’un pixel est considéré, on regarde si un de ses voisins fait partie d’un bassin déjà existant. Si oui, il est alors assigné au même bassin que ce voisin, autrement un nouveau bassin est créé. Lorsqu’un pixel comporte des voisins issus de bassins différents, il est assigné au bassin pour lequel le voisin est de niveau le plus près possible du sien. Le processus se termine lorsque tous les pixels se sont vu attribuer un bassin hydrographique. L’inconvénient de cette approche est qu’elle demande beaucoup de temps de calcul, de plus, elle donne lieu à une « sur-segmentation ». L’application d’un algorithme de fusion est nécessaire afin d’obtenir une segmentation plus réaliste. Les régions ayant des caractéristiques semblables (texture) sont ainsi fusionnées. L’algorithme de Watershed a été adapté en trois dimensions et utilisé dans un système de planification chirurgicale afin de segmenter des lésions hépatiques dans les images de CTscan [SCH00]. Toutefois, ces images comportent une résolution supérieure aux images IRM et les cas de segmentation montrés sont sur des tumeurs ayant un très fort contraste, dont le niveau de gris diffère largement de ceux des structures voisines.
|
Table des matières
Introduction générale
Chapitre 1 : Contexte clinique
1 Imagerie cérébrale
1.1 Eléments d’anatomie cérébrale
1.1.1 L’encéphale, centre du système nerveux central
1.1.2 Les principales substances présentes dans l’encéphale
1.1.3 Quelques structures cérébrales d’intérêt
1.2 Observer le cerveau avec l’imagerie médicale
2 L’imagerie par résonance magnétique
2.1 Principe général de l’IRM
2.1.1 Origine physique du signal en IRM
2.1.2 Principe de formation de l’image en IRM
2.2 L’IRM fonctionnelle
3 Les Tumeurs cérébrales
3.1 Les tumeurs hémisphériques
3.1.1 La symptomatologie
3.1.2 Les examens paracliniques
3.1.3 Le diagnostic différentiel
3.1.4 Variétés étiologiques
3.2 Les tumeurs de la région sellaire
3.2.1 La symptomatologie
3.2.2 Les examens complémentaires
3.2.3 Le traitement
3.2.4 Variétés étiologiques
3.3 Les tumeurs intra-ventriculaires
3.4 Les tumeurs de la fosse postérieure
3.4.1 Les examens paracliniques
3.4.2 Variétés étiologiques
4 Classification des tumeurs
4.1 Classification des tumeurs en fonction de leurs emplacements
4.2 Classification des tumeurs en fonction de leurs apparences radiologique
4.2.1 Les tumeurs non-augmentées
4.2.2 Les tumeurs solides sans œdème
4.2.3 Les tumeurs solides renforcées avec œdème
4.2.4 Les tumeurs à anneau renforcé
5 Conclusion
Chapitre 2 : Etat de l’art sur la segmentation d’images cérébrales
1 Introduction
2 Qu’est-ce que la segmentation ?
3 La segmentation d’IRM cérébrales
3.1 La segmentation: un point déterminant dans de nombreuses applications
3.1.1 Applications cliniques
3.1.2 Applications en neurosciences
3.2 Artefacts de mouvement
3.2.1 Volume partiel
3.2.2 Bruit aléatoire de mesure
3.2.3 Inhomogénéités du champ de radiofréquence
3.2.4 Artefact de mouvement
4 Segmentation d’IRM cérébrales : Etat de l’art
4.1 Segmentation à base de région
4.1.1 Croissance des régions
4.1.2 Ligne de partage des eaux
4.1.3 Champs aléatoires de markov
4.1.4 Réseau de neurone
4.1.5 Algorithmes des K-Means (K-moyens)
4.1.6 Opérateurs morphologiques
4.2 Segmentation à base de contour
4.2.1 Méthodes dérivatives
4.2.2 Modèles déformables
4.3 Approche « hybrides » combinant segmentation orientée régions et contours
4.4 Extraction de l’encéphale
5 Evaluation de la segmentation
6 Conclusion
Chapitre 3 : Une approche hybride pour la segmentation des tumeurs en IRM cérébrales : Système à base de connaissance et croissance de régions
1 Introduction
2 Données
3 Prétraitement
3.1 Analyse d’histogrammes
3.2 Les heuristiques
3.3 Définition des règles
4 Extraction du cerveau
5 Détermination des caractéristiques de l’image
6 Analyse de symétrie
6.1 Division automatique du cerveau
6.2 Corrélation d’histogrammes
6.3 Divergence d’histogrammes
7 Classification
7.1 La classification floue
7.2 Transformation de l’histogramme
8 Raffinement de la segmentation par la méthode de croissance de régions
9 Evaluation des résultats
10 Conclusion
Chapitre 4 : Expérimentation, résultats et discussion
1 Introduction
2 Données Expérimentales
3 Prétraitement
3.1Transformation de l’histogramme
3.2 Extraction des connaissances
3.3 Application des règles
4 Extraction du cerveau
5 Détermination des caractéristiques de l’image
6 Analyse de symétrie
6.1 Division en quadrants
6.2 Corrélation d’histogrammes
6.3 Divergence de Jeffrey
7 Résultats de la classification
8 Raffinement de contour par la croissance de régions
9 Evaluation et validation des Résultats
9.1 Résultats Approche / Experts
9.2 Comparaison avec la méthode SVM de segmentation de tumeurs en IRM
Conclusion Générale et perspectives
Références bibliographiques
Télécharger le rapport complet
