détermination automatique des volumes fonctionnels en imagerie démission pour les applications en...

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


Scanner à rayons X (TDM) et scanner TEP avec un seul lit d’examen

Imagerie TEP/TDM (PET/CT)Imagerie multi-modalité et fusion


+ 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


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


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


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


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)


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


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

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 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


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


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


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


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


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


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


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


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,


Extension à trois classes dures

Brevet : FR08 / 56089M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008


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


Extension à trois classes dures

Brevet : FR08 / 56089M. Hatt et al, IEEE NSS-MIC conference records, 2007 & 2008


Image 3D

Estimation stochastique (SEM)

Paramètres estimés :

Modèle a priori (probabilités pour chaque voxel)

Modèle de bruit (moyennes et variances)

Segmentation



Résumé


(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


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


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


Données de validationFantôme

Sphères de diamètre 37, 28, 22, 17, 13 et 10 mm


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


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


Voxels 2x2x2 mm3

FWHM environ 6 mm


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


Simulation GATE et reconstruction

Image simulée

TDM

Image de patient


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


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


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


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


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



Distributions gaussiennes (le système de Pearson détecte des lois bêta mais sans amélioration significative des résultats)




Cube de taille 3x3x3 (pour FLAB)


OptimisationReproductibilité

Résultats Sur cinq acquisitions indépendantes de 1 min chacune


Ecart type sur les 5 réalisations

OptimisationFLAB contre chaînes (FHMC)

Résultats Sur sphères homogènes (2x2x2 mm3)(4x4x4 mm3)


Résultats sur sphèresRobustesse (et précision)

Résultats Sur l’ensemble des acquisitions de fantôme (tous scanners, algorithmes, paramètres…)


Résultats Résultats sur objets synthétiquesNon binaires

T42

T50

20 % 23 % 31 % 27 %

83 % 85 % 8 % 9 %






Tbckg

TSBR

15 % 17 % 90 % 38 %

21 % 42 % 21 % 25 %






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 %





C3

C2

C2 : 11 % C3 : 21 %


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


Résultats Résultats sur tumeurs simuléesSur l’ensemble des vingt tumeurs


Résultats Résultats sur tumeurs simuléesSur cas de suivi thérapeutique

Résultats sur tumeurs réellesavec histologie : exemple

Résultats

CT

PET Segmentation

Adaptive threshold

FLAB

Threshold 42%


Résultats sur tumeurs réellesavec histologie : sur l’ensemble des 18 tumeurs

Résultats


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

détermination automatique des volumes fonctionnels en imagerie démission pour les applications en...

Documents