Benoit Scherrer

  • View
    34

  • Download
    0

Embed Size (px)

DESCRIPTION

Segmentation des tissus et des structures sur les IRM cérébrales : agents markoviens locaux coopératifs et formulation bayésienne. Benoit Scherrer. Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat Préparée dans les laboratoires TIMC, GIN et LIG - PowerPoint PPT Presentation

Text of Benoit Scherrer

  • Benoit ScherrerThse co-encadre par Mme Catherine Garbay et M. Michel DojatPrpare dans les laboratoires TIMC, GIN et LIGCollaboration Florence Forbes, INRIA Segmentation des tissus et des structures sur les IRM crbrales : agents markoviens locaux coopratifs etformulation baysienne.

    /51

    IntroductionImagerie par rsonance magntique (IRM)Permet lobservation avec une rsolution fine de lanatomieModalit dimagerie mdicale peu invasiveMet en vidence les tissus mous

    Adapte pour ltude du cerveauAcquisition IRMDonnes brutes (issue des mesures physiques)Reconstruction3D de limage INTERPRETATIONDE LIMAGE*B. Scherrer, 12/12/2008

    /51

    Introduction : la segmentationParmi les outils dinterprtation : la segmentation des IRM crbrales But : attribuer chaque voxel une tiquette de classe parmi K classes*B. Scherrer, 12/12/2008IRM Pondre T1Segmentation des tissusDescription de la matire contenue dans les voxels. matire blanche (MB), matire grise (MG), liquide cphalo-rachidien (LCR)Segmentation des structures Description selon des rgions anatomiques connues. Noyaux cauds, putamen, thalamus, hypocampe, amygdale, La segmentation : diffrents buts

    /51

    Application lINSERM U836*B. Scherrer, 12/12/2008IRM Anatomique 3D Volume de Voxels IRM Fonctionnelle Reconstruction fine 3D du Cortex Projection des donnes IRMf Dpliage du Cortex.Cartes Planes.Contexte de la thse : Projet de Cartographie des Aires Visuelles chez lHomme Segmentation des tissus Matire grise (MG)Segmentation des structures diffrencier MG du cortex et des structures

    /51

    Difficult de la segmentation dIRMNcessite des modles mathmatiques adapts*B. Scherrer, 12/12/2008Images IRM perturbes par de nombreux artfactsInhomognitBruitVariation de lintensit pour un mme tissuInhrent toute mesure physiqueEffet de volume partiel, faible contraste, Taille des donnes (acquisition 256x256x256 : 16 millions de voxels)La segmentation : un problme difficileEnjeux et difficult dune segmentation robuste illustrs par lintrt croissant port sur la segmentationSource : PubMed Requte : medical AND image AND (segmentation OR classification OR labeling)

    /51

    Segmentation non supervise*B. Scherrer, 12/12/2008OrientecontoursModles dformablesExplicites (snakes)Implicites (level sets)RecalagedatlasMorphologie mathmatiquebas niveauGradient MorphologiqueLigne de partage des eauxAscendantsDescendantsAscendantsDescendantsOprateurs diffrentielsSeuillageCroissance de rgionClassificationSEGMENTATIONParamtriqueNon ParamtriqueMlange deloisChamp de MarkovProbabilisteDterministeMean-shiftK-MeanFuzzy C-MeanApproches hybridesApproches probabilistesCadre statistique formel bien posModlisent lincertitude dans lattribution des classesIntgrent naturellement des connaissances a priori (modles de bruit, dinhomognit, localisation des structures, )Modlisation de problmes coupls (distributions jointes)Infrence naturelle et rigoureuse dalgorithmes destimationChamps de Markov : robuste au bruit

    Orientergions

    /51

    La segmentation des IRM*B. Scherrer, 12/12/2008Mthode par atlas : recalage global en prtraitement

    Segmentation tissus et structures : des tches considres indpendantes Pourtant : une structure est compose dun tissu

    Segmentation tissus Approche probabiliste : estimation de modles dintensits Classiquement dans la littratureSegmentation des structuresLes distributions dintensit se recouvrent largement Requiert lintroduction dinformation a prioriModlisation globale de lintensit des tissusRequiert lestimation dun champ dinhomognit (biais)Recalage datlas ou description floue de lanatomie

    /51

    Objet de cette thse*B. Scherrer, 12/12/2008 Casser la logique traditionnelle globale du calculLocalit pour mieux reflter les proprits locales de limage (estimation des modles, recalage)Distribuer des processus destimation locale autonomes,Introduire des modalits de rgulation entre estimations localesConsidrer diffrents a priori pour segmenter les structuresRelations spatiales et recalage datlasCoupler les modlesSegmentation des tissus, segmentation des structures et construction de connaissances anatomiquesRgulariser et contraindre les modles dans leur convergenceModlisation markovienne de la segmentationRgulariser ltiquetageEnjeux de cette thse

    /51

    Plan*B. Scherrer, 12/12/2008Premire approche : modlisation multi-agents (LOCUS)Segmentation markovienneSegmentation des tissusSegmentation cooprative des tissus et structures Seconde approche : formulation baysienne jointe (LOCUSB)Modlisation coupleFormulation des interactionsEstimation du modleEvaluationLOCUSLOCUSBConclusion et perspectivesSeconde approche : formulation baysienne jointe (LOCUSB)Modlisation coupleFormulation des interactionsEstimation du modleEvaluationLOCUSLOCUSBConclusion et perspectives

    /51

    Segmentation markovienne de limage*B. Scherrer, 12/12/2008ObservationsEtiquettesLa segmentation Terme dattache aux donnes, bas sur les intensits Terme de rgularisationChamp externeConnaissance a prioriSegmentation markoviennePar dfinition :Corrlation spatiale entre les voxels rgularisation robuste au bruit Raliser la segmentation : maximiser selon z la probabilit Utilisation dalgorithmes de type EM (Expectation Maximization)

    /51

    Agent markovien local*B. Scherrer, 12/12/2008Paradigme multi-agents : (calcul distribu) Agent = processus de calcul qui sexcute de manire autonome et interagitQuatre comportements :Coopration : contribution des accointances au modle local Coordination : agit sur lenchanement des comportementsDfinition :

    Situ dans limage, ancr sur un territoireEstimation cooprative des paramtres dun champ de markov localAgent markovien local:

    /51

    Segmentation des tissus*B. Scherrer, 12/12/2008Partitionnement du volume en sous-volumesDfinition dun AML par sous-volumeAML spcialis tissus : AML-TSegmentation en trois classes : LCR, MG, MBAccointances : agents voisins

    Forces de lestimation locale modlise dans un SMAPremire forceSeconde forceSous-volumes faciles segmenter : convergence rapideLibre des ressources pour traiter les autres zones Meilleure reprsentation des distributions dintensit localesRobuste aux inhomognits sans modlisation explicite dun biais

    /51

    Bonne reprsentation des classes permettant une estimation fiable des modles Peu local, sensible aux inhomognits

    B. Scherrer, 12/12/2008Compromis localit / fiabilit de lestimation

    Meilleure localit, robuste aux inhomognits Sous reprsentation des classes pour assurer la fiabilit de lestimation*Sous-volumes avec 40x40x40 voxels (64000 voxels)Sous-volumes avec 10x10x10 voxels (1000 voxels) Suffisament local (robustesse aux inhomognits)Assurer la validit des modles locaux dans la littrature : validit assure par redondance dinformationMcanismes de rgularisation des modles locaux

    /51

    B. Scherrer, 12/12/2008Segmentation des tissus*Mcanismes de coopration Assurer la cohrence globale des modles locauxCalcul dun modle dintensit moyen dans le voisinage Si ncessaire, correction du modle local combinaison linaire du modle estim et du modle moyenCalcul dun modle dintensit par voxel (splines cubiques, mthode du Krigeage) Assure des variations lente entre agents voisins Modlise les inhomognits dans les sous-volumesParadigme multi-agents Cadre adapt pour raliser ces mcanismes de cooprationModel checkingModel correctionModel interpolation

    /51

    Mode sommeilAgent GlobalEnsemble dAML-TB. Scherrer, 12/12/2008Algorithme EM Local & Coopratif*

    /51

    B. Scherrer, 12/12/2008*Segmentation des structuresDfinition dun AML spcialis structure (AML-S) par structureSegmentation en deux classes structure et non structureGroupes daccointancesDun AML-TDun AML-SSegmentation cooprative des tissus et structures

    /51

    Relations gnriques et stables fournies par un anatomiste Relations de distance, dorientation et de symtrie Prend en compte la nature gnrale de cette connaissance Fournie une carte de localisation floue de la structure dans le volumeFUSIONRelation de distanceRelation dorientationEX : Noyau caudRelations spatialesDescription de lanatomie via des relations spatiales flouesLe noyau caud droit est moins de 5mm de la corne frontale droitele thalamus droit est en dessous de la corne frontale droiteetcTraduction de la connaissance via des cartes 3-D flouesB. Scherrer, 12/12/2008*

    /51

    Champ de Markov local deux classes Ml pour chaque structure l :Champ externeIntgration dune connaissance a priori base sur la CLFSegmentation cooprative des tissus et structuresB. Scherrer, 12/12/2008*La carte de localisation floue :Fournit le territoire de lagent (Localisation dynamique, via un simple seuil)Est intgre dans le champ de markov localNotation Champ externe

    /51

    Segmentation cooprative des tissus et structuresB. Scherrer, 12/12/2008*LOCUS : SynthseRgularisation de ltiquetageRgularisation de ltiquetage

    /51

    Plan*B. Scherrer, 12/12/2008Premire approche : Modlisation multi-agents (LOCUS)Segmentation markovienneSegmentation des tissusSegmentation cooprative des tissus et structures Seconde approche : Formulation baysienne jointe (LOCUSB)Modlisation coupleFormulation des intractionsEstimation du modleEvaluationLOCUSLOCUSBConclusion et perspectivesEvaluationLOCUSLOCUSBConclusion et perspectivesSeconde approche : formulation baysienne jointe (LOCUSB)Modlisation coupleFormulation des interactionsEstimation du modle

    /51

    Cadre thorique formelCoopration exprime via une modlisation jointeIntroduction dun atlas statistique pour segmenter les structuresRecalage de latlas pas un prtraitement mais coupl la segmentationSeconde approche proposeB. Scherrer, 12/12/2008*MotivationsMcanismes de cooprations ad-hoc Intuitifs mais quid de la convergence ?Certain nombre de seuilsRelations spatiales : information trs gnrale Difficile de dcrire un grand nombre de st