Détection automatique des opacités en tomosynthèse numérique du sein

La mammographie est un domaine en forte évolution depuis plusieurs décennies. Ainsi, les systèmes analogiques ont bénéficié d’avancées technologies concernant les tubes à rayon X et les films, améliorant significativement la détection de lésions dans le sein. Plusieurs essais sur le dépistage de masse ont montré la capacité de cette modalité à réduire le taux de mortalité par cancer du sein d’environ 30% pour les femmes de plus de 50 ans, et de 18% pour les femmes entre 40 et 50 ans (Kerlikowske et al., 1995; National Cancer Institute Consensus Development Panel, 1998). Plus récemment, les systèmes numériques ont été introduits permettant d’améliorer les performances cliniques (Pisano et al., 2005), de réduire la durée de la procédure médicale, et ainsi d’améliorer la précision du geste et le confort de la patiente. Cependant certaines limitations de ce type d’imagerie sont toujours d’actualité, comme par exemple la superposition de tissus pouvant potentiellement cacher des lésions ou en suggérer au travers d’images construites. En effet, certaines études montrent que 76% des lésions qui sont manquées par les radiologues se trouvent dans des seins denses. Ainsi la superposition des tissus serait la principale cause de la réduction de visibilité des signes radiologiques (Holland et al., 1982) .

Une solution face à ce genre de limitations est de considérer l’information tridimensionnelle du sein. De nos jours, la tomosynthèse numérique du sein (Niklason et al., 1997; Claus et Eberhard, 2002; Claus et al., 2002) est une voie qui semble prometteuse aussi bien pour le dépistage que pour le diagnostic du cancer du sein. En ce qui concerne le dépistage, une telle technique favorise l’exploration volumique des seins denses, pouvant potentiellement limiter le nombre de femmes rappelées pour des examens complémentaires suite à la détection d’un signe radiologique provenant de la superposition de tissus. Dans le cas du diagnostic, le bénéfice attendu se situe surtout dans l’aide à la caractérisation des signes radiologiques permettant ainsi une meilleure différentiation entre signes malins et bénins.

L’apport de l’information 3D rendue disponible par la tomosynthèse se fait au prix d’une plus grande quantité de données à examiner pour le radiologue. Dans ce contexte, l’élaboration d’un outil de détection automatique de signes radiologiques suspects, pour permettre au praticien de conserver un temps de lecture acceptable avec une haute sensibilité, prend tout son sens. Dans ce type d’imagerie, les cancers peuvent se traduire par plusieurs types de signes radiologiques : les amas de microcalcifications, les masses et les distorsions architecturales. Nos travaux se sont focalisés sur la détection des masses et des distorsions architecturales, tâche particulièrement difficile compte tenu de la grande variabilité morphologique de ces signes radiologiques et de leur contraste qui peut être particulièrement faible. Les opacités se traduisent par une sur-densité dans l’image alors que les distorsions architecturales ne présentent quant à elles que des motifs subtils de convergence sans noyau dense.

Le problème de détection pour ce type d’imagerie est en fait assez peu abordé dans la littérature. Cela s’explique principalement par le caractère récent des données concernées. En effet, la tomosynthèse du sein est en cours d’introduction et la quantité des données disponibles pour le développement de nouvelles applications est extrêmement faible en comparaison d’autres types d’imagerie comme la mammographie standard. Parmi les travaux existant on citera ceux de Chan et al. (2008a) qui présentent les résultats les plus aboutis pour la détection d’opacités. Ils reposent sur l’utilisation de l’analyse de flot de gradient dans le volume pour la détection de zones suspectes couplée à une étape de classification pour réduire le nombre faux positifs. L’élaboration d’un outil de détection reposant sur la théorie de l’information a aussi été proposée par Singh (2008). Ce dernier type d’approche semble cependant moins performant que le premier bien que n’ayant pas été évalués sur la même base de données. De manière générale, ces travaux, bien que prometteurs, n’atteignent pas encore les performances des systèmes de détection utilisés en mammographie standard. Ainsi l’étude d’outils de détection reste un problème d’actualité.

Pour accomplir les tâches de détection des opacités et des distorsions architecturales, nous avons développé un ensemble d’outils originaux. Certains d’entre eux, destinés à la détection des opacités, reposent sur la prise en compte de l’imprécision et l’incertitude contenues dans les images pour effectuer des tâches de détection et de caractérisation. D’autres proposent une modélisation a contrario couplée à une mesure de convergence pour détecter les motifs stellaires suspects.

La cancer du sein est la première cause de mortalité chez la femme toutes causes confondues entre 35 et 55 ans. Avec 42000 nouveaux cas dépistés par an en France, c’est le cancer chez la femme le plus fréquent (Remontet et al., 2003). Dans le but de réduire la mortalité par cancer du sein, une détection précoce est nécessaire (Duffy et al., 2003) motivant ainsi des campagnes de dépistage chez les femmes à partir d’un certain âge variant entre 40 et 50 ans selon les pays. Le type d’imagerie actuellement utilisée pour cette tâche est la mammographie. Dans ce contexte, la quantité de clichés que le radiologue doit interpréter en un temps limité est importante. De plus, la complexité de la tâche de détection est particulièrement élevée en mammographie. Ces raisons motivent l’utilisation d’outils d’aide à la détection par ordinateur (CAD) afin d’améliorer les performances du lecteur, en minimisant en particulier le nombre de signes radiologiques associés à des lésions malignes qui pourraient ne pas être détectées. Depuis peu, une nouvelle technique d’imagerie, la tomosynthèse numérique du sein, a fait son apparition. Elle peut potentiellement pallier les défauts de la mammographie standard. Dans ce type d’examen, une reconstruction 3D du sein est effectuée permettant potentiellement de mieux discerner les signes radiologiques caractérisant un cancer. Avec une quantité de données grandement augmentée par rapport à un examen standard, le besoin d’un outil automatique d’aide à la détection reste d’actualité, tant pour préserverun taux de détection élevé que pour limiter le temps de lecture.

La mammographie 2D est une imagerie de projection. En effet on projette une structure 3D (le sein) sur une surface 2D (le détecteur), résultant en une perte potentielle d’information. Plus concrètement, il existe deux problèmes majeurs qui peuvent être rencontrés. Le premier se traduit par la non détection d’une lésion qui est masquée par les tissus présents dans la trajectoire du faisceau passant par cette dernière. Ce cas est très problématique dans la mesure où ne pas détecter un cancer implique de ne pas le traiter de manière précoce. Le second problème susceptible d’être rencontré est la détection d’un signe radiologique construit par accumulation de différentes structures normales et indépendantes, alignées sur une même trajectoire de rayons X et formant, une fois projetées, un motif laissant penser à la présence d’une lésion. Bien que ce type de fausse alarme ait des conséquences moins graves que la non détection, le fait de devoir subir d’autres examens voire même une biopsie pour infirmer la présence d’un cancer est une procédure stressante pour la patiente qu’il est souhaitable d’éviter. Ces problèmes sont donc essentiellement causés par la projection de l’information lors de la formation d’une image de mammographie. L’idée la plus simple pour contourner ce problème est de travailler sur une représentation tridimensionnelle du sein. Des méthodes de formation d’image 3D sont couramment utilisées en médecine. Ainsi, le scanner par tomographie est utilisé pour imager divers organes du corps. Néanmoins son utilisation pour le sein peut poser problème essentiellement pour des raisons de dose délivrée à la patiente (Chang et al., 1979; Gisvold et al., 1979; Chang et al., 1982; John et Ewen, 1989). En effet pour être capable d’imager le tronc de la patiente, il faut des rayons X capables de le traverser de part en part ce qui imposeune dose beaucoup plus importante que pour une mammographie standard (Muller et al., 1983; Sibala et al., 1981). Des scanners dédiés où seul le sein est imagé peuvent aussi être considérés (Boone et al., 2001; Kwan et al., 2004; Yang et al., 2007). Dans ce type d’imageurs, le tube fait le tour complet du sein et non plus du tronc permettant de pallier les précédentes limitations. Cependant, la région axillaire du sein n’est généralement pas radiographiée à cause de contraintes physiques. D’autres types d’acquisition s’appuyant sur d’autres modalités existent et sont quant à eux réellement employés dans des routines de diagnostic. Ainsi on peut mentionner l’imagerie par résonance magnétique IRM du sein. Cependant pour des raisons de coûts et de disponibilité, ce type d’imagerie est généralement réservé aux patientes à risque dans le cadre du dépistage aux Etats Unis (Saslow et al., 2007).

D’autres causes de non détection sont possibles comme par exemple la non atténuation d’une opacité par les rayons X. La cause de cette limitation est principalement due à la similarité entre les propriétés radiométriques de ces lésions et de celles des structures saines plutôt qu’au processus de formation d’image. Dans le cas de lésions faiblement discernables, des méthodes d’imagerie nécessitant l’injection d’un produit de contraste existent comme l’angiomammographie (Jeunehomme, 2005; Puong, 2008) ou l’IRM (Rankin, 2000) qui permettent la mise en évidence de lésions hypervascularisées. Dans ce paysage d’outils d’imagerie, la tomosynthèse du sein (Wu et al., 2003b; Ren et al., 2005) semble pouvoir jouer un rôle important dans le dépistage et le diagnostic des cancers du sein, notamment en se positionnant comme une alternative à la tomographie axillaire permettant l’accès à l’information volumique pour un budget dose maîtrisé.

De manière générale, l’apparence des systèmes de tomosynthèse du sein est assez similaire à celle des appareils de mammographie. Le sein de la patiente est positionné en contact avec le support patient et comprimé à l’aide d’une pelote de compression. La position du tube évolue selon une trajectoire généralement circulaire dont le centre de rotation se situe au niveau du détecteur. Comme évoqué précédemment, une série de projections 2D à faible dose est acquise pour différentes positions du tube à rayon X autour du sein. Le nombre de projections varie généralement entre 9 et 45 sur une ouverture angulaire variant de 30 à 90 degrés. La dose allouée à chaque projection est telle que la dose totale délivrée à la patiente est comprise entre une et deux fois la dose d’une mammographie standard. Pour cette raison, la qualité des images servant de données d’entrée à la reconstruction est beaucoup plus médiocre que celle d’une mammographie conventionnelle, notamment en termes de rapport contraste à bruit. Cependant l’étape de reconstruction permet généralement d’obtenir des coupes reconstruites avec de meilleures propriétés.

Table des matières

Introduction
1 Le sein, la mammographie, et la détection automatique de cancers
1.1 Le cancer du sein
1.1.1 La mammographie
1.1.2 Caractérisation des différents types de cancer
1.2 La tomosynthèse du sein
1.2.1 Motivation
1.2.2 Principe général
1.2.3 Méthodes de reconstruction
1.2.4 Limitations et bénéfices
1.3 La détection automatique de cancers en mammographie conventionnelle
1.3.1 Motivations
1.3.2 Différents composants d’un système de détection automatique
1.3.3 Pré-traitement des images
1.3.4 Détection des microcalcifications
1.3.5 Détection des opacités
1.3.6 Prise de décision
1.3.7 Autres approches
1.4 Aide à la détection pour des volumes de tomosynthèse
1.4.1 Motivations
1.4.2 Différents designs de système de détection
1.4.3 Microcalcifications
1.4.4 Densités
1.4.5 Approche proposée
1.5 Conclusion
2 Filtres connexes flous
2.1 Les filtres connexes
2.1.1 Opérateurs connexes binaires
2.1.2 Extension aux images à niveaux de gris et filtres de nivellement
2.1.3 Ouvertures d’attribut et filtres d’amincissement (thinning)
2.2 Représentation de l’imprécision dans les images
2.2.1 Ensembles flous
2.2.2 Les image floues
2.2.3 Images d’ombres floues
2.2.4 Images d’intervalles flous et images de nombres flous
2.2.5 Autres utilisations du flou en traitement d’image
2.3 Les filtres connexes flous
2.3.1 Connexité des ensembles flous
2.3.2 Régions homogènes et zones plates floues
2.3.3 Familles d’opérateurs connexes flous
2.3.4 Persistance d’un ensemble flou
2.3.5 Opérateurs connexes flous pour les images à niveaux de gris flous
2.3.6 Lien avec les opérateurs connexes classiques
2.3.7 Définition de filtres dans un contexte de reconnaissance
2.4 Utilisation pratique des filtres connexes
2.4.1 Outils
2.4.2 Filtre de détection de lésions circonscrites
2.4.3 Extraction à partir d’une IOF
2.4.4 Extraction à partir d’une IIF
2.5 Conclusion
3 Mise en œuvre des filtres connexes flous
Conclusion

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *