Segmentation en imagerie multi-modale

Segmentation en imagerie multi-modale

Certaines modalités, comme le CT-scan, sont anatomiques, c’est-à-dire qu’elles montrent des contours précis entre les différents tissus du corps. D’autres sont fonctionnelles, comme la Tomographie par Emission de Positons (PET) ou certaines séquences d’IRM, c’est-à-dire qu’elles renseignent sur l’activité (fonction, métabolisme, etc.) des organes ou des tumeurs.

Lors d’un examen d’imagerie, les radiologues acquièrent souvent plusieurs modalités, à plusieurs intervalles de temps après l’injection d’un produit de contraste, de manière à avoir le plus d’information possible sur l’état du patient.

Les contours d’une zone d’intérêt peuvent ainsi apparaître plus nets sur certaines images que sur d’autres. Lorsqu’un radiologue segmente manuellement une lésion ou un organe dans une image ou celui-ci n’apparaît pas avec des contours précis, il peut s’appuyer sur d’autres images pour améliorer la qualité de sa segmentation.

Le but de ce chapitre est d’étudier quelles méthodes de segmentation automatique peuvent être utilisées lorsque l’on dispose d’images de plusieurs modalités pour chaque patient. Le cas d’application étudié est celui de la segmentation du foie dans les images IRM en pondération T1 et en pondération T2.

La séquence IRM pondérée en T1 donne une image anatomique, où le foie apparaît bien contrasté et est facile à segmenter manuellement. À l’inverse, le foie en IRM pondérée en T2 est difficile à distinguer des tissus qui l’entourent. De plus, cette séquence est plus longue à acquérir, ce qui résulte en une plus faible résolution dans la direction orthogonale au plan de coupe et la rend plus sujette à des artefacts d’acquisition.

La segmentation manuelle du foie y est par conséquent plus difficile. Je propose dans la section 2.1 une revue des différents problèmes liés à la segmentation multi-modale abordés dans la littérature, et des différentes techniques utilisées pour les 13 résoudre. La section 2.2 présente mes expériences qui comparent différentes stratégies proposées dans la littérature pour segmenter le foie en IRM pondérée en T1 et T2.

Enfin, dans la section 2.3 je propose une méthode de segmentation jointe de deux images de modalités différentes, qui intègre une information a priori de similarité entre les deux masques de segmentation

Les différents problèmes de segmenta tion d’images médicales

Deux revues de littérature sur les méthodes de Deep Learning pour la segmentation d’images médicales sont récemment parues : celle présentée par Tajbakhsh et al. (2020) se concentre sur le problème de la rareté des annotations en imagerie médicale et décrit quelles méthodes ont été proposées dans la littérature pour y répondre,

tandis que Taghanaki et al. (2020) font une revue plus générale des méthodes de segmentation, à la fois pour les images naturelles (problème généralement désigné par l’appellation « segmentation sémantique ») et les images médicales. D’autres revues abordant le problème selon des angles différents existent, et sont répertoriées dans les introductions de ces deux articles.