Admin CliCours
Le rôle de l’imagerie dans les applications médicales occupe une place croissante depuis plusieurs années. Les améliorations technologiques des appareils d’acquisition permettent de réaliser des images de plus en plus précises. Par exemple la résolution typique des appareils de tomodensitométrie (scanner à rayons X) est de 1, 17 × 1, 17 × 1, 5 mm³ actuellement. De tels progrès permettent bien sûr d’améliorer les diagnostics par la détection de plus petites lésions et par des mesures de volumes (par exemple de tumeurs) beaucoup plus précises. Le revers de ces améliorations est que l’analyse de telles images, c’est-àdire la détection de lésions ou la segmentation de structures, prend un temps croissant car elle demande une manipulation d’un volume de données de plus en plus important. C’est pourquoi, depuis plusieurs années déjà, de nombreuses recherches visent à proposer des algorithmes d’aide à l’analyse d’images par exemple en proposant des solutions de segmentation automatiques de structures anatomiques.
La construction d’une méthode automatique d’analyse ou d’aide à l’analyse d’images médicales est un problème complexe. Suivant le type d’images à traiter (TDM, IRM (imagerie par résonance magnétique), échographies…) ou les objectifs visés (amélioration de la qualité des images, détection ou segmentation des images ou interprétation automatique des images), les solutions proposées peuvent être de nature très différentes. Dans cette thèse, nous nous intéressons à l’imagerie du thorax, plus particulièrement aux images utilisées pour la détection, la caractérisation et l’élaboration éventuelle de plans de traitement par radiothérapie de tumeurs pulmonaires ou de ganglions lymphatiques infectés (lymphomes). Les images utilisées en routine clinique dans ce contexte sont les images anatomiques de tomodensitométrie (TDM) et les images fonctionnelles d’émission de positons (TEP). Le premier objectif est de proposer des algorithmes de segmentation automatiques ou semi-automatiques de ces tumeurs ou lymphomes en utilisant ces deux modalités d’imagerie. Dans le cas ou un plan de traitement par radiothérapie est envisagé, en plus de la segmentation des tumeurs comme structures cibles (c’est-à-dire devant être irradiées), il est nécessaire de délimiter les organes à risque (c’est-à-dire les organes ne devant pas recevoir d’irradiations). La segmentation de tels organes, comme le cœur, constitue le second objectif de cette thèse. Enfin, de manière plus prospective, nous abordons la question du suivi temporel des pathologies.
D’un point de vue méthologique, cette thèse adopte le formalisme des méthodes variationnelles pour la segmentation d’images. Il s’agit de formuler le problème de segmentation comme un problème d’optimisation dont le ou un minimum correspond à la segmentation recherchée. Généralement, les fonctionnelles mises en jeu dans ce contexte se décomposent en la somme d’un terme de régularité (qui contrôle la longueur du contour ou l’aire de la surface de l’objet segmenté) et un terme d’attache aux données. La construction du terme d’attache aux données est un point clé dans l’élaboration de la fonctionnelle. En effet, à travers ce terme, il est possible d’inclure des connaissances a priori sur les statistiques des intensités observées dans les images (moyennes, variances, informations sur les histogrammes) des structures que l’on cherche à segmenter. De plus,d’autres informations a priori, comme des connaissances sur la forme des structures à segmenter, peuvent être ajoutées lors de l’écriture de la fonctionnelle.
Les modalités d’imagerie médicale telles que la tomodensitométrie, l’imagerie par scintigraphie, l’imagerie par résonance magnétique, sont devenues un outil de diagnostic et d’aide au traitement très présent pour l’oncologie.
Dans des pathologies du thorax comme le cancer du poumon ou le lymphome de Hodgkin, le diagnostic s’appuie le plus fréquemment sur des images volumiques à rayons X, combinées ou non avec des images fonctionnelles d’émission de positons. La réalisation de tels examens, devenue courante dans les hôpitaux, génère une grande quantité d’images volumiques, qui doivent être analysées coupe par coupe par les praticiens. Dans le cas de patients atteints de tumeurs, le diagnostic peut nécessiter un contourage de ces dernières (pour réaliser des mesures de volume et de surface par exemple). Lorsque l’utilisation de la radiothérapie a été décidée dans les organes à risques (devant être exclus des zones irradiées) nécessitent aussi d’être contourés. De tels contourages, le plus souvent effectués tout ou partie manuellement, sont fastidieux. De plus, des différences de tracés peuvent être observées entre différents praticiens et également pour un même praticien réalisant un même contourage à deux moments différents. C’est pourquoi de nombreuses recherches visent à réaliser des algorithmes de segmentation automatique conduisant à des résultats fiables et reproductibles. Le problème de la segmentation étant par définition mal posé, les algorithmes s’attachent à réduire l’espace de recherche en se concentrant sur des segmentations particulières. Ainsi il existe des méthodes dédiées à la segmentation des poumons, d’autres à la segmentation des tumeurs, etc.
Les images de tomodensitométrie (TDM) sont des images volumiques du corps humain représentant le coefficient d’absorption des rayons X, directement fonction de la densité des tissus traversés. Le principe de base de l’acquisition volumique est le suivant. Pour une coupe axiale donnée, en faisant tourner un émetteur et des capteurs de rayons X autour du patient des profils mesurés (suivant les directions successives du faisceau de rayons X) des coefficients d’absorption de rayons X sont mesurées. Des algorithmes d’inversion de la transformée de Radon permettent, à partir de ces profils, de reconstruire une image de coupe (donnant la mesure de l’absorbtion en chaque pixel). En déplaçant le couple émetteur-capteurs de coupe axiale en coupe axiale, une image volumique complète du patient peut être réalisée.
Introduction |
Télécharger le document complet
