Conception de l’algorithme de segmentation du logiciel Brain

Le but de l’algorithme développé est de segmenter efficacement les principales structures cérébrales, afin de se focaliser dans un second temps sur la détection d’éventuelles hyperintensités de la substance blanche. Les images à segmenter sont issues de séquences standard pondérées en TSE T2, dans le plan axial, acquises à l’âge de terme équivalent, chez d’anciens grands prématurés, avec un champ magnétique de 1,5 T. La segmentation est réalisée en 2D, car les coupes sont assez épaisses. Différentes méthodes ont été testées avec l’aide précieuse et successive d’étudiants de Master 2 et de post-doctorants. Nous avions initialement choisi un algorithme contenant une méthode de ligne de partage des eaux pour le liquide cérébrospinal et les noyaux gris centraux, puis une méthode des K- moyennes (Eduardo Luzagara, Manuela Pacheco, Lupe Villegas, Sonia Dahdouh). Les résultats obtenus étaient corrects pour les ventricules latéraux et les noyaux gris centraux. Mais ils n’étaient pas assez satisfaisants, tant sur la segmentation de la substance grise corticale et de la substance blanche que sur la détection des hyperintensités avec la méthode des K-moyennes (peu importe le nombre de classes choisies, travail effectué avec Hélène Urien).  Dans un second temps, nous avons élaboré un algorithme reposant sur les opérateurs connexes (arbres de coupes), puis affinant la détection et la quantification des DEHSI. Le programme a été développé sous Matlab 2013a (Alessio Virzi et Yongchao Xu). Cette segmentation s’effectue en 10 étapes consécutives, avec un ou plusieurs paramètres permettant d’adapter au mieux l’algorithme à l’image disponible. En effet, l’algorithme est conçu pour être robuste avec des paramètres standard, mais l’existence de nombreuses séquences IRM développées par différents constructeurs sur différents patients complexifient ce processus.

L’image à segmenter est régularisée par un filtre de diffusion anisotropique de Perona et Malik (Perona & Malik, 1990). Ce filtre de diffusion anisotrope est ensuite itéré selon l’effet obtenu et lisse de façon non uniforme, avec un effet minoré sur les contours. Un nombre d’itérations entre 10 et 50 est adapté aux images axiales T2, le seuil préréglé est de 10 (Illustration 29). Ce prétraitement permet d’homogénéiser les différentes régions, en diminuant l’impact des pixels discordants tout en conservant les contours. Il est nécessaire d’être vigilant pour ne pas homogénéiser de façon excessive afin de ne pas nuire à la détection des hyperintensités. Une ouverture morphologique avec un disque 2D (rayon = 10 pixels) est appliquée pour diminuer le niveau de gris en dehors du cerveau. Le rayon est adapté pour l’épaisseur de la peau et de la graisse sous-cutanée du scalp. Un seuillage (préréglé à 0,3 pour une image normalisée entre 0 et 1) permet d’obtenir un masque du contenu de la boîte crânienne (Illustration 30).  L’intérêt de la représentation par « max-tree » pour la segmentation est que certaines structures anatomiques d’intérêt apparaissent avec une intensité plus élevée que celle de leur environnement dans les images IRM traitées. C’est le cas en particulier du liquide cérébrospinal péricérébral et des ventricules latéraux, mais aussi des hyperintensités, ce que nous exploiterons dans la section 6.10. Après avoir créé un max-tree issu de l’image, un seuillage avec une valeur élevée (préréglée à 0,85 pour une image dont l’intensité de signal est normalisée entre 0 et 1) permet d’obtenir un masque avec les marqueurs localisés dans le liquide cérébro-spinal. Il est possible d’ajouter ou retirer manuellement des marqueurs qui ne seraient pas dans le liquide cérébrospinal (Illustration 31). Ensuite, le max-tree est exploité pour sélectionner les régions contenant les marqueurs et satisfaisant un critère de contraste par rapport à leur  environnement. Ce critère, appelé énergie contextuelle (« context-based energy ») et introduit dans (Xu, Geraud, & Najman, 2012), mesure l’erreur commise en approchant la région et son voisinage par des fonctions d’intensité constante (égale à la moyenne). Le voisinage d’une région R est défini par l’ensemble des points situés à une distance inférieure à un seuil de R. Par exemple, si une région R est peu contrastée par rapport à son voisinage V(R), les moyennes des intensités dans R et dans V(R) seront peu différentes. Cela signifie qu’il sera quasiment équivalent d’approcher globalement la réunion de R et V(R) par une intensité moyenne ou séparément R par sa moyenne et V(R) par sa moyenne. Le critère prendra alors une valeur proche de 1. Au contraire si le contraste entre R et V(R) est important, les moyennes seront différentes, et il sera préférable d’approcher R par sa moyenne d’un côté, et V(R) par sa moyenne de l’autre. Le critère prendra alors une valeur proche de 0. En termes de classification, le premier cas correspond au cas où R et V(R) seraient dans la même classe, alors que dans le deuxième cas les affecter à deux classes distinctes serait préférable. Pour la segmentation d’une région bien contrastée comme le liquide cérébrospinal et les ventricules, les régions contenant les marqueurs et ayant une valeur d’énergie contextuelle faible seront donc sélectionnés.