Que peut-on segmenter en IRM cérébrale néonatale

Que peut-on segmenter en IRM cérébrale néonatale

Difficultés liées aux images cérébrales néonatales

La segmentation (semi) automatique de structures cérébrales chez les adultes existe depuis plusieurs années. Les méthodes sont nombreuses et les résultats de plus en plus précis : les structures étudiées sont de taille importante, avec l’utilisation de champs magnétiques élevés (de 1,5 jusqu’à 7 T), chez un patient adulte coopérant et immobile (de Boer et al., 2010; Klauschen, Goldman, Barra, MeyerLindenberg, & Lundervold, 2009). Les résultats de segmentation sont bons en général dans des images de haute résolution et de bonne qualité. En revanche, la segmentation de structures cérébrales à partir d’imagerie néo-natale est beaucoup plus difficile, car les structures étudiées sont de petite taille et soumises à différents artefacts (mouvements, repliement, etc.). Les méthodes utilisées chez les adultes ne sont donc pas facilement transposables et nécessairement plus complexes. Toutes les études rapportent les difficultés inhérentes à la segmentation de structures cérébrales néonatales en IRM (Gui et al., 2012; Prastawa et al., 2005; Weisenfeld & Warfield, 2009; Xue et al., 2007) : un contraste moins marqué entre les tissus, un volume partiel important (Xue et al., 2007) lié à la petite taille des structures à la résolution en IRM, un niveau de bruit généralement plus important (Mewes et al., 2006) et une variabilité de l’intensité des tissus liés au processus de myélinisation (Weisenfeld & Warfield, 2009). Différentes approches sont possibles et le plus souvent associées pour aboutir à un résultat le plus fiable et reproductible possible. La segmentation doit également être stable (pas de variation significative de la segmentation lorsque les conditions d’acquisition varient légèrement) et régulière (les régions segmentées obtenues doivent être simples d’utilisation). 

Prétraitement

Avant d’effectuer une segmentation, il est souvent nécessaire d’effectuer un prétraitement. Les prétraitements regroupent toutes les opérations qui sont appliquées à une image, choisies en fonction de leur usage futur, pour en assurer une bonne qualité. En vue d’une segmentation, le prétraitement a pour but d’augmenter le contraste et de supprimer le bruit, tout en conservant les discontinuités, correspondant aux contours.

Augmentation du contraste

Il existe trois grandes familles de traitements d’images pour augmenter le contraste (Pratt, 1978) :  étirement d’histogramme : on exploite au mieux la dynamique de l’histogramme, en utilisant toute l’échelle de gris ou de couleurs mais aussi en modifiant l’histogramme de façon à le transformer en un histogramme de référence. Les histogrammes les plus utilisés sont les histogrammes plats et hyperboliques (Bovik, 2010). que peut-on segmenter en IRM cérébrale néonatale 56  filtrage passe-haut de l’image : il s’agit d’un filtre linéaire utilisé pour rendre plus visibles les petits détails. Il consiste à réduire l’importance du terme continu et des basses fréquences. La subtilité réside dans la définition du seuil du filtre utilisé, car il doit être suffisamment élevé pour mettre en évidence les détails liés aux hautes fréquences, mais ne pas être trop sélectif pour conserver les informations générales de l’image.  méthodes locales : elles modifient localement l’histogramme pour conserver toujours une bonne dynamique, même dans des zones de fort contraste. 5.2.2.Diminution du bruit Il existe deux types de dégradation de la qualité de l’image : les perturbations aléatoires (le bruit) et des perturbations déterministes (le flou, par exemple). Ces perturbations sont souvent identifiées et corrigées afin de réduire leur effet sur la qualité de l’image. L’utilisation d’un filtre de prétraitement diminue idéalement le bruit, tout en préservant les discontinuités. Les filtres médian, toboggan (Fairfield, 1990), ou de diffusion anisotrope (Perona & Malik, 1990)sont couramment utilisés. Leur défaut est de créer artificiellement des contours qui peuvent être ensuite difficiles à éliminer. Le filtre médian utilise la médiane des valeurs contenues dans un masque. Cela entraîne une régularisation avec préservation des discontinuités. Le filtre toboggan a tendance à augmenter le contraste des points isolés et à « granulariser » l’image traitée. Le filtre de diffusion anisotrope est paramétré pour obtenir une diffusivité forte dans les zones à faible gradient, et faible dans les zones à fort gradient, afin d’adapter l’intensité de la diffusion. Un paramètre, nommé barrière ou seuil de diffusion, fixe la limite entre les forts gradients correspondant aux transitions à maintenir, et les faibles gradients correspondant au bruit. Le choix de ce seuil de diffusion est crucial : il détermine les contours qui seront maintenus et rehaussés. Un seuil élevé provoque le lissage de tous les contours, et se rapproche du résultat d’une diffusion isotrope. A l’inverse, un seuil faible induit un rehaussement de tous les contours, y compris ceux correspondant à du bruit. Perona et Malik proposent deux méthodes pour choisir la valeur de ce seuil :  un choix arbitraire de l’utilisateur, fondé sur une connaissance a priori de la donnée,  une détermination automatique, à partir d’une estimation du bruit de l’histogramme cumulé des gradients. Ce filtre de diffusion anisotrope est ensuite itéré selon l’effet obtenu, et lisse donc de façon non uniforme, avec un effet minoré sur les contours. Le filtre de diffusion anisotrope fait partie des prétraitements utilisés dans plusieurs méthodes de segmentation en IRM cérébrale néonatale (Gui et al., 2012; Weisenfeld & Warfield, 2009; Yu et al., 2010).