normalisation des données oury monchi, ph.d. centre de recherche, institut universitaire de...
TRANSCRIPT
Normalisation des donnéesNormalisation des données
Oury Monchi, Ph.D.Oury Monchi, Ph.D.
Centre de Recherche, Institut Universitaire de Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de MontréalGériatrie de Montréal & Université de Montréal
Qu’est-ce la normalisation ?
Localisation du voxel = localisation anatomique
Avec des valeurs d’intensité exactes
Terminologie de la normalisation
Estimation de la transformation : trouver la matrice de transformation (pas de resampling)
Resampling : on applique la transformation estimée
La normalisation signifie la combinaison des 2
Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,
Principes de la normalisation
Nous devons comprendre:
Transformations spatiales
Interpolation
Fonctions de similitude
Recherche / Optimisation
Résolution multiple
Espace standard
Transformations spatiales
Pour aligner les images, il faut les transformer
Il y a beaucoup de types de transformation
Les degrés de liberté décrivent la transformé partiellement
Par exemple : Corps rigide (6df) Affine (12df) Rigide en parties (6df par partie) Non-linéaire (fluide, élastique, spline, etc.)
Transformations à corps rigide
6 degrés de liberté en 3D
Inclut:
3 Rotations
3 Translations
Utilisées pour co-registration ou pour correction du mouvement intra-sujet
Transformations affines
12 degrés de liberté en 3D
Transformation linéaire
Inclut: 3 Rotations 3 Translations 3 « Scalings » 3 Skews / Shears
Utilisé pour des normalisations sujet-standard (e.g. Talairach)
Transformations non-linéaires
Plus que 12 degrés de liberté
Peuvent être locales
Quelques contraintes: Rigide en partie Fonctions de base (e.g. Splines) Fluide
Utilisé pour une normalisation inter-sujet de bonne qualité
Normalisation non-linéaire
T = rotation, « scaling », translation
D = Transformation de plus grand ordre, exige déformation locale
J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3-Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988
Espace Stéréotaxique
Basé sur des points de repère anatomiques (commissures antérieure et postérieure)
Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e.g. thalamotomie, pallidotomie)
Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats
commissure antérieure
Ligne AC-PC
commissure postérieure
VAC
Repère AC-PC
J Talairach & P Tournoux, Co-planar stereotaxic atlas of the human brain, Georg Thieme, 1988
Espace stéréotaxique
Espace stéréotaxique
La variabilité anatomique reste
Atlas de Talairach et Tournoux, 1988
Variabilité du sulcus central de 20 sujets
Images courtesy A. Zijdenbos, MNI
Données non registrées
Données registrées
Normalisation en espace stéréotaxique Avantages pour l’imagerie anatomique et structurelle
Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc.
Permet de moyenner entre sujets pour augmenter le SNR
Permet l’utilisation de masques spatiales pour des analyses post-traitement (e.g. des hypothèses basées sur l’anatomie)
Permet d’utiliser des classifications spatiales
Permet d’utiliser des modèles anatomiques (segmentation)
Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis
Advantages for functional imaging:Normalisation en espace stéréotaxique Avantages pour l’imagerie fonctionelle
Fournit une structure conceptuelle pour l’analyse 3D automatisée à travers tous les sujets
Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites...
Extrapole les résultats à la population en large
Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet
Augmente le nombre de degrés de liberté permis dans un modèle statistique
Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu
Atlas stéréotaxique Talairach
Inconvénients pour l’imagerie fonctionelle
Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!)
Ignore les différences entre les hémisphères droit et gauche
Séparation des tranches variable, jusqu’à 4mm
Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3D
Espace stéréotaxique
Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur
Fournit une structure conceptuelle pour l’analyse 3D complètement automatisée à travers tous les sujets
L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach
Histoire des modèles anatomiques du MNI
1992 1993 1996 1998 2001 2004
Cerveau moyen MNI 250
Evans, A.C., Collins, D.L., Milner, B. (1992). An MRI-based stereotaxic atlas from 250 young normal subjects. Society Neuroscience Abstracts. 18: 408
Normalisation manuelle
MNI 250
Pour : 250 sujets représente la population
moyenne Peut être utilisée comme cible de
normalisation
Contre : Normalisation manuelle (variable) Ne couvre pas complètement le
haut de la tête et le cervelet Manque de détail cortical N’a jamais été rendu publique
Average 305 du MNI Pour :
Normalisation automatique 305 sujets Plus de contraste Utilisé comme cible de
normalisation MRITOTAL Disponible publiquement avec
mni_autoreg
Contre : Ne couvre pas complètement le
haut du cerveau et le cervelet Manque de détail cortical
Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205
Holmes, C., Hoge, R., Collins, D.L., Woods, R., Toga, A.W. (1998).Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2): 324-333.
Colin 27
Pour : Normalisation automatique 1 sujet, 27 scans S/N et C/N très grands Détail anatomique très beau Peut être utilisé comme cible de
normalisation Disponible publiquement avec mni_autoreg
Contre : Un seul sujet – même si normal, peut être un
outlier Ne représente pas la variabilité de la
population
Atlas Jacob
Un seul sujet
Dessiné manuellement (Noor Kabani, 96 structures)
Même si normal, peut être un « outlier »
Ne représente pas la variabilité de la population
« Basis for SPAM Atlas in Talairach Daemon »
Moyenne ICBM 152
Mazziotta et al. (2001). A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc I and B Biol Sci. 356: 1293-322.
Moyenne T1 Moyenne T2Moyenne PD
ICBM 152 – Groupes de tissus
Moyenne MG Moyenne MBMoyenne CSF
ICBM 152
Pour : Normalisation linéaire
automatique 152 sujets Meilleur contraste Couvre toute la tête Modèles T1/T2/PD et MG/MB/CSF Utilisé comme cible de
normalisation MRITOTAL Disponible publiquement avec
mni_autoreg, SPM2, FSL
Contre : Manque de détail cortical
ICBM 152 non-linéaire
Pour: Normalisation
automatique Meilleur contraste Couvre la tête au complet Utilisé comme cible de
normalisation MRITOTAL Détail cortical signifiant
Contre: ?
Moyenne linéaire 305 ICBM 152 non-linéaireICBM 152 linéaire Colin 27 linéaire
Modèles stéréotaxiques
Normalisation d’images
Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template)
mritotal: crée la matrice de transformation .xfm
Transformation : « Resample » d’après les paramètres de transformation déterminés
e.g. mincresample ou resample_tal: applique la transformation aux données
Quelle est la matrice ?
Il y a deux types « d’output » d’une normalisation Image transformée (réorientée) Matrice de transformation
La matrice de transformation est sauvegardée en tant que matrice 4x4
M14, M24, M34 sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling
Ceci est sauvegardé en nom dufichier.mat par le GUI, et spécifié par l’option –omat dans la ligne de commande
M11 M12 M13 M14
M21 M22 M23 M24
M31 M32 M33 M34
0 0 0 1
Interpolation
Trouve les valeurs d’intensité entre les points de la grille
Interpolation
Trouve les valeurs d’intensité entre les points de la grille
Interpolation
Trouve les valeurs d’intensité entre les points de la grille
Différents types incluent
Voisin le plus proche
Trilinéaire
Sinc
Spline
Méthode espace k
Interpolation
Trouve les valeurs d’intensité entre les points de la grille
Différents types incluent
Voisin le plus proche
Trilinéaire
Sinc
Spline
Méthode espace k
Interpolation
Affecte la précision des analyses à venir Important pour l’imagerie quantitative Peut affecter la largeur des artéfacts
Voisin le plus proche SincTrilinéaire
Fonctions de similitude
Mesure la validité de l’alignement
Cherche la valeur maximale
Plusieurs variétés principales
Moindres carrés Même modalité (paramètres de séquence exacts)
Corrélation normalisée Même modalité (peut changer le contraste et l’intensité)
Rapport de corrélation N’importe quelle modalité RM
Information mutuelle N’importe quelle modalité (incluant CT, TEP, etc.)
Information mutuelle normalisée
N’importe quelle modalité (incluant CT, TEP, etc.)
Fonctions de similitude
Important: « allowable image modalities » Moins important: détails
Optimisation
Maximise la fonction de similitude par des essais répétés, et la recherche
Par exemple: trouve le meilleur angle de rotation
Essai 1: angle = -45 degrés
Optimisation
Maximise la fonction de similitude par des essais répétés, et la recherche
Par exemple : trouve le meilleur angle de rotation
Essai 2 : angle = -15 degrés
Optimisation
Maximise la fonction de similitude par des essais répétés, et la recherche
Par exemple : trouve le meilleur angle de rotation
Essai 3 : angle = 0 degrés
Optimisation
Maximise la fonction de similitude par des essais répétés, et la recherche
Par exemple : trouve le meilleur angle de rotation
Essai 4 : angle = +30 degrés
Optimisation
Après N essais
Maximums locaux et globaux
L’exemple précédent était facile
Mais c’est plus difficile en pratique parce que : Une dimension par degré de liberté Il est difficile de discerner entre le maximum global
et le maximum local
Maximum global
Maximum local
Initialisation
La position de départ est importante pour la stratégie recherche/optimisation locale
Doit être dans la zone de capture
Zone de capture pour un maximum global
Multi résolutions
Pourquoi utiliser des résolutions plus basses ? Calculs plus rapides
8mm – 80 mille calculs 1mm – 40 millions de calculs
Pas sensible aux structures subtiles
Progressivement améliore la résolution pendant la normalisation
Méthodes de normalisation linéaire
Talairach Talairach et Tournoux
MRITOTAL Collins
AIR Woods
SPM Friston, Ashburner
FSL Smith, Jenkinson
Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205
Normlisation Linéaire :mni_autoreg et MRITOTAL
Méthode : Axe de transformation principal Corrélation de données floues à
fwhm de 16mm Corrélation de données floues à
fwhm de 8mm Corrélation de données
« gradient magnitude » de 8mm
Optimisation « simplex »
PAT
AIR: Automated Image Registration
Interpolate reslice image onto reference image
Compute/minimize intensity ratio for common area
Successively finer subsampling. Every 81st, 27th, 9th, 3rd\voxel
Errors ~ 1-2mm
Intra + inter modality registration
-Woods, R.P., Cherry, S.R., Mazziotta, J.C. (1992). Rapid automated algorithm for aligning and reslicing PET images. Comput Assis Tomog. 16: 620-633.- Woods, R.P., Mazziotta, J.C., Cherry, S.R. (1993). MRI-PET registration with automated alogirhm. Comput Assis Tomog. 17: 536-546
SPM : Statistical Parametric
Déterminer la transformation spatiale qui minimise la somme carré entre une image et une combinaison linéaire de une ou plusieurs templates
Commence avec une normalisation affine afin que la grandeur et la position de l’image correspondent
Suivi par un warping non-linéaire afin de correspondre à la forme générale du cerveau
Utilise une structure Bayesienne pour maximiser simultanément les lissages des warps J. Ashburner, FIL, London
FSL
Normalisation accomplie avec FLIRT FMRIB’s Linear Image Registration tool
Optimisation à résolutions multiples En utilisant différentes positions de départ
Objectifs de fonctions multiple Pour s’occuper de la normalisation inter- et
intra-modalité
La normalisation stéréotaxique est accomplie en utilisant l’atlas des volumes MNI (moyenne ICBM152 linéaire)
Problèmes de normalisation : quelle méthode ?
Différentes optimisations veut dire
différentes forces
Quoi faire s’il n’y a pas de modèle pour mes données??Modèles spécifiques à des populations particulières
Bâtir un modèle spécifique à une population
Idée de NeuroLens
Pourquoi normaliser des données fonctionnelles sur un ‘template’ anatomique ? Création d’un template T2*
Visualisation du processus d’optimisation !
Remerciements et références
Références:
Louis Collins,
Montreal Neurological Institute
Andrew Janke, Montreal Neurological Institute
FSL & FreeSurfer Course, fMRIb, Oxford
FINProchain cours:
IRM anatomique
Remerciements:
Cécile Madjar,
Kristina Martinu