Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
28 personnes membres du GdR ISIS, et 57 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 50 personnes.
Journée thématique organisée conjointement par :
De nombreuses approches dans le domaine de la segmentation d'images médicales ont été développées et continuent de se développer pour l'aide au diagnostic, le suivi des patients, l'évaluation des traitements thérapeutiques, et des études statistiques sur certaines populations ou certaines maladies. Malgré des progrès en résolution et en rapport de signal sur bruit des imageries médicales (IRM, PET-Scan, TDM, etc.), la segmentation des images 2D ou 3D reste toujours un problème ouvert.
L'objectif de cette journée est de faire le point sur les travaux actuels en France dans ce domaine, en privilégiant les développements récents des approches variationnelles et statistiques, avec l'intégration et la modélisation des connaissances a priori pour la segmentation d'images mais aussi de présenter les besoins, les attentes des utilisateurs.
Conformément à notre mode de fonctionnement, la moitié de la journée sera présentée par des orateurs invités, faisant un état de l'art sur ces techniques et leurs applications.
Dans le cadre de cette journée organisée conjointement par les GDR-ISIS et GDR Stic-Santé, un numéro spécial sur la segmentation des images sera publié dans la revue IRBM (Elsevier, Innovation and Research in BioMedical engineering) sur le thème : Approches variationnelles et statistiques. Les orateurs de la journée seront sollicités pour préparer un article consacré à ce numéro spécial. La date limite de soumission est le 17/07/2013.
Les propositions (titre, auteur, résumé) sont à envoyer aux organisateurs avant le 30 mai 2013.
9h20-9h30 Présentation de la journée. Organisateurs.
9h30-10h10 Bernard Dubray, faculté de médecine à l'Université de Rouen, CRLCC de Rouen.
Segmentation d'images en pratique clinique: définition des volumes cible pour la radiothérapie des cancers bronchiques
10h10-10h50 Frédéric Galland, Institut Fresnel, Marseille
Segmentation d'images bruitées par contours et grilles actifs et minimisation de la longueur de description
10h50-11h05 pause café
11h05-11h45 Joël Castelii, CRLCC de Rennes-CHU Rennes
Apport des méthodes de segmentation d'images en clinique quotidienne, limites et problèmes non résolus
11h45-12h25 Stéphanie Jehan-Besson, GREYC Caen
Approches variationnelles pour la segmentation : le point sur les critères à optimiser et les méthodes de résolution associées
12h25-14h00 pause déjeuner
14h00- 14h25 Olivier Bernard, CREATIS, Lyon
Surfaces actives explicites B-Spline : application à la segmentation 3D temps réel d'images médicales
14h25– 14h50 Houda Hanzouli, LaTIM, Brest
Analyse multi échelle et multi observation pour l’imagerie multimodale TEP/TDM en oncologie
14h50 - 15h15 Pierre Buyssens, LITIS-Quantif, Rouen
Génération de superpixels basée sur l'équation Eikonale : Application à la segmentation temps réel du foie dans des images CT.
15h15-15h40 Leïla Meziou, ETIS, Cergy
Segmentation par contours actifs basés alpha-?divergences: application à la segmentation d’images médicales et biomédicales
15h40-15h55 Pause-café
15h55-16h20 Hao Xu, Polytechnique, Paris
Probabilistic Atlas and Geometric Variability Estimation to Drive Tissue Segmentation
16h20-16h45 Chantal Muller, CREATIS, Lyon
Intégration d’a priori de forme dans la croissance de région variationnelle. Illustrations en imagerie du vivant.
16h45-17h10 Sonia Dahdouh, Telecom Paris
Segmentation de l'enveloppe foetale sur des images ultrasons 3D en utilisant des a priori de distributions d'intensité et de forme
17h10-17h35 Rabeb Mezgar, L2i Dijon & Université de Monastir Tunisie
Détection des lésions de sclérose En plaques en se basant sur les techniques paramétriques et la morphologie mathématique
17h35- Table ronde, tous les participants
Bernard Dubray, la faculté de médecine à l'Université de Rouen, CRLCC de Rouen.
La radiothérapie associée à la chimiothérapie est le traitement standard des cancers bronchiques non opérés. L'identification précises des volumes cible indispensable pour réduire le risque de rechute tumorale sans irradier excessivement les tissus sains (poumons). La TEP au FDG améliore la pertinence des indications thérapeutiques. Son utilisation pour la définition des volumes cible et l'adaptation de la balistique selon la réponse tumorale en cours de traitement nécessite une co-régistration précise des examens successifs et une segmentation fiable et rapide des zones hyper métaboliques. Les algorithmes doivent d'emblée intégrer plusieurs modalités d'imagerie (scanner pour les calculs de dose et la délinéation des organes à risques) et plusieurs traceurs radioactifs (hypoxie, prolifération, ...). Les équipements modernes permettent de délivrer des doses hétérogènes, adaptées aux variations intra-tumorales des caractéristiques biologiques des cellules cancéreuses.
Frédéric Galland, Nicolas Bertaux et Philippe Réfrégier, Institut Fresnel, Marseille.
Même si la segmentation d'image est un domaine de recherche particulièrement actif, de nombreuses questions restent ouvertes, notamment dans le cas des images fortement bruitées ou pour une utilisation dans des systèmes autonomes.
Dans cet exposé, nous nous focaliserons sur les approches par contours et grille actifs statistiques fondées sur la minimisation de la longueur de description (Minimum Description Length principle). Nous présenterons une synthèse de différentes avancées qui ont été développées dans notre équipe notamment, permettant d’aboutir à des algorithmes non-supervisés, rapides et adaptés à la segmentation d'images bruitées.
Joël Castelii, A.Simon, O.Acosta , P.Haigon , R. de Crevoisier, CRLCC de Rennes-CHU Rennes & LTIS-Rennes.
La radiothérapie occupe une place importante dans la prise en charge des patients atteints d’un cancer ORL. L’utilisation de la radiothérapie par modulation d’intensité (IMRT) a permis une diminution de la toxicité notamment parotidienne, par rapport aux techniques sans IMRT. Cependant, en raison de son importante conformation, la RCMI nécessite une délinéation très précise des volumes cibles et des organes à risque. La 1ere étape du traitement consiste en la réalisation d’un scanner de repérage (ou de planification) qui servira pour le calcul de la dosimétrie (basé sur la densité électronique). Ce scanner est réalisé une seule fois avant de débuter le traitement et servira de référence tout au long des 7 semaines de radiothérapie la 2eme étape est la segmentation manuelle à la fois des volumes cibles tumoraux (tumeur primitive et ganglions) et des organes à risque sur cette imagerie TDM. Cette segmentation est basée sur différentes modalités d’imagerie (IRM, TEP) impliquant un recalage sur le scanner de planification. Ce recalage multimodal est particulièrement complexe et implique aussi une opération de seuillage sur l’imagerie TEP.
En cours de traitement, une imagerie 2D kV est classiquement réalisée afin de permettre un repositionnement du patient. Cependant ce repositionnement se fait sur des repères osseux, sans prendre en compte les mouvements de la tumeur et/ou des OARs ni les modifications de volume visualisée par une éventuelle imagerie Cone Beam CT générée par l’accélérateur. La radiothérapie adaptative vise à prendre en compte ces modifications de volumes et de positions survenant en cours de traitement. Un simple recalage rigide ne suffit pas pour prendre en compte ces déformations anatomiques. La réalisation d’un ou plusieurs scanners de dosimétrie en cours de traitement permet de replanifier une nouvelle balistique prenant en compte ces modifications. Cette étape de replanification implique néanmoins une nouvelle segmentation des structures, soit manuelle très chronophage (réalisation aujourd’hui) soit à partir d’une propagation des contours provenant de la planification initiale (développement en cours). Les distributions de dose replanifiées pourraient ensuite recalées sur le scanner de planification (recalage élastique), de façon à cumuler les doses délivrées et de pouvoir les comparer à la dose planifiée dans un processus de radiothérapie guidée par la dose.
Stéphanie Jehan-Besson, GREYC Caen.
Dans le cadre des approches variationnelles pour la segmentation d'images médicales, nous nous attacherons plus particulièrement aux méthodes opérant la recherche d'une région de l'image par optimisation d'un critère continu. Une revue des différents critères énergétiques sera faite, permet tant ainsi de lister les termes d'attache aux données photométriques et géométriques pertinents pour la segmentation ou le suivi de régions en imagerie médicale. Par ailleurs, un point sur les méthodes de résolution associées montrera comment la recherche d'un domaine optimal peut se faire en pratique soit en utilisant des modèles déformables, soit en transformant le critère initial afin de pouvoir exploiter les approches duales. Ces dernières approches, largement utilisées en filtrage et récemment explorées pour la segmentation, sont fondées sur les outils issus de l'optimisation convexe, et procurent une alternative intéressante aux modèles déformables. Enfin, nous évoquerons brièvement comment les approches variationnelles peuvent également être mises à profit pour l'évaluation sans "gold standard" des méthodes de segmentation par estimation d'une forme de référence.
Olivier Bernard, CREATIS, Lyon.
Un des enjeux majeurs en imagerie médicale est le développement d’outils de détection de structures anatomiques temps réel permettant une interaction fluide et intuitive pour le médecin. Dans ce contexte nous avons proposé un formalisme de segmentation variationnelle revisitant l’équivalence, sous certaines conditions, de représentation de surfaces implicites et explicites. L’intérêt d'un tel modèle réside dans sa capacité à traiter un problème de segmentation dans un espace de dimensionnalité inférieure (sous couvert de contrainte topologique), rendant l’algorithme extrêmement efficace en termes de temps de calcul. Ce modèle a été récemment appliqué avec succès dans différentes applications médicales : (i) la segmentation 3D du coeur en imagerie ultrasonore (paroi endocardique) et en imagerie IRM (ensemble du muscle myocardique) (ii) la segmentation 3D d'anévrisme et des vaisseaux adjacents en artériographie (imagerie par rayons X).
H.Hanzouli, J.Lapuyade-lahorgue, E.Monfrini, W. Pieczynski, D.Visvikis1, M.Hatt, LaTIM Brest & CITI department Telecom Sud-Paris.
Ce travail s’inscrit dans le cadre général du développement d’une médecine davantage personnalisée et préventive, pour laquelle une fusion d’informations multi modale et une quantification précise et fiable est nécessaire. L’objectif général du travail consiste à développer des nouvelles méthodes de traitement et d’analyse d’images médicales multimodales par Tomographie par Emission de Positons (TEP)/TomoDensitoMétrie (TDM), dont les propriétés de résolution, de texture et de bruit diffèrent, au seind’un même cadre statistique multi échelle et multi observation. Nous avons développé un contexte de travail fondé sur une modélisation par arbre de Markov caché, avec la possibilité de prise en compte de lois différentes pour modéliser les observations (intensités des voxels ou coefficients de décomposition spatio-fréquentielle). Le modèle élaboré a été adapté puis évalué pour deux applications en oncologie : le filtrage du bruit dans les images TEP d’une part, et la détermination des volumes anatomo-fonctionnels des tumeurs en imagerie multi modale TEP/TDM d’autre part.
Pierre Buyssens, Isabelle Gardin, Su Ruan, Abderrahim Elmoataz, LITIS-Rouen & GREYC- Caen.
Nous décrivons un nouvel algorithme basé sur l'équation Eikonale pour le calcul d'une sursegmentation dense d'une image, souvent appelés grille superpixellique. Calculée numériquement par la méthode variationnelle du fast Marching, cette sursegmentation respecte les contours des objets présents dans l'image et limite l'effet de sous-segmentation via une contrainte spatiale optionnelle de compacité. Des comparaisons quantitatives à l'état de l'art sur la base de données Berkeley montre une nette amélioration par rapport à l'état de l'art selon les métriques couramment utilisées. L'algorithme proposé est également très rapide (quasi-linéaire) et s'adapte facilement à des images de grande dimension ou à des volumes. La sur-segmentation obtenue permet de simplifier grandement les images CT considérées, et ainsi d'obtenir des segmentations semi-supervisées en temps réel.
Leïla Meziou, Aymeric Histace et Frédéric Precioso, ETIS Cergy & I3S Sophia Antipolis.
La segmentation de régions d’intérêt dans le cadre de l’analyse d’images médicales et biomédicales reste encore à ce jour un challenge en raison notamment de la variété des modalités d’acquisition et des caractéristiques associées (bruit par exemple). Dans ce contexte particulier, cet exposé présente une méthode de segmentation de type contour actif dont l ‘énergie associée à l’obtention de l’équation d’évolution s’appuie sur une mesure de similarité entre les densités de probabilités (en niveau de gris) des régions intérieure et extérieure au contour au cours du processus itératif de segmentation. En particulier, nous nous intéressons à la famille particulière des alpha-divergences. L’intérêt principal de cette méthode réside (i) dans la flexibilité des alpha-divergences dont la métrique intrinsèque peut être paramétrées via la valeur du paramètre alpha et donc adaptée aux distributions statistiques des régions de l’image à segmenter; et (ii) dans la capacité unificatrice de cette mesure statistique vis-à-vis des distances classiquement utilisées dans ce contexte (Kullback-Leibler, Hellinger...).
Nous abordons l’étude de cette mesure statistique tout d’abord d’un point de vue supervisé pour lequel le processus itératif de segmentation se déduit de la minimisation de l’alpha-divergence (au sens variationnel) entre la densité de probabilité courante et une référence définie a priori. Puis nous nous intéressons au point de vue non supervisé qui permet de s’affranchir de l’étape de définition des références par le biais d’une maximisation de distance entre les densités de probabilités intérieure et extérieure au contour. Par ailleurs, nous proposons une démarche d’optimisation de l’évolution du paramètre alpha conjointe au processus de minimisation ou de maximisation de la divergence permettant d’adapter itérativement la divergence à la statistique des données considérées. Au niveau expérimental, nous proposons une étude comparée des différentes approches de segmentation : en premier lieu, sur des images synthétiques bruitées et texturées, puis, sur des images naturelles. Enfin, nous focalisons notre étude sur différentes applications issues des domaines biomédicaux (microscopie confocale cellulaire) et médicaux (radiographieX, IRM) dans le contexte de l’aide au diagnotic. Dans chacun des cas, une discussion sur l’apport des alpha-divergences est proposée.
Hao Xu, Bertrand Thirion et Stéphanie Allassonnière, Polyethnique Paris.
Learning atlases from medical images is a difficult challenge, as atlas inference is most often confounded by between-subject variability. Specically, an atlas should be learned jointly with the deformations that map it to individual data. We provide a detailed analysis of a generative statistical model based on dense deformable templates that represent tissue types observed in medical images. We use a stochastic algorithm for the estimation of the model parameters. We create a probabilistic atlas from a given dataset, then use the atlas-based segmentation method with the learned template and geometric variability to segment the new images; experiments are shown on brain T1 MRI datasets.
Juan-Carlos Prieto, Carolina Pérez Romanello3, Vanessa Pérez Romanello, Jean-Loïc Rose1, Alexandra Pacureanu, Françoise Peyrin, Christophe Odet, Maciej Orkisz, Marcela Hernández Hoyos and Chantal Revol-Muller, CREATIS- Lyon & ESRF Grenoble & Grupo Imagine, Grupo de Ingeniería Biomédica, Colombia.
La croissance de région variationnelle est un processus d'optimisation itératif et discret qui vise à minimiser une certaine énergie, judicieusement choisie pour conduire à la segmentation de l’objet recherché. Par cette approche, la croissance de région peut aisément prendre en compte de l’a priori de forme par le biais d’une fonctionnelle d’énergie. Nous proposons deux solutions pour intégrer cet a priori dans la croissance de région variationnelle. La première solution repose sur des descripteurs de forme d’un modèle de référence tels que les moments de Chebyshev ou de Legendre, la seconde sur la prise en compte des propriétés géométriques de la structure à détecter comme la tubularité. Nous illustrerons ces approches sur des données tridimensionnelles issues de l’imagerie du vivant à travers 3 applications : i) de phénotypage chez le petit animal, ii) d’analyse sub-micrométrique du réseau lacuno-canaliculaire à partir d’un échantillon osseux et iii) d’extraction automatique d’arbre vasculaire pulmonaire chez l’homme dans le cadre du challenge ISBI Vessel’12.
Sonia Dahdouh, Telecom Paris.
L'objectif de cette présentation est de décrire une méthode de segmentation avec a priori de forme et de distribution ayant pour but l'extraction de l'enveloppe foetale sur des images ultrasons 3D. Afin de compenser la faible qualité des données en terme de contraste, de gradient, de bruit etc., nous introduisons une méthode de segmentation basée sur les level-set combinant trois types d'information: la distribution des niveaux de gris des pixels, un a priori de forme sur l'enveloppe foetale et un modèle de dos dépendant de l'âge du foetus. Les distributions d'intensité, différentes pour chaque tissu ainsi que l'a priori de forme, encodé par le biais de ses moments de Legendre, sont ajoutés sous la forme de termes d'énergie dans la fonctionnelle à optimiser. Le modèle de dos est utilisé a postériori pour affiner la segmentation. Des résultats sur des données ultrasonores 3D sont montrés et comparés à un ensemble de segmentations manuelles effectuées sur ces mêmes données.
Rabeb Mezgar, Tadeusz Sliwa, Mohamed Ali Mahjoub, Yvon Voisin, Abdellatif Mtibaa, L2i Dijon & Eniso Université de Sousse Tunisie & FSM Université de Monastir Tunisie.
L’objectif de ce travail est de proposer une méthode permettant de faciliter la segmentation des IRM cérébrales dans un but de suivi des patients souffrant de la maladie de "Sclérose En Plaques". Pour ce faire, un grand nombre des méthodes de segmentation a été proposés. Ces méthodes sont réparties soit en des méthodes qui s’appuient sur la réunion de pixels similaires soit en des méthodes basées sur des modèles à priori de nature probabiliste. Dans notre travail, nous avons comparé les méthodes de segmentation basées sur les chaines de Markov cachées et l’algorithme Expectation-Maximisation. Suite à cette comparaison, nous avons choisi la méthode la plus fiable pour la détection des lésions de SEP.
La méthode que nous proposerons est basée sur un modèle de distribution gaussienne et elle permet également d’inclure l’information a priori par un atlas probabiliste. Nous avons appliqué cette méthode à la segmentation des tissus cérébraux (à travers l’algorithme EM) puis nous l’avons étendu en utilisant un estimateur robuste à la localisation et la détection des lésions de SEP. Grâce à cet estimateur et à l’information a priori apportée par l’atlas probabiliste, les lésions SEP vont être détectées comme des points atypiques (" Outliers") par rapport à un modèle statistique d’images cérébrales non pathologiques. Une validation clinique ainsi qu’une validation quantitative des résultats seront présentées à fin d’évaluer la méthode.
Date : 2013-06-07
Lieu : Télécom Paris Tech, L'amphi Thévenin
Thèmes scientifiques :
B - Image et Vision
Inscriptions closes à cette réunion.
Accéder au compte-rendu de cette réunion.
(c) GdR IASIS - CNRS - 2024.