Download ppt - Benoit Scherrer

Benoit Scherrer

Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat

Préparée dans les laboratoires TIMC, GIN et LIG

CollaborationFlorence Forbes, INRIA

Segmentation des tissus et des structures sur les IRM cérébrales :

agents markoviens locaux coopératifs etformulation bayésienne.

/51

Introduction Imagerie par résonance magnétique (IRM)

Permet l’observation avec une résolution fine de l’anatomie Modalité d’imagerie médicale peu invasive Met en évidence les tissus mous

Adaptée pour l’étude du cerveau

Acquisition IRM

Données brutes(issue des mesures physiques) Reconstruction

3D de l’image

INTERPRETATIONDE L’IMAGE

2B. Scherrer, 12/12/2008

Explosion de la quantité d’information générée

Interprétation automatique des IRM cérébrales :

un enjeu majeur

/51

Introduction : la segmentation Parmi les outils d’interprétation : la segmentation des IRM

cérébralesBut : attribuer à chaque voxel une étiquette de classe parmi K classes

3B. Scherrer, 12/12/2008

IRM Pondérée T1

Segmentation des tissusDescription de la matière contenue dans les voxels.

matière blanche (MB), matière grise (MG), liquide céphalo-rachidien (LCR)

Segmentation des structuresDescription selon des régions anatomiques connues.

Noyaux caudés, putamen, thalamus, hypocampe, amygdale, …

La segmentation : différents buts

/51

Application à l’INSERM U836

4B. Scherrer, 12/12/2008

IRM Anatomique 3D Volume de Voxels

IRM Fonctionnelle

Reconstruction fine 3D du Cortex

Projection des données IRMf

Dépliage du Cortex.Cartes Planes.

Contexte de la thèse :Projet de Cartographie des Aires Visuelles chez l’Homme

Segmentation des tissus Matière grise (MG)Segmentation des structures différencier MG du cortex et des structures

La segmentation : un maillon crucial dans la chaînes d’interprétation

Doit être aussi robuste et fiable que possible

/51

Difficulté de la segmentation d’IRM

Nécessite des modèles mathématiques adaptés

5B. Scherrer, 12/12/2008

Images IRM perturbées par de nombreux artéfacts

Inhomogénéité Bruit

Variation de l’intensité pour un même tissu

Inhérent à toute mesure physique

Effet de volume partiel, faible contraste, Taille des données (acquisition 256x256x256 : 16 millions de voxels)

La segmentation : un problème difficile

Enjeux et difficulté d’une segmentation robuste illustrés par l’intérêt croissant porté sur la segmentation

Source : PubMed Requête : medical AND image AND (segmentation OR classification OR labeling)

/51

Segmentation non supervisée

6B. Scherrer, 12/12/2008

Orientéecontours

Modèles déformables

Explicites(snakes)

Implicites(level sets)

Recalaged’atlas

Morphologie mathématique

“bas niveau”

Gradient Morphologique

Ligne de partage des eaux

AscendantsDescendants

AscendantsDescendants

Opérateurs différentiels

Seuillage

Croissance de région

ClassificationSEGMENTATION

Paramétrique Non Paramétrique

Mélange delois

Champ de Markov

Probabiliste

Déterministe

Mean-shift

K-Mean

Fuzzy C-Mean

Approches hybrides

Approches probabilistes Cadre statistique formel bien posé Modélisent l’incertitude dans l’attribution des classes Intègrent naturellement des connaissances a priori

(modèles de bruit, d’inhomogénéité, localisation des structures, …) Modélisation de problèmes couplés (distributions jointes) Inférence naturelle et rigoureuse d’algorithmes d’estimation

Champs de Markov : robuste au bruit

Orientéerégions

/51

La segmentation des IRM

7B. Scherrer, 12/12/2008

Méthode par atlas : recalage global en prétraitement Segmentation tissus et structures : des tâches considérées indépendantes

Pourtant : une structure est composée d’un tissu

Segmentation tissusApproche probabiliste : estimation de modèles d’intensités

Classiquement dans la littérature

Segmentation des structures Les distributions d’intensité se

recouvrent largement Requiert l’introduction

d’information a priori

Modélisation globale de l’intensité des tissus Requiert l’estimation d’un champ d’inhomogénéité (biais)

Recalage d’atlas ou description floue de

l’anatomie

/51

Objet de cette thèse

8B. Scherrer, 12/12/2008

Casser la logique traditionnelle globale du calculLocalité pour mieux refléter les propriétés locales de l’image(estimation des modèles, recalage)Distribuer des processus d’estimation locale autonomes,Introduire des modalités de régulation entre estimations locales

Considérer différents a priori pour segmenter les structures Relations spatiales et recalage d’atlas

Coupler les modèles Segmentation des tissus, segmentation des structures

et construction de connaissances anatomiques Régulariser et contraindre les modèles dans leur

convergence

Modélisation markovienne de la segmentation Régulariser l’étiquetage

Introduire différent

niveaux de régularisation

Enjeux de cette thèse

/51

Plan

9B. Scherrer, 12/12/2008

Première approche : modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures

Seconde approche : formulation bayésienne jointe (LOCUSB) Modélisation couplée Formulation des interactions Estimation du modèle

Evaluation LOCUS LOCUSB

Conclusion et perspectives





/51

Segmentation markovienne de l’image

10B. Scherrer, 12/12/2008

Observations Etiquettes La segmentation

Terme d’attache aux données, basé sur les intensités

Terme de régularisation

Champ externe

Connaissance a priori

Segmentation markovienne Par définition : Corrélation spatiale entre les voxels régularisation robuste au bruit

Réaliser la segmentation : maximiser selon z la probabilité

Utilisation d’algorithmes de type EM (Expectation Maximization)

/51

Agent markovien local

11B. Scherrer, 12/12/2008

Paradigme multi-agents : (calcul distribué) Agent = processus de calcul qui s’exécute de manière autonome et interagit

Quatre comportements :

Coopération : contribution des accointances au modèle local Coordination : agit sur l’enchaînement des comportements

Définition :

Situé dans l’image, ancré sur un territoire Estimation coopérative des paramètres d’un

champ de markov local

Agent markovien local:

/51

Segmentation des tissus

12B. Scherrer, 12/12/2008

Partitionnement du volume en sous-volumes Définition d’un AML par sous-volume

AML spécialisé tissus : AML-T Segmentation en trois classes :

LCR, MG, MB Accointances : agents voisins

Forces de l’estimation locale modélisée dans un SMA Première force Seconde force

Sous-volumes «faciles» à segmenter : convergence rapide

Libère des ressources pour traiter les autres zones

Meilleure représentation des distributions d’intensité locales

Robuste aux inhomogénéités sans modélisation explicite d’un biais

/51

Bonne représentation des classes permettant une estimation fiable des modèles

Peu local, sensible aux inhomogénéités

B. Scherrer, 12/12/2008

Compromis localité / fiabilité de l’estimation

Meilleure localité, robuste aux inhomogénéités

Sous représentation des classes pour assurer la fiabilité de l’estimation

13

Sous-volumes avec 40x40x40 voxels (64000 voxels)

Sous-volumes avec 10x10x10 voxels (1000 voxels)

Suffisament local (robustesse aux inhomogénéités)Assurer la validité des modèles locaux

dans la littérature : validité assurée par redondance d’information

Mécanismes de régularisation des modèles locaux

/51B. Scherrer, 12/12/2008


14

Mécanismes de coopération Assurer la cohérence globale des modèles locaux

Calcul d’un modèle d’intensité moyendans le voisinage

Si nécessaire, correction du modèle local combinaison linéaire du modèle estimé et du modèle moyen

Calcul d’un modèle d’intensité par voxel (splines cubiques, méthode du Krigeage)

Assure des variations lente entre agents voisins Modélise les inhomogénéités dans les sous-

volumes

Paradigme multi-agents Cadre adapté pour réaliser ces mécanismes de coopération

Model checking

Model correction

Model interpolation

/51

Initialisation

Mode sommeil

Diffusion d’information

Model Checking

Agent Global

Ensemble d’AML-T

Met à jour les probabilités

Met à jour les paramètres

Model Checking

avec le voisinage

Model Correction

Model Interpolation

Stabilisé ?

B. Scherrer, 12/12/2008

Algorithme EM Local & Coopératif

15

/51B. Scherrer, 12/12/2008 16

Segmentation des structures

Définition d’un AML spécialisé structure (AML-S) par structure

Segmentation en deux classesstructure et non structure

Groupesd’accointances

D’un AML-T D’un AML-S

Segmentation coopérative des tissus et structures

/51

Relations génériques et stables fournies par un anatomiste

Relations de distance, d’orientation et de symétrie

Prend en compte la nature générale de cette connaissance

Fournie une carte de localisation floue de la structure dans le volume

FUSION

Relation de distance Relation d’orientation

EX : Noyau caudé

Relations spatiales Description de l’anatomie via des relations spatiales floues

« Le noyau caudé droit est à moins de 5mm de la corne frontale droite »« le thalamus droit est en dessous de la corne frontale droite»

etc…

Traduction de la connaissance via des cartes 3-D floues

B. Scherrer, 12/12/2008 17

/51

Champ de Markov local à deux classes Ml pour chaque structure l :

Champ externe

Intégration d’une connaissance a priori basée sur la CLF


B. Scherrer, 12/12/2008 18

La carte de localisation floue :

Fournit le territoire de l’agent(Localisation dynamique, via un simple seuil)

Est intégrée dans le champ de markov local

Notation Champ externe

/51


B. Scherrer, 12/12/2008 19

LOCUS : Synthèse

Régularisation de l’étiquetage

Régularisation de l’étiquetage

/51

Plan

20B. Scherrer, 12/12/2008

Première approche : Modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures

Seconde approche : Formulation bayésienne jointe (LOCUSB) Modélisation couplée Formulation des intéractions Estimation du modèle






/51

Cadre théorique formel Coopération exprimée via une modélisation jointe

Introduction d’un atlas statistique pour segmenter les structures Recalage de l’atlas pas un prétraitement mais couplé à la segmentation

Seconde approche proposée

B. Scherrer, 12/12/2008 21

Motivations Mécanismes de coopérations «ad-hoc»

Intuitifs mais quid de la convergence ? Certain nombre de seuils Relations spatiales : information très générale

Difficile de décrire un grand nombre de structures

Seconde approche proposée :

/51

Composants du modèle

Etiquettes des tissus : dans 3 classes

Etiquettes des structures : dans (L+1) classes (L structures + fond) . Le tissu de la structure l est noté Tl.

Intensités : N voxels dans le volume, K=3 classes de tissus, L structures

Connaissance a priori sur les structures (atlas probabiliste)

Données

Modèles d’intensités locaux de paramètres

22B. Scherrer, 12/12/2008

Paramètres de recalage .

Paramètres θ

Données manquantes z (couplées)

Problème à données manquantes coupléesTrouver z=(t, s) en estimant θ=(R,ψ) à partir de y

/51

Estimation d’un problème à données manquantes

23B. Scherrer, 12/12/2008

Formulation fonctionnelle de EMmaximisation alternée selon q et θ de :

l’ensemble des distributions de probabilité sur z

Mise à jour itérative : EM en deux étapesEtape E :

Etape M :

(Interprétation de EM de type Maximization-Maximization)

/51

Interprétation fonctionnelle de EM

24B. Scherrer, 12/12/2008

Cas d’un problème à données manquantes couplées Structure complexe de z=(t,s) issue du couplage

Etape E non calculable en pratique

Approximation de type Variational EM : résolution sur une classe restreinte de distributions de probabilité Celles qui se factorisent : ,

Mise à jour itérative : EM en trois étapes

Pas nécessaire de spécifier ou pour segmenter Seulement

Ne fait intervenir que ces probabilités conditionnelles

/51

Modélisation markovienne & décomposition

25B. Scherrer, 12/12/2008

?

Energie d’un champ de Markov

Terme d’attache aux données

Décomposition

Bayes :Les probabilités conditionnelles , et sont aussi des champs de Markov

Modélisation markovienneavec :

Interactions intra-champ

Interactions inter-champs

Interactions au niveau du terme d’attache aux

données

Formulation des intéractions ?

/51

Formulation des interactions

26B. Scherrer, 12/12/2008

Interactions intra-champ

Interactions entreétiquettes Terme classique

d’interaction spatiale des champ de Markov

Connaissance a priori sur le recalage Amplitudes et

orientations «typiques» des déformations

Interactions entre modèlesd’intensités locaux Interaction markovienne

spatiale entre les modèles d’intensité locaux

/51


27B. Scherrer, 12/12/2008


Interactions tissus-structuresFavorise l’accord entre information tissu et structure

Non utilisé

Interactions de t,s avec les paramètres de recalageFavorise les configurations où une structure est alignée sur son atlas (Pohl, 2006)

Interactions via le terme d’attache aux données Traduit l’accord entre les informations tissus et structures

dans l’attache aux données Mélange des modèles d’intensité

Favorise le tissu de la structure

Favorise une structure composée du tissu

/51

Recalage et estimation du modèle

28B. Scherrer, 12/12/2008

Estimation dans le cadre Variational EM Fournit l’expression des mises à jour à chaque étape EM en quatre étapes

Nature du recalage de l’atlas Requiert une déformation globalement non linéaireRecalage global élastique : coûteux, grand nombre d’optima locaux

Recalage local affine : profite du caractère local de l’information

Modélisation du problème Fournit les expressions de , et

Espace de l’Atlas Espace de l’image Déformation locale

Transformation globale affine Alignement approximatif

Transformations locales affines Capturent la

déformation résiduelle pour

chaque structure

/51

M-ψ-StepMise à jour des

modèles d’intensité locaux cohérents

Initialisation

Segmentations

29B. Scherrer, 12/12/2008

Estimation du modèle

E-T-StepMise à jour les cartes de probabilité tissus

M-R-StepMise à jour des paramètres de

recalage affine local

E-S-StepMise à jour les cartes de

probabilité structures

Convergence

Distrib. Gaussienne de moyenne et de précision :

Maximisation avec une méthode numérique (Powell) Implémenté dans le paradigme multi-agents

/51

Video

30B. Scherrer, 12/12/2008

/51

Plan

31B. Scherrer, 12/12/2008







/51

Evaluation de LOCUS-T

32B. Scherrer, 12/12/2008

Bruit, Inhomogénéité Paramètres

d’acquisition…

Segmentation

Simulation

EVALUATIONQUANTITATIVE

Evaluation quantitative : simulation avec BrainWeb

Mesure de SimilaritéCoefficient de Dice :

/51

Evaluation quantitative de LOCUS-T

33B. Scherrer, 12/12/2008

Evaluation de LOCUS-T, comparaison à FAST et SPM5 Pour différents niveaux de bruit et d’inhomogénéité

Temps moyen de calculsSPM5 ( recalage d’atlas + modèle de bruit + modèle de biais) : ~14minFAST ( champ de Markov + modèle de biais ) : ~ 8minLOCUS-T (champ de Markov locaux + régularisation) : ~4min

/51

Evaluation qualitative de LOCUS-T

34B. Scherrer, 12/12/2008

Image réelle à 3 Tesla

LOCUS-TSPM5 FAST

Image avec une très forte inhomogénéité (antenne de surface)

SPM5 FAST LOCUS-T

/51

Evaluation de LOCUS-T : robustesse

35B. Scherrer, 12/12/2008

Robustesse au paramètre de taille des sous-volumes

Robustesse aux paramètres de correction de modèle

Image BrainWeb avec 5% de bruit et 40% d’inhomogénéité

/51

Comportements intéressants

36B. Scherrer, 12/12/2008

Proportion moyenne pour différentes positions dans le volume du nombre d’itérations nécessaires à la convergenceCalculé sur huit segmentations d’images BrainWeb (bruit: 3%, 5%, 7%, 9% ; inh. : 20%, 40%)

Interprétation Faible nombre d’itérations à la périphérie

Classes sous-représentées ; correction de modèle Grand nombre d’itérations entre 40mm et 80mm

Région du cortex, zone de faible contraste avec volume partiel

S’adapte à la complexité locale de l’image

/51

Evaluation de LOCUS-TS

37B. Scherrer, 12/12/2008

Segmentation des structures : évaluation quantitative Trois structures segmentées manuellement sur BrainWeb

par trois experts Utilisation de STAPLE pour calculer une référence

Evaluation pour différents niveaux de bruit et d’inhomogénéité

Coefficient de Dice Amélioration relative entre première et dernière convergence

/51

Evaluation de LOCUS-TS

38B. Scherrer, 12/12/2008

Evaluation qualitative sur images réelles

Illustration de la coopération tissus - structures

/51

Evaluation de la seconde approche LOCUSB

39B. Scherrer, 12/12/2008

Evaluation de LOCUSB-T Approximativement équivalent à LOCUS-T (temps, performances) Focalise sur l’évaluation de LOCUSB-TS et LOCUSB-TSR

Evaluation quantitative sur BrainWeb - LOCUSB-TS et LOCUSB-TSR Avec la référence de trois structures segmentées manuellement

LOCUSB-TS LOCUSB-TSR

Amélioration relative

/51

Evaluation quantitative de LOCUSB

40B. Scherrer, 12/12/2008

Illustration pour le noyau caudéLe recalage de l’atlas s’améliore localement avec LOCUSB-TSR.

/51

Evaluation quantitative de LOCUSB

41B. Scherrer, 12/12/2008

Evaluation quantitative sur IBSR v2

Comparaison

Nécessite l’introduction d’un a priori H(R) sur le

recalage ?

/51

Evaluation qualitative de LOCUSB

42B. Scherrer, 12/12/2008

Comparaison LOCUSB-T, LOCUSB-TS, LOCUSB-TSR

LOCUSB-T

LOCUSB-TS

LOCUSB-TSR

/51


43B. Scherrer, 12/12/2008

Recalage initial artificiellement perturbé (LOCUSB-TSR)

SegmentationAtlas

Evolution du recalage et de la segmentation des structures :

/51


44B. Scherrer, 12/12/2008

LOCUSB-TS LOCUSB-TSR

Image pathologique Habituellement : approche locale fortement perturbée Cas particulier :

/51

Plan

45B. Scherrer, 12/12/2008







/51

Publications scientifiques

46B. Scherrer, 12/12/2008

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Fully Joint Bayesian Model for MR Brain Scan Tissue and Subcortical Structure Segmentation, MICCAI 2008« Young Scientist Award » dans la catégorie Segmentation

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, LOCUS: LOcal Cooperative Unified Segmentation of MRI Brain Scans, MICCAI 2007, Brisbane, Springer-Verlag Berlin, 2007, 219-227

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, MRF Agent Based Segmentation: Application to MRI Brain Scans, AIME 2007, Amsterdam, Springer-Verlag Berlin, 2007, 13-23

Y.Kabir, M.Dojat, B.Scherrer, F.Forbes, C.Garbay, Multimodal MRI segmentation of ischemic stroke lesions, in the Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and biology Society (EMBC), Lyon, 2007

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Une Approche SMA pour la Segmentation Markovienne des Tissus et Structures Présents dans les IRM Cérébrales, JETIM, Alger, Novembre 2006

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Segmentation Markovienne Distribuée et Coopérative des Tissus et Structures Présents dans des IRM Cérébrales, RFIA, Tours, 2006

Articles de conférence avec comité de lecture

/51

Publications scientifiques

47B. Scherrer, 12/12/2008

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Agentification of Markov Model Based Segmentation: Application to MRI Brain Scans, Artificial Intelligence in Medicine (AIM)

Article pour IEEE Transactions on Medical Imaging en période de revue Article sur les travaux plus récent (modèle couplé dans le cadre bayésien) à soumettre

Workshop GDR STIC-Santé, Intégration d’informations anatomiques a priori dans un cadre Markovien : Application aux IRM cérébrales, Paris, Mai 2007,

Articles de journaux

Autres

B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Distributed and Cooperative Markovian Segmentation of Tissues and Structures in MRI Brain Scans, Human Brain Mapping, Florence, 2006

Résumés

/51

Conclusion

48B. Scherrer, 12/12/2008

Pose les bases de l’approche locale distribuée et coopérative Localité et régularisation Estimation locale : mécanismes de régularisation des modèles locaux

Robuste aux inhomogénéités sans modélisation d’un terme de biais Limite l’introduction d’a priori trop contraignant

Modélisation multi-agents : comportement opportuniste des agents Segmentation markovienne robuste au bruit et temps de calcul faible S’adapte à la complexité locale de l’image

Coopérations tissus – structures et régularisation Coopération des segmentations tissus et structures intuitive

Régularisation des niveaux de connaissance Utilisation des relations spatiales pour décrire les structures

Fonctionne pour neuf structures, mais information trop générale ?

Première approche LOCUS

/51

Seconde approche LOCUSB

Définition d’un cadre statistique unifié élégant Modélisation via une unique distribution jointe Modélisation markovienne et décomposition permettant d’identifier

explicitement les interactions

Véritable couplage segmentation des tissus – segmentation des structures – recalage – correction des modèles d’intensités locaux

Conclusion

49B. Scherrer, 12/12/2008

Soucis de localité Estimation locale des modèles d’intensité Régularisation des modèles locaux via modélisation markovienne Recalage local affine de l’atlas de structures

Estimation guidée par le modèle Cadre bayésien rigoureux Algorithme EM en quatre étapes

/51

Evaluation Tissus : comparables aux meilleurs outils, faibles temps de calcul Structures : segmentation de 17 structures, bonnes performancesApport du couplage segmentation – régularisation – recalage


50B. Scherrer, 12/12/2008

Force du cadre unifié mis en place : nombreuses possibilités d’extensions Introduction d’un a priori sur le recalage Prise en compte du volume partiel [Santago et Gage, 1993] Extension à la multi-modalité Partitionnement adapté du volume

Estimation de la taille des sous-volumes cubiques, ou partitionnement non cubique Couplage : ajout de nouvelles variables

Extraction du cerveau, segmentation des lignes de sillons, dépliage du cortex Extension aux données pathologiques

Problème de la représentation spatiale de la classe « lésion » Estimation du nombre de classes dans chaque sous-volume (critère BIC) Estimation couplées « tissus sains » et « lésion »Cadre rigoureux très ouvert pour de futurs travaux

/51

Merci de votre attention,

51B. Scherrer, 12/12/2008

/51

Conclusion Local combined tissue and structure segmentation via a fully bayesian joint model

Several levels of interactions1) Spatial dependencies between labels

robustness to noise

2) Spatial dependencies between local models robustness to nonuniformity without any bias field modeling

3) Relationships (cooperation) between tissues and structures labels A way to take into account nonuniformity due to tissue properties

Time efficientFuture work

Includes combined EM local affine atlas registration Adaptive partitioning of the volumeLocal approach for pathological MRI ?

1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – 1152B. Scherrer, 12/12/2008

/51

Demonstration 1

Bayes

Bayes

2-variables case:

This result can be extend to the n-variables case

53B. Scherrer, 12/12/2008

/51

BrainWeb Gold Standard

54B. Scherrer, 12/12/2008

/51

IBSR V1

55B. Scherrer, 12/12/2008

/51

IBSR V1

56B. Scherrer, 12/12/2008

/51

IBSR V2

57B. Scherrer, 12/12/2008

/51

IBSR V2

58B. Scherrer, 12/12/2008

/51

Recalage local affine

59B. Scherrer, 12/12/2008

(erreur manuscrit eq 5.22 p.86)

/51

BrainWeb Gold Standard

60B. Scherrer, 12/12/2008

/51

Spatial relations

61B. Scherrer, 12/12/2008

/51

Comportements intéressants

62B. Scherrer, 12/12/2008

S’adapte à la complexité locale de l’image

Nombre d’itérations

pour chaque agent

Comportement :

Agent 1 : Bonne représentation des classes n’a pas besoin de corriger son modèle Agent 2 : Peu de voxels une correction de modèle puis convergence rapideAgent 3 : modèle local et modèle moyen en compétition trouve un compromisAgent 4 : Convergence assez rapide mais prise en compte de la modification des voisins

/51

Modeling of structure intensity models & feedback

Modeling of tissue intensity models & feedback

Bayesian joint modeling

1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – 11 - 12

Introduction of a priori knowledge of a statistical atlas

Modeling of structure intensity

models

Relations between the 3 MRFs :

For a voxel of a structure l, favor the tissue composing l

t

sθ MRF on

local parameters

MRF on tissue labels

MRF on structures

labels

63B. Scherrer, 12/12/2008

/51

titre

64B. Scherrer, 12/12/2008

/51

Un maillon crucial dans de nombreuses chaînes d’interprétation

65B. Scherrer, 12/12/2008

La segmentation des IRM : applications Applications cliniques

Calcul du volume des structures suivi de l’évolution de maladie dégénératives (Parkinson, Alzeimer, Huntington, …)

Reconstruction 3D planification d’interventions neurochirurgicales, simulation, aide per-opératoire…

Différenciation des tissus insérer des connaissances spécifiques dans les modèles biomécaniques

Applications en neurosciences Comparaison des segmentations mise en évidence de

différences anatomiques (Voxel Based Morphometry) Reconstruction 3D du cortex support pour la

projection des activations de l’IRM fonctionnelle.

Doit être aussi robuste et fiable que possible

/51

Introduction : la segmentation des IRM

IRM Pondérée T1

Segmentation des tissusDescription de la matière contenue dans les voxels.

matière blanche (MB), matière grise (MG), liquide céphalo-rachidien (LCR)

Segmentation des structuresDescription selon des régions anatomiques connues.

Noyaux caudés, putamen, thalamus, hypocampe, amygdale, …

Segmentation de lésions Description des voxels appartenant à des lésions.

Sclérose en plaque, accident vasculaire cérébral, tumeur, …

La segmentation : différents buts

66B. Scherrer, 12/12/2008

IRM pathologiques :

/51


B. Scherrer, 12/12/2008 67

Mécanismes de coopération Modèles d’intensités des structures fournis par les tissus Retour de la segmentation des structures sur les tissus

Segmentation des tissus et des structures sont couplées S’améliorent mutuellement

Mécanismes de coordination Initialisation : système ventriculaire segmentée avec morphologie

mathématiques Mise à jour de la segmentation d’une structure mise à jour des

agents de Convergence d’un agent structure Activation des agents de Convergence d’un agent tissu Activation des agents de

/51


68B. Scherrer, 12/12/2008

Interactions entre étiquettes Terme classique d’interaction spatiale des champ de Markov

Interactions entre modèles d’intensités locaux Interaction markovienne spatiale entre les modèles

d’intensité locaux (seulement sur les moyennes)

Connaissance a priori sur le recalage Amplitudes et orientations «typiques» des déformations Travaux actuels : pas de base d’apprentissage

Interactions intra-champs

/51


69B. Scherrer, 12/12/2008

Interactions tissus – structures

Favorise l’accord entre information tissu et structure


Interactions de t, s avec les paramètres de recalage Favorise la configuration ou une segmentation structure

est alignée sur son atlas

Autre terme :

/51


70B. Scherrer, 12/12/2008

Interactions via le terme d’attache aux donnéesTraduit l’accord entre les informations tissus et structures Si alors pas d’information structure Si tissu et tissu de la structure en accord Sinon, si désaccord

Equivalent à :

/51


71B. Scherrer, 12/12/2008

Estimation dans le cadre Variational EM

Fournit l’expression des mises à jour des paramètres des Gaussiennes

Fournit l’expression des mises à jour des paramètres de recalage

/51


72B. Scherrer, 12/12/2008

/51B. Scherrer, 12/12/2008


73

Comportements d’un AML-T et mécanismes de coordinations

Calcul d’un premier modèle d’intensité local

Estimation coopérative des paramètres du

champ de Markov local

Mode sommeilConstruit une connaissance issue

des structures

/51B. Scherrer, 12/12/2008


74

Mécanismes de coordination au démarrage

Paradigme multi-agents Cadre adapté pour réaliser ces mécanismes de coordination

Ordonnancement non synchrone des agents

/51


75B. Scherrer, 12/12/2008

Comparaison LOCUSB-T, LOCUSB-TS, LOCUSB-TSR Evolution de la segmentation des structures :

LOCUSB-TS LOCUSB-TSRLOCUSB-TSR

Segmentation finale de LOCUSB-TS vs LOCUSB-TSR

/51

Modélisation markovienne & décomposition

76B. Scherrer, 12/12/2008

A priori markovien sur les étiquettes tissus

Comment t est distribué selon s et θ

A priori markovien sur les étiquettes structures

Comment s est distribué selon t et θ

A priori markovien sur les paramètres locaux d’intensité

Assure la cohérence spatiale entre modèles voisins

Synthèse de la décomposition

/51


77B. Scherrer, 12/12/2008

Modélisation du problème Fournit les expressions de , et

Estimation dans le cadre Variational EM Fournit l’expression des mises à jour à chaque étape :

Après calcul… décomposition standard d’un champ de Markov dépendant de l’itération précédente

(champ externe + correlation + attache aux données)

Fournit l’expression des mises à jour des paramètres des Gaussiennes

Fournit l’expression des mises à jour des paramètres de recalage