Vous êtes sur la page 1sur 51

L.I.S.A. CNRS FRE 2656 C.H.R.U.

d’Angers
62, av Notre Dame du Lac Pôle Imagerie
49000 Angers - France 49000 Angers - France
Tél. : +33 (0)2.41.35.34.12 Tél : +33 (0)2.41.22.65.00

DEA Signaux et Images en Biologie et Médecine

Segmentation du foie
par modèle déformable

DANIAU-CLAVREUL Pierre-Yves

Du 31 janvier au 31 aôut 2005

Responsable de stage : Madame Christine Cavaro-Ménard


Remerciements

En préambule de ce rapport, je souhaite adresser mes remerciements à toutes les personnes


qui ont rendu possible le bon déroulement de mon stage.

Je remercie le professeur Jean-Jacques Le Jeune, chef du service de Médecine Nucléaire, de


m’avoir permis de réaliser ce stage dans ce service et Monsieur Jean-Louis Ferrier, directeur
du LISA de m’avoir accueilli dans son laboratoire.

Je tiens à remercier Madame Christine Cavaro-Ménard, maı̂tre de conférence, qui m’a


donné l’opportunité de réaliser ce stage et pour ses conseils, ses explications.

J’adresse aussi un grand merci à toutes les personnes du laboratoire qui m’ont aidé dans la
réalisation de ce stage et aussi pour leur accueil et leur disponibilité.

Merci à mes collègues : Tanguy Lefol, stagiaire de DEA, Aymeric Histace, Attaché Tempo-
raire d’Enseignement et de Recherche, Xavier Baty et Vincent Roullier, doctorants, Gabriel
Oheix et Josselin Maillard, stagiaires de l’IUT de Nantes, Adrien Marion, Amélie Quinet,
Thomas Poutays et Julien Chaigneau, stagiaires de l’ESEO.

2
Sommaire

Introduction 7

1 L’imagerie par résonance magnétique 8


1.1 Principe physique de la résonance magnétique nucléaire . . . . . . . . . . . . . . 8
1.2 Influence des constantes physiques et des paramètres d’acquisition . . . . . . . . 10
1.3 Les séquences d’acquisition utilisées . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 La séquence mfgre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Séquence particulière In-Phase et Out-Phase . . . . . . . . . . . . . . . . 11
1.3.3 La séquence fiesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Fonctions et pathologies du foie 13


2.1 Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Pathologies du foie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3 Segmentation : Etat de l’art 14


3.1 Les grandes approches de la segmentation . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Segmentation par modèles déformables . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Segmentation du foie par modèles déformables . . . . . . . . . . . . . . . . . . . 15

4 Segmentation par un modèle déformable 2D 17


4.1 Modélisation générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.2 Force image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.3 Force ballon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.4 Force GVF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Segmentation du foie par notre modèle déformable 2D . . . . . . . . . . . . . . . 20
4.2.1 Initialisation automatique du modèle déformable . . . . . . . . . . . . . . 20
4.2.2 Modèle déformable utilisé pour la segmentation . . . . . . . . . . . . . . . 26
4.2.3 Evolution du modèle déformable . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.4 Résultats de la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 28

5 Segmentation par un modèle élastique déformable 3D 29


5.1 Théorie de l’élasticité linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.1.1 Tenseur des déformations . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.1.2 Tenseur des contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.1.3 Loi de Hooke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2 La méthode des éléments finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Formulation du problème de segmentation . . . . . . . . . . . . . . . . . . . . . . 32
5.4 Construction du modèle géométrique du foie . . . . . . . . . . . . . . . . . . . . . 33
5.4.1 Reconstruction de surfaces 3D avec le logiciel NUAGES . . . . . . . . . . 33
5.4.2 Génération d’un maillage volumique avec le logiciel GHS3D . . . . . . . . 34
5.5 Champs de forces tri-dimensionnels . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3
SOMMAIRE 4

5.5.1 Champs de forces GVF tri-dimensionnels . . . . . . . . . . . . . . . . . . 34


5.5.2 Champs de forces élastiques tri-dimensionnels . . . . . . . . . . . . . . . . 35
5.6 Segmentation du foie par un modèle déformable 3D . . . . . . . . . . . . . . . . . 36
5.7 Positionnement du modèle déformable 3D . . . . . . . . . . . . . . . . . . . . . . 38
5.7.1 Définition du recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.7.2 Recalage de deux nuages de points . . . . . . . . . . . . . . . . . . . . . . 39
5.7.3 Résultats du recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.8 Résultats de la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

6 Discussions 43

Conclusion 44

A Logiciel NUAGES 45
A.1 Fichier xxx.cnt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
A.2 Fichier xxx.off . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

B Logiciel GHS3D 47
B.1 Fichier xxx.points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
B.2 Fichier xxx.faces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
B.3 Fichier xxx.bb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
B.4 Fichier xxx.noboiteb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
B.5 Fichier xxx.meshb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Bibliographie 50

SOMMAIRE Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Table des figures

1.1 Mouvement de précession . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8


1.2 Retour à l’équilibre de l’aimantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Relaxation de l’aimantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Valeurs de T1 et T2 à Bo=1,5T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Influence de TR et TE sur le contraste en T1 et T2 pour différents tissus du cerveau : (1)
substance blanche, (2) substance grise et (3) liquide céphalo-rachidien . . . . . . . . . . . . 11
1.6 Images obtenues avec des temps d’échos différents. . . . . . . . . . . . . . . . . . . . . 11
1.7 Image In-Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8 Image Out-Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.9 Image de la séquence fiesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4.1 Exemple de carte de champ GVF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19


4.2 Image originale étudiée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Estimation du pic de Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4 Processus d’initialisation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5 Image originale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.6 Masque de fond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.7 Image sans fond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.8 Histogramme estimé par des gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.9 Image seuillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.10 Image filtrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.11 Image avec contours accentués . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.12 Binarisation de l’image seuillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.13 Ouverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.14 Sélection de la zone d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.15 Remplissage des trous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.16 Erosion de la zone sélectionnée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.17 Contour initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.18 Image filtrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.19 Carte de contours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.20 Carte GVF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.21 Image originale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.22 Contour initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.23 Déformation du snake . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.24 Contour final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

5.1 Vue antérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34


5.2 Vue latérale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.3 Vue postérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.4 Vue antérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.5 Vue latérale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

5
TABLE DES FIGURES 6

5.6 Vue postérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34


5.7 Algorithme de minimisation avec mise à jour de la géométrie . . . . . . . . . . . . . . . . 37
5.8 Contour 2D de la coupe IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.9 Contour 2D du modèle 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.10 Contour 2D après mise à l’échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.11 Contour 2D après recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.12 Vue antérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.13 Vue latérale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.14 Vue postérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.15 Vue antérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.16 Vue latérale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.17 Vue postérieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.18 Modèle initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.19 Modèle mis à l’échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.20 Modèle recalé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.21 Modèle résultant de segmentation par modèle déformable 3D . . . . . . . . . . . . . . . . 42

TABLE DES FIGURES Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Introduction

L’imagerie médicale est devenue un élément essentiel dans les diagnostics médicaux. Cette
évolution est liée au développement et à la multiplicité des modalités d’acquisition, ainsi qu’à
l’exploitation informatique, qui en est faite. Depuis leur apparition, au milieu du vingtième
siècle, les imageurs n’ont cessé de se perfectionner en terme de qualité d’image et de précision.
Ils fournissent une quantité d’informations de plus en plus volumineuse : cela nécessite donc de
plus en plus de temps pour les traiter. Il est donc nécessaire d’automatiser certaines méthodes
d’analyse pour une utilisation optimale en routine clinique.

Actuellement, une étude sur la quantification de la graisse intra-hépatique par l’imagerie


par résonance magnétique (IRM) est réalisée au CHU d’Angers en collaboration avec General
Electric. Les images IRM sont obtenues à partir de séquences en écho de gradient pondérées T1
en phase et en opposition de phase (séquence prototype fournie par General Electric Healthcare
permettant jusqu’à 16 échos consécutifs). Au cours de l’acquisition des images, une décroissance
du signal est observée. Les caractéristiques de cette décroissance diffèrent suivant la région
d’intérêt et plus spécifiquement en présence ou non de graisse.

L’étude du signal IRM fournit donc des valeurs quantitatives théoriquement corrélées au
contenu graisseux du foie. La quantification non invasive de la graisse intra parenchymateuse
hépatique par IRM pourrait être à l’avenir une alternative à la biopsie. Cette méthode pourrait
aider au diagnostic de la surcharge stéatosique hépatique qui est un problème d’importance
croissante en hépatologie. Cette maladie peut évoluer rapidement vers la fibrose hépatique, voire
la cirrhose et ses complications. Elle est aussi un élément important du syndrome métabolique
avec les conséquences attenantes : augmentation de 55% d’accidents cardio-vasculaires.

La quantification de la graisse doit être réalisée sur la région d’intérêt correspondant au foie.
Pour obtenir cette région, il est nécessaire de réaliser une segmentation du foie.

L’objectif de mon stage de DEA est de mettre en oeuvre une segmentation du foie afin de
quantifier la graisse intra-hépatique par la suite. Cette étude comportera deux étapes :

– Le développement d’une méthode de segmentation du foie en 2D,


– Le développement d’une méthode de segmentation du foie en 3D.

Les méthodes de segmentation développées devront être automatiques, robustes et fiables.

7
Chapitre 1

L’imagerie par résonance magnétique

L’IRM est fondée sur le principe de la résonance des atomes d’hydrogène sous l’action de
certaines ondes radiofréquences (RF). Cette technique est appliquée à l’anatomie humaine depuis
une vingtaine d’années [KVPG02] [Bit02] [Res05].

1.1 Principe physique de la résonance magnétique nucléaire


L’atome d’hydrogène est l’atome le plus abondant dans le corps humain. Son noyau est com-
posé d’un proton qui a la propriété de tourner sur lui-même : mouvement de précession, nommé
spin (Fig. 1.1).

Fig. 1.1 – Mouvement de précession

→ →
Placés dans un champ magnétique statique intense Bo (typiquement k Bo k = 1.5T soit 20000
fois celui produit par la Terre), les protons s’alignent selon la direction de Bo en précessant à la
vitesse angulaire ωo donnée par la relation de Larmor : ωo = ω ∗ Bo, ωo est appelée fréquence
de résonance ou fréquence de Larmor.

La précession des protons génère un vecteur d’aimantation noté M de même sens que celui du
champ magnétique Bo. L’application d’un champ magnétique supplémentaire B1, induit par un
courant sinusoı̈dal d’excitation à la fréquence de Larmor ωo du proton, modifie l’aimantation
globale : le vecteur M bascule d’un angle d’autant plus élevé que l’excitation est intense et
longue. En général, l’angle de basculement (flip angle) vaut 90˚ou 180˚. L’impulsion RF associée
permettant de faire basculer la composante Mz est dite longitudinale et possède une direction
perpendiculaire à celle du champ Bo.

8
1.1 Principe physique de la résonance magnétique nucléaire 9

La suppression de l’excitation s’accompagne d’un retour du vecteur d’aimantation M à sa


position d’équilibre : la composante longitudinale Mz croı̂t vers sa valeur d’équilibre M et la
composante transversale Mxy décroı̂t selon un mouvement de spirale à la vitesse angulaire ωo
(Fig. 1.2).

Fig. 1.2 – Retour à l’équilibre de l’aimantation

Ce phénomène de relaxation est gouverné selon les équations de Bloch :

M z = M ∗ (1 − exp(−t/T 1)) (1.1)


kM xyk = M ∗ exp(−t/T 2) (1.2)

T1 et T2 étant respectivement les temps caractéristiques de récupération pour la composante


Mz et de décroissance pour la composante Mxy. Le temps T1 est une mesure de la quantité de
réalignement des protons dans le champ magnétique externe Bo (Fig. 1.3). Et il est également
appelé temps de relaxation spin-réseau.

Le T2 mesure la quantité de réalignement des protons entre eux : c’est le temps de relaxation
spin-spin (temps de décroissance de la composante Mxy) (Fig. 1.3). La diminution de Mxy
induit dans une bobine réceptrice un signal sinusoı̈dal amorti ou FID (Free Induction Decay) à
la fréquence de résonance ωo, qui est le signal RMN. L’énergie ainsi émise est proportionnelle
à la densité de spins du volume étudié. Le spectre de ce signal est obtenu par transformée de
Fourier.

Fig. 1.3 – Relaxation de l’aimantation

Chapitre 1 L’imagerie par résonance magnétique Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


1.2 Influence des constantes physiques et des paramètres d’acquisition 10

1.2 Influence des constantes physiques et des paramètres d’ac-


quisition
Pour un élément de volume donné, de multiples facteurs conditionnent l’intensité du signal
RMN acquis :

– les paramètres intrinsèques de la zone à imager, liés à la nature même des tissus contenus
dans cet élément de volume : densité de protons, temps de relaxation T1 et T2.

– les paramètres extrinsèques, liés à l’appareil de mesure lui-même et à la séquence d’acqui-


sition : intensité du champ principal Bo qui définit en partie l’intensité du signal RMN, na-
ture et grandeurs caractéristiques des séquences de gradients utilisées (temps de répétition
(TR), temps d’écho (TE), . . .).

L’intensité du signal en un point image correspond à la moyenne des intensités des signaux
dans le volume échantillon contenant ce point. Cette moyenne tient compte de l’épaisseur de la
coupe et peut être responsable d’effets de volume partiel.

T1 et T2 sont caractéristiques d’un milieu donné. Ils sont plus courts dans un solide que dans
un liquide, reflétant le fait que les échanges d’énergie sont plus rapides dans un solide (Fig. 1.4).

tissu T1(ms) T2(ms)


eau 2400 160
graisse 260 80
rein 500 40
substance blanche 780 90
myocarde 800 45
muscle 870 45
substance grise 900 100
Fig. 1.4 – Valeurs de T1 et T2 à Bo=1,5T

Le choix des paramètres d’acquisition tels que les temps TR et TE permet d’obtenir des
images plus ou moins dépendantes de T1 ou T2. La valeur du temps de répétition TR séparant
deux impulsions longitudinales à 90˚ détermine la pondération du contraste en T1, en limi-
tant la croissance de la composante longitudinale. La valeur du temps d’écho TE détermine la
pondération du contraste en T2, en exprimant les variations de la composante transversale dont
la décroissance est en T2 pour la séquence d’écho de spin. La figure (1.5) illustre l’influence de
TR (respectivement TE) sur le contraste en T1 (respectivement T2) pour différencier plusieurs
tissus. L’image a un contraste en T1 d’autant plus fort que TR est court et l’image a un contraste
en T2 d’autant plus fort que TE est long.

Un compromis reste à réaliser entre un fort contraste et un bon rapport signal sur bruit
(RSB) : celui-ci est en effet d’autant meilleur que TR est long. Finalement, une séquence avec :
– un TE court et un TR court donnera une image pondérée en T1,
– un TE long et un TR long donnera une image pondérée en T2,
– un TE court et un TR long donnera un contraste pondéré en densité de proton.

Chapitre 1 L’imagerie par résonance magnétique Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


1.3 Les séquences d’acquisition utilisées 11

(a) Choix de TR et relaxation en T1 (b) Choix de TE et relaxation en T2

Fig. 1.5 – Influence de TR et TE sur le contraste en T1 et T2 pour différents tissus du cerveau : (1) substance
blanche, (2) substance grise et (3) liquide céphalo-rachidien

1.3 Les séquences d’acquisition utilisées


1.3.1 La séquence mfgre
La séquence d’impulsion mfgre est une séquence composée de 12 ou 16 échos de gradient recalé
(gradient-recalled). Dans la séquence en écho de gradient recalé, l’impulsion RF qui débute la
séquence est calibrée pour produire un angle de bascule variable θ (entre 10˚et 90˚). Pour obtenir
une séquence en multi échos de gradient, le processus est réitéré autant de fois que le nombre
d’échos souhaités. Cette séquence permet d’obtenir différentes images pondérées en T1 avec
différents temps d’écho en une seule acquisition (Fig. 1.6).

TE = 2.35 ms TE = 7.1 ms TE = 11.8 ms TE = 16.5 ms TE = 21.2 ms TE = 25.9 ms

Fig. 1.6 – Images obtenues avec des temps d’échos différents

1.3.2 Séquence particulière In-Phase et Out-Phase


Pour obtenir des images en opposition de phase (images “out”) et en phase (images “in”),
nous utilisons dans notre étude la séquence mfgre avec des temps d’écho TE particuliers.

Une image In-phase est une image en écho de gradient où les fréquences de précession des
spins de l’eau et de la graisse sont en phase au moment où l’écho se produit (Fig.1.7). Ceci
se produit pour des temps d’écho T Ein = n ∗ 4, 7 à 1,5 T avec n entier positif (1, 2, . . .). Par
conséquent, les intensités des signaux des protons de l’eau et de la graisse dans un pixel sont
superposées.

Chapitre 1 L’imagerie par résonance magnétique Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


1.3 Les séquences d’acquisition utilisées 12

Une image out-phase est une image en écho de gradient où le signal de l’eau et de la graisse
sont en opposition de phase au moment où l’écho se produit (Fig. 1.8). Le déplacement chimique
entre les protons de l’eau et de la graisse est de 3,5 ppm et l’oppositon de phase se produit pour
des temps d’écho T Eout = 2, 35 + n ∗ 4, 7 à 1,5 T avec n entier (0, 1, . . .). Les intensités de signal
des protons de l’eau et de la graisse dans un pixel sont alors opposées en signe : les intensités
de signal sont donc soustraites de l’une à l’autre dans l’image. Aux frontières de deux tissus
constitués d’eau et de graisse, il y a une annulation du signal, produisant un contour épais noir
aux frontières. Ce contour épais doit être distingué de l’artéfact de déplacement chimique. Les
images acquises (Fig. 1.7 et 1.7) sont des images module du signal en phase ou en opposition de
phase.

Fig. 1.7 – Image In-Phase Fig. 1.8 – Image Out-Phase

1.3.3 La séquence fiesta


La séquence d’acquisition FIESTA (Fast Imaging Employing STeady-state Acquisition) est
une séquence en écho de gradient avec tous les gradients équilibrés et un contraste T2. Cette
séquence permet d’acquérir des images de hautes résolutions avec des faibles temps d’acquisition
(Fig. 1.9). Cette séquence utilise des TR et TE ultra courts ce qui permet d’acquérir des temps
de balayage très rapides avec le contraste exceptionnel d’image.

Fig. 1.9 – Image de la séquence fiesta

Chapitre 1 L’imagerie par résonance magnétique Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Chapitre 2

Fonctions et pathologies du foie

Le foie est l’un des organes les plus importants de l’organisme et il assure de nombreuses
fonctions. Sa masse est d’environ 1.5 kg chez un adulte en bonne santé, à laquelle il faut rajouter
800 à 900g de sang. Il mesure en moyenne 28 cm dans le sens transversal, 16 cm de haut et 8
cm d’épaisseur, dans la région la plus volumineuse du lobe droit.

2.1 Fonctions
Le foie est un organe très important, aussi bien par sa taille que par le rôle qu’il assure au
niveau physiologique. Sa situation lui permet d’accomplir des fonctions indispensables à la vie :
il est placé sur le trajet du courant sanguin qui provient de l’intestin, de telle sorte qu’il peut
contrôler tout l’apport alimentaire. Dans l’échelle zoologique, le développement du foie est en
relation avec la présence du glucose à un taux constant dans le sang circulant. Ce fait illustre la
tâche primordiale du foie qui est, chez des êtres vivants ne s’alimentant pas de façon continue,
de métaboliser sans cesse les nutriments ingérés de façon intermittente, de manière à fournir à
l’organisme un courant incessant de matériaux susceptibles d’être transformés en énergie.

Les recherches physiologiques ont également mis en évidence la grande polyvalence métabolique
du tissu hépatique :
– fonction glycogénique, réglant le taux de glucose sanguin,
– fonction de synthèse des protéines,
– fonction de synthèse et de dégradation des graisses (lipides),
– fonction de détoxication (transformation de poisons),
– fonction uréogénétique (élimination sous forme d’urée, de substances produites par la
dégradation des acides aminés),
– fonction biliaire.

2.2 Pathologies du foie


La stéatose hépatique est l’accumulation d’une graisse appelée triglycéride, dans la cellule
hépatique elle-même. Cette maladie du foie est un problème d’importance croissante en hépatologie
qui évolue rapidement vers la fibrose hépatique, voire la cirrhose et ses complications. La
stéatose est aussi un élément important du syndrome métabolique avec les conséquences cardio-
vasculaires attenantes. La fibrose hépatique est une lésion non spécifique du foie et la cirrhose
est une affection hépatique diffuse chronique caractérisée.
La cause de ces pathologies est essentiellement due à une accumulation de graisse d’où
l’importance de la quantifier. Pour pouvoir quantifier la graisse intra-hépatique, il est nécessaire
de réaliser une segmentation du foie. Pour une utilisation en routine clinique, cette segmentation
devra être automatique, robuste et fiable.

13
Chapitre 3

Segmentation : Etat de l’art

3.1 Les grandes approches de la segmentation


Dans la littérature, il existe 2 grandes classes de méthodes de segmentation : les segmentations
par classification et par détection de contours.

L’approche par classification consiste à regrouper des individus (pixels, sous-images ...) en
exploitant leur similarité, par opposition à l’approche contour qui recherche des dissimilarités.
De nombreuses méthodes de segmentation par classification reposent sur l’exploitation de l’his-
togramme qui caractérise la distribution des niveaux de gris. L’histogramme est utilisé, dans
[SVLM98], pour détecter les différentes structures du cerveau sur des IRM. Cette méthode peut
être utilisée pour segmenter le foie sur des IRM mais nécessite de définir d’une part le nombre
de classes de niveaux de gris et d’autre part des pré et post-traitements spécifiques (Chapitre
4.2).

La méthode de segmentation par croissance de régions employée dans [MBHP04], permet de


segmenter le foie sur des images CT. L’algorithme utilise comme critère de croissance l’inten-
sité des pixels qui doivent être dans une plage donnée. Ce processus n’est donc applicable tel
quel qu’aux images CT pour lesquelles les intensités sont définies par l’échelle d’Hounsfield. De
plus, l’auteur souligne la nécessité de définir un germe de croissance représentatif ce qui est
incompatible avec une automatisation du processus.

L’approche contour recherche les discontinuités dans les images afin de détecter les contours
des régions. Les méthodes dérivatives permettent de détecter les contours en utilisant différents
filtres : Roberts, Sobel, Prewitt, . . .[Ca95]. Les contours détectés ne sont alors que très rarement
continus ce qui nécessite une étape souvent complexe de fermeture de contours (exploration de
graphe, réseaux de neurones ...).

Les modèles déformables sont des méthodes de contours dynamiques qui ont l’avantage de four-
nir des contours fermés contrairement aux méthodes dérivatives [KWT87, Ga98]. Les modèles
déformables s’avèrent efficaces pour la segmentation de structures anatomiques particulières.
Elles permettent en effet de s’adapter à la forme complexe des structures grâce à l’enrichisse-
ment des contraintes de déformation.

3.2 Segmentation par modèles déformables


Un contour actif ou modèle déformable correspond à une courbe qui peut changer constam-
ment sa forme pour optimiser un critère local. Afin d’initialiser le modèle, l’opérateur place dans
l’image, au voisinage de la forme à détecter, une ligne initiale de contour.

14
3.3 Segmentation du foie par modèles déformables 15

Cette ligne est amenée ensuite à se déformer sous l’action de forces :

– les forces internes définissant les propriétés de la courbe préservant le lissage du contour
lors de sa déformation,

– les forces externes définissant les propriétés de l’image permettant de déformer la courbe
en fonction des caractéristiques de l’image.

Sous l’action de ces énergies, le modèle déformable va évoluer pour rechercher la position
d’énergie optimale, qui sera un compromis entre les diverses contraintes du problème.

Il existe deux grandes familles de modèles déformables avec des principes relativement proches :

– Les modèles géométriques déformables :

Cette famille représente implicitement les modèles comme un ensemble de niveaux d’une
fonction scalaire de dimension supérieure. Leur paramétrisation est donnée après la déformation
et l’adaptation de la topologie dans ces modèles est naturelle.

– Les modèles paramétriques déformables :

Cette famille représente explicitement les modèles sous leur forme paramétrique pendant la
déformation. Mais, l’adaptation de la topologie dans ces modèles peut poser des problèmes
dans le cas de séparation ou d’union lors de la déformation.

Pour décrire l’évolution des modèles déformables paramétriques, il existe deux types de for-
mulation :

– une formulation continue : le modèle est appelé modèle continu,

– une formulation discrète : le modèle est appelé modèle discret.

Dans la suite, les méthodes de segmentation que nous avons développées utilisent chacune un
modèle déformable paramétrique discret car le changement de topologie ne s’impose pas et que
la formulation discrète permet d’augmenter la rapidité des processus de déformation.

3.3 Segmentation du foie par modèles déformables


La segmentation par modèle déformable 2D utilisant l’information d’intensités des pixels per-
met d’extraire les contours hépatiques de façon correcte et est souvent appliquée sur des images
CT [BB02]. Cette technique est envisageable en IRM mais nécessite des pré et post-traitements
spécifiques pour obtenir une détection satisfaisante et automatique. En effet, la plupart des
méthodes utilisant des modèles déformables appliquées sur l’IRM nécessitent une intervention
de l’utilisateur notammment pour l’initialisation du modèle qui doit être le plus proche possible
du contour à détecter [LTA02].

Chapitre 3 Segmentation : Etat de l’art Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


3.3 Segmentation du foie par modèles déformables 16

Un modèle déformable en 3D a déjà été utilisé pour segmenter l’enveloppe du foie sur des
images CT abdominales [Mon99]. Cette méthode utilise un modèle de référence calculé sur les
données du Visible Man de la National Library of Medicine. En utilisant les propriétés des
maillages simplexes volumiques, le maillage de référence est déformé en utilisant des contraintes
de déformation hybrides, locales et globales. Un modèle générique du foie est immergé dans
l’image CT 3D avant d’être déformé sous l’action de forces de déformation hybrides vers les
contours de l’image. Dans [RAO04], une méthode utilisant un modèle déformable 3D est définie
pour segmenter de façon correcte le foie à partir d’IRM mais cette technique est semi-automatique
car elle necessite l’intervention d’un opérateur. L’utilisation d’un modèle déformable 3D est donc
envisageable pour segmenter l’ensemble du foie sur des coupes IRM abdominales ce qui permet-
trait de tenir compte des informations dans la direction z, mais nécessite d’adapter les méthodes
aux données IRM et de développer des traitements rendant le processus automatique et fiable.

Dans la suite, la méthode de segmentation 3D du foie que nous avons développée s’inspire de
deux études réalisées sur le cœur [Pha02, Vin01].

Chapitre 3 Segmentation : Etat de l’art Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Chapitre 4

Segmentation par un modèle


déformable 2D

4.1 Modélisation générale


4.1.1 Généralités
Le modèle paramétrique 2D ou snake est défini comme étant une courbe C(s) = [x(s), y(s)],
où s ǫ [0,1] est l’abscisse curviligne. Il se déforme sous l’influence de forces externes qui attirent
le modèle vers les frontières de l’objet à détecter et de forces internes qui assurent le lissage de
la courbe pendant la déformation. L’évolution du snake se fait par un processus itératif contrôlé
par un test de convergence. L’objectif est de rechercher la position de la courbe qui minimise
l’énergie suivante :

Z 1
Etotale = [Einterne (C(s)) + Eexterne (C(s))] ds (4.1)
0

où Einterne est l’énergie interne qui permet au snake de garder sa cohésion, grâce à la somme
de deux termes.

Einterne = Elis (C(s)) + Eelas (C(s)) (4.2)

"  # "  2 2 #
dC 2

1 1 d C
Einterne = α(s) + β(s) (4.3)
2 ds 2 ds2

où α(s) et β(s) sont respectivement les paramètres de lissage et d’élasticité.

Eexterne représente les contraintes externes telles que les caractéristiques de l’image à mettre
en valeur et les diffèrentes forces d’attraction.

Il existe différentes forces externes : la force image à laquelle peuvent être associées des forces
d’optimisation du processus telles que la force ballon et la force GVF développées récemment
[KWT87, Coh91, PX97].

17
4.1 Modélisation générale 18

4.1.2 Force image


La force externe de base (ou force image) est exprimée à partir de l’image et prend des
petites valeurs au niveau des contours. Soit une image I(x,y). Pour déformer le modèle vers les
contours, la force image est exprimée par :

Fima (x, y) = −γ(s)| ▽ [Gσ ∗ I(x, y)]|2 (4.4)

où γ(s) représente le coefficient de viscosité, ▽ l’opérateur gradient et Gσ (x, y) une fonction
gaussienne bidimensionnelle de variance σ. Le paramètre σ permet de définir l’étendue de l’at-
traction voulue mais s’il est choisi trop grand il peut causer des erreurs de localisation.

En général, nous utilisons la formule suivante :

▽I(x, y)
Fima (x, y) = −γ(s) (4.5)
| ▽ I(x, y)|

Pour que le contour actif trouve correctement les contours significatifs, il faut alors initialiser
le contour à proximité du contour souhaité [Coh91]. Ceci a plusieurs conséquences sur l’évolution
du contour :

– si le contour n’est pas proche du contour réel, il n’est pas attiré par celui-ci (arrêt sur des
pics de gradient dus aux bruit)
– si le contour n’est soumis à aucune force, le contour se rétracte sur lui-même

Pour éviter ces problèmes, d’autres forces externes sont utilisables.

4.1.3 Force ballon


Laurent Cohen propose ainsi en 1997 [Coh91] une nouvelle force donnant au contour une
conduite dynamique : la force ballon. Nous considérons une courbe qui gonfle suivant une force
ballon. A partir de la courbe initiale orientée, nous ajoutons aux forces précédentes une force de
pression poussant le contour vers l’extérieur. La force devient maintenant :

▽I(x, y)
F (x, y) = κ1 −

n (s) − γ(s) (4.6)
| ▽ I(x, y)|

où −

n (s) est le vecteur normal unitaire à la courbe en un point v(s) et κ1 est l’amplitude de
cette force. Si nous changeons le signe de κ1 ou l’orientation de la courbe, nous avons un effet
de dégonflement. κ1 et γ sont choisis du même ordre de grandeur et correspondent à des valeurs
plus petites que la taille du pixel. γ est généralement très légèrement supérieur à κ1 . Ainsi la
force ballon est stoppée en un point de contour.

L’ajout de la force ballon permet au modèle d’être beaucoup moins sensible à l’initialisation,
de ne plus s’écraser sur lui même et de passer au delà des pics du gradient dus au bruit.

4.1.4 Force GVF


Xu et Prince ont défini en 1997 une nouvelle force : la force Gradient Vector Flow (GVF) ou
flux des vecteurs de gradient [PX97].
Le champ GVF est défini par un champ de vecteur :

VGV F = (u(x, y), v(x, y)) (4.7)

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.1 Modélisation générale 19

tel que V(x,y) minimise la fonctionnelle suivante :


Z Z
ǫ= [µ(u2x + u2y + vx2 + vy2 ) + | ▽ f |2 |V − ▽f |2 ].dxdy (4.8)

où f est la carte de contours dérivée de l’image et représente les contours significatifs de l’image.

Il faut noter que V tend à prendre la valeur du gradient f là où ce dernier est suffisamment
grand, et tend à se lisser là où ce dernier est petit, et entre ces deux situations, V réalise un
compromis entre les deux termes de l’énergie à travers le coefficient µ.

Nous savons que V satisfait aux équations d’Euler suivantes :

µ ▽2 u − (u − fx )(fx2 + fy2 ) = 0 (4.9)


µ ▽2 v − (v − fx )(fx2 + fy2 ) = 0 (4.10)

où fx et fy désignent respectivement la dérivée de f par rapport à x et à y respectivement.


Ce sont deux équations aux dérivées partielles qui peuvent être résolues séparément en u et en
v en les considérant comme des fonctions du temps.

ut (x, y, t) = µ ▽2 u − (u − fx )(fx2 + fy2 ) (4.11)


2
vt (x, y, t) = µ ▽ v − (v − fx )(fx2 + fy2 ) (4.12)

Les équations du système sont des équations de diffusion généralisée utilisées pour différents
champs comme la conduction de chaleur ou les flux de fluides. La résolution des équations permet
d’obtenir le champ GVF (Fig. 4.1).

Fig. 4.1 – Exemple de carte de champ GVF

Un modèle déformable qui utilise comme force externe le champ GVF est souvent appelé snake
GVF.

Les avantages de l’utilisation d’une force GVF est de s’affranchir de l’initialisation proche du
contour et de faire converger le modèle vers des contours possédant des concavités.

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 20

4.2 Segmentation du foie par notre modèle déformable 2D


Le processus de segmentation que nous avons développé est basé sur les modèles déformables
paramétriques 2D et se décompose en plusieurs étapes :
– initialisation automatique du contour initial,
– calcul d’une carte de contours,
– calcul du champ GVF,
– évolution du modèle déformable paramétrique.

4.2.1 Initialisation automatique du modèle déformable


L’initialisation du modèle déformable est réalisée par une analyse de l’histogramme et par
différents traitements de bas niveau. L’ensemble du processus de détection du contour initial est
présenté figure 4.4 et permet d’obtenir un contour proche du contour réel du foie. Ce processus
est réalisé sur les images en opposition de phase en effet, ces images mettent en évidence les
contours anatomiques de l’image (Fig. 4.2).

Etude de l’histogramme
L’histogramme d’une IRM abdominale peut être estimé par une courbe de Rayleigh et des
gaussiennes [SVLM98]. Le premier pic de l’histogramme est estimé par la courbe de Rayleigh
et représente le fond bruité de l’image (Fig. 4.2 et 4.3). Avant d’estimer le premier pic, nous
réalisons un lissage de l’histogramme pour permettre une bonne estimation.

La courbe de Rayleigh est donnée par l’équation (4.13) :

x −x2
R(x) = w ∗ ∗ exp( ) (4.13)
σ2 2σ 2

Fig. 4.3 – Estimation du pic de Rayleigh


Fig. 4.2 – Image originale étudiée

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 21

Fig. 4.4 – Processus d’initialisation du modèle

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 22

Cette courbe définit le seuil Xs du fond de l’image. Le seuillage de l’image par ce seuil permet
de masquer le fond de l’image (Fig 4.6). La multiplication du masque par l’image originale nous
donne une image mettant en évidence les zones anatomiques (Fig 4.7).

Fig. 4.5 – Image originale Fig. 4.6 – Masque de fond Fig. 4.7 – Image sans fond
L’étude de l’histogramme de l’image masquée permet de calculer les paramètres des gaus-
siennes estimant les différentes classes de niveaux de gris de l’histogramme.

Nous avons remarqué que l’histogramme d’une IRM abdominale en enlevant le pic de Rayleigh
peut être décomposé en 3 classes de niveaux de gris : fond (seuil Xs approximatif), organes
mous et vaisseaux sanguins (Fig 4.8). Ces classes peuvent être estimées par 3 gaussiennes.
L’histogramme peut alors être modélisé par une somme de gaussiennes (Equation 4.14) :
N  
X 1 −1 2 2
G(x) = wi ∗ √ ∗ exp (x − mi ) (4.14)
i=1
2π 2σi2

σi , mi , wi représentent respectivement la variance, la moyenne et le poids de chacune des N


gaussiennes (ici N=3).

L’ajustement du pic principal par une des gaussiennes permet de mettre en évidence les pixels
représentant les tissus mous (entre autre le foie). Ce pic est nettement notable (Fig.4.8).

Fig. 4.8 – Histogramme estimé par des gaussiennes Fig. 4.9 – Image seuillée

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 23

Pour ajuster une gaussienne, nous estimons donc ses paramètres σ et m. L’estimation est
réalisée en utilisant un algorithme EM (Expectation - Maximization) [SVLM98]. Les intersec-
tions entre les gaussiennes fournissent N-1 seuils. La figure 4.8 représente l’estimation d’un
histogramme type par 3 gaussiennes.

Nous réalisons donc un seuillage de l’image masquée par les deux seuils définis par la modèlisation
pour obtenir une image des tissus mous dont le foie (Fig. 4.9).

Détection de contours
Afin de différencier les organes, nous effectuons une détection des contours. Les points contour
seront alors soustraits de l’image seuillée afin de créer une vallée entre chaque organe.

Nous réalisons tout d’abord en prétraitement un filtrage médian sur l’image seuillée avec une
taille de fenêtre égale à 5 pour enlever les points aberrants sans dégrader les contours (Fig 4.10).
Le filtre médian est défini par la valeur médiane des niveaux de gris des pixels sur la fenêtre
d’observation centrée sur le point(i,j).

Nous réalisons ensuite la détection des points contour par un filtre optimal : le filtre de Canny
[Ca95]. Le filtrage de Canny est composé d’un lissage suivi d’un gradient.

Lissage

L’expression du filtre séparable de lissage s’exprime par :

f (x, y) = b2 (α|x| + 1)exp−α|x| (α|y| + 1)exp−α|y| (4.15)


α
−a ≤ x ≤ a − b ≤ x ≤ b b = 4

Si l’image est notée I, l’image lissée aura pour expression : R(i, j) = I ∗ f (x, y)

Gradient

Le gradient s’exprime alors par :


∂R ∂f
(i, j) = Rx (i, j) = (x, y) (4.16)
∂x ∂x
Les opérateurs de dérivation suivant x et y sont de la forme :

fx (x, y) = η.x.exp−α|x| (α|y| + 1)exp−α|y| (4.17)


−α|y| −α|x|
fy (x, y) = η.y.exp (α|x| + 1)exp (4.18)

η : constante de normalisation

L’image de la dérivée directionnelle peut s’écrire Rx (i, j) = (A ∗ h(x)) ∗ f (y). La dérivée


directionnelle selon x est le résultat d’un lissage suivant la direction y et d’une dérivation suivant
la direction x.

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 24

Le résultat de ce filtrage permet de détecter les contours des régions anatomiques (Fig. 4.11).

Fig. 4.10 – Image filtrée Fig. 4.11 – Image avec contours accentués

Sélection de la région d’intérêt


Ensuite, nous binarisons l’image filtrée (Fig. 4.10). Les points qualifiés de points contour par
le traitement précédent sont alors soustraits de la région d’intérêt ainsi définie. La binarisation
et la soustraction permettent de séparer les régions foie, intestin, muscle ... (Fig. 4.12).

Fig. 4.12 – Binarisation de l’image seuillée Fig. 4.13 – Ouverture

Nous appliquons alors une ouverture sur la region d’intérêt obtenue (Fig. 4.13). Une ouverture
est une érosion suivie d’une dilation avec le même élément structurant. Ce filtre permet de séparer
des zones reliées par un pont de faible épaisseur.

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 25

Nous mettons alors en évidence la zone du foie qui occupe la plus grande surface sur la coupe
étudiée (Fig 4.14). Nous réalisons ensuite un remplissage des trous sur l’image précédente grâce
à un filtre morphologique (Fig 4.15).

Fig. 4.14 – Sélection de la zone d’intérêt Fig. 4.15 – Remplissage des trous

La zone d’intérêt ainsi définie est érodée pour s’assurer que le contour soit à l’intérieur du foie
(Fig 4.16). Le contour de la zone érodée constitue alors le contour initial (Fig 4.17).

Fig. 4.16 – Erosion de la zone sélectionnée Fig. 4.17 – Contour initial

Ce processus constitué de traitements de bas niveau est rapide : pour une image 512 X 512,
le procesus nécessite 50 secondes avec un pentium IV sous MATLAB.

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 26

4.2.2 Modèle déformable utilisé pour la segmentation


Pour réaliser notre segmentation, nous avons utilisé un modèle paramétrique 2D avec les forces
image, ballon et GVF. La force externe agissant sur le modèle est alors exprimée par :

▽I(x, y)
Fext (x, y) = −γ(s) + κFGV F + κ1 −

n (s) (4.19)
| ▽ I(x, y)|

Le modèle paramétrique global est obtenu en minimisant l’énergie suivante :


Z 1 "  # "  2 2 #
dC 2

1 1 d C
Etotale = α(s) + β(s)
0 2 ds 2 ds2

▽I(x, y)
−γ(s) + κ(s)VGV F + κ1 (s)−

n (s)dx (4.20)
| ▽ I(x, y)|

Calcul de la carte de contours et calcul de la carte GVF


Pour calculer la carte de contours, nous partons de l’image sans fond (Fig 4.7). Ensuite,
nous réalisons un filtrage médian avec une taille de fenêtre égale à 3 pour enlever le bruit sans
dégrader les contours (Fig 4.18).

Fig. 4.18 – Image filtrée

Puis, nous appliquons le détecteur de contours de Canny. Nous obtenons ainsi une carte de
contours (Fig 4.19) avec laquelle nous calculons le champ de flux des vecteurs de gradient (GVF)
à partir des équations 4.11 et 4.12 (Fig 4.20).

Fig. 4.19 – Carte de contours Fig. 4.20 – Carte GVF

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 27

4.2.3 Evolution du modèle déformable


Nous déformons le contour initial (Fig. 4.22) en utilisant la carte d’attraction : carte GVF
de la figure (4.20). Pour cela nous recherchons le minimum de l’énergie associé au contour actif.

Fig. 4.21 – Image originale Fig. 4.22 – Contour initial

L’ensemble des déformations est représenté sur la figure 4.23. Le résultat de la segmentation
du foie par notre modèle déformable est présenté sur la figure 4.24.

Fig. 4.23 – Déformation du snake Fig. 4.24 – Contour final

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


4.2 Segmentation du foie par notre modèle déformable 2D 28

4.2.4 Résultats de la segmentation


Nous remarquons que la méthode de segmentation du foie que nous avons développée sur les
IRM abdominales en opposition de phase (acquises par le protocole expérimentale de GE) permet
de s’affranchir d’une initialisation manuelle. La méthode permet d’obtenir une détection correcte
du contour du foie en 5 minutes sous MATLAB. Elle sera intégrée dans une étude clinique de la
quantification de la graisse hépatique sur des patients sains et pathologiques. La segmentation
conjuguée à l’analyse de la cartographie T 2∗ permettra par la suite une quantification de la
graisse hépatique.

L’originalité de notre processus réside dans l’automatisation de l’initialisation du modèle par


des prétraitements de faibles complexités donc rapides. Cette initialisation automatique fournit
un contour initial proche du contour réel ce qui augmente la convergence du modèle ce qui
conjugué à l’utilisation des forces GVF et ballon accroı̂t la rapidité de la segmentation.

Chapitre 4 Segmentation par un modèle déformable 2D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Chapitre 5

Segmentation par un modèle


élastique déformable 3D

Afin que la quantification de graisse puisse être envisagée sur l’ensemble du foie et que les
informations présentes sur toutes les coupes soient prises en compte, nous avons développé une
segmentation par déformation d’un modèle 3D du foie. Pour initialiser notre modèle déformable
3D, nous devons disposer d’une forme 3D proche de celle du foie pour pouvoir segmenter de
façon rapide et optimale. Cette forme 3D se déformera ensuite sous diverses contraintes. Dans
un premier temps, les éléments de base de l’approche notamment la théorie de l’élasticité linéaire
et les éléments finis sont présentés.

5.1 Théorie de l’élasticité linéaire


Cette section présente certaines notions de base de la théorie de l’élasticité linéaire qui est
utilisée pour la déformation du modèle. Pour une description plus complète, on pourra se reporter
aux ouvrages de référence disponibles sur le sujet [Cia88, Cia85, LL86].

5.1.1 Tenseur des déformations


Un corps non rigide se déforme d’une certaine manière, sous l’action de forces. La position de
chaque point à l’intérieur de ce corps est définie par son vecteur position x. Lorsque le corps est
déformé, chacun de ces points se retrouve à une position différente. Le point préalablement défini
par x se retrouve à une nouvelle position définie par le vecteur x’. Le vecteur u représentant le
déplacement de ce point est défini par :

u = x′ − x (5.1)

Si l’on considère deux points A et B très proches, séparés avant déformation par un vecteur
dx, le vecteur joignant ces deux points après déformation est devenu dx’=dx+du

En notant dl’ et dl les normes respectives des vecteurs dx’ et dx et en considérant que les
déformations sont de faibles amplitudes (théorie de l’élasticité linéaire), on peut écrire :

dl′2 = dl2 + 2ǫij dxi dxj (5.2)

où i=1,2,3 , j=1,2,3 et ǫij est le tenseur des déformations, défini par :
 
1 ∂ui ∂uj
ǫij = + (5.3)
2 ∂xj ∂xi
Le tenseur des déformations est symétrique, c’est-à-dire ǫij = ǫji .

29
5.1 Théorie de l’élasticité linéaire 30

5.1.2 Tenseur des contraintes


Soit un petit élément de volume dV limité par une surface fermée dS à l’intérieur d’un corps
déformable. Si f est la force par unité de volume exercée à l’intérieur
R de dV, la force totale
appliquée à cet élément de volume peut être exprimée par l’intégrale f dV .

Une propriété d’analyse vectorielle permet de transformer l’intégrale vectorielle de la diver-


gence d’un champ en une intégrale surfacique de ce champ. fi est défini comme la divergence
d’un tenseur σij :
X ∂σij
fi = (5.4)
∂xi
j

σij est appelé le tenseur des contraintes. Le tenseur de contraintes est symétrique.

Ce qui permet d’écrire :


Z I X ∂σij
fi dV = dSj (5.5)
∂V ∂S ∂xi
j

où dS désigne le vecteur normal à un élément de surface, orienté vers l’extérieur, et dont la
norme est l’aire de l’élément en question.

D’après le principe d’action et de réaction (3e loi de Newton), la force totale appliquée à
l’élément de volume dV doit être égale à la somme de toutes les forces appliquées sur la surface
dS de dV par les portions voisines du corps. Donc si l’on considère un petit élément de surface
dS, le second terme de l’équation 5.5 peut être assimilé à la force df appliquée à cet élément de
surface :
X ∂σij
dfi = dSj (5.6)
∂xi
j

5.1.3 Loi de Hooke


Dans un matériau déformable, l’action d’un certain nombre de forces conduit à un certain
nombre de déformations. La connaissance de la relation entre le tenseur des contraintes σij et
le tenseur des déformations ǫij permet de caractériser et de prévoir le comportement mécanique
du matériau. Cette relation est appelée loi constitutive du matériau.

Le cas le plus simple, correspondant à un grand nombre de matériaux réels pour de faibles
déformations, consiste à faire l’hypothèse que cette relation est élastique et linéaire.
Élastique indique que l’état des déformations ne dépend que de l’état présent des contraintes,
ce qui revient à supposer que les forces internes au matériau n’agissent que par contact immédiat
et que leur rayon d’action est proche de zéro. Un matériau élastique qui a été déformé sous
l’action de certaines forces regagne son état initial une fois que ces forces ont disparu, et il
peut restituer toute l’énergie qu’il a absorbée. Sa forme ne dépend pas de l’historique de ses
déformations.
Linéaire indique que la relation entre contraintes et déformations est du premier ordre.

Les tenseurs ǫij et σij comportent chacun 6 termes indépendants (à cause de leur symétrie).
En général, la relation entre les deux tenseurs comporte 36 paramètres distincts :
σxx = c11 ǫxx + c22 ǫyy + c33 ǫzz + c12 ǫxy + c13 ǫxz + c23 ǫyz (5.7)
et ainsi de suite pour chacune des autres composantes.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.1 Théorie de l’élasticité linéaire 31

L’hypothèse que le matériau est isotrope peut être considérée, ce qui signifie que ses pro-
priétés sont les mêmes dans toutes les directions. Cette condition introduit un certain nombre
de relations entre les constantes de l’équation 5.7, car les relations doivent être les mêmes
indépendamment de l’orientation du système de coordonnées. En considérant toutes les symétries
possibles, il peut alors être démontré que ces 36 paramètres se réduisent à seulement 2 paramètres
indépendants. Ces deux paramètres sont appelés coefficients de Lamé et sont notés λ et µ. La
relation obtenue prend la forme :

σij = λtr(ǫ)δij + 2µǫij (5.8)

où tr(ǫ) désigne la trace de ǫij (égale à ǫxx + ǫyy + ǫzz ),


δij désigne le symbole de Kronecker (égal à 1 si i = j et à 0 sinon).

Cette relation est une des écritures possibles de la loi de Hooke. Une écriture différente peut
être obtenue en inversant la relation de sorte à exprimer ǫij en fonction de σij :

ν 1+ν
ǫij = − tr(σ)δij + σij (5.9)
E E

Sous cette forme, deux autres constantes ont été introduite : E est le module de Young ou
module d’élasticité du matériau, ν est son coefficient de Poisson. Ces deux paramètres sont plus
souvent utilisés en mécanique que les coefficients de Lamé car ils sont plus faciles à interpréter
expérimentalement. Mais il est tout à fait équivalent de caractériser un matériau élastique linéaire
isotrope par ses deux coefficients de Lamé ou par son module de Young et son coefficient de
Poisson.

Dans le cas d’un matériau incompressible, ν = 0, 5. En effet :


δV ∂ux ∂uy ∂uz 1 − 2ν
= + + = tr(ǫ) = tr(σ) (5.10)
V ∂x ∂y ∂z E

En adoptant une notation vectorielle, et en remarquant que les tenseurs de contrainte et de


déformation sont symétriques, on a :

ς = (σ11 , σ22 , σ33 , σ13 , σ23 , σ31 , )T ε = (ǫ11 , ǫ22 , ǫ33 , 2ǫ13 , 2ǫ23 , 2ǫ31 , )T (5.11)

Cette relation peut se mettre sous la forme :

ς = Rε = RDu (5.12)

R est la matrice d’élasticité dépendant des paramètres mécaniques du matériau, D un opérateur


différentiel et u le déplacement définie en un point.

Le problème d’élasticité peut se formuler en fonction de la variable déplacement uniquement,


en tout point du matériau. Il s’agit de trouver un champ de déplacement u(x) qui minimise la
fonctionnelle d’énergie suivante [Pha02] :

1
Z Z
T
E(u) = ς (u)ε(u)dx − t.uds (5.13)
2 V ∂V

t :champ des forces externes

E(u) = Eelas (u) + Edonnees (u) (5.14)

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.2 La méthode des éléments finis 32

Si le champ t est normalisé, nous pouvons introduire dans l’équation (5.13) un coefficient α
permettant de pondérer le terme d’attache aux données par rapport à l’énergie de régularisation.
Dans ce qui suit, nous considérerons cette pondération implicitement prise en compte ainsi que
la normalisation de t.

5.2 La méthode des éléments finis


La méthode des éléments finis est devenue un outil puissant pour la simulation numérique
d’un grand nombre de problèmes d’ingénierie. Son principe consiste à discrétiser une région
continue complexe en éléments géométriques simples, qui sont appelés éléments finis. Les pro-
priétés physiques sont interpolées sur chaque élément en fonction de leur valeur en certains points
donnés. La prise en compte des interactions entre éléments voisins mène à la construction d’un
ensemble d’équations. La résolution de ce système d’équations, en tenant compte des conditions
imposées aux limites du système, permet d’obtenir une approximation des propriétés physiques
du continuum [ZT87].
La première étape d’une analyse par éléments finis consiste à définir un maillage du conti-
nuum en éléments finis. Les éléments finis utilisés couramment en dimension 3 sont le tétraèdre
ou l’hexaèdre.
Chaque élément fini est défini par un certain nombre de noeuds. Les noeuds forment l’en-
semble discret des points du système en lesquels les propriétés physiques sont calculées. L’en-
semble des noeuds représente les sommets des éléments finis.

Le tétraèdre est la figure tridimensionnelle la plus simple. L’utilisation de ce type d’élément


pour la définition du maillage de notre modèle géométrique du foie permet d’accélérer le pro-
cessus de déformation.

5.3 Formulation du problème de segmentation


Le déplacement u(x) est approximé par un ensemble de M fonctions d’interpolation linéaire
Φi ( i = 1,2, . . .,M) :
M
˜ = ui˜(x)Φi (x)
X
u(x) = u(x) (5.15)
i=1

où ui˜(x) désigne le déplacement en chaque sommet (ou nœud) de la décomposition.

En reportant l’approximation (5.15) dans (5.13), on aboutit à l’énergie discrétisée suivante :


1
E d (U ) = U T KU − U T F (5.16)
2

E d (Ũ ) = Eelas
d d
(Ũ ) + Edonnees (Ũ ) (5.17)
 T
Ũ = U˜1 , U˜2 , . . . , U˜M est le vecteur global des déplacements. Les composantes de la matrice
de raideur K et du vecteur de force F sont données par :
Z
Kij = RDΦi (x)T (u)DΦj (x)dx (5.18)
V

Z
Fi = t(x).Φi (x)ds (5.19)
∂V

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.4 Construction du modèle géométrique du foie 33

Les conditions d’Euler montrent qu’un minimum de l’énergie est atteint lorsque

KU = F (5.20)

La force est considérée comme une grandeur dépendant du déplacement, ce qui rend l’équation
5.20 non linéaire :

KU = F (U ) (5.21)

Une manière de résoudre ce problème est de l’écrire sous la forme d’évolution suivante :

dU (t)
+ KU (t) = F (5.22)
dt
Cette équation est une simplification de la loi de la dynamique bien connue,

dU (t) dU (t)
M +C + KU (t) = F (U (t)) (5.23)
dt dt
où le terme M lié à l’accélération (la masse) est négligé et où la matrice C représentant les
frottements dus à la viscosité est égale à l’identité.
En utilisant un schéma aux différences finies de type Euler semi-implicite, l’équation (5.22)
devient :
U k+1 − U k
+ KU k+1 = F (U k ) (5.24)
∆t
ou encore

(I + ∆t.K) U k+1 = U k + ∆t.F (U k ) (5.25)

5.4 Construction du modèle géométrique du foie


Le modèle déformable 3D est construit à partir d’un examen IRM abdominal acquis sur un
patient sain. Nous utilisons 24 coupes jointives d’épaisseur 6mm. Ces images sont segmentées
par un expert médical grâce à un contourage manuel sur chacune des coupes. Nous récupérons
ainsi un ensemble de contours hépatiques 2D. A partir de ces contours, des surfaces 3D sont
reconstruites en utilisant le logiciel NUAGES [Gei93]. Le maillage obtenu par NUAGES est
ensuite utilisé comme entrée au logiciel GHS3D [Geo97] qui permet de générer un maillage
volumique de tétraèdres réguliers.

5.4.1 Reconstruction de surfaces 3D avec le logiciel NUAGES


Pour pouvoir reconstruire des surfaces 3D à partir de contours 2D, nous fournissons au logiciel
NUAGES un fichier xxx.cnt (Annexe A.1) contenant l’ensemble des coordonnées des points de
contours. Après avoir détecté les contours 2D, le fichier xxx.cnt est généré par un programme que
nous avons développé sous MATLAB. Le logiciel NUAGES reconstruit les surfaces 3D et génère
un fichier xxx.off (Annexe A.2) décrivant les nœuds et les faces du maillage. Nous visualisons
les surfaces triangulées reconstruites à l’aide du logiciel GEOMVIEW [oM96]. Le modèle du foie
obtenu avec le logiciel NUAGES est présenté suivant trois faces : antérieure (Fig. 5.1), latérale
(Fig. 5.2) et postérieure (Fig. 5.3).

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.5 Champs de forces tri-dimensionnels 34

Fig. 5.1 – Vue antérieure Fig. 5.2 – Vue latérale Fig. 5.3 – Vue postérieure

5.4.2 Génération d’un maillage volumique avec le logiciel GHS3D


Pour pouvoir générer un maillage volumique de tétraèdres réguliers, nous devons fournir au
logiciel GHS3D les fichiers xxx.points (Annexe B.1) et xxx.faces (Annexe B.2) qui représentent
respectivement les nœuds et les faces du maillage. Nous avons développé un programme sous
MATLAB qui génère ces fichiers en utilisant les données du fichier xxx.off. Les deux fichiers
sont ensuite fournis en entrée au logiciel GHS3D. En sortie, deux fichiers xxx.bb (Annexe B.3)
et xxx.noboiteb (Annexe B.4) sont générés. Pour pouvoir visualiser le maillage volumique de
tétraèdres avec le logiciel MEDIT [Fre05], nous devons convertir le fichier xxx.noboiteb en fichier
xxx.mesh (Annexe B.5) avec le convertisseur nb2mesh [Fre05]. Nous visualisons le modèle obtenu
avec le logiciel MEDIT (Fig. 5.4, Fig. 5.5, Fig. 5.6).

Fig. 5.4 – Vue antérieure Fig. 5.5 – Vue latérale Fig. 5.6 – Vue postérieure

5.5 Champs de forces tri-dimensionnels


5.5.1 Champs de forces GVF tri-dimensionnels
Comme pour la segmentation en 2D, nous avons utilisé le GVF en l’étendant à la troisième
dimension. En trois dimensions, le Gradient Vector Flow (GVF) [PX97, ES03] est obtenu en
résolvant les équations suivantes :

∂t v(x, y, z, t) = µGV F ∆v − (v − ∇g)kgk2 (5.26)

Avec v le vecteur force défini en tout point (x,y,z) de l’espace, t la variable temporelle, g l’image
3-D des contours et µGV F un paramètre de lissage contrôlant la diffusion du GVF. Notons que,
puisque nous recherchons un minimum d’énergie, tous les champs de forces sont tels que t est
nul sur les structures d’intérêt. Le calcul du champ GVF en 3D est réalisé par le logiciel GVF3D
développé par le LESI [FL05]. Le calcul du champ est réalisé de façon anisotrope en tenant
compte du FOV et de l’épaisseur de coupe des données 3D. Alors que Pham [Pha02] réalise un
calcul isotrope qui nécessite une interpolation de volumes isotropes 3D et donc un long temps
de calcul.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.5 Champs de forces tri-dimensionnels 35

5.5.2 Champs de forces élastiques tri-dimensionnels


Le champ de forces élastiques est défini par la matrice de raideur K. Le calcul de la matrice
de raideur est inspiré de la thèse de Schartz [Sch03].

Calcul de la matrice de raideur K


Calcul du volume

Afin de calculer la matrice de raideur K des tétraèdres, il nous faut d’abord calculer leur
volume. Un tétraèdre possède 4 noeuds et le noeud i a pour coordonnées (x(i), y(i), z(i)). Ces
coordonnées sont récupérées dans le fichier xxx.mesh que nous avons obtenu suite à la réalisation
du modèle déformable. Soit la matrice X :

 
x(1) y(1) z(1) 1
x(2) y(2) z(2) 1
X=
x(3)
 (5.27)
y(3) z(3) 1
x(4) y(4) z(4) 1

Pour obtenir le volume V du tétraèdre on applique la formule suivante :


1
V = Det(X) (5.28)
6

Calcul de K

Soit mi la masse appliquée au nœud i et Pi le sommet du tétraèdre. Les 4 vecteurs mi doivent


être dirigés vers l’exterieur du tétraèdre et par conséquent le calcul se fait de la façon suivante :

m0 = (P2 − P1 ) ∧ (P3 − P1 ) (5.29)

m1 = (P2 − P3 ) ∧ (P0 − P2 )
m2 = (P0 − P3 ) ∧ (P1 − P3 )
m3 = (P0 − P1 ) ∧ (P2 − P0 )

La matrice de raideur K s’écrit :


1
Kij = (λmi mTj + µ(mi mj )I3 + µmj mTi ) (5.30)
36V

mT désigne la transposée du vecteur m,


λ et µ sont les coeffiients de Lamé,
I3 désigne la matrice identité de dimension 3x3.

Kij est le matrice de raideur exprimant l’influence du déplacement du sommet j sur la force
exercée au sommet i du tétraèdre. Pour un tétraèdre donné il existe donc 16 tenseurs de raideur
différents. L’expression de Kij montre qu’il ne dépend que des deux coefficients de Lamé λ et
µ, du volume du tétraèdre et des quatre vecteurs m définis à partir des positions des quatres
sommets du tétraèdre.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.6 Segmentation du foie par un modèle déformable 3D 36

5.6 Segmentation du foie par un modèle déformable 3D


La segmentation du foie en 3D est réalisée par un modèle déformable qui se déforme sous
l’action de différentes forces vers les contours hépatiques. Nous utilisons la discrétisation en
éléments finis et l’implémentation dynamique pour approximer les structures anatomiques. La
déformation du modèle est exprimée sous la forme de l’équation (5.20).

Afin d’assurer la reproductibilité inter-patient du processus de segmentation, il est nécessaire


d’introduire la possibilité de représenter les grands déplacements. Pour se faire, Pham [Pha02]
met à jour périodiquement l’énergie de déformation au cours du processus de minimisation de
l’énergie.

On note Ωk les états successifs du domaine, et ∂Ωk les bords correspondants. Les maillages
représentant Ωk sont notés Tk . Nous utilisons une approximation linéaire de la géométrie entre
deux états successifs :

Ωk+1 ≈ Ωk (5.31)

La mise à jour itérative de la géométrie permet de partir d’un domaine de référence Ω0


relativement éloigné du domaine final Ω̃.

L’approche de Pham est interprétée au sens mécanique comme une succession de déformations
du domaine, l’énergie de déformation étant relâchée à chaque itération k. Chaque Ωk est donc
une configuration de repos pour Ωk+1 . La conséquence directe d’un tel schéma est la possibilité
de parcourir de grands déplacements, puisque l’énergie élastique n’est pas accumulée de Ω0 à Ω̃,
mais uniquement entre deux états successifs.

Discrétisation et résolution

La discrétisation en éléments finis est utilisée pour approximer le modèle déformable. Les
temps de calcul liés à la mise à jour de la matrice de raideur K pouvant devenir importants pour
des maillages comportant un grand nombre d’éléments, il semble plus raisonnable de ne pas la
recalculer à chaque itération. Nous assimilons maintenant chaque itération k de l’algorithme à
la résolution d’un problème identique à (5.20) soit :

(I + ∆t.K) U k+1 = U k + ∆t.F (U k ) (5.32)

Nous considérons le déplacement du domaine au cours du processus de minimisation comme


une opération de remaillage, à nombre de noeuds constants, et avec une connectivité inchangée.

L’équation (5.32) est résolu de façon itérative par un algorithme qui présente deux boucles
imbriquées, une boucle sur la géométrie, et une boucle de discrétisation en temps. Le diagramme
(5.7) montre la structure de l’algorithme utilisé.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.6 Segmentation du foie par un modèle déformable 3D 37

Fig. 5.7 – Algorithme de minimisation avec mise à jour de la géométrie

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.7 Positionnement du modèle déformable 3D 38

Qualité topologique et géométrique d’un maillage

La déformation du maillage est conditionnée par l’évolution de sa qualité. Un maillage de


qualité médiocre entraı̂ne des erreurs numériques importantes dans les calculs par éléments
finis. Les critères de qualité considérés sont d’ordre topologique et géométrique.

La topologie du maillage n’est plus respectée lorsque des éléments s’inversent. La détection de
l’inversion d’un tétraèdre peut être réalisée par le calcul de son volume. Le tétraèdre est orienté
de telle sorte que Vtetra > 0 dans le cas normal, et Vtetra < 0 lorsque le tétraèdre s’inverse.

La qualité géométrique d’un élément est liée à l’écart de sa forme par rapport à l’élément
régulier. Plusieurs cas de figures se présentent pour caractériser un tétraèdre de mauvaise qualité
[Péq02]. De nombreux critères de qualité géométrique ont été définis dans la littérature [PGH93].
Nous avons choisi l’un des critères les plus courants, qui est le rapport ρ du rayon de la sphere
inscrite au tétraèdre sur la longueur hmax de sa plus grande arête :
√ ρ 3Vtetra
Q= 24 et ρ = (5.33)
hmax Atetra
où Atetra représente l’aire totale des 4 faces du tétraèdre. Ce critère est borné entre 0 et 1. Plus
l’élément est dégénéré, plus la valeur de Q s’approche de 0, alors qu’il vaut exactement 1 pour
un tétraèdre régulier.

Dans l’algorithme proposé (Fig. 5.7), le maillage est jugé correct s’il respecte à la fois le critère
topologique (aucun élément inversé) et géométrique, un seuil de tolérance étant fixé. Si ce n’est
pas le cas, une boucle de retour permet de repartir de la configuration précédente avec un pas
de temps ∆t plus fin, afin de mieux contrôler la déformation du maillage. Enfin, la convergence
globale peut être estimée en calculant la norme du déplacement ; si celle-ci tombe en-dessous
d’un certain seuil, l’algorithme est stoppé.

5.7 Positionnement du modèle déformable 3D


Avant de réaliser la segmentation, il faut initialiser le modèle déformable 3D proche de la
zone à segmenter pour accélérer le processus.

Le positionnement du modèle déformable 3D est basé sur un recalage rigide. Tout d’abord,
une des images 2D à segmenter IS est sélectionnée. En général, l’image sélectionnée correspond
à une coupe centrale du foie. Ensuite, l’image IS est segmentée en utilisant la méthode de
segmentation 2D développée dans le chapitre précédent. Le contour 2D obtenu est noté CS et
correspond à la coupe Z. Le contour 2D du modèle 3D correspondant à la coupe Z est noté CM .
Une mise à l’échelle entre les deux nuages de points est réalisée en utilisant les FOV des IRM.
Un recalage rigide est ensuite réalisé entre CS et CM .

5.7.1 Définition du recalage


Une méthode de recalage est définie par 3 éléments [Ma03] :

– la transformation entre un modèle de référence Mref et un modèle cible Mcible ,


– un critère de similarité entre les deux modèles,
– un processus d’optimisation qui estime les meilleurs paramètres de la transformation.

Dans la suite, les différents éléments définissant le recalage sont exposés.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.7 Positionnement du modèle déformable 3D 39

La transformation

Les méthodes de recalage sont généralement qualifiées de méthodes rigides, affines, projectives
ou non rigides selon la nature de la transformation du recalage [MV98]. La transformation est
globale si elle s’applique à l’ensemble du modèle ou locale si elle s’applique à des sous-régions
ayant chacune leur propre transformation.

Dans le recalage rigide global, seules les translations et les rotations sont admises. Les distances
entre les points et les angles entre les lignes ne changent pas pendant le recalage.

Les méthodes de recalage affines transforment des lignes parallèles en lignes parallèles. Les
transformations projectives conservent les lignes. Les méthodes de recalage non rigides font
intervenir des transformations plus générales [MV98].

Le critère de similarité

Le critère de similarité dépend du type de méthodes de recalage qui peuvent être réparties en
deux catégories principales [Ma03] :

– les méthodes de recalage basées sur les caractéristiques géométriques de l’image. Ces
méthodes recalent soient un nuages de points, soient les bords/contours ou les surfaces.

– les méthodes basées sur des mesures de similarité de voxels. Ces méthodes sont basées sur
des mesures de similarité d’intensité de voxels ety incluent des méthodes de type moments
et axes principaux d’inertie, différences d’intensité, corrélation, ainsi que des méthodes
basées sur l’information mutuelle.

Processus d’optimisation

Pour l’optimisation du recalage rigide d’une image en 3-D, une fonction coût de 6 paramètres
(3 translations et 3 révolutions) est normalement minimisée. Dans les méthodes de recalage
affines, projectives et non rigides, la fonction coût présente davantage de paramètres.

Une recherche globale pour trouver le minimum (ou le maximum) de la fonction de coût est
habituellement trop coûteuse du point de vue des calculs. Le but des méthodes d’optimisation est
la recherche rapide d’un optimum de cette fonction de coût. Les méthodes qui ne nécessitent pas
l’évaluation du gradient de la fonction coût sont généralement privilégiées car elles permettent
de diminuer les temps de calcul et d’accélérer le processus d’optimisation.

5.7.2 Recalage de deux nuages de points


Pour réaliser le positionnment de notre modèle déformable, nous avons utilisé un recalage
rigide global qui met en correspondance deux nuages de points. L’algorithme Iterative Closest
Point (ICP) de Besl et McKay [BM92] a été utilisé pour recaler les deux nuages de points
(Modèle X, Objet P) représentant le contour 2D du foie.

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.7 Positionnement du modèle déformable 3D 40

Principe de l’algorithme ICP

Les principales étapes de l’algorithmes sont :

– Estimation de la transformation initiale par alignement des centroı̈des des deux nuages de
points

– Procédure itérative pour converger vers un minimum local

– 1. ∀pǫ P, rechercher le point le plus proche x ǫ X


– 2. Rechercher la transformtion Q qui minimise les distances entre p et x
– 3. Transformer Pk+1 ← Q(Pk )
– 4. Terminer quand l’erreur recalculée est inférieure à un seuil fixé
– Choisir la solution optimale parmi les différentes transformations initiales : c’est à dire la
transformation qui minimise la somme des distances entre les deux nuages de points.

Pour réaliser ce recalage par ICP, les scripts MATLAB de Yaroslav Halchenko ont été utilisés
[Hal03a, Hal03b].

5.7.3 Résultats du recalage


Pour une coupe 2D centrale du foie d’un patient donné (Z fixé) et avec la méthode de segmen-
tation 2D que nous avons développé (Chapitre 4), nous détectons les contours hépatiques (Fig.
5.8). Ensuite, nous recherchons le contour 2D du modèle 3D du foie correspondant à la coupe Z
fixé. Le contour 2D du modèle correspondant est visualisé sur la coupe 2D du foie (Fig. 5.9).

Fig. 5.8 – Contour 2D de la coupe IRM Fig. 5.9 – Contour 2D du modèle 3D

Nous réalisons ensuite une mise à l’échelle entre le contour 2D obtenu par segmentation et le
contour 2D du modèle 3D (Fig. 5.10). Ensuite, nous réalisons un recalage rigide entre les deux
contours. Le résultat du recalage est visualisé sur la coupe 2D du foie (Fig. 5.11).

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.8 Résultats de la segmentation 41

Fig. 5.10 – Contour 2D après mise à l’échelle Fig. 5.11 – Contour 2D après recalage
Les paramètres du recalage et de mise à l’échelle entre les deux contours 2D sont utilisés pour
positionner le modèle 3D qui servira d’initialisation du modèle déformable pour la segmentation
3D.

5.8 Résultats de la segmentation


Les figures 5.12, 5.13 et 5.14 permettent de visualiser le modèle suivant 3 vues après recalage
sur l’ensemble des coupes du patient traité.

Fig. 5.12 – Vue antérieure Fig. 5.13 – Vue latérale Fig. 5.14 – Vue postérieure
Les données présentées ci-dessus servent alors d’initialisation au modèle déformable. Le calcul
des forces tri-dimensionnelles GVF et élastiques est alors réalisé. Les forces GVF sont ensuite
appliquées au noeud du maillage. L’algorithme de minimisation permet ensuite d’approximer la
déformation du modèle déformable. Le modèle 3D déformé est visualisé sur 3 vues (Fig. 5.15,
5.16 et 5.17).

Fig. 5.15 – Vue antérieure Fig. 5.16 – Vue latérale Fig. 5.17 – Vue postérieure

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
5.8 Résultats de la segmentation 42

La méthode de segmentation 3D mise en oeuvre permet alors d’extraire les contours 2D du


foie sur les différentes coupes. Les différentes étapes de la segmentation 3D du foie sont présentés
sur les figures 5.18, 5.19, 5.20 et 5.21 pour une coupe IRM.

Fig. 5.18 – Modèle initial Fig. 5.19 – Modèle mis à l’échelle

Fig. 5.21 – Modèle résultant de segmentation par


Fig. 5.20 – Modèle recalé modèle déformable 3D

Chapitre 5 Segmentation par un modèle élastique déformable 3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005
Chapitre 6

Discussions

La méthode de segmentation 2D du foie testée sur des IRM abdominales de 10 volontaires


sains a été considérée comme fiable visuellement par 2 experts radiologues. L’originalité de notre
processus réside dans l’automatisation de l’initialisation du modèle par des prétraitements de
faible complexité donc rapides. Cette initialisation automatique fournit un contour initial proche
du contour réel ce qui augmente la convergence du modèle ce qui conjugué à l’utilisation des
forces GVF et ballon accroı̂t la rapidité de la segmentation. Des évaluations quantitatives seront
réalisées par la suite pour obtenir une validation quantitative de la méthode.

La méthode de segmentation 3D du foie a été développée sous l’environnement MATLAB. La


méthode a été utilisée pour segmenter le foie de 10 patients. Les contours 3D du foie obtenus ont
été considérés comme fiables visuellement par 2 experts radiologues. L’utilisation du processus
de segmentation 3D mis en oeuvre est actuellement incompatible avec une utilisation en routine
clinique du fait d’un temps de calcul prohibitif (de l’ordre de 3 jours). Il sera donc nécessaire
d’envisager une implémentation de la méthode en langage C++ afin de réduire ce temps.

43
Conclusion

Ce stage de DEA réalisé au sein du Laboratoire d’Ingéniérie des Systèmes Automatisés en


partenariat avec le CHU d’Angers fut pour moi l’occasion d’effectuer un travail d’équipe. En
effet cette étude s’inscrit dans un travail de thèse réalisé en collaboration avec GE dont l’objectif
est de quantifier la graisse intra-hépatique pour l’aide au diagnostic de pathologies hépatiques.

Ce projet m’a permis de développer deux méthodes de segmentation du foie par modèle
déformable : l’une en 2D et l’autre en 3D. Le modèle déformable 2D intégre des forces développées
récemment (GVF et ballon) et a été adapté à la segmentation du foie. Un ensemble de processus
ont permis aussi de réaliser une initialisation automatique du modèle déformable 2D. Ceci per-
met d’envisager l’utilisation du système en routine clinique (5 min de calcul/coupe). Le modèle
déformable 3D est initialisé sur un modèle géométrique 3D du foie pour permettre une segmenta-
tion de l’ensemble du foie. La méthode de segmentation du foie en 3D est basée sur la théorie de
l’élasticité linéaire et des éléments finis. La déformation du modèle 3D permet d’approximer de
façon très précise les contours hépatiques 3D. La mise en oeuvre de ce processus de segmentation
m’a demandé beaucoup de recherches bibliographiques très interessantes.

Cette expérience m’a permis d’appliquer les connaissances acquises lors du DEA Signaux
et Images en Biologie et Médecine et de développer de nouvelles compétences en traitements
d’iamges.

Enfin, ce stage m’a confirmé dans mon choix concernant mon projet professionnel notamment
ma volonté de réaliser une thèse dans le domaine biomédical.

44
Annexe A

Logiciel NUAGES

Le logiciel Nuages permet de réaliser des reconstructions 3D à partir des contours issus de
coupes 2D. Le fichier d’entrée xxx.cnt est un ensemble de points correspondant aux contours des
plans parallèles. Il peut y avoir plusieurs contours par plan. Le fichier de sortie xxx.off représente
une surface 3D.

A.1 Fichier xxx.cnt


Les fichiers des points de contours au format cnt sont écrits de la façon suivante :

s8
v 88 z -48.696671
{
129.04 117.73
128.19 118.53
...
}
{
111.00 125.00 111.00 126.00
...
}
v 81 z -43.539814
{
130.77 130.14
131.71 130.76
...
}
où :
s correspond au nombre de coupes.

v correspond au nombre de points des contours de la coupe.

z représente la coordonnée z de la coupe.

Entre chaque crochet, les coordonnées x et y sont énoncées pour 1 contour et il faut réitèrer
l’opération pour les autres contours.

45
A.2 Fichier xxx.off 46

A.2 Fichier xxx.off


Les fichiers de maillage au format off sont générés dans un fichier ASCII de la façon suivante :
OFF

8 12 0
0.256 0.365 0.569
2.365 2.654 8.145
...
3012
3259
3604
...
où :
tout d’abord, il s’agit de fichiers ASCII.

Les trois premiers caractères rappellent l’extension du fichier. Ici : OFF.

Le premier entier est le nombre de sommets du maillage. Ici : 8.

Le deuxième entier est le nombre de facettes du maillage. Ici : 12.

Le troisième entier est le nombre d’arêtes et bien souvent cette valeur est à 0 : elle n’a pas
été mise à jour lors de la création du fichier.

Ensuite vient la liste des coordonnées des sommets du maillage sous forme de flottants. Les
trois premiers flottants sont les coordonnées x, y, z du premier sommet (numéro 0), les trois
suivants sont les coordonnées x, y, z du deuxième sommet (numéro 1) et ainsi de suite.

Une fois tous les sommets stockés, vient la liste des facettes sous la forme suivante : La première
valeur est le nombre de sommets de la facette (pour nous, il n’y aura que des facettes triangu-
laires, donc cette valeur sera 3). Cette valeur est suivie du numéro des sommets composant la
facette. Ici, la première facette triangulaire est composée du sommet numéro 0, du sommet 1 et
du sommet 2. La deuxième facette triangulaire est composée des sommets numéro 2, 5 et 9, et
ainsi de suite.

Chapitre A Logiciel NUAGES Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Annexe B

Logiciel GHS3D

Le logiciel GHS3D est un générateur de maillage puissant qui permet d’adapter, d’optimiser
des maillages et de créer des maillages volumiques de tétraèdres.

B.1 Fichier xxx.points


Ce fichier est une description de l’ensemble des points en trois dimensions.

xxx est le nom de base du maillage.


xxx.points est le nom du fichier.
Ce fichier est écrit en ASCII.

Le fichier est constitué de NP+1 lignes en général où NP est le nombre de points.

-Ligne 1 : NP
-Ligne i, (i=2, 3,..., NP+1) : X,Y,Z, REF

X, Y, Z représentent les trois coordonnées du point i-1.


REF est un entier représentant la propriété physique associée au point i-1 (élastique, solide,
liquide ...)

B.2 Fichier xxx.faces


Ce fichier est une description de la topologie de l’ensemble des faces en trois dimensions.

xxx est le nom de base du maillage.


xxx.faces est le nom du fichier.

Ce fichier est écrit en ASCII.

Le fichier est constitué de NF+1 lignes en général où NF est le nombre de faces.

-Ligne 1 : NF
-Ligne i, (i=2,3,..., NF+1) : le type de face, le nombre de vertex de la face et type + 1 entiers
représentant la propriété physique associée à la face i-1 et à ses contours.

47
B.3 Fichier xxx.bb 48

B.3 Fichier xxx.bb


Ce fichier contient les valeurs des tenseurs associées au fichier xxx.mesh ou xxx.noboiteb.

xxx est le nom de base du maillage.


xxx.bb est le nom du fichier.

Ce fichier est écrit en ASCII.

La structure du fichier xxx.bb est la suivante :


-Ligne 1 : NDIM, NBMET, NBVAL, TYPE

– NDIM est la dimension de l’espace


– NBMET est le nombre de champ si :
– NBMET = 1 : valeurs scalaires,
– NBMET = NDIM : valeur de tenseur,
– NBMET = NDIM *(NDIM + 1)/2 : matrice symétrique,
– NBMET = NDIM * NDIM : matrice entière.

– NBVAL est le nombre d’informations (NBVAL = NP, la valeur correspondante est dans
noboite)
– TYPE = 2 signifie que les valeurs correspondent aux nœuds de maillage, TYPE = 1 signifie
que les valeurs sont associées aux éléments

B.4 Fichier xxx.noboiteb


Ce fichier est une description du maillage de tétraèdres en 3 dimensions.

xxx est le nom de base du maillage.


xxx.noboiteb est le nom du fichier.

Ce fichier est écrit au format binaire.

La structure du fichier est la suivante :


Nombre de lignes : 6

– Ligne 1 : NE, NP, NPFIXE, CUBE, NPBLI, et 12 valeurs,


– Ligne 2.1, . . . : les NE quadruplets définissent les éléments des nœuds,
– Ligne 3.1, . . . : les NP triplets définissent les coordonnées des nœuds,
– Ligne 4 : SUBNUMBER, le nombre de sous-domaine du maillage,
– Ligne 5 : Les SUBNUMBER triplets caractérisent chaque sous-domaine,
– Ligne 6.1, . . . : les NE nombre des sous-domaines associés aux éléments du maillage.

Chapitre B Logiciel GHS3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


B.5 Fichier xxx.meshb 49

B.5 Fichier xxx.meshb


Le fichier xxx.meshb est une description du maillage de tétraèdres en 3 dimensions.

xxx est le nom de base du maillage.


xxx.meshb est le nom du fichier.

Ce fichier est écrit au format binaire.

La structure du fichier est la suivante :


MeshVersionFormatted 1
Dimension 3

Vertices
np
x1 y1 z1 ref1
...
xnp ynp znp refnp

avec np le nombre de nœuds du maillage, xi yi zi les coordonnées du point i et sa référence


refi

Triangles
nt
v11 v12 v13 ref1
...
1 v 2 v 3 ref
vnt nt nt 1

avec nt le nombre de triangles du maillage, vji le numéro du sommet j du triangle i et sa référence


refi

Quadrilaterals
nq
v11 v12 v13 v14 ref1
...
1 v 2 v 3 v 4 ref
vnt nt nt nt 1

avec nq le nombre de quadrilatères du maillage, vji le numéro du sommet j du quadrilatère i


et sa référence refi

Tetrahedra
ntet
v11 v12 v13 v14 ref1
...
1
vntet 2
vntet 3
vntet 4 ref
vntet 1
avec ntet le nombre de quadrilatères du maillage, vji le numéro du sommet j du tétraèdre i et sa
référence refi

Chapitre B Logiciel GHS3D Pierre-Yves DANIAU-CLAVREUL - 23 août 2005


Bibliographie

[BB02] L. Ballerini and L. Bocchio. Segmentation of liver images by texture and genetic
snakes. European Medical and Biological Engineering Conference, 2002.
[Bit02] J. Bittoun. Imagerie par résonance magnétique(IRM), 2002. http://www.kb.
u-psud.fr/kb/niveau2/enseignements/niveau3/etudmed/cours-irm/plan.
htm.
[BM92] P. Besl and N. McKay. A method for registration of 3-D shapes. IEEE Transactions
on Pattern Analysis and Machine Intelligence, 1992.
[Ca95] J. P. Cocquerez and al. Analyse d’images : filtrage et segmentation. MASSON, 1995.
[Cia85] P. Ciarlet. Introduction à l’analyse numérique matricielle et à l’optimisation. Mas-
son, Collection Mathématiques appliquées pour la maı̂trise, 1985.
[Cia88] P. Ciarlet. Three-dimensional elasticity. Mathematical Elasticity, Vol.I, North-
Holland, 1988.
[Coh91] L. Cohen. On active contour models and balloons. Computer Vision, Graphics, and
Image Processing, 1991.
[ES03] C. Hernandez Esteban and F. Schmitt. A snake approach for high quality image-
based 3D object modeling. 2nd IEEE Workshop on Variational, Geometric and
Level Set Methods in Computer Vision, 2003.
[FL05] W. Villisek Faucounau and R. Lédée. GVF3D, 2005. http://www.univ-orleans.
fr/lesi/index.php?accueil.
[Fre05] Pascal Frey, 2005. http://www.ann.jussieu.fr/∼frey/.
[Ga98] Jean Gao and al. A deformable model for human organ extraction. IEEE Proceedings
of International Conference on Image Processing (ICIP), 1998.
[Gei93] B. Geiger. NUAGES, 1993. http://www-sop.inria.fr/prisme/personnel/
geiger/geiger.html.
[Geo97] P. L. George. GHS3D, 1997. http://www-rocq1.inria.fr/gamma/ghs3d/ghs.
html.
[Hal03a] Y. O. Halchenkoy. Iterative closest point algorithm : L1 error approach via linear
programming, 2003. http://www.onerussian.com/classes/cis780.
[Hal03b] Y. O. Halchenkoy. Simple implementation of ICP using Matlab. attempt to devise
L1 fit error solution, 2003. http://www.onerussian.com/classes/cis780.
[KVPG02] B. Kastler, D. Vetter, Z. Patay, and P. Germain. Comprendre l’IRM : 5ème édition.
MASSON, 2002.
[KWT87] M. Kass, A. Witkin, and Terzopolous. Snakes : Active contour models. International
Journal of Computer Vision, 1987.
[LL86] L. D. Landau and E. M. Lifshitz. Theory of elasticity. Pergamon Press, Oxford, 3rd
Edition, 1986.

50
BIBLIOGRAPHIE 51

[LTA02] R.J. Lapeer, AC Tan, and R. Aldridge. A combined approach to 3D medical image
segmentation using marker-based watersheds and active contours : the active water-
shed method. Medical Image Understanding and Analysis, 2002.
[Ma03] T Mäkelä and al. A 3-D model-based registration approach for the PET, MR and
MCG cardiac data fusion. Medical Image Analysis 7, 2003.
[MBHP04] R. Martin, N. Bordes, T. Hugh, and B. Pailthorpe. Semi-automatic feature delinea-
tion in medical images. In Proc. Australasian Symposium on Information Visuali-
sation, Conferences in Research and Practice in Information Technology, 2004.
[Mon99] J. Montagnat. Modèles déformables pour la segmentation et la modélisation d’images
médicales 2D et 3D. Thèse de doctorat, Université de Nice Sophia-Antipolis, 1999.
[MV98] J. B .A. Maintz and M. A. Viergever. A survey of medical image registration. Medical
Image Analysis volume 2, 1998.
[oM96] Geometry Center University of Minnesota. geomview, 1996. http://www.
geomview.org/.
[PGH93] V. N. Parthasarathy, C. M. Graichen, and A. F. Hathaway. A comparison of tetra-
hedron quality measures. Finite Elements in Analysis and Design, 1993.
[Pha02] Quoc Cuong Pham. Segmentation et mise en correspondance en imagerie cardiaque
multimodale conduites par un modèle anatomique bi-cavités du cœur. Thèse de
doctorat, 2002.
[Péq02] J. Péquignot. Optimisation géométrique locale de maillages tétraédriques. rapport
de DEA,. Tech. rep., INRIA Sophia-Antipolis, projets Epidaure-Sinus, 2002.
[PX97] Prince and Xu. Gradient vector flow : A new external force for snakes. IEEE
Procedding Conference on Computer Vision and Pattern Recognition, 1997.
[RAO04] Xavier Ripoche, Jamal Atif, and Angel Osorio. A 3d discrete deformable model
guided by mutual information for medical image segmentation. Medical Imaging
2004 Conference, 2004.
[Res05] Magnetic Resonance. Magnetic resonance - technology information portal, 2005.
http://www.mr-tip.com/serv1.php.
[Sch03] J. M. Schartz. Calcul rapide de forces et de déformations mécaniques non-linéaire et
visco-élastiques pour la simulation en chirurgie. Thèse (PhD), Université de Laval,
Quebec, 2003.
[SVLM98] P. Schroeter, J.M. Vesin, T. Langenberger, and R. Meuli. Robust parameter estima-
tion of intensity distributions for brain magnetic resonance images. IEEE Transac-
tions on medical imaging, 1998.
[Vin01] Fabrice Vincent. Gabarits déformables élastiques pour la segmentation et le suivi de
mouvement du cœur en IRM. Thèse de doctorat, 2001.
[ZT87] O. Zienkiewicz and R. Taylor. The finite element method. McGraw Hill Book Co,
1987.

BIBLIOGRAPHIE Pierre-Yves DANIAU-CLAVREUL - 23 août 2005