détermination automatique des volumes fonctionnels en imagerie démission pour les applications en...
Post on 03-Apr-2015
106 Views
Preview:
TRANSCRIPT
Détermination automatique des
volumes fonctionnels en
imagerie d’émission pour les
applications en oncologie
Mathieu Hatt
Sous la direction de Christian Roux et Dimitris Visvikis
Soutenance de thèse – 3 décembre 2008Soutenance de thèse – 3 décembre 2008
INSERM U650
Laboratoire de Traitement de l’Information Médicale (LaTIM)
Equipe «Imagerie multi-modalité quantitative pour le diagnostic et la thérapie »
PlanContexte et motivations• Enjeux et imagerie TEP/TDM (PET/CT)• Objectif et état de l’art
Méthodes et données• Approches développées• Données de validation et analyse
Résultats• Optimisation• Résultats et applications
Discussion et perspectives
Contexte et motivations Enjeux
Cancer
2002: 11 millions de nouveaux cas et 7 millions de décès
Prévisions 2030: 11 millions de décès
Oncologie
Traitements:
Chirurgie
Chimiothérapie
Radiothérapie
Utilisation massive de l’imagerie:
Scanner X (TDM)
Imagerie par résonance magnétique (IRM)
Imagerie d’émission (TEP, TEMP)
Souvent combinés
Exploitation des images encore largement visuelle et manuelle (grande variabilité)
L’imagerie quantitative n’est pas exploitée de façon optimale
Pour optimiser l’utilisation de l’imagerie dans ce contexte:
Correction de divers effets réduisant la qualité des images: résolution spatiale, recalage, mouvements respiratoires, bruit, artefacts…
(semi-)automatisation de certaines procédures comme l’extraction de paramètres quantitatifs
TEMP/TDM puis TEP/TDM (2000)
Outil de référence pour le diagnostic
D’autres applications récentes:
Suivi thérapeutique
Radiothérapie
Imagerie multi-modalité
Imagerie TEPPrincipes physiques de la TEP
Principe de base :
détection de l’annihilation d’un positon (+) et d’un électron (-)
Reconstruction
Anneaux de détecteurs
Coïncidences
‘lignes de réponse’
Contexte et motivations
1 à 3 mm
180°
+/- 0.25°
TEP (Tomographie par Emission de Positons)
Imagerie TEP/TDM (PET/CT)Imagerie multi-modalité et fusion
Philips GEMINI Siemens Biograph GE Discovery LS
Contexte et motivations
Scanner à rayons X (TDM) et scanner TEP avec un seul lit d’examen
Imagerie TEP/TDM (PET/CT)Imagerie multi-modalité et fusion
Contexte et motivations
+ Utilisation de l’information anatomique pour corriger la fonctionnelle
+ Combinaison de l’information anatomique et fonctionnelle dans un même statif
+ Permet de localiser anatomiquement les fixations détectées sur l’image TEP
- Recalage parfois incorrect et introduction d’erreurs
- Absence éventuelle de corrélation entre les structures anatomiques et fonctionnelles
- Différence de résolution spatiale
Coupe axiale TDM Coupe axiale TEP
Imagerie TEP/TDM (PET/CT)Multi-modalité: bénéfices et inconvénients
Contexte et motivations
Imagerie TEP/TDM (PET/CT)Problèmes spécifiques à l’imagerie TEP
L’imagerie TEP souffre de plusieurs défauts:
Résolution spatiale (5 mm) médiocre par rapport à la taille des objets d’intérêt (<1-10 cm) : EVP
Bruit important dû à la nature de l’acquisition et à de nombreuses sources d’erreurs
Sensibilité aux mouvements respiratoires
0 10 20 30 40 50 60
20
25
30
35
40
45
50
55
0 10 20 30 40 50 60
20
25
30
35
40
45
50
55
Parcours du positon et non colinéarité
1 à 3 mm180°
+/- 0.25°
10%
coincidences
diffusées 40%
Scanners et reconstruction: artefacts et bruits spécifiques, échantillonnage spatial
Contraste 8
Contraste 4
2x2 mm 4x4 mm
Contexte et motivations
image simulée(sans mouvement respiratoire)
image simulée (cycle respiratoire de 5 sec)
image corrigée(transformations élastiques incorporées à la reconstruction)
Objectif
Volume tumoral
Volume tumoral 2
L’objectif est d’obtenir automatiquement ces contours, de façon
précise malgré le bruit et le flou
robuste par rapport à la grande variabilité des images
Contexte et motivations
L’analyse manuelle souffre d’une grande variabilité intra- et inter-utilisateurs, est longue et fastidieuse (3D)
Etat de l’art
On peut classer les approches en deux catégories:
Utilisant des seuillages
Faisant appel à des approches de segmentation d’images plus complexes
2007-2008: plusieurs approches intéressantes ont été publiées, mais elles ne résolvent pas tous les problèmes
< 2007: la majorité des solutions proposées pour l’analyse semi-automatique utilisent des approches trop simplistes et assez mal validées
Contexte et motivations
Etat de l’artSeuillages
Un seuil fixe (par exemple 42% du maximum[1]) est inapproprié car très peu robuste aux variations de paramètres
[1] N.C. Krak et al, European Journal of Nuclear Medicine and Molecular Imaging, 2005
Sensible à la taille
42% 42%
42%
(22 mm / 5 min / 8:1)
(22 mm / 1 min / 8:1)
+14% erreur sur le volume
-11%
+80%
Sensible au bruit
Sensible au contraste
42%
+8%
(17 mm / 5 min / 8:1)
(22 mm / 1 min / 4:1)
Contexte et motivations
Etat de l’artSeuillages
Résolution spatiale du scanner et sélection manuelle des tissus [1]
Définitions manuelles de régions d’intérêt sur le fond [2] [3]
Optimisations pour chaque scanner et reconstruction [1] [2]
[3]
(en utilisant des acquisitions de sphères homogènes)
Seuillages adaptatifs
Dépendance
à l’utilisateur
au système
[1] J. A. van Dalen et al, Nuclear Medicine Communications, 2007
[2] U. Nestle et al, Journal of Nuclear Medicine, 2005
[3] J.F. Daisne et al, Radiotherapy Oncology, 2003
binaire
Nécessitent de nombreuses informations a priori
Contexte et motivations
threshold mean backgroundI I I
Etat de l’artAutres approches
Dépendance forte vis-à-vis de pré- ou post-traitements
Validées seulement sur des fantômes simplistes, des configurations de contraste ou de bruit irréalistes des tumeurs homogènes ou des données cliniques sans vérité terrain
Généralement binaires seulement
Performances rarement supérieures à celles de seuillages adaptatifs
Contexte et motivations Fuzzy C-Means
W. Zhu et al, IEEE NSS-MIC conference records, 2003
O. Demirkaya, IEEE NSS-MIC conference records, 2003
D. W. G. Montgomery et al, Medical Physics, 2007
Champs de Markov (sans modélisation floue)
sur les images d’origine
sur les décompositions en ondelettes
P. Tylski et al, IEEE NSS-MIC conference records, 2006
Ligne de partage des eaux (« watersheds »)
X. Geets et al, European Journal of Nuclear Medicine and Molecular Imaging, 2007
Débruitage & déconvolution puis segmentation par gradient
H. Li et al, Medical Physics, 2008
Seuillage adaptatif suivi par un contour actif (modèle déformable)
H. Yu et al, IEEE Transactions on Medical Imaging, 2008
Classification basée sur l’analyse de textures et apprentissage d’un arbre de décision
PlanContexte et motivations• Enjeux et imagerie TEP/TDM (PET/CT)• Objectif et état de l’art
Méthodes et données• Approches développées• Données de validation et analyse
Résultats• Optimisation• Résultats et applications
Discussion et perspectives
Méthodes et données Méthodes développéesHypothèse de travail
L’objet d’intérêt à segmenter est déjà identifié et isolé dans une boîte de sélection
La boîte de sélection doit :
Contenir l’objet entier
Contenir suffisamment de fond
Elle n’est pas forcément cubique
Méthodes développéesContexte méthodologique
1. Estimer (caché) à partir de (observation disponible)
2. Pas de lien déterministe entre et
( )t t TX x ( )t t TY y X Y
On utilise une approche probabiliste (inférence bayésienne)
Local
Global
Modèle a priori (spatial ou contextuel)
Modèles de Markov
(champs, chaînes, arbres…)
Aveugle, contextuel, adaptatif…
( , ) ( | ) ( )p x y p y x p x
Modèle d’observation
(bruit)
Gaussien, gaussien généralisé, beta, gamma…
Estimation itérative des paramètres
déterministe (EM) stochastique (SEM)
hybride (ICE)
Segmentation statistique d’images
Méthodes et données
Segmentation Critère MAP, MPM
L’aspect probabiliste et statistique permet de prendre en compte l’incertitude de la classification
L’aspect flou permet de modéliser l’imprécision inhérente aux données acquises
Combiner les deux permet de prendre en compte l’aspect bruité et flou des images d’émission
Seulement deux classes dures
1 2 ... C
c : Mesure de Dirac sur la classe c
Modélisation standard “dure”
Ground-truth
Méthodes développéesContexte méthodologique
[1] H. Caillol et al, IEEE Transactions on Geoscience Remote Sensing, 1993
[2] F. Salzenstein and W. Pieczynski, Graphical Models and Image Processing, 1997
0 1
: Mesure continue de Lesbegue sur
Modélisation floue [1,2]
0,1
Méthodes et données
Méthodes développéesChaînes de Markov floues
DéfinitionsMéthodes et donnéesHypothèse de Markov :
1 1 1( | ,..., ) ( | )t t t tp x x x p x x
… …1x 2x tx Tx
1( | )t tp x x
Probabilités de transition
1( )p xProbabilités
initiales
Pour passer de l’image (2D ou 3D) à la chaîne (1D), on utilise un parcours fractal d’Hilbert-Peano [1]
tout pixel de la chaîne possède comme voisins, deux pixels voisins sur l’image (pas l’inverse)
1tx
1y 2y ty TyAttache aux
données( | )t tp y x1ty
[1] S. Kamata, et al, IEEE Transactions on Image Processing, 1999
Méthodes développéesChaînes de Markov floues
Loi a prioriMéthodes et données
Dans le contexte d’une chaîne floue, chaque prend ses valeurs dans
Hypothèse de chaîne stationnaire. Les densités a priori peuvent être déduites d’une densité jointe définie sur le couple [1]
tx 0,1
1( , )t tx x
Densités de transitions
1 00( 0, 0)t tp x x p 1 01( 0, 1)t tp x x p 1 10( 1, 0)t tp x x p
1 11( 1, 1)t tp x x p
1( 0,1 , 0,1 )t tp x x 1 1 1( 0,1 , 0,1 ) ( 0,1 , 0,1 )t t t tp x x p x x
11 | |t tx x
Avec :1 1
0 0
( , ) ( )( , ) 1p a b d a b
Densités initiales
0,1
( ) ( ,0) ( ,1) ( , )t t t tp x p x p x p x a da
[1] F. Salzenstein, C. Collet, S. Lecam, M. Hatt, Pattern Recognition Letters, 2007
Méthodes développéesChaînes de Markov floues
Loi des observationsMéthodes et données
En pratique on opère une discrétisation de l’intervalle [1]
On définit alors un certain nombre de niveaux de flou avec des valeurs associées
0,1
iF i
Loi des observations :
2 classes dures 0 et 1 de moyennes et variances
pour chaque niveau de flou, on détermine les moyennes et variances :
20 0, 21 1,
0 1
2 2 2 2 20 1
(1 )
(1 )
i
i
F i i
F i i
Nombre de niveaux de flou et valeurs associées à définir
[1] F. Salzenstein, C. Collet, S. Lecam, M. Hatt, Pattern Recognition Letters, 2007
Pour chaque classe dure on peut définir les distributions comme gaussiennes ou d’autres distributions avec le système de Pearson [2]
[2] Y. Delignon, et al, IEEE Transactions on Image Processing, 1997
Méthodes développéesChaînes de Markov floues
Segmentation MPMMéthodes et données
[1] J. Maroquin et al, Journal of the American Statistical Association, 1987
[2] F. Salzenstein and W. Pieczynski, Graphical Models and Image Processing, 1997
Segmentation avec le critère MPM [1] adapté au cas flou [2] :
la décision bayésienne affectant une étiquette à chaque élément t correspond à :
où est une fonction de coût
( )( ) argmin ( , ( )) |t
optimalt s x t ts x E L X s X Y y ( , ) | |L a b a b
0,1
( , ( )) | (0) (0, ( )) (1) (1, ( )) ( ) ( , ( ))t t t
y y yt t X t X t X tE L X s X y p L s X p L s X p a L a s X da
en pratique cela revient à minimiser la fonction :
Ce qui nécessite le calcul des densités a posteriorit
yXp
Méthodes développéesChaînes de Markov floues
Procédure forward-backwardMéthodes et données
[1] P. Devijver, Pattern Recognition Letters, 1985
Procédures forward-backward : calcul récursif direct sur la chaîne [1]
1( ) ( , ,..., )t t tfwd x p x y y 1
1 1
( ,..., | )( )
( ,..., | ,..., )t T t
tt T t
p y y xbwd x
p y y y y
1
1
0
( ) ( | ) ( ) ( | ) ( )t t t t tfwd x p y x fwd a p x a d a
1
1 1
0
( ) ( ) ( | ) ( | ) ( )t t t tbwd x bwd a p y a p a x d a
t
Yxp( ) ( )t tfwd x bwd x
… …1x 2x tx Tx1tx
1y 2y ty Ty1ty
Méthodes et donnéesMéthodes développéesChaînes de Markov floues
Estimation SEM
Estimation itérative SEM (Stochastic Expectation Maximization) [1]
estimation empirique des paramètres par la méthode des moments
sur une réalisation a posteriori de X qu’il faut simuler Utilisation des calculs forward-backward pour la simulation:
premier élément :
transitions :
1 1 1( | ) ( ) ( )p x y fwd x bwd x
1 1 1 1 11 1
1
0
( | ) ( | ) ( )( | )
( | ) ( | ) ( ) ( )
ty t t t t tt t
t t
p x x p y x bwd xp x x
p a x p y a bwd a d a
Estimation de tous les paramètres sur cette réalisation :
1 1
12
1
12
( ) ( , )
( , ) ( , )( , )
( , )
T
t tt
t t T
tt
p x c r c
r c r dp x c x d
r c
1...{ }t t TR r
1
1
( , )
( , )
T
t tt
c T
tt
y r c
r c
2
2 1
1
( , )( )
( , )
T
t t ct
c T
tt
r c y
r c
[1] G. Celeux et J. Diebolt, Revue de statistique appliquée, 1986
Méthodes développéesChaînes de Markov floues
RésuméMéthodes et données
Image 3DEstimation stochastique (SEM)
Paramètres estimés :
Modèle a priori (probabilités initiales et de transitions)
Modèle de bruit (moyennes et variances)
Vecteur 1D à valeurs dans {0,1,F1,F2} : X
Segmentation (MPM)
Vecteur 1D à valeurs réelles : Y
Hilbert-Peano 3D
Hilbert-Peano 3D inverse
Carte de segmentation
[1] M. Hatt et al, Physics in Medicine and Biology, 2007
Méthodes développéesApproche locale adaptative (FLAB)
Loi a priori et loi des observationsMéthodes et données
Chaque prend toujours ses valeurs dans
Pas d’hypothèse de Markov : modèle local et non global
Probabilités a priori [1] [2] :
tx 0,1
0,
1,
0, 1,
( 0)
( 1)
( 0,1 ) 1
t t
t t
t t t
p x p
p x p
p x p p
Loi des observations : identique au cas des chaînes
0 1
2 2 2 2 20 1
(1 )
(1 )
i
i
F i i
F i i
[1] H. Caillol et al, IEEE Transactions on Geoscience Remote Sensing, 1993
[2] M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Indicés par t : prise en compte de la position dans l’image
Méthodes développéesApproche locale adaptative (FLAB)
Estimation SEM et segmentationMéthodes et données
On utilise le même principe d’estimation que dans le cas des chaînes
Nécessité de calculer les probabilités a posteriori de chaque [1]
[2] : ,1
0, 1, 0, 1, ,
0
( | )( | )
( | 0) ( |1) (1 ) ( | )
c t tt t
t t t t t t a t t
p p y cp x c y
p p y p p y p p p p y a da
tx
On peut alors générer une réalisation a posteriori et estimer les paramètres :
,
1( , )
( )t
c t jj Ct
p r ccard C
1
1
( , )
( , )
T
t tt
c T
tt
y r c
r c
2
2 1
1
( , )( )
( , )
T
t t ct
c T
tt
r c y
r c
1...{ }t t TR r
Cube centré sur le voxel t. Taille à définir !
On peut également les utiliser pour la segmentation :
Calculer pour chaque voxel la probabilité a posteriori Si elle est maximale avec c = 1 ou c = 0, affecter la classe
1 ou 0Sinon, choisir le niveau de flou qui maximise
( | )t tp x c y
( | )t i tp x y
[1] H. Caillol et al, IEEE Transactions on Geoscience Remote Sensing, 1993, [2] M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Information contextuelle prise en compte dans l’estimation
Méthodes développéesApproche locale adaptative (FLAB)
Extension à trois classes duresMéthodes et données
1
2
3
1 2 3 12 23 13
δ3
δ1δ2
ζ13
ζ12
ζ12
2 3
12
23
13
1
Brevet : FR08 / 56089
On modélise les mélanges entre chaque paire de classes dures uniquement
M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008
Méthodes et données
Probabilités a priori :
1,
2,
3,
( 1)
( 2)
( 3)
t t
t t
t t
p x p
p x p
p x p
,( )t AB tp x AB p AB transition floue entre classes dures A et B
Loi des observations
2 2 2 2 2
(1 )
(1 )
AB i ii
AB i ii
F A AB AB B
F A AB AB B
21 1, 22 2, 23 3,
Méthodes développéesApproche locale adaptative (FLAB)
Extension à trois classes dures
Brevet : FR08 / 56089M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008
Méthodes et données
Probabilités a posteriori :
,3
,1
12, 12 23, 23 13, 13
( | )( | )
( | )
1 1 1( | ) ( | ) ( | )
2 2 2i i i
c t tt t
c t t fuzzyc
fuzzy t t t t t ti i i
p p y cp x c y
p p y c p
p p p y F p p y F p p y F
On peut alors générer une réalisation a posteriori et estimer les paramètres puis segmenter comme dans le cas binaire
1...{ }t t TR r
Méthodes développéesApproche locale adaptative (FLAB)
Extension à trois classes dures
Brevet : FR08 / 56089M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008
Méthodes et données
Image 3D
Estimation stochastique (SEM)
Paramètres estimés :
Modèle a priori (probabilités pour chaque voxel)
Modèle de bruit (moyennes et variances)
Segmentation
Carte de segmentation
Méthodes développéesApproche locale adaptative (FLAB)
Résumé
Carte de segmentation
(chaînes)M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Méthodes développéesExploitation de la carte de segmentationMéthodes et données
Carte de segmentation
Volume fonctionnel
Regroupement
Niveaux de flou associés aux voxels affectés par les effets de volume partiel (EVP) :
Voxels du fond dont la valeur a été rehaussée
Voxels de l’objet dont la valeur a été diminuée
M. Hatt et al, IEEE NSS-MIC conference records, 2007
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Précédentes publications : lacunes sur la validation
Utilisation de données simulées ou de fantômes peu réalistes uniquement
Absence de considération de paramètres importants (taille de voxel, bruit, système…)
Utilisation de données cliniques sans vérité terrain connue
Mesures de performances parfois peu pertinentes Nous voulons valider sur des objets de synthèse et simulés réalistes, sur des acquisitions réelles, et sur des données cliniques pour lesquelles une vérité terrain est disponible Mesure de performance :
Vérité terrain Image TEP Segmentation Erreurs
Erreur de volume :
Erreur de classif. globale :Erreur de classif. :
Données de validationObjectifs et analyse
Méthodes et données
Données de validationFantôme
Sphères de diamètre 37, 28, 22, 17, 13 et 10 mm
Méthodes et données
Données de validationFantôme : acquisitions
Paramètres considérés :
contraste sphère/fond : de 4/1 à 10/1
durée d’acquisition : 1, 2 et 5 min
taille du voxel : de 2 à 5 mm de côté
Scanners (Philips et Philips TF, GE, Siemens) et algorithmes associés (RAMLA, TF MLEM et OSEM) avec protocoles cliniques standards
Philips Gemini GE Discovery LSOSEM
Siemens BiographRAMLA
Philips Gemini TFTF MLEM
A
B
1 2 1 1 21 2
A = 4:1 or 5:1, B = 8:1 or 10:1 1 = 2x2 mm, 2 = 4x4 or 5x5 mm
Méthodes et données
Données de validationFantôme : acquisitions
Méthodes et données Philips GEMINI (RAMLA)
Données de validationObjets synthétiques
Vérité terrain Contraste 10:5:1Bruit faible
Contraste 10:5:1Bruit fort
Contraste 10:7:4Bruit faible
Contraste 10:7:4Bruit fort
Voxels 2x2x2 mm3
FWHM environ 6 mm
Méthodes et données
Données de validationTumeurs simulées : procédure
TEP Fantôme NCAT
(NURBS)
Incorporation
Calcul d’erreurs
Modèle de scanner TEP
+
Tumeur NURBS
(Non-Uniform Rational Basis
Splines)
RhinocerosT
M
Tumeur simulée
Extraction de tumeur
Contours manuels
Vérité terrain
Segmentation
Carte de segmentation
Simulation GATE et reconstruction
Image simulée
TDM
Image de patient
Méthodes et données
Données de validationTumeurs simulées : exemples
Clinique Simulée
Petite et homogène Grande et hétérogène
Clinique Simulée
20 tumeurs (pulmonaires, ORL, hépatiques) diamètre maximum de 12 à 82 mm Hétérogénéité : de aucune à forte Formes : certaines presque sphériques, d’autres de formes complexes
Méthodes et données
Données de validationTumeurs réelles et histologie
18 tumeurs (pulmonaires) ayant fait l’objet d’une étude macroscopique [1]
diamètre maximum de 15 à 90 mm (moyenne 44, écart type 21) Hétérogénéité : de aucune à forte Formes : certaines presque sphériques, d’autres de formes complexes
Méthodes et données
TDM
TEP
[1] A. Van Baardwijk, et al, International Journal of Radiation Oncology Biolology Physics, 2007
Données de validationSuivi thérapeutique : 8 cas
Temps1 2 3 4
Cas 1 8:4:1 8:4:1 10:7:1 12:1
Cas 3 4:1 4:2,5:1 2,5:1 1,5:1
Cas 5 4:1 6:1 7:2:1 7.5:0.5:1
Cas 6 8:1 6,5:1 4:1 3:1
Méthodes et données
PlanContexte et motivations• Enjeux et imagerie TEP/TDM (PET/CT)• Objectif et état de l’art
Méthodes et données• Approches développées• Données de validation et analyse
Résultats• Optimisation• Résultats et applications
Discussion et perspectives
OptimisationParamètres
Résultats Paramètres à optimiser :
Nombre de niveaux de flou et valeurs associées
Type de distribution utilisé pour les observations
Taille du cube d’estimation (FLAB uniquement)
2 min
1 min
5 min
OptimisationParamètres
Résultats Les meilleurs résultats sont obtenus avec :
2 niveaux de flou par transition, avec valeurs et 1
1
3 2
2
3
M. Hatt et al, Physics in Medicine and Biology, 2007
OptimisationParamètres
Résultats Les meilleurs résultats sont obtenus avec :
Distributions gaussiennes (le système de Pearson détecte des lois bêta mais sans amélioration significative des résultats)
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
OptimisationParamètres
Résultats Les meilleurs résultats sont obtenus avec :
Cube de taille 3x3x3 (pour FLAB)
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
OptimisationReproductibilité
Résultats Sur cinq acquisitions indépendantes de 1 min chacune
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Ecart type sur les 5 réalisations
OptimisationFLAB contre chaînes (FHMC)
Résultats Sur sphères homogènes (2x2x2 mm3)(4x4x4 mm3)
M. Hatt et al, IEEE Transactions on Medical Imaging, 2008
Résultats sur sphèresRobustesse (et précision)
Résultats Sur l’ensemble des acquisitions de fantôme (tous scanners, algorithmes, paramètres…)
M. Hatt et al, IEEE NSS-MIC conference records, 2008
Résultats Résultats sur objets synthétiquesNon binaires
T42
T50
20 % 23 % 31 % 27 %
83 % 85 % 8 % 9 %
Vérité terrain Contraste 10:5:1Bruit faible
Contraste 10:5:1Bruit fort
Contraste 10:7:4Bruit faible
Contraste 10:7:4Bruit fort
Résultats Résultats sur objets synthétiquesNon binaires
Tbckg
TSBR
15 % 17 % 90 % 38 %
21 % 42 % 21 % 25 %
Vérité terrain Contraste 10:5:1Bruit faible
Contraste 10:5:1Bruit fort
Contraste 10:7:4Bruit faible
Contraste 10:7:4Bruit fort
Résultats Résultats sur objets synthétiquesNon binaires
FCM
FLAB C2 : 7 %C3 : 7 %
C2 : 9 % C3 : 15 %
C2 : 9 %C3 : 19 %
C2 : 12 %C3 : 27 %
C2 : 13 %C3 : 19 %
C2 : 18 %C3 : 45 %
C2 : 30 %C3 : 84 %
EC : 4.4 % EC : 6.3 % EC : 4.2 % EC : 6.1 %
EC : 4.9 % EC : 7.6 % EC : 6.5 % EC : 9.9 %
Vérité terrain Contraste 10:5:1Bruit faible
Contraste 10:5:1Bruit fort
Contraste 10:7:4Bruit faible
Contraste 10:7:4Bruit fort
C3
C2
C2 : 11 % C3 : 21 %
Résultats Résultats sur objets synthétiquesNon binaires
FCM
FLAB
Vérité terrain
Résultats
FLAB (2 classes)
Vérité terrain
Seuillage 42%
Erreur de classification 6%> 100%TEP
simulée
Seuillage adaptatif
Segmentation
14%
Erreur de classification
C2 : 4%
C3 : 2%
Erreur de volume
-62%
Erreur de volume
+37%
Segmentation
Vérité terrain
TEP simulée
FLAB (3 classes)
Seuillage 42% Seuillage adaptatif
C3C2
Résultats sur tumeurs simuléesExemples
M. Hatt et al, IEEE NSS-MIC conference records, 2008
Résultats Résultats sur tumeurs simuléesSur l’ensemble des vingt tumeurs
M. Hatt et al, IEEE NSS-MIC conference records, 2008
Résultats Résultats sur tumeurs simuléesSur cas de suivi thérapeutique
Résultats Résultats sur tumeurs simuléesSur cas de suivi thérapeutique
Résultats Résultats sur tumeurs simuléesSur cas de suivi thérapeutique
Résultats Résultats sur tumeurs simuléesSur cas de suivi thérapeutique
Résultats sur tumeurs réellesavec histologie : exemple
Résultats
CT
PET Segmentation
Adaptive threshold
FLAB
Threshold 42%
M. Hatt et al, IEEE NSS-MIC conference records, 2008
Résultats sur tumeurs réellesavec histologie : sur l’ensemble des 18 tumeurs
Résultats
M. Hatt et al, IEEE NSS-MIC conference records, 2008
PlanContexte et motivations• Enjeux et imagerie TEP/TDM (PET/CT)• Objectif et état de l’art
Méthodes et données• Approches développées• Données de validation et analyse
Résultats• Optimisation• Résultats et applications
Discussion et perspectives
Discussion et perspectives Conclusions
Méthode de segmentation proposée :
Précise, avec performances supérieures aux méthodes de référence
Radiothérapie guidée par l’image (volumes biologiques) : Projet ANR SIFR (2 ans, 2009-2010)
Validation sur données cliniques et histologie (volume entier et pas seulement diamètre)
Implémentation de FLAB dans une station de planification et étude de son impact sur la pratique et la dosimétrie
Validée sur images synthétiques, acquisitions réelles de fantôme, tumeurs réalistes, données cliniques réelles avec histologie
Robuste et reproductible, utilisable sans optimisation sur différents systèmes Capacité de produire des volumes segmentés non binaires
Diagnostic et suivi thérapeutique : nécessite quantification en plus des volumes
Intervention de l’utilisateur réduite au minimum mais possible Temps de calculs négligeables
Discussion et perspectives Discussion
Nécessité de combiner avec la correction quantitative des effets de volume partiel (méthode de Rousset ou MMA)
0 10 20 30 40 50 60
20
25
30
35
40
45
50
55
0 10 20 30 40 50 60
20
25
30
35
40
45
50
55
Quantification
Obtenir le volume exact ne suffit pas !
Discussion et perspectives Discussion
Limites :
Pas de détection automatique du nombre de classes
Seulement 3 classes dures : problème si l’activité dans la tumeur ET le fond est très hétérogène
Cas difficilement automatisables :
Tumeurs collées à des fixations non pathologiques et dont l’activité est du même niveau d’intensité (ajout d’informations a priori nécessaire)
Problèmes liés à l’inflammation (spécificité du FDG)
Multiples lésions très proches les unes des autres et de fixations différentes
Discussion et perspectives Perspectives
Développements possibles :
Prise en compte de l’information anatomique (par modèle à plusieurs observations)
Ajout de l’information d’autres traceurs (FMISO, FLT…) pour volume biologique
Modèles de Markov couples/triplet (flous) ?
Meilleure automatisation :
Détection automatique de la tumeur dans l’image
Détection automatique du nombre de classes
Merci à tous pour votre attention
Remerciements plus particuliers à
Christian Roux
Dimitris Visvikis
Catherine Cheze Le Rest
Wojiech Pieczynski et Roland Hustinx
Olivier Pradier
Toute l’équipe du LaTIM
Ma famille
Mes amis
Travaux financés par la région Bretagne, et l’Institut Telecom
top related