ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
La segmentation d’images médicales par la méthode du transfert de points d’intérêt - Par : Christian Wachinger, Matthew Toews, Georg Langs, William Wells, Polina Golland,

La segmentation d’images médicales par la méthode du transfert de points d’intérêt


Matthew Toews
Matthew Toews est professeur au Département de génie de la production automatisée de l’ÉTS. Ses travaux de recherche portent sur la théorie des probabilités et la théorie de l’information, la vidéo et les données d’images médicales.

Résumé

Nous discutons de la méthode de segmentation par le transfert de points d’intérêt, où les organes sont définis par le transfert de plans d’étiquetage, à l’origine d’une banque d’images faisant partie de l’apprentissage, vers la nouvelle image à segmenter. Le transfert se fonde sur des correspondances d’images éparses entre les points d’intérêt qui représentent des zones d’images distinctives et marquées de façon automatique. L’algorithme de segmentation comprend trois étapes : (i) la correspondance des points d’intérêt; (ii) le marquage des points d’intérêt détectés; (iii) et le transfert probabiliste, établi sur les points d’intérêt, des schémas de marquage des organes. L’exactitude de la méthode se compare avec satisfaction à la segmentation courante multi atlas tout en offrant une rapidité d’environ trois ordres de grandeur. Par ailleurs, le transfert des points d’intérêt ne demande aucune période d’apprentissage ni recalage dans un atlas. La robustesse de l’algorithme permet la segmentation des images prises avec des champs de vue très variables.

Mots-clés

algorithme   atlas   image   point d’intérêt   transfert   balayage   segmentation

1. Introduction

Le terme segmentation d’images fait référence « à la partition d’une image en un ensemble de zones qui la couvrent. L’objectif de la segmentation est de simplifier et de transformer la représentation d’une image en sorte qu’elle soit plus claire et plus facile à analyser » [1]. En imagerie médicale, ces segments correspondent souvent à différentes catégories de tissus, d’organes, de pathologies, ou d’autres structures biologiquement pertinentes [2]. La segmentation atlas est une technique d’imagerie médicale pour subdiviser des images. Des images d’apprentissage sont étiquetées manuellement par un expert clinique pour segmenter des images inédites à partir de ces images d’apprentissage. Le recalage de l’image est un processus qui cherche à corriger l’alignement des images « pour uniformiser l’image ou les images de l’atlas vers une nouvelle image inédite » [3].

2. Énoncé du problème

Est-il possible de définir la segmentation atlas sans correspondances concises? Les méthodes de segmentation par recalage et par retouche [4, 5, 6, 7] permettent de calculer des correspondances pour chaque zone dans la nouvelle image à segmenter vers des images d’apprentissage. Ces correspondances sont obtenues soit par des champs de déformation dense ou par extraction de parcelles similaires. En ce qui concerne les balayages à large champ de vue, de telles approches nécessitent une forte puissance de calcul.

Fig.1 Diagramme de flux de l’approche par segmentation atlas

Fig.1 Diagramme de flux de l’approche par segmentation atlas

3. La méthode du transfert de points d’intérêt

La méthode de segmentation par transfert de points d’intérêt repose sur des zones distinctives dans l’image : les points d’intérêt. Contrairement aux points de repère sélectionnés manuellement [8], les points d’intérêt sont automatiquement extraits en tant que zones optimales en fonction de leur saillance [9]. Des équivalences entre les points d’intérêt dans les images de test et d’apprentissage fournissent des correspondances pour un ensemble épars de zones d’image qui sont utilisées pour transférer des segmentations d’organes complets. Travailler avec des correspondances éparses et transférer des plans d’organes entiers rendent la méthode de calcul efficace. La fusion probabiliste des plans d’organes à travers tous les équivalences et les sujets d’apprentissage produit une précision de segmentation comparable à celle des méthodes de pointe, tout en offrant une augmentation des ordres de grandeur.

L’équivalence de points d’intérêt a l’avantage d’ajouter de la robustesse en établissant des correspondances entre les images dont les champs de vue sont variables ; d’où son importance lors de l’utilisation de balayages du corps entier annotés manuellement pour segmenter des balayages cliniques aux champs de vue restreints. En pratique clinique, le diagnostic se concentre généralement sur une région anatomique déterminée. Afin de minimiser la dose de rayonnement administrée au patient ainsi que le temps de l’examen, seule la région d’intérêt est numérisée. Par exemple, l’acquisition des tomodensitogrammes des reins permet d’évaluer la présence de tumeurs, de calculs rénaux ou d’abcès. L’alignement des balayages aux champs de vue restreints avec ceux de l’abdomen au complet représente un défi dans les cas de recalage basé sur l’intensité, en particulier lorsque la transformation initiale n’approxime pas les structures anatomiques correspondantes. La segmentation efficace et robuste grâce au transfert de points d’intérêt constitue un moyen pratique de gérer le nombre croissant des balayages cliniques.

Fig. 2 Illustration de la segmentation par transfert de points d’intérêt. Premièrement, les points d’intérêt (cercles blancs) dans les images d’apprentissage et de test sont appariés (flèche). Deuxièmement, la sélection attribue une étiquette d’organe au point d’intérêt testé (rein dr.). Troisièmement, les images d’apprentissage équivalentes à l’étiquetage du rein dr. sont transférées à l’image d’essai, créant une segmentation probabiliste. Nous montrons la segmentation manuelle par comparaison.

Fig. 2 Illustration de la segmentation par transfert de points d’intérêt. Premièrement, les points d’intérêt (cercles blancs) dans les images d’apprentissage et de test sont appariés (flèche). Deuxièmement, la sélection attribue une étiquette d’organe au point d’intérêt testé (rein dr.). Troisièmement, les images d’apprentissage équivalentes à l’étiquetage du rein dr. sont transférées à l’image d’essai, créant une segmentation probabiliste. Nous montrons la segmentation manuelle par comparaison.

La fig. 2 illustre la segmentation par transfert de points d’intérêt. Les points d’intérêt sont repérés aux régions d’images saillantes dont l’échelle ne varie pas. Chaque point d’intérêt est caractérisé par sa géométrie et un descripteur basé sur un histogramme de gradient local. Après l’extraction des points d’intérêt, on obtient la segmentation en trois étapes. Premièrement, les points d’intérêt de l’image d’essai sont adaptés aux points d’intérêt des images d’apprentissage en fonction de la géométrie et du descripteur. Deuxièmement, les concordances fiables permettent la sélection de l’étiquette d’organe du point d’intérêt dans l’image d’essai. Dans l’exemple, deux concordances établissent la sélection du rein droit et celle du foie, ce qui assure la majorité du rein droit. Troisièmement, le masque de segmentation est transféré à partir de l’organe complet pour chaque concordance compatible avec la sélection de l’étiquette majoritaire; ainsi le plan de l’organe peut être transféré plusieurs fois à partir d’une image d’apprentissage, si plus d’une concordance est déterminée pour cette image d’apprentissage. L’algorithme estime aussi la fiabilité de la correspondance dans la sélection de l’étiquette du point d’intérêt et évalue la similarité des zones d’image. Le transfert de points d’intérêt ne nécessite pas d’étape d’apprentissage et sa capacité à ressembler à la forme d’un organe peut toujours s’améliorer grâce au nombre croissant d’images étiquetées manuellement.

4. Évaluation de la méthode

La méthode de segmentation par transfert de points d’intérêt a été évaluée dans l’ensemble de données de Visceral, accessible au public [10, 11]. La segmentation multi atlas sur Visceral a été proposée par [12, 13], que nous utilisons comme méthode de référence dans nos expériences. Ce travail s’appuie sur la reconnaissance de points d’intérêt qui sont définis comme une extension 3D [14] du populaire algorithme SIFT (scale invariant feature transform ou « transformation de caractéristiques visuelles invariante à l’échelle ») [15]. En plus de l’alignement d’images, les fonctions SIFT 3D ont également été appliquées aux études liées à l’imagerie cérébrale [16, 17]. Contrairement aux utilisations antécédentes des descripteurs SIFT 3D, nous nous en servons pour transférer de l’information à travers les images.

Fig. 3: 3D SIFT VIEW - Lung CT.

Fig. 3 Coupe SIFT 3D – Tomodensitogramme du poumon

5. Conclusion

La méthode de segmentation par transfert de points d’intérêt consiste à transférer des plans d’étiquetage d’organes entiers fondés sur les correspondances d’images de points d’intérêt. S’appuyer sur des correspondances éparses entre les points d’intérêt dans les images de test et d’apprentissage augmente l’efficacité de la méthode. Les correspondances de points d’intérêt sont plus robustes aux variations du champ de vue des images, ce qui permet la segmentation des balayages partiels. Les algorithmes pour la sélection par points d’intérêt et le transfert de segmentation sont dérivés par modélisation générative, où les variables aléatoires latentes sont soumises à la loi de la probabilité marginale. La précision de la méthode soutient la comparaison avec la segmentation multi atlas tout en réduisant le temps de calcul d’environ trois ordres de grandeur.

Article de recherche

Pour obtenir plus d’informations sur ce sujet, nous vous invitons à lire l’article de recherche suivant :

C. Wachinger, M. Toews, G. Langs, W. Wells, P. Golland. Keypoint Transfer Segmentation. 2015. (PDF)

Editeurs

Cet article a été édité par Chantal Desjardins, ing. M.Sc.A. et Mario Dubois, ing. Ph.D., de Substance ÉTS.

 

 

Christian Wachinger

Profil de l'auteur(e)

Profil de l'auteur(e)

Matthew Toews

Profil de l'auteur(e)

Matthew Toews est professeur au Département de génie de la production automatisée de l’ÉTS. Ses travaux de recherche portent sur la théorie des probabilités et la théorie de l’information, la vidéo et les données d’images médicales.

Programme : Génie de la production automatisée 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle 

Profil de l'auteur(e)

Georg Langs

Profil de l'auteur(e)

Profil de l'auteur(e)

William Wells

Profil de l'auteur(e)

Profil de l'auteur(e)

Polina Golland

Profil de l'auteur(e)

Programme : Génie mécanique 

Profil de l'auteur(e)