Vous êtes sur la page 1sur 228

No dordre : 5062

` THESE
prsente pour obtenir le grade de e e Docteur de lUniversit Louis Pasteur - Strasbourg I e Ecole doctorale Discipline Spcialit e e : Mathmatiques, Sciences de lInformation et de lIngnieur e e : Electronique, Electrotechnique, Automatique : Traitement dImages et Vision par Ordinateur

Recalage non rigide dimages crbrales 3D e e avec contrainte de conservation de la topologie


Soutenue publiquement le 10 mars 2006 par

Vincent NOBLET

Membres du jury :
M M. M. M. M. M. Christian Patrick Ernest Christian Fabrice Jean-Paul BARILLOT Rapporteur externe IRISA, Rennes CLARYSSE Rapporteur externe CREATIS, Lyon HIRSCH Rapporteur interne LSIIT, Strasbourg HEINRICH Examinateur LSIIT, Strasbourg HEITZ Directeur de th`se e LSIIT, Strasbourg ARMSPACH Directeur de th`se e IPB, Strasbourg

Equipes daccueil
Laboratoires des Sciences de lImage, de lInformatique et de la Tldtection ee e UMR CNRS-ULP 7005 Institut de Physique Biologique UMR CNRS-ULP 7004

Remerciements
Je tiens tout dabord a remercier Monsieur Christian Barillot, Directeur de recherche ` a lInstitut de Recherche en Informatique et Syst`mes Alatoires (IRISA, Rennes), Mon` e e sieur Patrick Clarysse, Charg de recherche au Centre de Recherche et dApplications en e Traitement de lImage et du Signal (CREATIS, Lyon), et Monsieur Ernest Hirsch, Professeur a lEcole Nationale Suprieure de Physique de Strasbourg (ENSPS, Strasbourg), ` e davoir accept de rapporter ce travail de th`se. e e Je tiens ensuite a remercier mes deux directeurs de th`se, Monsieur Fabrice Heitz, ` e Professeur a lEcole Nationale Suprieure de Physique de Strasbourg (ENSPS, Stras` e bourg) et Monsieur Jean-Paul Armspach, Ingnieur de recherche a lInstitut de Physique e ` Biologique (IPB, Strasbourg) pour leur encadrement, leur complmentarit, et le cadre e e de travail privilgi quils ont su morir. e e Un norme merci a Christian Heinrich, Ma e ` tre de confrence a lEcole Nationale e ` Suprieure de Physique de Strasbourg (ENSPS, Strasbourg), qui a encadr et guid ce e e e travail. Je le remercie pour ce quil ma apport sur le plan scientique, pour la qualit e e de ses conseils, pour toutes les heures passes a la relecture attentive de mes direntes e ` e productions crites, pour sa disponibilit et sa bonne humeur. e e Ce travail de recherche a t men en troite collaboration entre le Laboratoire des ee e e Sciences de lImage, de lInformatique et de la Tldtection (LSIIT, Strasbourg) et ee e lInstitut de Physique Biologique (IPB, Strasbourg) dans le cadre dun projet multilaboratoires sur le th`me de l Imagerie et Robotique Mdicale et Chirurgicale . Jexe e prime toute ma reconnaissance a Monsieur Fabrice Heitz, directeur du LSIIT et Monsieur ` Daniel Grucker, directeur de lIPB, pour leur accueil dans leur laboratoire respectif. Je remercie aussi toutes les personnes que jai pu ctoyer au sein du LSIIT et de o lIPB, quelles soient titulaires, stagiaires ou doctorants. Je tenais tout particuli`rement e a remercier Aicha Beya Far, Marcel Bosc, Stphanie Bricq, Matthieu Brucher, Sylvain ` e Faisan, Farid Flitti, Redouane Khemmar, Nicolas Passat, Mathieu Tobie et Torbjrn Vik avec qui jai pu changer de nombreuses discussions, scientiques ou non, et qui ont e contribu a la bonne ambiance gnrale de lquipe. e` e e e Je tiens enn a remercier mes parents, ma sur, ma famille et mes amis de leur ` soutien pendant toutes ces annes. e

ii

Table des mati`res e


Introduction gnrale e e I Prsentation gnrale du probl`me e e e e 1 5
7 9 10 16 23 25 27 31 35 48 53

Introduction 1 Limagerie crbrale par rsonance magntique e e e e 1.1 Le cerveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Limagerie par rsonance magntique . . . . . . . . . . . . . . . . . . . . e e 2 Etat de lart sur le recalage 2.1 Problmatique gnrale . . . . . . . . . . . . . e e e 2.2 Approches denses vs. approches gomtriques e e 2.3 Crit`re de similarit . . . . . . . . . . . . . . . e e 2.4 Espace de recherche . . . . . . . . . . . . . . . 2.5 Estimation du mod`le de dformation . . . . . e e Conclusion partielle

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

II

Mthodologie e

55
57 59 59 60 61 63 65 66 68 73 91

Introduction 3 Mod`le de dformation e e 3.1 Dnition du mod`le de dformation e e e 3.2 Choix de la fonction dchelle . . . . e 3.3 Proprits du mod`le de dformation ee e e 3.4 Approche multichelle . . . . . . . . e

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

4 Conservation de la topologie 4.1 Problmatique gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . e e e 4.2 Etat de lart des mthodes garantissant la conservation de la topologie e 4.3 Recalage sous contraintes topologiques . . . . . . . . . . . . . . . . . 4.4 Contributions de la conservation de la topologie . . . . . . . . . . . .

. . . .

. . . .

iv

` TABLE DES MATIERES

5 Fonction de co t u 97 5.1 Terme dattache aux donnes . . . . . . . . . . . . . . . . . . . . . . . . 98 e 5.2 Terme relatif au mod`le de dformation . . . . . . . . . . . . . . . . . . . 105 e e 6 Normalisation dintensit e 111 6.1 Approches existantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.2 Normalisation dintensit : cas monomodal . . . . . . . . . . . . . . . . . 115 e 6.3 Normalisation dintensit : extension multimodale . . . . . . . . . . . . . 121 e 7 Mthodes doptimisation et mise en uvre du recalage e 129 7.1 Estimation des param`tres du mod`le de dformation . . . . . . . . . . . 129 e e e 7.2 Mise en uvre du recalage . . . . . . . . . . . . . . . . . . . . . . . . . . 134 7.3 Rcapitulatif de lalgorithme nal . . . . . . . . . . . . . . . . . . . . . . 137 e Conclusion partielle 139

III

Validation

141
143

Introduction

8 Mthodes de validation du recalage e 145 8.1 Etat de lart des mthodes de validation . . . . . . . . . . . . . . . . . . 146 e 8.2 Cadre de validation propos . . . . . . . . . . . . . . . . . . . . . . . . . 149 e 9 Rsultats e 157 9.1 Inuence des param`tres de la mthode de recalage propose . . . . . . . 158 e e e 9.2 Normalisation des intensits . . . . . . . . . . . . . . . . . . . . . . . . . 165 e 9.3 Comparaison entre direntes mthodes de recalage . . . . . . . . . . . . 168 e e 10 Discussion 10.1 Cadre de validation . . . . . . . . . . . . . . . . . . 10.2 Caractrisation de la mthode de recalage propose e e e 10.3 Normalisation des intensits . . . . . . . . . . . . . e 10.4 Comparaison des mthodes de recalage . . . . . . . e Conclusion partielle 175 175 178 180 181 183

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

Conclusion gnrale et perspectives e e IV Annexes

185 191
193 195

A Linarit du jacobien par rapport aux param`tres du mod`le e e e e B Concavit et convexit de Jm () et JM () e e

` TABLE DES MATIERES C Expressions analytiques du gradient et du hessien co t u C.1 Crit`re de similarit non symtris (quation 5.2) . . e e e e e C.2 Crit`re de similarit symtris (quation 5.6) . . . . . e e e e e C.3 Energie de membrane lastique (quation 5.8) . . . . e e D Publications

v de la fonction de 197 . . . . . . . . . . . 197 . . . . . . . . . . . 198 . . . . . . . . . . . 199 201

Bibliographie

202

vi

` TABLE DES MATIERES

Introduction gnrale e e
Limagerie mdicale joue dsormais un rle central dans les neurosciences, tant en e e o recherche fondamentale que dans laide au diagnostic ou a la dcision thrapeutique. ` e e La quantit croissante de donnes, souvent volumiques, mise a la disposition du prae e ` ticien, a motiv la conception de nouvelles mthodes automatiques pour lanalyse et e e linterprtation des images. e Une des problmatiques majeures est de pouvoir analyser et traiter plusieurs images e dans un rfrentiel commun. Ce probl`me, connu sous le nom de recalage, requiert lesee e timation dune transformation gomtrique permettant la superposition spatiale des cae e ractristiques correspondantes entre les images. Pour des images dun mme patient e e acquises avec des modalits dimagerie direntes, il sagit de dterminer une transe e e formation gomtrique simple caractrise par un faible nombre de param`tres (par e e e e e exemple rigide ou ane). Le cadre de ce travail concerne le recalage dimages tridimensionnelles de patients dirents, ncessitant lestimation de transformations ayant e e un nombre beaucoup plus important de degrs de libert, typiquement jusqu` plusieurs e e a centaines de milliers, pour la mise en correspondance non rigide de structures anatomiques crbrales. Lobjectif est ainsi de dterminer un champ de dformation qui, a ee e e ` chaque point dune image source, associe les coordonnes dans le rfrentiel dune image e ee cible, du point correspondant a la mme ralit anatomique. Nous considrons ici une ` e e e e reprsentation paramtrique multichelle du champ de dformation dans une base de e e e e fonctions B-splines. Une proprit souhaitable dune mthode de recalage non rigide est de prserver ee e e lintgrit des structures sujettes a dformation. Cette proprit, dnomme conservation e e ` e ee e e de la topologie, ncessite de restreindre lespace de recherche des transformations aux e seules solutions physiquement acceptables. Ce probl`me a dj` largement t abord dans e ea ee e la littrature mais souvent au prix de cots calculatoires prohibitifs dans le cas de mod`les e u e de dformation uide ou de mani`re non mathmatiquement rigoureuse en imposant cette e e e proprit uniquement sur la grille discr`te de limage. Une des contributions majeures ee e de cette th`se est de garantir cette proprit dans le cas 3D sur le domaine continu e ee sous-jacent de limage, tout en gardant des temps de calcul raisonnables. Les applications dune mthode de recalage non rigide sont nombreuses, le recae lage constituant une tape indispensable dans de nombreuses procdures de traitement e e dimages mdicales. Deux contextes dapplication peuvent tre distingus : le recalage e e e intra-individu qui traite des squences temporelles dimages provenant dun mme indie e vidu, et le recalage inter-individu qui fait la mise en correspondance entre des individus dirents ou entre un individu et un mod`le de rfrence (atlas). Les applications du e e ee recalage intra-individu sont notamment la dtection et le suivi dvolution de lsions e e e et la mesure datrophie ou dhypertrophie de certaines structures anatomiques. Les ap-

Introduction gnrale e e

plications du recalage inter-individu sont principalement la construction et lutilisation datlas probabilistes, par exemple pour la segmentation automatique par transport dun mod`le a priori ou pour lanalyse statistique de variations anatomiques ou fonctionnelles, e normales ou pathologiques, au sein dun groupe dindividus. Ce travail de recherche a t men en troite collaboration entre le Laboratoire des ee e e Sciences de lImage, de lInformatique et de la Tldtection (UMR CNRS-ULP 7005) ee e et lInstitut de Physique Biologique (UMR CNRS-ULP 7004) dans le cadre dun projet multi-laboratoires sur le th`me de l Imagerie et Robotique Mdicale et Chirurgicale e e (Equipe Projet Multi-Laboratoire N 9 du CNRS). Il sinscrit dans la continuit des trae vaux mens par Olivier Musse [Musse 00] qui portaient sur la prservation de la topologie e e dans le cas du recalage dimages bidimensionnelles. Ce travail comporte trois contributions nouvelles par rapport a la th`se dOlivier Musse. La premi`re contribution de ce ` e e travail est lextension de la contrainte de conservation de la topologie au cas 3D, tout en gardant des temps de calcul raisonnables, compatibles avec une application en routine clinique. Lestimation des param`tres revient d`s lors a rsoudre un probl`me doptimisae e ` e e tion sous contraintes imposant la positivit du jacobien de la transformation : il sagit de e dterminer les extrema globaux (minimum et maximum) du jacobien pour un jeu donn e e de param`tres de la transformation. Dans le cas 3D, contrairement au cas 2D, le jacobien e a une forme polynomiale non triviale. Nous avons eu recours a des techniques issues de ` lanalyse par intervalles pour dterminer ces extrema. La seconde contribution de ce trae vail concerne lamlioration de la mthode de recalage. Les points abords sont le choix e e e du crit`re de similarit et sa symtrisation, la rgularisation du champ de dformation, e e e e e et la normalisation des intensits entre les deux images. Dirents crit`res de similarit e e e e bass sur la dirence dintensit entre les images ont t tudis. Ces crit`res prsentant e e e e ee e e e linconvnient de ne pas accorder un rle symtrique aux deux images, le rsultat du e o e e recalage dpend du choix arbitraire dune image de rfrence. Une version symtrise du e ee e e crit`re a alors t introduite. Concernant la rgularisation, le choix dune nergie de type e ee e e membrane lastique a t fait. Par ailleurs, une mthode originale de normalisation des e ee e intensits a t propose, base sur lestimation dun mlange de gaussiennes a partir de e ee e e e ` lhistogramme conjoint des deux images. Cette mthode, dans un premier temps conue e c pour lever des dicults rencontres dans le cadre du recalage dimages monomodales, e e a permis dtendre la mthode au cas dimages IRM de pondrations direntes. La e e e e troisi`me contribution de ce travail est la validation de la mthode. Nous avons valu e e e e de faon approfondie linuence des dirents param`tres et nous avons eectu des c e e e comparaisons avec dautres mthodes. e Le mmoire de th`se se divise en trois parties. La premi`re partie est consacre a la e e e e ` prsentation gnrale du probl`me de recalage dimages crbrales. Nous proposons tout e e e e ee dabord une description succincte de lanatomie crbrale an de prsenter le contenu ee e des images, de comprendre les motivations qui conduisent a recaler des images crbrales ` ee et dmettre certaines hypoth`ses sur la nature de la transformation a estimer. Nous e e ` introduisons ensuite bri`vement limagerie par rsonance magntique (IRM), dans le but e e e dapprhender le sens physique de limage, de comprendre sa formation et de caractriser e e son contenu en terme de bruit et dartefacts. Enn, nous dressons un tat de lart des e direntes mthodes de recalage proposes dans la littrature. Celui-ci sarticule autour e e e e de quatre crit`res permettant de caractriser une mthode de recalage, a savoir linfore e e `

Introduction gnrale e e

mation utilise pour guider le recalage, le crit`re de similarit permettant de comparer e e e linformation extraite des images, le mod`le de dformation et la mthode permettant e e e destimer les param`tres du mod`le de dformation. e e e Dans la seconde partie, nous prsentons lensemble des dveloppements mthodoloe e e giques relatifs a lalgorithme de recalage propos. Dans un premier temps, nous dcrivons ` e e le mod`le de dformation exprim selon une approche multichelle dans une base de e e e e fonctions B-splines. Ensuite nous abordons le probl`me de la conservation de la toe pologie. Un tat de lart des solutions existantes est propos. Puis nous dtaillons les e e e direntes mthodes que nous avons mises en uvre pour rsoudre le probl`me de lese e e e timation des param`tres de la transformation sous la contrainte de positivit du jacoe e bien. Nous dcrivons notamment les direntes techniques issues de lanalyse par intere e valles que nous avons utilises pour rechercher les optima globaux du jacobien. Ensuite, e nous voquons certains aspects lis a la fonction de cot a optimiser pour lestimae e ` u ` tion des param`tres de la transformation. Elle est compose dun terme quantiant la e e ressemblance entre les images et dun terme pnalisant les comportements irrguliers e e du champ de dformation. Le choix de dirents crit`res de similarit est discut et le e e e e e probl`me de la symtrisation de ce crit`re par rapport au rle jou par les deux images e e e o e est abord. Une rgularisation de type membrane lastique a t choisie. Nous abordons e e e ee ensuite le probl`me de la normalisation des intensits. Apr`s un bref tat de lart, nous e e e e prsentons une mthode originale base sur lestimation dun mlange de gaussiennes a e e e e ` partir de lhistogramme conjoint des deux images. Cette mthode, propose dans un pree e mier temps dans le cas monomodal, permet aussi dtendre le recalage a des images IRM e ` de pondrations direntes. Enn, nous proposons un rcapitulatif de lalgorithme de e e e recalage en dtaillant les dirents lments complmentaires (prtraitements, mthode e e ee e e e doptimisation, rduction du nombre de param`tres,...) ncessaires a la mise en pratique e e e ` ecace de la mthode. e La troisi`me partie est consacre a la validation de la mthode de recalage. Apr`s un e e ` e e tat de lart des mthodes de validation existantes, nous dcrivons le cadre de validation e e e que nous avons propos, bas sur lutilisation de champs de dformation synthtiques, e e e e sur la construction dun cerveau moyen, sur la validation de la segmentation automatique par transport datlas, sur la mise en correspondance de certains amers ponctuels et sur la cohrence des champs de dformation estims. Les rsultats obtenus grce a lensemble de e e e e a ` ces crit`res sont prsents, permettant ainsi dvaluer linuence des dirents param`tres e e e e e e de la mthode (inuence de la rsolution nale, des contraintes sur le jacobien, du terme e e de rgularisation, du choix du crit`re de similarit, de la symtrisation du crit`re, de e e e e e la mthode de normalisation des intensits) et de comparer cet algorithme avec une e e mthode de recalage de rfrence, a savoir lalgorithme des dmons propos par Thirion e ee ` e e [Thirion 98] tel quil est implant au sein de la biblioth`que de traitement dimages e e mdicales ITK1 . e Lensemble des mthodes dveloppes a t intgr au sein dune plate-forme logie e e ee e e cielle ddie aux traitements dimages mdicales : Medimax. La mthode que nous avons e e e e propose pourra donc tre utilise avec avantage pour de nombreuses applications en e e e analyse dimages mdicales, notamment pour la construction et lutilisation datlas ainsi e que pour la dtection et le suivi dvolution de lsions qui font lobjet de travaux de e e e
1

http ://www.itk.org.

Introduction gnrale e e

recherche dans lquipe. Elle a en particulier dj` t utilise dans les travaux de th`se e eaee e e mens par Torbjrn Vik [Vik 04, Vik 05] et Nicolas Passat [Passat 05a, Passat 05b]. e

Premi`re partie e Prsentation gnrale du probl`me e e e e

Introduction
Cette premi`re partie prsente de mani`re gnrale lensemble des concepts relatifs au e e e e e recalage dimages crbrales. Le recalage est un outil fondamental en traitement dimages. ee Lobjectif est de dterminer une transformation spatiale entre deux images permettant e de mettre en correspondance des caractristiques quivalentes. Ses applications ne se e e limitent videmment pas a limagerie mdicale et concernent aussi dautres domaines e ` e comme limagerie satellitaire et la vision par ordinateur (stroscopie, reconnaissance ee de forme, estimation du mouvement). Nanmoins, tant donnes les spcicits lies e e e e e e au domaine applicatif de limagerie par rsonance magntique (IRM) crbrale, nous e e ee proposons un premier chapitre prsentant une description de lanatomie crbrale ainsi e ee quune introduction a limagerie par rsonance magntique. La partie consacre a la ` e e e ` description anatomique du cerveau a pour but de prsenter le contenu des images, de e comprendre les motivations qui conduisent a recaler des images de cerveau et dmettre ` e certaines hypoth`ses sur la nature de la transformation a estimer. Lintroduction a lIRM e ` ` permet dapprhender le sens physique sous-jacent a limage, de comprendre sa formation e ` et de caractriser son contenu en termes de bruit et dartefacts. Dans un second chapitre, e un tat de lart des direntes mthodes de recalage proposes dans la littrature est e e e e e dress. Il sarticule autour de quatre crit`res permettant de caractriser une mthode de e e e e recalage, a savoir linformation utilise pour guider le recalage, le crit`re de similarit ` e e e pour comparer linformation extraite des images, le mod`le de dformation et la mthode e e e permettant destimer le mod`le de dformation. Cette partie a pour vocation de donner e e au lecteur une vue densemble des mthodes existantes an de pouvoir mieux situer les e contributions que nous avons apportes. e

Introduction

Chapitre 1 Limagerie crbrale par rsonance e e e magntique e


Le cerveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.2 Variabilit morphologique interindividuelle . . . . . . . . e 1.1.3 Sur la lgitimit de recaler des images de cerveaux . . . . e e 1.1.4 Les modalits dobservation du cerveau . . . . . . . . . . e 1.2 Limagerie par rsonance magntique . . . . . . . . . . . e e 1.2.1 Principes physiques de la rsonance magntique nuclaire e e e 1.2.2 Formation des images . . . . . . . . . . . . . . . . . . . . 1.2.3 Pondration des images . . . . . . . . . . . . . . . . . . . e 1.2.4 Caractrisation des images IRM . . . . . . . . . . . . . . e 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 10 12 12 15 16 16 19 19 20

Ce premier chapitre est consacr a la description des images mdicales sur lesquelles e` e a port ce travail de th`se. La description propose est faite tant du point de vue du e e e contenu des images que des direntes caractristiques lies au processus dacquisition. e e e Il sav`re en eet tr`s important, en particulier dans le domaine du traitement dimages e e mdicales, de prendre conscience a la fois du sens physique des images li aux techniques e ` e dacquisition, et des considrations anatomiques lies a la structure tudie. Ces deux e e ` e e aspects permettent dintroduire des hypoth`ses justies du point de vue de la physique e e et de lanatomie lors de la conception dalgorithmes. Cette prise de conscience sins`re e aussi dans un contexte de collaboration pluridisciplinaire avec le monde mdical, an de e pouvoir mieux comprendre les attentes des mdecins. e Dans une premi`re partie, nous dcrivons bri`vement lanatomie crbrale an de e e e ee rendre compte du contenu des images. Ltude de la variabilit morphologique interindie e viduelle y est aborde, en particulier au travers du processus de morphogen`se crbrale e e ee qui nous permet dmettre des hypoth`ses quant a la nature de la dformation a estie e ` e ` mer. Direntes modalits dobservation du cerveau sont ensuite prsentes. La seconde e e e e partie de ce chapitre est consacre a limagerie par rsonance magntique (IRM). Nous e ` e e y dcrivons dans un premier temps les principes physiques de la rsonance magntique e e e nuclaire, puis la formation des images et les dirents contrastes possibles. Enn une e e

10

Limagerie crbrale par rsonance magntique e e e e

description des direntes caractristiques (nature du bruit et artefacts) des images IRM e e est prsente. e e

1.1
1.1.1

Le cerveau
Description

Bien que reprsentant seulement 2% du poids total du corps humain (soit environ 1,4 e kilogrammes), le cerveau g`re directement ou indirectement 98 % de ses fonctions. Il est e responsable des fonctions humaines les plus complexes comme la pense, la rsolution de e e probl`mes, les motions, la conscience et les comportements sociaux, et rgit les fonctions e e e essentielles du corps comme la respiration, le processus dalimentation, le sommeil, les mouvements et les cinq sens. En dpit de son extrme complexit, le cerveau nest compos que de deux types de e e e e cellules : les neurones et les cellules gliales. Les neurones sont des cellules nerveuses capables de recevoir et de transmettre linformation. Ils sont constitus dun corps cellulaire, e de plusieurs prolongements arents appels dendrites et dun prolongement erent e e e appel axone. Chaque neurone peut possder jusqu` 10 000 connexions avec dautres e e a neurones, ce qui conduit a un nombre tr`s lev de rseaux interconnects. Les cellules ` e e e e e gliales sont quant a elles des cellules de soutien qui contribuent a assurer le bon fonc` ` tionnement des neurones, sans participer directement au transfert de linformation. Le cerveau contient plus de 100 000 millions de neurones et encore davantage de cellules gliales. Dun point de vue macroscopique, deux principaux types de tissus peuvent tre dise tingus : la substance blanche et la substance grise. La substance blanche est princie palement forme par les axones des neurones et la substance grise correspond a des e ` agglomrations de corps cellulaires neuronaux. Les cellules gliales sont a la fois prsentes e ` e dans la substance blanche et dans la substance grise. Dun point de vue anatomique, lencphale est compos de trois structures princie e pales : le cerveau, le cervelet et le tronc crbral (gure 1.1-a). Le tronc crbral, situ a e e e e e` la base du cerveau, forme le lien entre le cortex crbral, la substance blanche et la moelle e e pini`re. Il reoit les informations transmises venant du corps entier via la moelle pini`re, e e c e e et g`re le niveau de vigilance ainsi que les fonctions vgtatives du corps (respiration, e e e rythme cardiaque, tension artrielle). Le cervelet est un centre nerveux rgulateur de la e e fonction motrice qui permet un contrle prcis de la posture et des mouvements. Le cero e veau est constitu quant a lui de deux hmisph`res (gauche et droit), qui sont constitus e ` e e e chacun de quatre lobes : le lobe frontal (intervient dans la pense, la conceptualisation, e la planication, lapprciation consciente des motions), le lobe parital (intervient pour e e e les gestes, lorientation et la reconnaissance spatiales, le calcul), le lobe occipital (principalement le si`ge de la vision) et le lobe temporal (ddi a linterprtation des sons, du e e e` e langage et de la mmoire). La surface externe du cerveau, appele cortex, est constitue e e e de nombreux renements et plis nomms respectivement scissures (ou sulci, ou encore e sillons) et circonvolutions (ou gyri). Ces circonvolutions sont si serres que seulement e environ 30% du cortex est en fait visible a partir de la surface extrieure. Le cortex joue ` e un rle important dans la fusion des informations provenant des direntes zones du o e cerveau. Il nous permet ainsi de percevoir, dinterprter et de ragir de faon adquate e e c e

1.1 Le cerveau a lenvironnement dans lequel nous sommes. `


Lobe parital Lobe frontal Corps calleux Ventricule Lobe occipital Noyaux accumbens Hypothalamus Hypophyse Protubrance annulaire Cervelet Canal mdullaire Lobe temporal Tronc crbral Moelle pinire Canal neural central de la moelle pinire Circonvolution du corps calleux Cortex crbral Thalamus

11

Colliculus suprieur et colliculus infrieur Cerveau moyen Cervelet

(a) Structure gnrale de lencphale

(b) Principales structures anatomiques crbrales

Circonvolution du corps calleux Thalamus Noyau caud Thalamus Putamen Pallidum Noyau amygdalien Bulbe olfactif Noyau amygdalien Hyppocampe Corps mamillaire Hypothalamus Fornix

(c) Noyaux gris centraux

(d) Systme limbique

Fig. 1.1 Anatomie http ://www.abieducation.com).

crbrale ee

(illustrations

modies e

dapr`s e

Parmi les autres rgions importantes de lencphale (gure 1.1-b), on compte notame e ment le corps calleux, le thalamus, lhypothalamus et les autres noyaux gris centraux, les ventricules et le syst`me limbique. Le corps calleux, compos denviron deux cents e e millions de bres nerveuses a conduction rapide, assure la liaison interhmisphrique. ` e e Les noyaux gris centraux (gure 1.1-c) sont composs du noyau caud, du putamen et e e du pallidum, et participent au contrle de la motricit. Le thalamus maintient un rseau o e e tendu de connexions avec le cortex et avec de nombreuses autres parties de lencphale, e e notamment les noyaux gris centraux, lhypothalamus et le tronc crbral. Il joue le rle de ee o relais qui trie les informations avant de les acheminer a la partie du cerveau charge de les ` e traiter. Lhypothalamus contrle le corps en dirigeant lhypophyse et le syst`me nerveux o e autonome. Ainsi, il rgule et dirige les comportements fondamentaux ncessaires a la sure e ` vie, a savoir lalimentation, le sommeil, la reproduction, la rgulation de la temprature ` e e et les motions. Les ventricules sont des cavits remplies de liquide cphalorachidien e e e (LCR) scrt par leur paroi. Le syst`me limbique (gure 1.1-d) nest quant a lui pas e ee e ` une structure, mais un rseau de voies nerveuses intgrant certaines structures situes en e e e profondeur dans les lobes temporaux. Il est le si`ge des motions, des dsirs, des besoins e e e et de la survie. Il est compos entre autres de lhypothalamus, de lhippocampe qui permet e la mmorisation a long terme, et de lamygdale qui enregistre et gn`re la peur. e ` e e Lencphale tant une structure assez fragile, il est protg par trois lignes de dfense. e e e e e La premi`re ligne est constitue du crne qui procure une protection osseuse contre les e e a chocs extrieurs. La seconde ligne de dfense est constitue de trois nes membranes qui e e e

12

Limagerie crbrale par rsonance magntique e e e e

entourent le cerveau et la moelle pini`re : les mninges (ou barri`re hmatoencphalique). e e e e e e Elles prot`gent lintgrit de la structure physique du cerveau, amortissent les chocs et e e e contrlent le transport de toutes les substances vers lintrieur et lextrieur du cerveau. o e e Enn la troisi`me ligne de dfense est le liquide cphalorachidien (LCR) qui se trouve e e e dans les ventricules du cerveau et entre les mninges. Il permet damortir les chocs et joue e le rle de mdium liquide permettant le transport des direntes substances achemines o e e e vers le cerveau ou scrtes par ce dernier. e ee

1.1.2

Variabilit morphologique interindividuelle e

Dans la section prcdente, nous avons dcrit lanatomie du cerveau ainsi que les e e e direntes fonctions associes a chacune des structures. Ces direntes structures sont e e ` e prsentes chez tous les individus sains mais di`rent grandement dun individu a lautre e e ` par leur taille et leur forme. Ces dirences au sein dune population constituent la vae riabilit morphologique interindividuelle. Cependant, ltat actuel des connaissances sur e e la nature de cette variabilit est relativement restreint. Une raison de cet tat de fait e e est que ltude anatomique du cerveau a t pendant longtemps apprhende uniquee ee e e ment par le biais de dissections post mortem, posant un certain nombre de limitations (possibilit dtude sur un cerveau uniquement suivant une direction de coupe, probl`me e e e de dformation li au dess`chement du cerveau et a lextraction de la bo crnienne, e e e ` te a dicult dobtenir un nombre important de cerveaux sains). Lav`nement des techniques e e dimagerie in vivo a permis de lever ces limitations et a ouvert la voie a de nouvelles ` perspectives de recherche dans ce domaine, notamment au travers de la construction datlas lectroniques anatomiques et fonctionnels. Plusieurs tudes ont ainsi t menes e e ee e pour tudier la variabilit de certaines structures anatomiques au sein dune populae e tion dindividus sains, tant du point de vue de la forme que du volume des structures [Blatter 95, Allen 02]. Ainsi, des dirences ont t mises en vidence sur le volume gloe ee e bal du cerveau suivant le sexe et lge ainsi que sur le volume de certaines structures a crbrales (ventricules, corps calleux, lobes crbraux). Des rsultats ont aussi montr ee ee e e que les deux hmisph`res crbraux ne sont pas symtriques. Enn, des travaux se sont e e ee e ports sur la variabilit corticale. Bien que les circonvolutions et sillons principaux (se e sure longitudinale, ssure transverse, sillon central, sillon latral, sillon pariro-occipital, e e gyrus prcentral et gyrus postcentral) soient relativement stables au sein dune populae tion, il nen est pas de mme pour les circonvolutions et sillons secondaires qui ne sont e parfois pas prsents chez un individu donn, et qui prsentent des formes et des localie e e sations tr`s direntes au sein dune population. Pour une discussion sur la variabilit e e e corticale et sur la modlisation du cortex, le lecteur pourra se rfrer a [Mangin 95]. e ee `

1.1.3

Sur la lgitimit de recaler des images de cerveaux e e

Le recalage non rigide dimages crbrales appara comme un outil fondamental pour ee t ltude de la variabilit morphologique interindividuelle. Il sagit destimer une transfore e mation qui associe a chaque point dune image le point dans lautre image correspondant ` a la mme ralit anatomique. Cette transformation caractrise compl`tement la varia` e e e e e bilit morphologique entre les deux images. Une hypoth`se classiquement faite est de e e supposer lexistence dune fonction permettant de mettre en correspondance les points des deux images de mani`re bijective. Cette proprit, connue aussi sous le nom de consere ee

1.1 Le cerveau

13

vation de la topologie, a motiv la contribution prsente au chapitre 4. Cette proprit e e e ee permet de garantir en particulier que lintgrit des structures dformes est prserve, e e e e e e cest-`-dire quil ny a ni dchirement ni apparition de trous lors de la dformation. Elle a e e permet aussi a des structures connexes de prserver leur relation dadjacence. Nous pro` e posons ici une br`ve discussion sur la lgitimit de cette hypoth`se. Pour ce faire, nous e e e e allons considrer les direntes tapes du dveloppement embryonnaire de lencphale. Le e e e e e point de dpart de la description que nous proposons commence a partir de la quatri`me e ` e semaine, d`s que le tube neural est form (gure 1.2-a). Lobjectif de cette description est e e de montrer que lensemble des tapes du dveloppement de lencphale, du tube neural e e e jusqu` sa maturation adulte, peut tre vu comme un ensemble de dformations consera e e vant la topologie (i.e., sans dchirement ni apparition de trou et conservant les relations e dadjacence).
(a) Tube neural (b) Vsicules crbrales primaires (c) Vsicules crbrales secondaires (d) Structures de lencphale adulte Cerveau : hmisphres crbraux (cortex, substance blanche, noyaux gris centraux) (e) Cavits de lencphale adulte Ventricules latraux, partie suprieure du troisime ventricule

Tlencphale Extrmit antrieure (rostrale) Prosencphale (cerveau antrieur) Diencphale

Diencphale (thalamus, hypothalamus, pithalamus)

Majeure partie du troisime ventricule

Msencphale (cerveau moyen)

Msencphale

Tronc crbral : msencphale

Aqueduc du msencphale

Rhombencphale (cerveau postrieur)

Mtencphale

Tronc crbral : pont Cervelet Quatrime ventricule

Extrmit postrieure (caudale)

Mylencphale

Tronc crbral : bulbe rachidien Moelle pinire Canal de lpendyme

Fig. 1.2 Dveloppement embryonnaire de lencphale humain (illustration modie e e e dapr`s [Marieb 93]). e D`s que le tube neural est form, il se direncie rapidement et donne naissance aux e e e dirents organes du syst`me nerveux central, la partie antrieure (ou rostrale) tant a e e e e ` lorigine de lencphale et la partie postrieure (ou caudale) de la moelle pini`re. Des e e e e constrictions apparaissent et dlimitent trois vsicules crbrales primaires (gure 1.2e e ee b) : le prosencphale (ou cerveau antrieur), le msencphale (ou cerveau moyen) et le e e e e ` rhombencphale (ou cerveau postrieur). A la cinqui`me semaine, cinq rgions appeles e e e e e vsicules crbrales secondaires apparaissent (gure 1.2-c). Le prosencphale se divise e ee e en tlencphale et en diencphale. Le msencphale ne subit aucune division. Le rhome e e e e bencphale se divise pour former le mtencphale et le mylencphale. Lvolution de e e e e e e ces cinq rgions conduit a la formation des principales structures de lencphale adulte e ` e (gure 1.2-d). Le tlencphale voit lmergence de deux renements se projetant vers e e e lavant qui sont a lorigine des deux hmisph`res crbraux. Le diencphale donne nais` e e ee e sance a lhypothalamus, au thalamus et a lpithalamus. Le mtencphale est a lorigine ` ` e e e ` du pont et du cervelet et le mylencphale du bulbe rachidien. Pour ce qui est de la e e cavit centrale du tube neural, elle slargit a quatre endroits pour former les ventricules e e ` crbraux (gure 1.2-e). ee La position relative des direntes parties de lencphale se modie galement au e e e cours de son dveloppement. La croissance tant entrave par les parois de la bo e e e te

14

Limagerie crbrale par rsonance magntique e e e e

Mtencphale Msencphale Diencphale Tlencphale Courbure cervicale Courbure msencphalique

(a)
Partie antrieure (rostrale)

Moelle pinire Partie postrieure (caudale)

Hmisphre crbral

Hmisphre crbral Contour du diencphale Cervelet Msencphale Cervelet Pont Pont

(d)
Bulbe rachidien

(b)

Bulbe rachidien Moelle pinire

Hmisphre crbral

Cervelet

(c)

Pont Bulbe rachidien Moelle pinire

Fig. 1.3 Consquence du manque despace au sein de la bo crnienne sur le e te a dveloppement de lencphale (illustration modie dapr`s [Marieb 93]) : (a) la fore e e e mation des deux grandes courbures a la cinqui`me semaine du dveloppement repousse ` e e le tlencphale et le diencphale vers le tronc crbral. Dveloppement des hmisph`res e e e ee e e e ` crbraux a (b) 13 semaines ; (c) 26 semaines ; (d) la naissance. A lorigine, la surface ee ` du cerveau est lisse ; les circonvolutions apparaissent au cours du dveloppement. Les e hmisph`res crbraux se dveloppent en direction postro-latrale et nissent par ree e ee e e e couvrir compl`tement le diencphale et la partie suprieure du tronc crbral. e e e ee

1.1 Le cerveau

15

crnienne, on observe lapparition de deux courbures : la courbure msencphalique et a e e la courbure cervicale (gure 1.3-a). Le manque despace au sein de la bo crnienne a te a aussi pour consquence darrter la projection des hmisph`res crbraux vers lavant et e e e e e e de les forcer a cro vers larri`re et les cts en fer a cheval (gure 1.3-b), jusqu` ce ` tre e oe ` a quils enveloppent presque compl`tement le diencphale et le msencphale (gure 1.3-c). e e e e ` A mesure que se poursuit la croissance des hmisph`res crbraux, leur surface se froisse e e ee et se plisse pour former des scissures et des circonvolutions (gure 1.3-d). Nous venons de dcrire le processus de formation de lencphale qui est identique e e pour tous les individus, exception faite de certains cas pathologiques. D`s lors, toutes les e structures crbrales sont prsentes chez lensemble dune population dindividus sains, ee e et les relations dadjacences entre ces structures, de par leur formation, sont les mmes. e Seules leur taille et leur forme varient. Nous pouvons donc considrer comme pertinente e lhypoth`se destimer une transformation satisfaisant a la proprit de conservation de e ` ee la topologie. Cette hypoth`se est valable aussi pour la mise en correspondance des zones e corticales, mme si le cortex prsente une topologie relativement complexe au premier e e abord (le nombre de sillons nest pas forcment identique chez lensemble des individus, e leur position est tr`s variable et ils prsentent parfois des discontinuits plus ou moins e e e marques). Cependant il semble bien quil soit topologiquement quivalent a une sph`re 1 e e ` e puisquil est le rsultat du froissement et du plissement des hmisph`res crbraux, ce e e e ee qui accrdite lhypoth`se de conservation de la topologie. e e

1.1.4

Les modalits dobservation du cerveau e

Direntes techniques dobservation du cerveau ont vu le jour au courant du xxe si`cle, e e permettant de rpondre aux limitations de la dissection post mortem qui tait jusqualors e e le seul moyen dtude du cerveau. Parmi les direntes techniques dobservation, nous e e pouvons distinguer celles apportant une information anatomique de celles apportant une information fonctionnelle. Concernant limagerie des structures anatomiques, deux techniques sont principalement utilises : le scanner X et limagerie par rsonance magntique (IRM). Le scanner e e e X met en vidence une dirence dabsorption de rayons X au travers des tissus et peut e e tre utilis avec un produit de contraste. Cette modalit dimagerie ore une bonne e e e rsolution spatiale (de lordre du millim`tre), mais soure dun contraste peu marqu e e e entre les tissus crbraux. Limagerie par rsonance magntique utilise des proprits ee e e ee physiques particuli`res des noyaux (en particulier celui de lhydrog`ne) en prsence dun e e e champ magntique. Cette technique, qui a le grand avantage de ne pas utiliser de rayons e ionisants, permet une rsolution spatiale millimtrique et, selon les variantes utilises, e e e ore des contrastes tr`s marqus entre les dirents tissus. Outre limagerie anatomique, e e e lIRM permet aussi de visualiser larbre vasculaire crbral, avec ou sans injection de ee produit de contraste, grce a langiographie par rsonance magntique (ARM). Cette a ` e e technique utilise le fait que le sang est en mouvement pour en augmenter le contraste par rapport aux tissus crbraux. LIRM permet aussi didentier les caractristiques ee e structurales et lorganisation gomtrique des tissus neuronaux grce a limagerie de dife e a ` fusion qui permet de caractriser la mani`re dont les molcules deau diusent au sein du e e e
Lhypoth`se dquivalence topologique du cortex avec une sph`re est aussi formule dans e e e e [Mangin 95].
1

16

Limagerie crbrale par rsonance magntique e e e e

cerveau. Il est mme possible danalyser les proprits biochimiques des dirents tissus e ee e grce a la spectroscopie par rsonance magntique. a ` e e Concernant les modalits dobservation fonctionnelle, nous pouvons distinguer deux e principales catgories : celles caractrisant un processus mtabolique crbral, en gnral e e e ee e e grce a lutilisation dun traceur, et celles mettant en vidence lactivit neuronale. Parmi a ` e e les direntes techniques dimagerie caractrisant le mtabolisme crbral, nous pouvons e e e ee citer la tomographie par mission de positons (TEP) et la tomographie par mission e e monophotonique (TEMP). Toutes les deux utilisent un traceur radioactif pour marquer une molcule intervenant dans le processus mtabolique a tudier. La rsolution e e ` e e spatiale de ces mthodes est relativement faible, de lordre de 3 a 6 mm. Concere ` nant les mthodes permettant de caractriser lactivit neuronale, nous pouvons citer e e e llectroencphalographie (EEG), la magntoencphalographie (MEG) et limagerie par e e e e rsonance magntique fonctionnelle (IRMf). LEEG et la MEG sont bases sur la mesure e e e ponctuelle de signaux respectivement lectriques et magntiques a laide dlectrodes. e e ` e LIRMf mesure quant a elle les variations locales du taux doxygnation sanguin lies a ` e e ` lactivit neuronale. e Le cadre de travail de ce mmoire se limite a la mise en correspondance de zones e ` anatomiques crbrales observes grce a lIRM. La partie suivante est donc consacre a ee e a ` e ` une description plus dtaille de cette modalit dimagerie. e e e

1.2

Limagerie par rsonance magntique e e

Cette partie est consacre a une description succincte de limagerie par rsonance e ` e magntique (IRM). Dans un premier temps nous expliquons les fondements physiques de e la rsonance magntique nuclaire (RMN), puis nous voquons la formation des images e e e e et les dirents contrastes possibles. Enn, nous caractrisons le contenu des images e e IRM de par la nature du bruit et les artefacts qui peuvent tre rencontrs. Le lecteur e e dsireux dobtenir plus de dtails concernant les dirents points abords dans cette e e e e partie pourra se rfrer a [Desgrez 94] ainsi quau site internet propose par Joseph P. ee ` e Hornak a ladresse suivante : http ://www.cis.rit.edu/htbooks/mri/. `

1.2.1

Principes physiques de la rsonance magntique nuclaire e e e

La rsonance magntique nuclaire (RMN) est une proprit physique caractristique e e e ee e des noyaux atomiques. Placs dans un champ magntique B0 , les noyaux atomiques, e e caractriss par un moment magntique , sorientent par rapport a laxe du champ B0 e e e ` et prcessent autour de celui-ci avec une frquence caractristique f0 = B0 (frquence e e e e de Larmor), tant le rapport gyromagntique du noyau considr (gure 1.4-a). e e ee Le noyau dhydrog`ne, abondamment prsent dans le corps humain sous forme de e e molcules deau, est caractris par un spin pouvant tre dans deux tats dnergie pose e e e e e 1 1 1 sibles : ltat + 2 (ou spin up) et ltat 2 (ou spin down). Les spins dans ltat + 2 e e e salignent suivant la mme direction que le champ principal B0 et les spins dans ltat e e 1 2 salignent dans le sens oppos. Ltat dnergie + 1 tant lg`rement plus stable, le e e e e e e 2 nombre de spins orients suivant la direction du champ B0 est lg`rement plus important. e e e D`s lors, la somme de toutes les aimantations lmentaires est non nulle. Laimantation e ee rsultante, note M0 , est donc dirige suivant laxe du champ magntique et sa valeur est e e e e

1.2 Limagerie par rsonance magntique e e

17

(a)

(b)

Fig. 1.4 Mouvement de prcession en prsence dun champ magntique B0 (a) du spin e e e dun noyau et (b) dun groupe de spins. naturellement proportionnelle au nombre de noyaux dhydrog`ne. Les dphasages entre e e les mouvements de prcession des direntes aimantations lmentaires sont distribus e e ee e uniformment, de telle sorte que la composante transversale de laimantation rsultante e e est nulle (gure 1.4-b). Lapplication dun champ magntique B1 (appel impulsion radiofrquence) modul e e e e a la frquence de Larmor du noyau tudi et orient perpendiculairement au champ ` e e e e B0 , a pour consquence de synchroniser les mouvements de prcession de lensemble des e e spins2 . Il appara d`s lors une composante transversale de laimantation M0 , note Mxy . t e e Le vecteur aimantation M0 tend a basculer dans le plan transverse avec un certain angle ` , la valeur de cet angle tant relie a lnergie du champ B1 . La composante transversale e e ` e Mxy prcesse de mani`re synchrone avec le champ B1 (gure 1.5). e e

Fig. 1.5 Basculement de laimantation M0 sous leet dune impulsion radiofrquence e B1 .


Si le champ B1 na pas une frquence gale ou tr`s proche de la frquence de Larmor du noyau e e e e considr, les spins restent aligns avec le champ B0 . ee e
2

  " #! 0 )' 1#(  2 & 53 #4 86 97   $

18

Limagerie crbrale par rsonance magntique e e e e

Lintrt de la RMN rside justement dans lobservation du retour a lquilibre des ee e ` e spins apr`s avoir subi laction dune impulsion radiofrquence. Ce retour a lquilibre est e e ` e caractris par deux processus de relaxation (gure 1.6). Le premier processus de relaxae e tion concerne le dphasage des spins entre eux ayant pour consquence de faire tendre e e la composante transversale Mxy de laimantation vers 0 (gure 1.6-c). Il est caractris e e par un temps de relaxation transversale not T2 . Le deuxi`me processus de relaxation est e e caractris par le basculement de lorientation des spins qui tendent a nouveau a salie e ` ` gner suivant la direction du champ principal B0 . Ce changement dorientation contribue a laugmentation de la composante longitudinale Mz de laimantation (gure 1.6-b). Ce ` processus est caractris par un temps de relaxation longitudinale not T1 . Les temps e e e de relaxation T1 et T2 sont des caractristiques lies aux proprits physiques des objets e e ee tudis. e e
100%

50%

100%

50%

(a)

Fig. 1.6 Retour a ltat dquilibre des spins : illustration de lvolution (a) de lai` e e e mantation M0 , (b) de la valeur de laimantation longitudinale Mz et (c) de la valeur de laimantation transversale Mxy . En pratique, lacquisition du signal RMN se droule de la mani`re suivante (gure e e 1.7) : lchantillon a tudier est plac dans un champ magntique B0 , induisant un tat e `e e e e dquilibre des spins dont laimantation rsultante est colinaire a B0 . Une impulsion rae e e ` diofrquence (RF) B1 a la frquence de rsonance du noyau tudi perturbe cet quilibre. e ` e e e e e ` larrt de limpulsion RF, le syst`me retourne a son tat dquilibre initial. Lors du A e e ` e e retour a lquilibre, seule la composante transversale Mxy de laimantation est mesure ` e e grce a une antenne rceptrice. Le signal acquis est appel signal de prcession libre ou a ` e e e FID (Free Induction Decay). Sa transforme de Fourier est une raie centre autour de la e e frquence de rsonance du noyau tudi. Ce signal caractrise trois grandeurs physiques e e e e e de la mati`re a savoir la densit de protons, le temps de relaxation longitudinale T 1 et e ` e le temps de relaxation transversale T2 . La densit de protons conditionne lamplitude e maximale du FID. Le temps de relaxation T2 caractrise la dcroissance exponentielle de e e lenveloppe du FID. Linformation sur le temps de relaxation T1 nest pas directement visible sur lvolution de laimantation transversale, mais peut tre mis en vidence par e e e une srie dimpulsions RF rapproches dans le temps de telle mani`re que laimantation e e e rsultante nait pas le temps datteindre sa position dquilibre entre deux impulsions e e

& '%

!

0 $( )

# $"
(b)
t

  

  
(c)
t

1.2 Limagerie par rsonance magntique e e

19

Antenne metrice

Antenne rceptrice

Impulsion radiofrquence

Signal de prcession libre (FID)

Spectre RMN

Fig. 1.7 Principe dune mesure RMN : lchantillon est plac dans le champ magntique e e e B0 . Une impulsion radiofrquence B1 a la frquence de rsonance du noyau tudi vient e ` e e e e exciter lchantillon. Une antenne rceptrice permet ensuite dacqurir le signal RMN, e e e appel signal de prcession libre ou FID (Free Induction Decay), dont la transforme de e e e Fourier est une raie centre autour de la frquence de rsonance du noyau tudi. e e e e e (squence saturation-rcupration). e e e

1.2.2

Formation des images

Nous avons vu prcdemment que, dans un champ homog`ne, tous les noyaux rsonnent e e e e a la mme frquence. Il ny a donc aucune possibilit de discrimination spatiale entre des ` e e e signaux provenant de deux points distincts de lchantillon. Pour discriminer spatialee ment le signal des dirents points de lchantillon, lide suivante est utilise : comme la e e e e frquence de rsonance dpend de la valeur du champ magntique, il sut que le point e e e e que lon veut enregistrer a un moment donn subisse un champ magntique dirent des ` e e e autres. Pour ce faire, des gradients de champ sont utiliss dans les trois directions de e ` lespace. Un exemple facile a comprendre est celui de la slection de tranche. A la place ` e dutiliser un champ principal B0 constant suivant laxe z, on consid`re un champ variant e linairement en fonction de z. D`s lors, chaque tranche de lchantillon, correspondant a e e e ` un plan z = z0 , est caractrise par une frquence de rsonance dirente. Pour obtenir e e e e e le signal dune seule coupe, il sut dexciter avec une impulsion RF ayant la frquence de e rsonance correspondante. Lencodage des dirents points dun plan donn est un peu e e e plus complexe mais repose aussi sur lutilisation de gradients de champ suivant les deux autres directions (gradient de phase et gradient de lecture). Il existe une multitude de squences dacquisition permettant le codage de limage (GE3D, EPI, RARE, FLAIR). e Chaque squence est caractrise par une volution temporelle et squentielle bien dnie e e e e e e des gradients de champ suivant chacune des directions.

1.2.3

Pondration des images e

Nous avons galement vu que le signal RMN dpend de trois caractristiques phye e e siques, a savoir la densit de protons (note ), le temps de relaxation longitudinale ` e e T1 et le temps de relaxation transversale T2 . Il est possible de caractriser plus partie culi`rement la variation de lune de ces grandeurs physiques dans limage en jouant sur e deux param`tres de lacquisition : le temps dacquisition (Te ) et le temps de rptition e e e

S
Aimant

Transforme de Fourier

20

Limagerie crbrale par rsonance magntique e e e e

(Tr ). Le temps dacquisition est la dure qui spare limpulsion RF de lacquisition du e e signal RMN. Le temps de rptition correspond a la dure entre deux impulsions RF. e e ` e Il est possible de modliser linuence de ces dirents param`tres sur lintensit S du e e e e signal RMN de la mani`re suivante : e S (1 e
Tr T
1

)e

Te T2

(1.1)

En ralit, la complexit des squences dacquisition des images induit une relation entre e e e e le signal S et les param`tres T1 , T2 et beaucoup plus complexe que celle dcrite par e e lquation 1.1, mais le principe voqu prcdemment reste valable. La gure 1.8 illustre e e e e e direntes pondrations3 possibles dans lacquisition des images. On remarque que les e e contrastes entre les dirents tissus crbraux (substance blanche, substance grise et e ee liquide cphalorachidien) sont tr`s dirents en fonction de la pondration choisie. e e e e

(a)

(b)

(c)

Fig. 1.8 Direntes modalits dimages crbrales IRM (images issues de e e ee http ://www.bic.mni.mcgill.ca/brainweb) [Kwan 96, Collins 98] : (a) pondration T 1 ; (b) e pondration T2 ; (c) pondration en densit de protons. e e e

1.2.4

Caractrisation des images IRM e

Dans cette partie, nous allons voquer certaines caractristiques des images IRM qui e e sont troitement lies au processus dacquisition de limage. Nous voquons dans un e e e premier temps direntes modlisations possibles du bruit dans les images, puis nous e e dcrivons les principaux artefacts rencontrs. La prise en compte de ces deux aspects est e e essentielle lors de la conception dalgorithmes de traitement dimages an dassurer leur robustesse. Dirents mod`les sont utiliss pour dcrire le bruit dans les images IRM en fonction e e e e de lintensit du signal. Dans les zones o` il ny a pas de signal, le bruit peut tre modlis e u e e e par une loi de Rayleigh. Sur le reste de limage, un mod`le de bruit ricien sav`re plus e e adapt. Cependant en pratique, un mod`le de bruit gaussien est gnralement utilis, ce e e e e e qui est en particulier valable dans les rgions o` le rapport signal a bruit nest pas trop e u ` faible [Gudbjartsson 95].
On parle de pondration car en fonction des param`tres de lacquisition il est possible daccentuer e e limportance de leet dun des param`tres physiques parmi la densit de protons, le temps de relaxation e e longitudinale ou transversale, mais le signal RMN ne saranchit pas des autres grandeurs.
3

1.2 Limagerie par rsonance magntique e e

21

Plusieurs types dartefacts, dirents par leur nature et leur origine, peuvent tre e e observs dans les images IRM. Une catgorie dartefacts se manifeste par exemple par e e des distorsions gomtriques dans limage (gure 1.9-b1 et 1.9-b2 ). Les causes de ces e e distorsions sont principalement lies aux inhomognits du champ principal B0 et a des e e e e ` probl`mes de linarit des gradients de champ. Certains prtraitements ont t proposs e e e e ee e pour corriger ces artefacts dans limage en utilisant par exemple des mthodes de recae lage non rigide [Kybic 00]. Dautres types dartefacts se manifestent par des variations lentes de lintensit dans limage (gure 1.9-c). Elles sont lies aux inhomognits du e e e e e champ principal B0 et du champ radiofrquence B1 (inhomognit RF). De nombreuses e e e e mthodes ont aussi t proposes pour corriger ces variations spatiales dintensits dans e ee e e limage [Sled 98, Styner 00, Arnold 01, Luo 05]. Enn, parmi les autres catgories dare

(a)

(b1 )

(b2 )

(c)

(d)

Fig. 1.9 Dirents types dartefacts prsents dans les images IRM (images issues e e de http ://bic.beckman.uiuc.edu/mriartgallery) : (a) image de rfrence ; (b 1 ) distorsion ee gomtrique lie aux inhomognits du champ B0 ; (b2 ) soustraction de (b1 ) avec limage e e e e e e de rfrence an de mettre en vidence les distorsions gomtriques ; (c) distorsion du ee e e e prol dintensit lie aux inhomognits du champ radiofrquence B1 ; (d) artefact de e e e e e e mouvement. tefacts, on pourra citer ceux lis aux mouvements (gure 1.9-d) (mouvement du patient, e mouvement respiratoire, mouvement cardiaque, ux sanguin), les probl`mes de repliee ment spectral, les probl`mes doscillations de Gibbs, etc. Pour une liste plus compl`te e e de lensemble des artefacts observs dans les images IRM, le lecteur pourra se rfrer a e ee ` [Jezzard 00] ou a ladresse suivante : http ://www.mritutor.org/mritutor/artifact.htm. `

22

Limagerie crbrale par rsonance magntique e e e e

Chapitre 2 Etat de lart sur le recalage


2.1 Problmatique gnrale . . . . . . . . . . . . . . e e e 2.1.1 Formalisation du probl`me et notations . . . . e 2.1.2 Passage au domaine discret . . . . . . . . . . . Approches denses vs. approches gomtriques e e 2.2.1 Les mthodes gomtriques . . . . . . . . . . . e e e 2.2.2 Les mthodes denses . . . . . . . . . . . . . . . e 2.2.3 Les approches mixtes . . . . . . . . . . . . . . Crit`re de similarit . . . . . . . . . . . . . . . . e e 2.3.1 Distances entre primitives gomtriques . . . . e e 2.3.2 Crit`res de similarit denses . . . . . . . . . . . e e Espace de recherche . . . . . . . . . . . . . . . . 2.4.1 Mod`les de dformation . . . . . . . . . . . . . e e 2.4.2 Contrainte sur le mod`le de dformation . . . . e e Estimation du mod`le de dformation . . . . . e e 2.5.1 Mthodes doptimisation . . . . . . . . . . . . . e 2.5.2 Approches hirarchiques . . . . . . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 25 26 27 27 30 30 31 31 32 35 35 40 48 49 50

2.2

2.3

2.4

2.5

Le recalage dimages joue un rle central dans lanalyse et linterprtation des images o e mdicales. Un intrt croissant a t port a ce domaine de recherche durant ces 20 e ee ee e ` derni`res annes, se manifestant par une augmentation rguli`re du nombre de publie e e e cations annuelles sur le sujet. Lditorial du numro spcial recalage de novembre 2003 e e e de la revue IEEE Transactions on Medical Imaging [Pluim 03a] met en vidence ce e phnom`ne grce au dnombrement des publications rfrences dans Pubmed et dans la e e a e ee e base ISI Web of Science rpondant au crit`re de recherche image AND registration . e e Ce dnombrement ne prtend videmment pas tre exact, mais il re`te la tendance e e e e e gnrale de lvolution du nombre de publications (cf. gure 2.1). e e e Faire un tat de lart des direntes mthodes de recalage sav`re donc dlicat tant e e e e e e donn le nombre de publications sur le sujet. Cependant, nombre dauteurs se sont ate tels a cette lourde tche. On citera par exemple Brown [Brown 92], Glasbey et Mare ` a dia [Glasbey 98] ou plus rcemment Zitova et Flusser [Zitova 03]. Des tats de lart e e spciques au domaine de limagerie mdicale ont par ailleurs t proposs par Maintz et e e ee e

24

Etat de lart sur le recalage

Fig. 2.1 Dnombrement des publications parues chaque anne dans des journaux et e e rpondant aux crit`res de recherche image AND registration dans Pubmed et dans e e la base ISI Web of Science, la recherche dans la base ISI Web of Science ayant t ee conduite en ajoutant le terme medical ou clinical (illustration modie dapr`s e e [Pluim 03a]). Viergever [Maintz 98], Lester et Arridge [Lester 99], Barillot [Barillot 99], Hill et coll. [Hill 01], Makela et coll. [Makela 02], Hutton et Braun [Braun 03] et Crum et coll. [Crum 04b]. De nombreux ouvrages consacrs totalement ou partiellement au recalage e dimages mdicales sont aussi parus [Toga 99, Bankman 00, Hajnal 01]. Il est donc bien e entendu que le prsent tat de lart na en aucun cas pour vocation dtre exhaustif. Il e e e sagit ici de donner au lecteur une vue densemble des direntes mthodes proposes e e e dans la littrature an de mettre en vidence les problmatiques relatives au recalage e e e dimages mdicales et de pouvoir par la suite situer les contributions que nous avons e apportes par rapport aux mthodes existantes. e e Le recalage dimages pourrait se rsumer par le dplacement ou la dformation dune e e e image an quelle ressemble le plus possible a une autre. D`s lors, un certain nombre ` e de questions viennent a lesprit : quelles informations utiliser pour guider le recalage ? ` Comment dnir la ressemblance entre deux images ? Comment dformer une image ? e e Comment trouver la meilleure dformation ? Ces questions m`nent aux quatre crit`res e e e caractrisant une mthode de recalage [Brown 92, Barillot 99] : e e les attributs : ce sont les caractristiques, extraites des images, qui permettent de e guider le recalage. On distingue les attributs extrins`ques (par exemple des mare queurs externes xs sur le patient) et les attributs intrins`ques (information issue e e de limage, comme par exemple les niveaux de gris ou des primitives gomtriques e e extraites) ; le crit`re de similarit : il dnit une certaine distance entre les attributs des e e e images an de quantier la notion de ressemblance ; le mod`le de dformation : il conditionne la mani`re dont limage est gomtrie e e e e quement modie. Il peut tre global ou local et est caractris par un certain e e e e nombre de degrs de libert ; e e la stratgie doptimisation : cest la mthode qui permet de dterminer la e e e

2.1 Problmatique gnrale e e e

25

meilleure transformation au sens dun certain crit`re de similarit dans lespace e e de recherche dni par le mod`le de dformation. e e e Dans un premier temps, nous prsentons la problmatique gnrale du recalage. Nous e e e e discutons ensuite les dirents choix dattributs possibles en distinguant les mthodes e e gomtriques et les mthodes denses. Nous prsentons dans une troisi`me partie dirents e e e e e e crit`res de similarit. Une quatri`me partie est consacre aux mod`les de dformation, e e e e e e puis nous prsentons enn direntes stratgies doptimisation. e e e

2.1
2.1.1

Problmatique gnrale e e e
Formalisation du probl`me et notations e

Dans cette partie, nous allons poser le probl`me du recalage de mani`re plus formelle e e en introduisant les direntes notations utilises tout au long de ce document et en e e dcrivant le principe gnral de la procdure de recalage (gure 2.2). e e e e
Critre de similarit
u u tc rqh g e p i h g ec vas"aSfdb PIH "G %$#! &"  FDC B EA

Prtraitements

Modle de dformation

Fig. 2.2 Principe gnral du recalage de limage Ireca sur Iref : les images Ireca et Iref e e sont construites grce aux fonctions Freca et Fref par extraction des attributs des images a Ireca et Iref . Ireca est dforme grce a une transformation h. Un crit`re de similarit E e e a ` e e permet de quantier la ressemblance entre limage de rfrence et limage dforme. La ee e e phase doptimisation consiste a dterminer la transformation optimale qui minimise E. ` e Considrons le recalage dune image Ireca : reca IR sur une image de rfrence Iref : e ee ref IR. Les supports reca et ref des images sont des sous-ensembles de IRd (d=2 dans le cas dimages 2D, 3 dans le cas dimages 3D ou 2D+t et 4 dans le cas dimages 3D+t). s dsigne un point du domaine ref . Le probl`me de mise en correspondance des e e deux images consiste en lestimation dune transformation h : ref reca qui a chaque ` point s de limage de rfrence Iref associe les coordonnes h(s) = s + u(s) dans limage ee e Ireca , u reprsentant le champ de dformation. La transformation h est recherche parmi e e e un ensemble H de transformations, dnissant lespace de recherche des transformations. e Une tape prliminaire a lestimation de la transformation est lextraction a partir des e e ` ` images brutes Ireca et Iref des informations pertinentes (i.e., les attributs) permettant de guider le recalage. Ireca et Iref sont donc construites respectivement a partir de Ireca et ` Iref en utilisant les fonctions Freca et Fref . Ces fonctions peuvent regrouper une cha de ne

2 0( 9 7 0 4 2 0( 3&8@86531)'

` YW VUT R aX&SQ  

Optimisation

Mise jour de h

26

Etat de lart sur le recalage

traitements incluant par exemple lextraction de primitives gomtriques, la suppression e e dinhomognits de champ, la rduction du bruit, la segmentation du crne, lapplication e e e e a dune certaine transformation sur les intensits, lextraction de certaines caractristiques e e direntielles de limage, etc. e Une fois les informations extraites, il sagit de dnir une fonction dnergie E pere e mettant dassocier a un couple Ireca (h) et Iref une valeur permettant de quantier leur ` proximit ou bien leur ressemblance. Cette fonction E, appele aussi crit`re de similae e e rit, devrait thoriquement tre minimale (ou maximale) lorsque limage de rfrence et e e e ee limage a recaler sont en parfaite correspondance. ` La phase doptimisation consiste enn a trouver la transformation optimale h qui ` minimise (ou maximise) la fonction dnergie E sur lespace de recherche H. Le probl`me e e doptimisation peut ainsi tre formul de la mani`re suivante : e e e h = arg min E(Iref , Ireca (h)).
hH

(2.1)

2.1.2

Passage au domaine discret

Le probl`me de recalage tel quil a t prsent a enti`rement t formul dans le e ee e e e ee e domaine continu. Or, en pratique, la reprsentation utilise des images est discr`te. Les e e e points de la grille de limage dforme ne correspondent pas ncessairement avec les e e e points de la grille de limage de rfrence. D`s lors se pose le probl`me de lvaluation ee e e e des valeurs dune image pour des coordonnes non enti`res. Il est donc ncessaire davoir e e e recours a des mthodes dinterpolation. Le choix de la mthode dinterpolation est sujet ` e e a un compromis entre qualit et temps de calcul. Pour un tat de lart des direntes ` e e e mthodes dinterpolation utilises en imagerie mdicale, le lecteur pourra se rfrer a e e e ee ` [Lehmann 99, Thvenaz 00]. e Concernant le mod`le de dformation, il est important de souligner ici que, dans le e e formalisme prsent prcdemment, la transformation h correspond en ralit a linverse e e e e e e` de la dformation a appliquer a Ireca pour obtenir limage dforme. En eet, lutilisation e ` ` e e de la transformation directe, note f , consisterait a associer a chaque point de limage e ` ` Ireca ses nouvelles coordonnes (gure 2.3-a). D`s lors limage dforme Idf orme serait e e e e e e construite suivant la relation : Idf orme (f (s)) = Ireca (s). En utilisant la transformation e e inverse h, on associe a chaque point de limage dforme les coordonnes du point corres` e e e pondant dans limage Ireca (s). Limage dforme est donc construite grce a la relation e e a ` Idf orme (s) = Ireca (h(s)). Ces deux approches, quivalentes dans le cas continu sous e e e rserve que la relation f h = h f = Id soit vrie, di`rent signicativement lors du e e e e passage au domaine discret. En eet, pour comparer les images Iref et Idf orme , il est e e souhaitable quelles aient la mme grille dchantillonnage. En utilisant la transformae e tion directe, pour obtenir les valeurs de Idf orme en chaque point de la grille rguli`re, il e e e e est ncessaire de recourir a une mthode dinterpolation sur des chantillons ayant une e ` e e rpartition spatiale non rguli`re (gure 2.3-a) tandis quen utilisant la transformation e e e inverse, linterpolation est faite sur les chantillons placs sur la grille rguli`re de I reca e e e e (gure 2.3-b). En pratique, la seconde mthode utilisant la transformation inverse est e privilgie tant donn que les mthodes dinterpolation a partir dchantillons rpartis e e e e e ` e e sur une grille rguli`re sont beaucoup plus ecaces en termes de cot calculatoire et de e e u qualit dinterpolation. e

2.2 Approches denses vs. approches gomtriques e e

27

Fig. 2.3 Dirence entre lapproche par transformation directe et par transformation e inverse : la transformation directe ncessite une interpolation a partir dchantillons e ` e ayant une rpartition spatiale irrguli`re tandis que la transformation inverse ncessite e e e e une interpolation a partir dchantillons placs sur une grille rguli`re. ` e e e e

2.2

Approches denses vs. approches gomtriques e e

Le choix des attributs utiliss pour guider le recalage est crucial. Il est largement e conditionn par la nature des images a traiter. Deux approches se distinguent : les e ` mthodes gomtriques et les mthodes denses (qualies aussi de mthodes iconiques). e e e e e e Les mthodes gomtriques consistent a extraire (manuellement ou automatiquement) e e e ` des primitives gomtriques de limage (points, courbes ou surfaces) et a les mettre en e e ` correspondance. Les approches denses utilisent lensemble de linformation porte par les e niveaux de gris de limage, soit directement en comparant les intensits, soit en compae rant les valeurs de limage ayant subi un traitement (par exemple des caractristiques e direntielles de limage ou sa transforme de Fourier). Par ailleurs, des mthodes hye e e brides combinant ces direntes approches ont aussi t proposes. e ee e

2.2.1

Les mthodes gomtriques e e e

Les mthodes gomtriques sont bases sur lextraction dans les images de souse e e e ensembles de points homologues (primitives) quil sagit ensuite de mettre en correspondance. Le choix des primitives doit tre guid par un certain nombre de proprits e e ee [Zitova 03] : dtection facile et prcise, rpartition sur lensemble de limage, robustesse e e e au bruit, aux artefacts et aux dirents changements lis a lacquisition. Trois types de e e ` primitives gomtriques peuvent tre distingus : les points, les courbes et les surfaces. e e e e 2.2.1.1 Points

Lune des premi`res ides, assez naturelle, pour guider le recalage est lutilisation e e de points caractristiques, appels aussi amers (landmarks). Lobjectif est destimer e e une transformation, soit permettant dapparier exactement les points homologues, la dformation tant ensuite tendue a lensemble du domaine, soit minimisant un certain e e e `

4 0 3 2 1

    

! % ) ( ' & % % $ $ # "   

(a) Transformation directe

Valeur calculer par interpolation Valeur connue

(b) Transformation inverse

28

Etat de lart sur le recalage

crit`re faisant intervenir une distance gomtrique entre les points homologues. Les trae e e vaux prcuseurs dans ce domaine ont t proposs par Bookstein [Bookstein 89]. Dautres e ee e mthodes ont par la suite t proposes [Evans 91, Hill 91, Rohr 96, Ganser 04]. Deux e ee e types damers peuvent tre distingus : les amers extrins`ques et intrins`ques. Les amers e e e e extrins`ques sont des marqueurs externes (cadre strotaxique, vis ou marqueurs exe ee ternes colls sur la peau) visibles dans la modalit dimagerie. Les amers intrins`ques e e e sont dtermins a partir de limage, soit manuellement par un expert, soit automatiquee e ` ment ou semi-automatiquement en utilisant certaines proprits locales portes par les ee e niveaux de gris. Cependant, la plupart des mthodes gomtriques reposent sur une extraction mae e e nuelle, souvent dlicate, des amers. An de concevoir des algorithmes de recalage non e superviss, des mthodes dextraction automatique ont t proposes, bases sur la e e ee e e dtection doptimum de certains oprateurs direntiels [Thirion 94, Rohr 97, Rohr 99a]. e e e Amit propose une mthode de dtection automatique combinant a la fois les caractrise e ` e tiques de chaque amer (caractristiques issues de divers oprateurs locaux) ainsi que line e formation issue dun graphe permettant dintgrer des contraintes gomtriques sur la e e e relation spatiale entre les dirents amers [Amit 97]. Des mthodes spcialement ddies e e e e e a lidentication automatique dans les images IRM de certains points prsentant une ` e stabilit anatomique remarquable, a savoir la commissure antrieure (CA) et la commise ` e sure postrieure (CP) ont aussi t proposes [Verard 97]. Dautres approches utilisent e ee e des mod`les dformables pour segmenter certaines structures [Frantz 00, Alker 01]. Le e e mod`le paramtrique de la surface issu de la segmentation est ensuite utilis pour dtecter e e e e des points caractristiques de la surface (par exemple des points selle). Une approche sie milaire consiste a estimer un mod`le paramtrique 3D du prol dintensit pour eectuer ` e e e la dtection de points extremum ou de points selle [Wrz 05]. e o 2.2.1.2 Courbes

Lutilisation de courbes comme primitives gomtriques est tr`s intressante dans le e e e e contexte du recalage dimages crbrales, en particulier pour la mise en correspondance ee des sillons corticaux puisquils peuvent tre modliss par une reprsentation laire. e e e e La mthode la plus rpandue repose sur lextraction de lignes de crte [Bakircioglu 98, e e e Guziec 94, Guziec 97, Subsol 95, Subsol 96, Subsol 97, Subsol 98, Subsol 99, Pennec 00]. e e Les lignes de crte sont dnies comme les lieux dont la courbure principale est locae e lement maximale dans la direction principale associe. Leur extraction est faite soit e a partir des caractristiques direntielles portes par les niveaux de gris (algorithme ` e e e des marching lines [Thirion 96]), soit en eectuant au pralable une modlisation pae e ramtrique de la surface [Guziec 97]. Dautres mthodes ayant pour objectif dextraire e e e des primitives liniques de limage utilisent des outils de morphologie mathmatique e e [Collins 99, Royackkers 99]. Mangin propose lintroduction de contraintes topologiques pour la segmentation des sillons corticaux et lutilisation dun cadre markovien pour eectuer leur tiquetage grce a un mod`le structurel gnrique de la topographie cortie a ` e e e cale [Mangin 95]. Nanmoins, lextraction prcise ainsi que ltiquetage de ces primitives e e e restant un probl`me ardu, de nombreuses quipes continuent a recourir a des mthodes e e ` ` e manuelles ou semi-automatiques bases sur une dnition interactive de lignes ou de e e points dinitialisation a la surface du cerveau grce a un rendu surfacique 3D du cortex ` a ` [Ganser 04, Rangarajan 99, Thompson 97].

2.2 Approches denses vs. approches gomtriques e e 2.2.1.3 Surfaces

29

Les primitives sans doute les plus couramment utilises dans le contexte du recalage e dimages mdicales sont les surfaces. Elles sont obtenues par la segmentation1 de certaines e structures anatomiques. De nombreuses mthodes ont t proposes pour segmenter aue ee e tomatiquement certaines structures (cerveau, ventricules). Les mod`les dformables et e e les ensembles de niveaux (level set) apparaissent tre les mthodes privilgies dans e e e e ce domaine [Davatzikos 96, Davatzikos 97, Thompson 97, Thompson 99]. La popularit e des mod`les dformables est principalement lie a la possibilit dintroduire facilement e e e ` e des connaissances a priori, par exemple en utilisant un mod`le moyen et une base de e dformations propres associe [Cootes 95, Nikou 99, Fleute 99], ou bien en considrant e e e une nergie de rappel a partir dune forme de base [Montagnat 99]. Dautres mthodes e ` e utilisent par ailleurs des techniques telles que la ligne de partage des eaux [Cuisenaire 96], des dtecteurs de contours [Rizzo 97] ou des oprateurs de morphologie mathmatique e e e [Hunter 99].

2.2.1.4

Avantages et limites des mthodes gomtriques e e e

Le principal avantage des approches gomtriques est la manipulation dune reprsene e e tation compacte de limage, ayant pour consquence une charge calculatoire beaucoup e plus faible que dans le cas des mthodes denses. De plus, les primitives utilises portent e e une information de haut niveau, souvent plus discriminante que linformation dintensit e et base sur des considrations anatomiques. Ces mthodes permettent enn de safe e e franchir des probl`mes lis a lacquisition de limage2 (artefacts, mise en correspondance e e ` dintensit). e Linconvnient majeur de ces approches est li a limprcision relative a lextrace e ` e ` tion des primitives. Certains travaux tentent de modliser cette erreur pour la prendre e en compte dans lestimation du mod`le de dformations [Rohr 01]. Une autre limite e e concerne la prcision du recalage qui nest garantie que dans le voisinage des primitives. e ` A noter aussi que le choix optimal des primitives pour guider le recalage demeure une question ouverte. Enn, les points dune mme primitive courbe ou surfacique donne e e sont indiscernables. Leur mise en correspondance sav`re donc compl`tement arbitraire, e e le choix tant gnralement fait destimer la transformation la plus lisse possible au sens e e e dun certain crit`re de rgularit, ce qui ne correspond pas forcment a une ralit anae e e e ` e e tomique. Pour remdier a ce probl`me, Rohr et coll. proposent dassocier a chaque point e ` e ` de la primitive une signature contenant des informations sur lorientation et la courbure de la primitive en ce point [Rohr 99b]. Enn un inconvnient majeur tient au fait que e lextraction des primitives est souvent manuelle ou semi-automatique, mme si plusieurs e quipes travaillent sur la conception de mthodes didentication automatiques. e e
La segmentation des structures anatomiques donne un rsultat volumique. Nanmoins, seules les e e interfaces entre rgions apportent une information pour le recalage. Cest pour cette raison quil sagit e bien de primitives surfaciques. 2 Nanmoins ces probl`mes peuvent intervenir lors de lextraction des primitives. e e
1

30

Etat de lart sur le recalage

2.2.2
2.2.2.1

Les mthodes denses e


Description

Contrairement aux mthodes gomtriques, les mthodes denses nutilisent pas une e e e e tape prliminaire de rduction des donnes. Elles utilisent linformation porte par lene e e e e semble des voxels de limage, soit en comparant directement les niveaux de gris des images, soit en associant a chaque voxel une valeur dtermine a partir des niveaux de ` e e ` gris et en comparant ces ensembles de valeurs. Il est par exemple possible de considrer e des mesures direntielles de limage [Van den Elsen 95, Maintz 96, Pluim 00]. Dautres e approches, reposant sur une segmentation sous-jacente de limage, associent a chaque ` voxel des probabilits dappartenance a chacune des classes [DAgostino 03] ou bien des e ` moments gomtriques invariants [Shen 02]. Dans ces approches, il ny a plus seulement e e une valeur associe a chaque voxel, mais un vecteur de valeurs, nomm parfois vecteur e ` e dattributs [Shen 02, Xue 04]. Enn dautres approches consistent a utiliser un espace de ` reprsentation dirent de limage, par exemple lespace de Fourier o` linformation de e e u phase peut tre utilise [Mellor 05], ou bien un espace correspondant a une dcomposition e e ` e de limage en ondelettes [Xue 04]. 2.2.2.2 Avantages et limites des approches denses

Lavantage principal des mthodes denses est dutiliser toute linformation porte par e e limage. De plus, elles sont pour la plupart compl`tement automatiques. e Nanmoins, ces mthodes sourent de plusieurs inconvnients. Le premier est li au e e e e cot calculatoire important d au fait de devoir considrer chacun des voxels de limage. u u e Des approches hirarchiques par construction de pyramides dimages ont t proposes e ee e pour diminuer les temps de calculs (cf. section 2.5.2). Un autre probl`me est li au fait e e que la relation entre les intensits des deux images nest pas forcment triviale, en pare e ticulier dans le cas dimages multimodales. Certaines approches tentent de modliser e explicitement la relation entre les intensits par exemple par une transformation ane e (normalisation par moyenne et cart-type ou par rgression linaire) ou par une transfore e e mation polynomiale [Guimond 01]. Un tat de lart plus complet relatif aux direntes e e mthodes de normalisation dintensit est prsent dans le chapitre 6. Dautres approches e e e e prennent en compte une relation implicite sur les intensits par le choix dun certain e crit`re de similarit (cf. section 2.3.2). Il est a souligner aussi que les mthodes iconiques e e ` e sont sensibles au bruit et aux artefacts de limage ncessitant parfois le recours a des e ` pr-traitements (ltrage de limage, correction des inhomognits de champ). Enn, un e e e e dernier point ngatif concerne le probl`me doptimisation correspondant qui est bien plus e e dicile a rsoudre que dans le cas des mthodes gomtriques a cause de la prsence de ` e e e e ` e nombreux minima locaux dnergie (cf. section 2.5). e

2.2.3

Les approches mixtes

Par approches mixtes, nous entendons toutes les mthodes reposant sur la combie naison de plusieurs types dinformation dirents. Lide est damliorer la robustesse e e e de lalgorithme de recalage en combinant les avantages lis a chaque type dinformation e ` utilis. Trois cas peuvent tre distingus : la combinaison de primitives gomtriques de e e e e e

2.3 Crit`re de similarit e e

31

natures direntes, la combinaison de direntes informations issues des niveaux de gris e e et la combinaison des approches gomtriques et iconiques. e e Concernant la combinaison de primitives gomtriques de natures direntes, on e e e pourra se rfrer a [Yuille 92] pour la combinaison de points et de courbes, a [Hsu 99] ee ` ` pour la combinaison de courbes et de surfaces et a [Maurer 98] pour la combinaison de ` dirents types de surfaces. e Concernant les exemples de combinaison de direntes informations iconiques, on e peut citer Pluim et coll. qui utilisent a la fois le gradient de limage et linformation des ` niveaux de gris [Pluim 00] ainsi que Shen et coll. qui proposent dassocier a chaque voxel ` un vecteur dattributs compos de lintensit du voxel en question, de dirents moments e e e gomtriques invariants caractristiques du voisinage du voxel et dune information issue e e e de la segmentation en trois classes de limage (soit les probabilits dappartenance a e ` chacune des classes dans le cas dune segmentation oue, soit une tiquette associe au e e type de fronti`re entre classes dans le cas dune segmentation dure) [Shen 02]. e Enn, concernant lutilisation de certaines primitives gomtriques pour contraindre e e des mthodes iconiques, on peut citer [Johnson 02, Sorzano 05] pour la contrainte par e des damers ponctuels, et [Collins 96, Cachier 01, Cachier 03, Hellier 01a, Hellier 03b] pour la contrainte par des primitives courbes (sillons corticaux). Liu et coll. proposent par ailleurs une mthode hybride de recalage volumique et surfacique pour la mise en e correspondance des zones corticales [Liu 04].

2.3

Crit`re de similarit e e

Une fois dnie linformation a utiliser pour guider le recalage, il sagit de lui associer e ` un crit`re de similarit permettant de dnir une certaine distance entre deux images. e e e Ce crit`re doit tre caractris par une valeur minimale (ou maximale selon le cas) e e e e d`s lors que la ressemblance entre les images est la plus forte. Nous voquerons dans un e e premier temps les dirents crit`res de similarit utiliss pour mesurer une distance entre e e e e des primitives gomtriques, puis nous examinerons direntes catgories de crit`res de e e e e e similarit denses. e

2.3.1

Distances entre primitives gomtriques e e

Dirents crit`res ont t proposs dans la littrature pour mesurer des distances entre e e ee e e primitives gomtriques. On distinguera le cas des distances entre des points apparis 3 e e e identis dans les deux images et le cas des distances entre des ensembles de points e (courbes ou surfaces). Pour mesurer la distance entre des points correspondants, la norme euclidienne est classiquement utilise. Grce a ses proprits analytiques, elle permet, dans le cas du e a ` ee recalage rigide ou ane, de conduire a une solution analytique pour lestimation des ` param`tres de la transformation (mthode de Procrustes [Arun 87]). e e Pour mesurer la distance entre deux courbes ou deux surfaces, plusieurs approches sont possibles. Une premi`re ide utilise dans lalgorithme ICP (Iterative Closest Point) e e e
Dans le prsent tat de lart, nous passons sous silence les direntes mthodes permettant dape e e e parier des points extraits dans deux images. Le lecteur intress pourra se rfrer a [Chui 03] pour une e e ee ` classication des direntes mthodes, proposes dans le contexte de limagerie mdicale. e e e e
3

32

Etat de lart sur le recalage

[Besl 92] consiste a se ramener au probl`me prcdent de mesure de distance entre points ` e e e correspondants. Cet algorithme est compos de deux tapes ritres successivement. La e e e ee premi`re tape consiste a associer a chaque point de la primitive a recaler le point de e e ` ` ` la primitive de rfrence le plus proche. La seconde tape consiste ensuite a estimer ee e ` analytiquement la transformation grce a la mthode de Procrustes. a ` e Une autre ide pour construire une distance entre deux ensembles de points est de e considrer la moyenne du carr de la distance de chaque point de la primitive a recaler e e ` par rapport au point le plus proche de la primitive de rfrence dans la direction du ee centro de cette derni`re (distance utilise dans lalgorithme Head and Hat propos de e e e par Pelizarri et coll. [Pelizzari 89]). Une autre approche consiste a utiliser les cartes de distance. Une carte de distance ` est obtenue en xant a zro les voxels correspondant a des contours de lobjet de limage ` e ` de rfrence, puis en calculant par propagation, la distance associe a chaque voxel du ee e ` point de contour le plus proche. Lutilisation des cartes de distance permet de calculer de mani`re tr`s ecace la distance entre deux contours : il sut de faire la moyenne e e des valeurs de la carte de distance qui sont superposes avec les contours de limage a e ` dformer. Une distance couramment utilise pour la construction de cartes de distance e e du fait de son ecacit et de sa rapidit est la distance de chanfrein [Borgefors 88]. Elle e e constitue une bonne approximation de la distance euclidienne en tant plus rapide a e ` calculer. Enn, une autre mesure utilise pour caractriser la distance entre deux ensembles e e de points est la distance de Hausdor. En considrant une distance d(x, y) (par exemple e la distance euclidienne) entre deux points x et y, x appartenant a lensemble de points ` 1 et y appartenant a lensemble de points 2 , la distance de Hausdor entre les deux ` ensembles 1 et 2 est dnie de la mani`re suivante : e e dH (1 , 2 ) = max(sup inf d(x, y), sup inf d(x, y)).
x1 y2 y2 x1

(2.2)

Pour plus de dtails concernant les distances utilises pour le recalage de primitives e e gomtriques, le lecteur pourra se rfrer a ltat de lart propos dans [Veltkamp 99]. e e ee ` e e

2.3.2

Crit`res de similarit denses e e

Les crit`res de similarit denses permettent de comparer toute linformation porte e e e par les niveaux de gris de limage. Chaque crit`re fait une hypoth`se sur la relation qui e e lie les valeurs a comparer. Parmi les hypoth`ses faites sur la relation entre les intensits ` e e (ou toutes autres valeurs portant une information sur limage), on peut distinguer la relation identit, la relation ane, et de mani`re plus gnrale la relation fonctionnelle. Une e e e e approche encore plus gnrale consiste a considrer les images comme des ralisations e e ` e e de variables alatoires et a quantier une certaine dpendance entre elles en termes de e ` e distance entre distributions par exemple [Pluim 03b, Pluim 04]. Le choix du crit`re est e donc guid par les modalits des images a recaler, et fait lobjet dun compromis entre le e e ` temps de calcul, la robustesse et la gnralit de la relation quil permet dapprhender. e e e e Les crit`res permettant dapprhender des relations tr`s gnrales et complexes sont soue e e e e vent plus coteux a calculer et leur optimisation est plus dlicate (vitesse de convergence u ` e faible, prsence de nombreux minima locaux dnergie). Dautres approches consistent e e

2.3 Crit`re de similarit e e

33

a estimer de mani`re explicite cette relation lors dune tape de normalisation des in` e e tensits. Ces approches seront discutes dans le chapitre 6. Pour plus dinformations e e concernant les dirents crit`res denses proposs dans la littrature, le lecteur pourra se e e e e rfrer a [Hill 00, Sarrut 00]. ee ` Relation identit. La premi`re ide pour le recalage dimages monomodales est de e e e faire lhypoth`se que les intensits des voxels qui se correspondent dans les deux images e e sont gales a un bruit blanc gaussien pr`s. Les approches reposant sur cette hypoth`se mie ` e e nimisent gnralement des crit`res bass sur la dirence entre les intensits des images. e e e e e e Le crit`re le plus couramment utilis en recalage monomodal est la norme L2 (ou crit`re e e e des moindres carrs) donne par la relation : e e L2 (Iref , Ireca (h)) = (Iref (s) Ireca (h(s)))2 ds, (2.3)

avec lintersection entre le support ref de Iref et limage du support reca de Ireca par la transformation h, i.e., = {s| s ref et h(s) reca }. Ce crit`re a cependant e linconvnient dtre tr`s sensible aux valeurs aberrantes. Dautres fonctions, comme la e e e norme L1 (dirence absolue des intensits) ou les fonctions dites robustes [Rousseeuw 87], e e bases sur la dirence inter-images, orent une moins grande sensibilit aux valeurs e e e aberrantes. Relation ane. En pratique, lhypoth`se de relation identit est rarement vrie, e e e e mme dans le cas monomodal. La valeur des intensits dans limage nayant pas de signie e cation physique intrins`que directe (i.e., la valeur des intensits dpend de linstrument e e e de mesure), il est ncessaire de prendre en compte une remise a lchelle des intensits e ` e e grce a une relation ane du type j = i+. Le coecient de corrlation linaire permet a ` e e justement dapprhender cette relation [Hill 00]. Son expression est la suivante : e (Iref , Ireca (h)) = avec Iref = Iref = 1 Iref Ireca h Iref (s) Iref Ireca (h(s)) Ireca ds, h (2.4)

Iref (s)ds, Iref (s) Iref


2

hreca = I
h ds, Ireca =

Ireca (h(s))ds, Ireca (h(s)) hreca I


2

ds.

Ce crit`re peut aussi tre formul de la mani`re suivante : e e e e 2 (Iref , Ireca (h)) = Cov(Iref , Ireca (h)) . V ar(Iref )V ar(Ireca (h)) (2.5)

Ainsi, ce crit`re, qui a une valeur comprise entre 1 et 1, mesure lexistence ou non e dune relation linaire entre les intensits des images Iref et Ireca (h). Une valeur nulle e e de ce crit`re signie que les deux images sont des ralisations de variables alatoires non e e e corrles, par consquent sans recalage sous-jacent. Il sagit donc au cours du recalage ee e de maximiser ce crit`re. Ce crit`re ayant linconvnient dtre tr`s sensible aux valeurs e e e e e aberrantes, une version robuste a t propose [Kim 04]. ee e

34

Etat de lart sur le recalage

Relation fonctionnelle. Bien que donnant gnralement de bons rsultats pour le ree e e calage dimages monomodales, lhypoth`se de relation ane nest plus du tout adapte e e quand il sagit dimages de modalits direntes. Une hypoth`se plus gnrale qui peut e e e e e alors tre faite dans ce cas est celle dune relation fonctionnelle du type j = f (i). Lhye poth`se dune relation fonctionnelle suppose qu` chaque intensit dune image donne e a e e peut tre associe une unique valeur dans la seconde image. Parmi les crit`res satisfaisant e e e cette hypoth`se, on citera le crit`re de Woods [Woods 93] et le rapport de corrlation e e e introduit dans le cadre du recalage par Roche [Roche 98, Roche 00b, Roche 01]. Le crit`re de Woods, propos pour le recalage multimodal IRM/PET, est bas sur la e e e mesure pour une valeur dintensit donne dans une image de la dispersion des intensits e e e des voxels correspondants dans lautre image. Lhypoth`se est faite que cette dispersion e est faible pour lensemble des intensits lorsque les images sont recales. Il sagit d`s lors e e e de minimiser le crit`re suivant : e I |j (2.6) W oods(Iref |Ireca (h)) = pj ref , Iref |j j avec Iref |j et Iref |j respectivement la moyenne et lcart-type des intensits observes e e e dans limage Iref correspondant aux voxels de limage Ireca (h) ayant lintensit j et pj la e frquence des voxels dans limage Ireca (h) ayant une intensit j. La normalisation par la e e moyenne permet de rendre le crit`re invariant si lon modie limage Iref par un facteur e multiplicatif. Le rapport de corrlation utilise la mme ide que le crit`re de Woods. En utilisant e e e e les mmes notations que prcdemment, son expression est la suivante : e e e (Iref |Ireca (h)) = 1 1
2 Iref j 2 pj Iref |j .

(2.7)

Les dirences avec le crit`re de Woods sont que les variances sont considres et non e e ee les carts-types, et que la normalisation est faite globalement par la variance de limage e et non pour chacun des termes par une moyenne. Notons que ces deux crit`res ont la e particularit de ne pas avoir une expression symtrique par rapport aux deux images. e e Cela est directement li a la notion de relation fonctionnelle qui nest pas symtrique. En e` e eet, lexistence dune fonction de Iref vers Ireca ne garantit pas lexistence dune fonction de Ireca vers Iref . Ainsi, Lau et coll. proposent de recourir a une version symtrise du ` e e rapport de corrlation [Lau 01] : e sym (Iref , Ireca (h)) = (Iref |Ireca (h)) + (Ireca (h)|Iref ). (2.8)

Relation de dpendance. Il est possible de considrer une relation encore moins e e restrictive que la relation fonctionnelle en introduisant la notion de dpendance. Les e images sont considres comme des ralisations de variables alatoires dont il sagit de ee e e caractriser la dpendance. Loutil utilis pour mettre en vidence cette dpendance est e e e e e lhistogramme conjoint. Les crit`res utiliss sont bass sur la mesure de la dispersion des e e e chantillons de lhistogramme avec pour ide que plus la dispersion est faible, plus forte e e est la dpendance entre les deux images (et donc meilleur est le recalage). Une autre e approche consiste a considrer la distance entre la distribution conjointe des images et ` e la distribution conjointe quauraient celles-ci sous lhypoth`se dindpendance. D`s lors e e e

2.4 Espace de recherche

35

tout un ensemble de fonctions permettant de mesurer la distance entre deux distributions existe (voir [Sarrut 00] pour une numration de plusieurs distances possibles). Parmi e e toutes ces mesures, linformation mutuelle est celle qui a connu le plus grand succ`s pour e le recalage dimages mdicales multimodales [Pluim 03b]. Son expression est donne par : e e pi,j , (2.9) IM (Iref , Ireca (h)) = pi,j log pi pj i j avec pi et pj respectivement la probabilit dun voxel de limage Iref davoir une intensit e e i et dun voxel de limage Ireca (h) davoir une intensit j, et pi,j la probabilit dun e e voxel davoir une intensit i dans Iref et j dans Ireca (h). Une interprtation intuitive e e possible de ce crit`re est de considrer quil mesure laptitude dune image a expliquer e e ` correctement lautre. Le cas le plus dfavorable est celui de deux images indpendantes e e (information mutuelle nulle) et le cas idal est celui pour lequel les deux images sont e parfaitement recales (information mutuelle maximum). Ces crit`res issus de la thorie e e e de linformation ont montr leur ecacit pour le recalage multimodal. Nanmoins, ils e e e sont complexes a optimiser car ils prsentent en gnral un paysage nergtique tr`s ` e e e e e e chahut (prsence de minima locaux dnergie, convergence vers des solutions aberrantes) e e e et requi`rent un cot calculatoire lev, ce qui a principalement limit leurs applications e u e e e pour des transformations ayant un faible nombre de degrs de libert (rigide et ane). e e Dautres critiques peuvent par ailleurs tre formules [Hill 00], notamment de perdre e e linformation spatiale lors du calcul du crit`re, dtre peu robuste d`s lors que le nombre e e e de voxels considrs est faible et de pouvoir tre mis en dfaut sur un bon nombre ee e e de cas synthtiques (voir [Roche 98] pour un exemple synthtique mettant en dfaut e e e linformation mutuelle).

2.4

Espace de recherche

Une fois dni le type dinformation a utiliser pour guider le recalage et le crit`re de e ` e similarit quantiant la ressemblance entre deux images, il sagit de dnir un mod`le e e e de dformation. Le choix du mod`le de dformation est lui aussi tr`s important et est e e e e guid par lapplication sous-jacente et les informations a priori disponibles sur la nature e de la dformation entre les images. e Nous allons dans un premier temps prsenter dirents mod`les de dformation pose e e e sibles, caractris chacun par un certain nombre de degrs de libert (DDL). Nous ferons e e e e la distinction entre les mod`les linaires et non linaires, ainsi quentre les mod`les gloe e e e baux et locaux. Dans un second temps, nous prsenterons les direntes contraintes e e qui peuvent tre introduites sur le mod`le de dformation. Parmi ces contraintes, nous e e e voquerons les contraintes de rgularit et de conservation de la topologie. Nous dcrirons e e e e aussi les approches consistant a considrer le mod`le de dformation a estimer comme la ` e e e ` solution dune quation aux drives partielles. Enn nous prsenterons la formulation e e e e baysienne qui ore un cadre probabiliste permettant dintroduire des connaissances a e priori sur le mod`le de dformation. e e

2.4.1

Mod`les de dformation e e

Parmi les dirents mod`les de dformation proposs dans la littrature, nous distine e e e e guerons les mod`les linaires qui regroupent les transformations rigide, mtrique, ane e e e

36

Etat de lart sur le recalage

et projective, et les mod`les non linaires qui ont un nombre de degrs de libert beaue e e e coup plus important. Une distinction peut aussi tre faite entre les mod`les globaux pour e e lesquels toute limage est prise en compte lors de lestimation de chacun des param`tres e de la transformation, et les mod`les locaux pour lesquels un ensemble de param`tres nafe e fectant chacun quune certaine rgion de limage peuvent tre estims indpendamment. e e e e Une illustration de la classication de ces dirents mod`les est donne gure 2.4. e e e
Transformation globale Transformation locale

Rigide

Affine

Image originale

Projective

Non linaire

Fig. 2.4 Exemples synthtiques illustrant leet de dirents types de transformations e e (cas 2D) [Maintz 98].

2.4.1.1

Mod`les linaires globaux e e

Transformation rigide. La transformation rigide consiste en lestimation de translations et de rotations an de repositionner un objet suppos rigide. Ce type de transfore mation conserve les distances, les angles et le paralllisme. Le nombre de DDL est de 3 e en 2D et de 6 en 3D. Ce mod`le est principalement utilis dans le contexte de limagerie e e mdicale pour recaler des images dun mme individu acquises a des instants dirents e e ` e ou pour direntes modalits dimagerie. e e Transformation mtrique. La transformation mtrique consiste en lestimation dun e e facteur dchelle isotrope en plus des translations et des rotations. Ce type de transformae tion conserve les angles, le paralllisme et le rapport des longueurs. Le nombre de DDL est e de 4 en 2D et 7 en 3D. Ce mod`le peut tre utilis dans le contexte de limagerie mdicale e e e e pour le recalage dimages dun mme individu provenant de modalits direntes pour e e e lesquelles la rsolution nest pas la mme. Cependant il est peu utilis tant donn que e e ee e les facteurs dchelle a estimer en pratique sont gnralement anisotropes. e ` e e

2.4 Espace de recherche

37

Transformation ane. La transformation ane autorise, en plus des rotations et des translations, de prendre en compte un facteur dchelle anisotrope et de modliser e e des cisaillements (shear ou skew ). Ce type de transformation conserve le paralllisme. e Le nombre de DDL est de 6 en 2D et de 12 en 3D. Ce mod`le est gnralement utilis e e e e dans le contexte de limagerie mdicale pour le recalage inter-individu, bien que son e faible nombre de DDL ne lui permette pas dapprhender avec prcision la variabilit e e e anatomique inter-individuelle. Transformation projective. La transformation projective est utilise principalement e pour prendre en compte les eets de perspective dans limage. Elle ne garantit plus le paralllisme mais impose que limage dune droite est une droite. Ce type de transfore mation est utilis dans le contexte de limagerie mdicale pour le recalage dimages 3D e e sur des images 2D. Les transformations rigide, mtrique, ane et projective sont dites linaires car elles e e peuvent tre formules en considrant les coordonnes homog`nes, grce a un produit e e e e e a ` matriciel, de la mani`re suivante : e x a00 a01 a02 b0 x y a10 a11 a22 b1 y (2.10) z = a20 a21 a22 b2 z , w a30 a31 a32 b3 w o` (x, y, z) et (x , y , z ) sont respectivement les coordonnes initiales et les coordonnes u e e transformes. La variable w vaut 1 si les coordonnes du point sont relles et 0 si le point e e e est projet a linni (dans le cas dune transformation projective). e` 2.4.1.2 Mod`les linaires locaux e e

Une mthode classique en recalage dimages mdicales et utilisant un mod`le linaire e e e e par morceaux est la normalisation dans le rfrentiel de Talairach [Talairach 88]. Cette ee mthode de rfrence dans le domaine clinique et dans le domaine des neurosciences est e ee base sur la dnition de deux points prsentant une stabilit anatomique remarquable, e e e e a savoir la commissure antrieure (CA) et la commissure postrieure (CP). Ces deux ` e e points sont dnis comme lintersection du plan inter-hmisphrique (plan de symtrie e e e e sagittale du cerveau) avec les commissures. Dapr`s les observations faites par Talairach e et Tournoux [Talairach 88], les dimensions du cerveau et la localisation des principales structures anatomiques sont globalement proportionnelles a la distance entre ces deux ` points. La normalisation dans le rep`re de Talairach consiste a diviser le cerveau en 12 e ` volumes lmentaires (cf. gure 2.5) sur chacun desquels est applique une transformation ee e ane. Cette mthode sav`re relativement prcise pour les structures avoisinant les points e e e CA et CP mais est peu adapte pour le recalage des zones corticales. e Plusieurs autres types de mod`les linaires par morceaux ont t proposs dans la e e ee e littrature. Ashburner et coll. proposent de considrer un maillage triangulaire de limage e e dans le cas 2D [Ashburner 99a] et ttragonal dans le cas 3D [Ashburner 00a], chaque some met du maillage correspondant aux centres des pixels/voxels de limage. La transformation est donc suppose ane sur chacun de ces triangles (resp. ttra`dres), les param`tres e e e e de chacune de ces transformations tant calculs de mani`re a mettre en correspondance e e e `

38

Etat de lart sur le recalage

(a)

(b)

(c)

Fig. 2.5 Dnition du rfrentiel de Talairach : (a) reprage des commissures antrieure e ee e e (CA) et postrieure (CP) dans le plan inter-hmisphrique (VCA et VCP sont les droites e e e du plan inter-hmisphrique, perpendiculaires a la droite CA-CP, et passant respectivee e ` ment par CA et CP) ; (b) dcoupage du cerveau en 12 volumes lmentaires ; (c) dnition e ee e des coordonnes associes au rfrentiel de Talairach. e e ee

les sommets des triangles (resp. ttra`dres) avec les points correspondants dans lautre e e image. Kochunov propose dutiliser une dcomposition de limage en oct-arbre et estime e pour chaque cube issu de la partition de limage une translation et un facteur dchelle e [Kochunov 99]. Hellier et coll. proposent de considrer, sur une partition de limage, des e transformations localement anes, rigides ou simplement des translations, le choix de la transformation tant fait en fonction du nombre de voxels du volume lmentaire e ee considr [Hellier 00, Hellier 01b]. Arsigny et coll. proposent lutilisation de transformaee tions polyrigides et polyanes [Arsigny 03, Arsigny 05]. Le mod`le de dformation est e e dni comme une somme de N transformations rigides et/ou anes notes Ti , dont chae e cune est caractrise par une certaine zone dinuence de nature gaussienne caractrise e e e e par un point dancrage de coordonnes ai , une distance typique i ainsi quun facteur e de pondration pi . La dformation globale sexprime d`s lors de la mani`re suivante : e e e e T (s) =
N i=1 pi N i=1

Gai ,i (s)Ti (s) pi Gai ,i (s)

(2.11)

Gai ,i reprsentant une gaussienne de moyenne ai et dcart-type i . Ce type de mod`le est e e e particuli`rement adapt a limagerie biologique pour le recalage de coupes histologiques e e` par exemple. 2.4.1.3 Mod`les non linaires e e

Les mod`les linaires nautorisant quun faible nombre de DDL, ils sont peu adapts e e e pour apprhender la variabilit anatomique inter-individuelle. Dans le contexte du recae e lage crbral inter-patient, il est donc ncessaire davoir recours a des transformations ee e ` ayant un grand nombre de DDL, capables de modier la forme globale des structures. De tels mod`les sont qualis de mod`les non rigides ou de mod`les dformables. e e e e e

2.4 Espace de recherche

39

Polynmes. Une extension assez naturelle des mod`les linaires est lutilisation dune o e e reprsentation polynomiale du champ de dformation. Pour un mod`le du second ordre e e e (30 DDL), lexpression des coordonnes transformes est donne par : e e e x a00 a01 a09 y a10 a11 a19 2 2 2 t (2.12) z = a20 a21 a29 x y z xy xz yz x y z 1 . 1 0 0 1

Le mod`le peut tre tendu a des polynmes dordre 3 (60 DDL), 4 (105 DDL), voire e e e ` o 5 (168 DDL) [Woods 98]. Les mod`les dordre suprieur ne sont plus adapts tant donn e e e e e certains artefacts indsirables lis a des phnom`nes doscillation. Un inconvnient des e e ` e e e mod`les polynomiaux est li a leur domaine dapplication qui est global a limage, les e e` ` rendant par consquent peu adapts pour la prise en compte de variations locales de e e forme. Base de fonctions. Au lieu dutiliser une combinaison linaire de monmes pour e o dcrire le champ de dformation, il est possible dtendre le mod`le en utilisant une e e e e combinaison linaire dune famille de fonctions i : e 1 (x, y, z) a00 a0n x . y a10 a1n . . = (2.13) z a20 a2n (x, y, z) . n 0 1 1 1

Des choix possibles pour i peuvent tre faits parmi des bases de fonctions trigoe nomtriques [Ashburner 99b], des bases dondelettes [Amit 94] ou des bases de fonctions e B-splines [Szeliski 97, Kybic 00, Musse 00, Musse 03, Kybic 03, Sorzano 05]. Dans le cas dune reprsentation du champ de dformation par des fonctions trigonomtriques, e e e chaque i est porteur dune information frquentielle (plus i est grand, plus le comportee ment est haute frquence). En tronquant a n le nombre total de fonctions, il est possible e ` de contrler le comportement frquentiel du champ de dformation estim. Dune mani`re o e e e e similaire grce a lapproche hirarchique permise par les bases dondelettes et les bases de a ` e fonctions dchelle, il est possible de contrler le comportement du champ de dformation e o e ` noter que en tronquant la dcomposition a une certaine rsolution (voir chapitre 3). A e ` e si le support des fonctions est compact, le mod`le de dformation nest plus global mais e e local. Base de fonctions radiales (Radial Basis Functions ou RBF). Principalement utilises pour le recalage gomtrique, les fonctions radiales permettent, a partir de plue e e ` sieurs points mis en correspondance, dinterpoler le champ de dformation pour quil e soit dni sur lensemble du volume. Etant donns n points de coordonnes (xi , yi , zi ) e e e et une fonction radiale g, lexpression de la transformation correspondante dnie sur e lensemble du volume est donne par : e n m x = Px (x, y, z) + i=1 i;x g(ri (x, y, z)) m y = Py (x, y, z) + n i;y g(ri (x, y, z)) (2.14) i=1 z = Pzm (x, y, z) + n i;z g(ri (x, y, z)) i=1

40

Etat de lart sur le recalage

m m avec Px (x, y, z),Py (x, y, z) et Pzm (x, y, z) des formes polynomiales dordre m donnant le comportement global de la transformation, (i;x , i;y , i;z ) les coecients caractrisant e le comportement local de la transformation et ri (x, y, z) la distance euclidienne du point (x, y, z) au ieme point, de coordonnes (xi , yi , zi ). Ces fonctions sont qualies de radiales e e car elles ne privilgient aucune direction. Plusieurs fonctions reportes dans la littrature e e e sont prsentes, a titre dexemple, dans le tableau 2.1. Les fonctions parmi les plus e e `

Fonction radiale g(ri ) Linaire e ri 2 2 Thin-Plate Spline (TPS) ri log ri (2D) Spline cubique ri 3 2 Multiquadrique (MQ) (ri + ) 2 Multiquadrique inverse (ri + ) 2 Gaussien eri / 3 2 Shifted-LOG log(ri + ) 2 Tab. 2.1 Direntes fonctions radiales e utilises en recalage gomtrique sont les Thin-Plate Splines (TPS) introduites dans e e e le contexte de limagerie mdicale par Bookstein [Bookstein 89]. Leur expression rend e compte de la dformation dune plaque mince dont plusieurs points sont contraints. e Lun des inconvnients majeur de ce mod`le est li au fait que le support des fonctions e e e radiales nest pas born. D`s lors chaque point de contrle a une inuence sur lensemble e e o du champ de dformation. e Free Form Deformations (FFD). Les Free Form Deformations (FFD), tr`s poe pulaires en synth`se dimage pour la dformation dobjets [Sederberg 86], ont aussi t e e ee utiliss en recalage dimages mdicales [Rueckert 99, Schnabel 01, Rohlng 03]. Cette e e approche consiste a considrer une grille rguli`re de points de contrle sous-jacente a ` e e e o ` limage, limage tant dforme en agissant sur chacun de ces points de contrle. Une e e e o fonction interpolante (par exemple une fonction B-spline dordre 3) assure au champ de dformation dtre lisse, continu et de classe C 2 . Lavantage principal des FFD rside e e e dans leur aptitude a estimer des dformations tr`s localises, leur permettant ainsi ` e e e dapprhender convenablement les variations locales de forme. e

2.4.2

Contrainte sur le mod`le de dformation e e

Plus le nombre de degrs de libert dun mod`le de dformation est grand, plus ce e e e e mod`le est capable destimer nement les dirences morphologiques entre les images. e e Cependant, d`s lors que le nombre de DDL est tr`s important, linformation porte par e e e limage nest plus susante pour estimer correctement lensemble des param`tres. Le e probl`me destimation est dit mal pos au sens de Hadamard4 . An de garantir lexise e tence dune solution unique et raliste, il est donc ncessaire dintroduire des contraintes e e
Un probl`me est dit bien pos au sens de Hadamard sil poss`de une solution unique dpendant e e e e continment des donnes. u e
4

2.4 Espace de recherche

41

supplmentaires sur la transformation. La bijectivit et la rgularit du champ de dfore e e e e mation sont des exemples de contraintes couramment utilises dans le contexte du recae lage dimages crbrales, la rgularit imposant au champ de dformation estim dtre ee e e e e e lisse et la bijectivit garantissant la conservation de la topologie, i.e., la prservation de e e lintgrit des structures dformes (la notion de conservation de la topologie est aborde e e e e e en dtail au chapitre 4). Une autre approche pour contraindre le mod`le de dformation e e e est de le considrer comme tant solution dune quation aux drives partielles. Enn e e e e e la formulation baysienne du probl`me de recalage permet dorir un cadre probabiliste e e permettant dintroduire des connaissances a priori sur le mod`le de dformation. e e 2.4.2.1 Rgularisation e

La notion de rgularisation aborde dans cette section concerne principalement les e e mthodes de recalage denses bases sur la minimisation dune fonction de cot. Pour e e u les mthodes gomtriques, la notion de rgularisation est porte implicitement par les e e e e e fonctions dinterpolation utilises (par exemple les Thin-Plate Splines qui rendent compte e de la dformation dune plaque mince dont plusieurs points sont contraints). e La rgularisation peut porter, soit sur le champ de dformation, soit sur lincrment e e e du champ de dformation (i.e., le champ de vitesse) estim a chaque itration. Le pree e` e mier cas correspond a lestimation de la transformation dans un cadre lagrangien (cest ` le cas des mod`les lastiques) tandis que le second correspond a lestimation de la transe e ` formation dans un cadre eulrien (cest le cas des mod`les uides) (cf. gure 2.6). La e e rgularisation sur le champ de vitesse autorise lestimation de plus grandes dformations e e que la rgularisation sur le champ de dformation qui impose une contrainte plus forte. e e Parmi les direntes mthodes de rgularisation, qui peuvent tre appliques aussi e e e e e bien sur le champ de dformation que sur le champ de vitesse, deux catgories peuvent e e principalement tre distingues [Cachier 03] : les approches comptitives et les approches e e e itratives. e Approches comptitives. Les approches comptitives consistent a ajouter au terme e e ` ESimilarit dattache aux donnes un terme ERgularisation de rgularisation qui pnalise les e e e e e variations brusques du champ de dformation. La solution obtenue lors de la minimisation e de la somme ESimilarit + ERgularisation permet de satisfaire un compromis entre lattache e e aux donnes et la rgularit de la solution, le coecient de pondration permettant e e e e de privilgier lun ou lautre des comportements. Le terme de rgularisation permet e e ainsi dempcher lestimation de petites dformations non ralistes qui noccasionneraient e e e quune faible dcroissance du crit`re de similarit. Direntes nergies de rgularisation e e e e e e ont t proposes dans la littrature, avec pour la plupart une interprtation lie a la ee e e e e ` mcanique des matriaux ou des uides. Cependant, tous ces termes de rgularisation e e e issus de la mcanique des matriaux sont dicilement justiables dun point de vue e e biologique. Il est donc dicile de prtendre que lun ou lautre est plus adapt au recalage e e dimages crbrales. ee Considrons une transformation h : dnie pour tout s par : e e h : s = [x; y; z]t [x + ux (s); y + uy (s); z + uz (s)]t . (2.15)

Parmi les dirents termes de rgularisation, il est possible de considrer lnergie de e e e e

42

Etat de lart sur le recalage

Estimation de la transformation dans un cadre lagrangien

Estimation de la transformation dans un cadre eulrien

Fig. 2.6 Illustration de la dirence entre lestimation dune transformation dans e un cadre lagrangien et dan[Gee 95]s un cadre eulrien : dans le cadre lagrangien, la e rgularisation porte sur le champ de dformation u tandis que dans le cadre eulrien, e e e la rgularisation porte sur le champ de vitesse v (on suppose ici que t = 1 entre deux e itrations). e membrane [Horn 81, Amit 91, Gee 97] dont lexpression est donne par : e EMembrane =
i{x,y,z} j{x,y,z}

ui (s) j

ds.

Une autre approche consiste a considrer lnergie dune plaque mince [Bookstein 89, ` e e Amit 94, Ashburner 99b, Rueckert 99, Rohlng 03] : EPlaque mince =
i{x,y,z} j{x,y,z} k{x,y,z}

2 ui (s) jk

ds.

Enn, un autre terme de rgularisation couramment utilis est lnergie lastique linaire e e e e e [Miller 93] : ui (s) i uj (s) + j uj ui (s) + (s) j i
2

EElastique =
i{x,y,z} j{x,y,z}

(2.18) o` et correspondent aux constantes de Lam caractrisant les proprits lastiques u e e ee e dun matriau. Contrairement a la plupart des nergies de rgularisation qui ont un eet e ` e e indpendant suivant chacune des coordonnes, i.e., sont de la forme E(u) = e(ux ) + e e e(uy ) + e(uz ), lnergie lastique linaire permet de rendre compte dun couplage entre e e e

vv rq x t s v rqu t s rq #"Ilw7p

#" o nm k "1lj

" ii edh g f ed #" !!      #"  22 &% ) ( ' &% #"10$

9 864 753 F EC A DB@ 

y x r w v t u s r i p hi fdbs aDWRTqRfg

e c S ` Y V X U S Q HP fdbU aDWRTP RIG

(2.16)

(2.17)

ds,

2.4 Espace de recherche

43

les dformations suivant les direntes coordonnes. Ce type de couplage appara comme e e e t ncessaire pour pouvoir apprhender des dformations ralistes car, dans un matriau, e e e e e la contrainte suivant un axe a aussi des consquences sur la position des points suivant e les autres axes [Cachier 04]. Cachier et Ayache proposent de dterminer lensemble des nergies de rgularisation e e e possibles ayant une forme direntielle quadratique isotropique du premier ordre et du see cond ordre [Cachier 04]. Une forme direntielle quadratique est une somme de produits e de deux drives partielles du champ de dformation. La proprit disotropie signie que e e e ee lnergie doit tre invariante par rotation et par symtrie miroir. Cachier et Ayache ont e e e ainsi dmontr que toutes les formes direntielles quadratiques isotropiques du premier e e e ordre peuvent scrire sous la forme : e q(u) = a1 tr( ut u) + a2 tr( u u) + a3 tr2 ( u), avec tr( ut u) = tr( u u) = 2 tr ( u) = uj i uj i ui i uj i ui j uj j (2.19)

, , , (2.20)

i{x,y,z} j{x,y,z}

i{x,y,z} j{x,y,z}

i{x,y,z} j{x,y,z}

et les ai tant des coecients rels. De la mme faon, toutes les formes direntielles e e e c e quadratiques isotropiques du second ordre peuvent scrire sous la forme : e q(u) = a1 Q1 (u) + a2 Q2 (u) + a3 Q3 (u) + a4 Q4 (u) + a5 Q5 (u), avec Q (u) 1 Q2 (u) Q3 (u) Q4 (u) Q (u) 5 2 uk ij 2 uj ij 2 uj ii 2 uk ij 2 uj ii 2 uk ij 2 uk ik 2 uj kk 2 ui kj 2 uk kj (2.21)

=
i{x,y,z} j{x,y,z} k{x,y,z}

, , , , , (2.22)

=
i{x,y,z} j{x,y,z} k{x,y,z}

=
i{x,y,z} j{x,y,z} k{x,y,z}

=
i{x,y,z} j{x,y,z} k{x,y,z}

=
i{x,y,z} j{x,y,z} k{x,y,z}

et les ai tant des coecients rels. Toutes les nergies prsentes dans les quations 2.16, e e e e e e 2.17, 2.18 sont ainsi des cas particuliers de formes direntielles quadratiques isotropiques e du premier et second degr. e Hellier et coll. proposent par ailleurs le recours a des M-estimateurs pour la construc` tion dnergies de rgularisation an dautoriser des changements locaux de topologie tout e e en prservant la rgularit globale du champ de dformation [Hellier 00, Hellier 01b]. e e e e

44

Etat de lart sur le recalage

Approches par ltrage itratif. Les approches par ltrage itratif, qualies aussi e e e par Cachier de mthodes Pair-and-Smooth (P&S) [Cachier 03], sont constitues de deux e e tapes. La premi`re tape correspond a lestimation des param`tres du mod`le sans e e e ` e e contrainte de rgularisation sur le champ de dformation. La seconde tape consiste a e e e ` rendre lisse le champ de dformation estim, en gnral grce a un ltrage. Ces deux e e e e a ` tapes sont rptes successivement jusqu` convergence des param`tres du mod`le. Plue e ee a e e sieurs types de ltrage ont t proposs an de lisser le champ de dformation. Un ee e e ` ltrage gaussien est par exemple utilis dans la mthode des dmons [Thirion 98]. A noe e e ter que le ltrage gaussien peut tre vu comme une rgularisation lastique sur le champ e e e [Cachier 04]. Bro-Nielsen et Gramkow proposent quant a eux un ltre permettant dap` procher une rgularisation de type uide en dterminant la rponse impulsionnelle de e e e loprateur dlasticit linaire [Bro-Nielsen 96]. Lapplication dun ltre mdian sur le e e e e e champ de dformation a par ailleurs aussi t propose [Lau 01]. Dans [Cachier 04], Cae ee e chier et Ayache proposent des ltres de convolution a appliquer dans le domaine de ` Fourier qui permettent de rendre compte des formes direntielles quadratiques isotroe piques du premier et second degr prsentes dans les quations 2.19 et 2.21. e e e e Cependant, ces mthodes ont pour inconvnient de ne pas tenir compte de linfore e mation porte par limage, ce qui est peu satisfaisant tant donn que le besoin de e e e rgularisation est plus important dans les rgions contenant peu dinformation (zone e e dintensits homog`nes par exemple). Cest pour cette raison que Stefanescu et coll. proe e posent dassocier en chaque point de limage un indice local de conance bas sur la e norme du gradient de limage, an de moduler les caractristiques du ltrage du champ e de dformation en fonction de linformation porte par limage [Stefanescu 04]. e e 2.4.2.2 Conservation de la topologie

Une proprit souhaitable pour un champ de dformation est la prservation de ee e e lintgrit des structures dformes. Cette proprit impose a la transformation dtre e e e e ee ` e continue, bijective et a inverse continue (i.e., dtre un homomorphisme). Direntes ` e e e mthodes ont vu le jour an de garantir cette proprit. Le chapitre 4 de ce mmoire est e ee e enti`rement consacr a ce probl`me. Un tat de lart dtaill des direntes mthodes e e` e e e e e e proposes dans la littrature pour garantir la conservation de la topologie y est prsent. e e e e 2.4.2.3 Equations aux drives partielles e e

Une autre approche permettant dintroduire des contraintes sur le mod`le de dfore e mation est de considrer le probl`me de recalage comme un probl`me physique, soit de e e e dformation mcanique (lastique ou uide), soit de diusion. Le champ de dformation e e e e a estimer est alors considr comme la solution dune quation aux drives partielles ` ee e e e (EDP). La nature du mod`le de dformation dpend de la mthode utilise pour la e e e e e rsolution de lEDP, soit par dirences nies (i.e., un mod`le non-paramtrique, a e e e e ` chaque voxel est associ un vecteur de dplacement), soit par lments nis (i.e., une e e ee combinaison linaire de fonctions). LEDP porte une information triple. Elle conditionne e dune part la rgularit du champ de dformation. Dautre part, elle prend en compte e e e implicitement un certain crit`re de similarit au travers de la force utilise pour faire e e e voluer le mod`le. e e

2.4 Espace de recherche

45

Mod`le lastique. Lide de considrer le recalage comme un probl`me de dformation e e e e e e lastique a t introduite par Broit, Bajcsy et Kovai [Broit 81, Bajcsy 82, Bajcsy 89]. e ee cc Bien que lhypoth`se de dformation lastique soit dicilement justiable biologiquee e e ment, cette approche est relativement sduisante car elle permet de garantir certaines e proprits aux champs de dformation, notamment de rgularit et de conservation ee e e e de la topologie. Limage a recaler est considre comme un matriau lastique dont ` ee e e la dformation u(x, y, z) engendre par une force extrieure F (x, y, z) est rgie par e e e e lquation de Navier : e
2

u(x, y, z) + ( + )

( u(x, y, z)) + F (x, y, z) = 0,

(2.23)

o` et correspondent aux coecients de Lam. La force F (x, y, z) tend a mettre en coru e ` respondance des caractristiques communes entre les deux images au sens dune certaine e distance D(Iref , Ireca (u)). Son expression est donne par le gradient de la distance par e rapport aux param`tres du champ de dformation : F (x, y, z) = D(Iref , Ireca (u)). La e e distance utilise peut tre dense [Gee 93, Gee 97, Gee 99, Ferrant 99] ou entre primitives e e gomtriques [Davatzikos 96, Davatzikos 97]. e e Le principal inconvnient de ces mthodes est li a leur cot calculatoire lev. Pour e e e` u e e remdier a ce probl`me, Broit propose, sous lhypoth`se de petits dplacements, de e ` e e e linariser lquation 2.23, permettant ainsi une formulation du probl`me en termes de e e e minimisation dune fonctionnelle intgrant une nergie rgularisante (cf. quation 2.18) e e e e [Broit 81]. Nanmoins, la linarisation du probl`me soure de deux inconvnients mae e e e jeurs, le premier tenant au fait que la proprit de conservation de la topologie nest d`s ee e lors plus garantie, le second tant li a lhypoth`se de faibles dplacements qui empche e e` e e e le mod`le dapprhender de grandes dformations. e e e Mod`le uide. Le mod`le lastique tant mal adapt pour lestimation de grandes e e e e e dformations, le recours a un mod`le uide de dformation est propos par Christensen e ` e e e et coll. [Christensen 96a, Christensen 96b, Christensen 97, Christensen 98, Miller 99]. Lide est de considrer limage non plus comme un matriau lastique dans un cadre e e e e lagrangien, mais comme un uide dans un cadre eulrien. Le cadre eulrien consiste a e e ` manipuler non pas directement le champ de dformation u(x, y, z) comme cest le cas e dans le cadre lagrangien, mais le champ de vitesse v(x, y, z) avec pour relation de passage entre les deux rfrentiels : ee v(x, y, z, t) = u(x, y, z, t) + v(x, y, z, t) u(x, y, z, t). t (2.24)

D`s lors le comportement dun uide est modlis par lquation de Navier-Stokes : e e e e
2

v(x, y, z) + ( + )

( v(x, y, z)) + F (x, y, z) = 0,

(2.25)

qui est la mme quation que pour le mod`le lastique (quation 2.23) a la dirence e e e e e ` e pr`s que celle-ci porte sur le champ de vitesse et non sur le champ de dformation. Le e e champ de vitesse est estim grce a lquation 2.25 puis le champ de dformation est e a ` e e dduit en utilisant lquation 2.24. La rsolution de ces EDP peut tre faite grce a des e e e e a ` mthodes itratives de relaxation (SOR : Successive over relaxation) [Christensen 96b]. e e Linconvnient majeur de ces approches est quelles sont encore plus coteuses en temps e u de calcul que les mthodes lastiques. e e

46

Etat de lart sur le recalage

Flot optique. Les mthodes de ot optique sont tr`s utilises en traitement dimages e e e pour lestimation du mouvement [Horn 81]. Ces mthodes reposent sur lhypoth`se que, e e dans une squence dimages, lintensit dun mme point reste constante au cours du e e e temps. Autrement dit, lintensit I dun point M de coordonnes (x, y, z) ayant parcouru e e un dplacement dM = (dx, dy, dz) pendant un laps de temps dt reste constante : e I(x, y, z, t) = I(x + dx, y + dy, z + dz, t + dt). (2.26)

Un dveloppement de Taylor du membre de droite en ngligeant les termes de degr e e e suprieur au premier ordre permet dobtenir lexpression suivante : e I x I y I z I + + + = 0, x t y t z t t ce qui peut scrire sous la forme plus compacte : e I u + t I = 0, (2.28) (2.27)

t I reprsentant la dirence temporelle entre les deux images, I le gradient spatial e e de limage et u le dplacement eectu pendant le laps de temps dt. Considrons le e e e cas de deux images Ireca (x, y, z) et Iref (x, y, z), Ireca (x, y, z) tant limage a recaler et e ` Iref (x, y, z) limage de rfrence. Sous lhypoth`se de petits dplacements, lquation 2.28 ee e e e scrit : e Iref (x, y, z) u(x, y, z) = Ireca (x, y, z) Iref (x, y, z). (2.29) D`s lors, lexpression de la projection u(x, y, z) de u(x, y, z) suivant la direction du e gradient de limage est donne par : e u(x, y, z) = (Iref (x, y, z) Ireca (x, y, z)) Iref (x, y, z) . Iref (x, y, z) 2 (2.30)

Cette expression devenant instable pour de faibles valeurs de [Thirion 98] propose lexpression suivante : u(x, y, z) =

Iref (x, y, z), Thirion (2.31)

(Ireca (x, y, z) Iref (x, y, z)) Iref (x, y, z) Iref (x, y, z) 2 + (Ireca (x, y, z) Iref (x, y, z))2 .

Grce a lquation 2.31, il est possible destimer itrativement la composante u du champ a ` e e de dformation u, suivant le gradient de limage. Pour estimer le champ de dformation e e u a partir de u, i.e., pour reconstruire la composante du champ de dformation perpen` e diculaire au gradient de limage, il est ncessaire dintroduire un a priori de rgularit. e e e Une possibilit, propose dans [Thirion 98], est davoir recours a un ltrage gaussien du e e ` champ de dformation apr`s chaque itration. e e e Mod`le de diusion. La mthode du ot optique peut tre considre comme un e e e ee cas particulier des mod`les de diusion, le plus connu des mod`les appliqus au recalage e e e dformable tant celui des dmons [Thirion 98]. Les contours des objets de limage de e e e rfrence Iref sont considrs comme des membranes semi-permables o` sont placs ee ee e u e des eecteurs appels dmons, caractriss par une orientation allant de lintrieur vers e e e e e lextrieur de lobjet. Les dmons sont des oprateurs qui tendent a appliquer, sur un e e e `

2.4 Espace de recherche

47

Fig. 2.7 Illustration des mod`les de diusion : une image dforme Ireca porte par une e e e e grille dformable sous-jacente est diuse au travers des contours des objets de limage e e de rfrence Iref sous laction deecteurs appels dmons (illustration modie dapr`s ee e e e e [Thirion 98]). point M de limage a recaler Ireca , une force F dirige vers lintrieur de lobjet de ` e e limage de rfrence si le point M a la mme polarit que lobjet, vers lextrieur dans le ee e e e cas contraire (cf. gure 2.7). La notion de polarit est lie a la notion de similarit entre e e ` e les images. Pour des images segmentes, la polarit est identique dans le cas o` le point e e u M a la mme tiquette que lobjet. Pour des images en niveau de gris, linformation de e e polarit est porte par le gradient du prol dintensit : le point M tend a aller dans la e e e ` direction indique par le gradient qui indique une intensit semblable dans lautre image. e e Les mthodes se direncient par la transformation utilise, la localisation des dmons e e e e et le calcul de la force associe. Dans le cas du ot optique, tout se passe comme si des e dmons taient placs sur des contours de mme intensit. La direction de la force est e e e e e donne par Iref (x, y, z) et son sens par le signe de (Ireca (x, y, z) Iref (x, y, z)). e 2.4.2.4 Formulation baysienne e

Lapproche baysienne ore un cadre probabiliste pour la formulation du probl`me e e de recalage, en particulier pour lintroduction da priori sur le mod`le de dformation. e e Soient deux images Iref et Ireca , et u le champ de dformation, paramtr dans un e e e espace de dimension nie, a estimer pour mettre les deux images en correspondance. ` Une mani`re de poser le probl`me destimation du champ de dformation est dutiliser e e e lestimateur au sens du maximum a posteriori (MAP) [Gee 95] : u = arg max p(u|Iref , Ireca ). u Or, dapr`s la r`gle de Bayes : e e p(u|Iref , Ireca ) = p(Iref , Ireca |u)p(u) p(Iref , Ireca |u)p(u), p(Iref , Ireca ) (2.33) (2.32)

t t u wt x wt u t yyyGvs %    '&$#" ! 

g e d hf Sy Xhfd 1 A4 7 6 54 3 210 ) '&$#@ 89 (

R P H F CE SQIGDB

{hyvyyp#nm'Xi z x w uo r t s r q o l i k j ` r&$'hfdb#`#YY XVT Y q p i U g e c` a W U

48

Etat de lart sur le recalage

p(Iref , Ireca |u) reprsente la vraisemblance dobserver les images Iref et Ireca et p(u) e reprsente la priori sur le champ de dformation u. La vraisemblance p(Iref , Ireca |u), e e correspondant au terme dattache aux donnes, permet de modliser les proprits phye e ee siques de lacquisition. Par exemple, dans le cas du recalage dimages IRM monomodales, une hypoth`se classique est de supposer que les intensits dans les images sont identiques e e a un bruit additif blanc gaussien de variance 2 pr`s. La vraisemblance correspondante ` e est alors donne par lexpression : e p(Iref , Ireca |u) exp 1 2 2 (Iref (s) Ireca (s + u(s)))2 ds . (2.34)

Il est possible destimer u directement en maximisant p(Iref , Ireca |u) (estimateur au sens du maximum de vraisemblance), ce qui est quivalent dans le cas gaussien de lquation e e 2.34 a minimiser lerreur quadratique. Lestimation au sens du maximum de vraisem` blance peut tre vue comme un cas particulier de lestimateur MAP en considrant que e e la priori sur u est uniforme (i.e., pas de contrainte sur le mod`le de dformation). Roche e e et coll. proposent de retrouver, en utilisant la formulation du recalage au sens du maximum de vraisemblance, les principaux crit`res de similarit utiliss dans la littrature e e e e (coecient de corrlation, rapport de corrlation et information mutuelle) en utilisant les e e direntes hypoth`ses faites sur la relation entre les intensits des images [Roche 00a]. e e e Lintrt majeur de lapproche baysienne rside principalement dans la priori quil ee e e est possible dintroduire sur le champ de dformation grce au terme p(u). Il permet de e a modliser a la fois les contraintes standard de rgularit vues prcdemment et dintroe ` e e e e duire des connaissances a priori issues datlas probabilistes portant une information sur la variabilit morphologique au sein dune population. e Il est possible de faire le lien entre la formulation baysienne propose ci-dessus et la e e formulation du probl`me de recalage en terme de minimisation dune fonction de cot e u combinant un terme dattache aux donnes et un terme de rgularisation en considrant e e e les direntes probabilits comme des distributions de Gibbs. D`s lors, lexpression de la e e e vraisemblance et de la priori peut se faire de la mani`re suivante : e p(Iref , Ireca |u) expH1 (Iref ,Ireca ,u) et p(u) expH2 (u) (2.35)

avec H1 (Iref , Ireca , u) et H2 (u) les potentiels de Gibbs associs. D`s lors, le probl`me e e e destimation du champ de dplacement u au sens du MAP revient a maximiser la quane ` tit expH1 (Iref ,Ireca ,u) expH2 (u) = expH1 (Iref ,Ireca ,u)H2 (u) , ce qui revient a minimiser e ` H1 (Iref , Ireca , u) + H2 (u), le premier terme correspondant a lattache aux donnes et le ` e second terme a la contrainte de rgularisation. ` e Bien que la formulation baysienne soit souvent utilise dans les articles pour prsenter e e e le cadre thorique des mthodes de recalage, son implantation en pratique se fait la plue e part du temps dans un cadre classique en termes de minimisation dune fonctionnelle dnergie. e

2.5

Estimation du mod`le de dformation e e

Recaler une image Ireca sur une image de rfrence Iref revient a rsoudre le probl`me ee ` e e H, H tant lespace de doptimisation consistant a rechercher la transformation h ` e

2.5 Estimation du mod`le de dformation e e recherche des transformations, qui minimise une certaine fonctionnelle E : h = arg min E(Iref , Ireca (h), h).
hH

49

(2.36)

Dans une premi`re partie, nous proposons une classication des direntes mthodes e e e permettant de rsoudre ce probl`me doptimisation. Ensuite dans une seconde partie, e e nous dcrivons direntes approches hirarchiques permettant damliorer lecacit des e e e e e mthodes doptimisation. e

2.5.1

Mthodes doptimisation e

Quatre catgories de mthodes doptimisation peuvent tre distingues. La premi`re e e e e e catgorie regroupe les probl`mes doptimisation admettant une solution explicite. Ensuite e e viennent les mthodes dites dordre 0 qui reposent simplement sur lvaluation de la e e fonctionnelle dnergie en un certain nombre de points, par opposition aux mthodes e e dordre suprieur qui utilisent des informations supplmentaires sur le crit`re a optimiser e e e ` comme le gradient ou le hessien. Enn la derni`re catgorie comprend les mthodes dites e e e stochastiques. La plupart des mthodes prsentes dans cette partie sont dcrites dans e e e e [Press 92, Rao 96]. Rsolution explicite. Les probl`mes de recalage admettant une solution explicite sont e e relativement peu nombreux et se limitent principalement aux mthodes gomtriques e e e mettant en jeu des nergies quadratiques. Par exemple, lestimation dune transformation e rigide ou ane entre deux images a partir damers ponctuels en minimisant la somme ` du carr des erreurs sur lensemble des points admet une solution analytique (probl`me e e de Procrustes). De mme, le probl`me de recalage non rigide reposant sur la mise en e e correspondance stricte damers ponctuels revient a un probl`me dinterpolation dun ` e champ de vecteur dense. Mthodes dordre 0. La mthode dordre 0 la plus simple est la recherche exhaustive. e e Elle consiste a chantillonner a intervalle rgulier lensemble de lespace des param`tres et `e ` e e de retenir la solution optimale. Bien quelle permette daccder au minimum global avec e une prcision dnie par le pas dchantillonnage, elle est en pratique rarement utilise car e e e e trop coteuse en temps de calcul. Dautres mthodes eectuent une recherche itrative u e e du minimum en utilisant linformation des chantillons dj` valus pour proposer un e ea e e nouveau candidat. Les plus populaires de ces mthodes sont celle de Powell [Powell 64] e et celle du simplexe [Nelder 65]. Ces mthodes itratives ne permettent cependant pas e e de garantir la convergence vers un minimum global. Mthodes dordre suprieur. An daugmenter la vitesse de convergence vers le mie e nimum, certains algorithmes utilisent des caractristiques direntielles (gradient et/ou e e hessien) du crit`re. Les mthodes de descente de gradient et du gradient conjugu utie e e lisent linformation porte par le gradient. Les mthodes dites de Newton utilisent quant a e e ` elles linformation porte par le hessien. Cependant, le calcul du hessien pouvant savrer e e dlicat, des mthodes ont recours a une approximation du hessien a partir du gradient e e ` ` comme par exemple la mthode de quasi-Newton. Les mthodes bases sur le hessien du e e e crit`re sont tr`s ecaces pour une initialisation proche de la solution, mais sav`rent mal e e e

50

Etat de lart sur le recalage

adaptes dans le cas contraire. Inversement, les mthodes par descente de gradient sont e e plus adaptes pour des initialisations lointaines tandis que leur vitesse de convergence au e voisinage du minimum est faible. Lalgorithme de Levenberg-Marquardt [Marquardt 63] propose de combiner les avantages de ces deux types de mthodes en faisant voluer au e e cours de la phase doptimisation un param`tre de pondration autorisant lalgorithme a e e ` avoir tantt un comportement proche de lalgorithme de descente de gradient, tantt un o o comportement similaire a lalgorithme de Newton. Il est a noter cependant quaucune de ` ` ces mthodes ne permet de garantir la convergence vers un minimum global. e Mthodes non dterministes. Le recuit simul [Kirkpatrick 83] et les algorithmes e e e gntiques [Goldberg 89] sont les principales mthodes doptimisation, utilises dans le e e e e cadre du recalage, permettant de garantir thoriquement la convergence vers un minie mum global. Lusage de ces mthodes sest principalement restreint au cadre du recalage e rigide et ane tant donne leur faible vitesse de convergence. On notera cependant les e e travaux de Rouet et coll., qui proposent lutilisation des algorithmes gntiques pour e e le recalage lastique dimages multimodales [Rouet 00] et ceux de Richard, qui propose e lutilisation du recuit simul pour le recalage dimages mammographiques [Richard 05]. e Dautres mthodes reposent sur une stratgie doptimisation avec plusieurs initialisae e tions alatoires [Jenkinson 01] ou bien sur lutilisation dun gradient stochastique, dont e les composantes sont perturbes alatoirement par lajout dun bruit [Salomon 05]. e e

2.5.2

Approches hirarchiques e

Parmi les direntes mthodes doptimisation que nous venons de prsenter, peu e e e dentre elles permettent de garantir une convergence vers un minimum global. Or, la fonctionnelle E ayant gnralement un comportement fortement multimodal, elle prsente e e e de nombreux minima locaux vers lesquels ces direntes mthodes sont susceptibles de e e converger. Pour viter, dans une certaine mesure, ce probl`me de convergence vers des e e minima locaux dnergie, il est possible davoir recours a des approches hirarchiques. e ` e Les approches hirarchiques consistent a dcomposer un probl`me doptimisation en une e ` e e succession de probl`mes doptimisation de complexit croissante. La solution obtenue e e a lun des probl`mes est utilise comme initialisation pour le probl`me de complexit ` e e e e suprieure. Ces approches ont pour but damliorer la vitesse de convergence, dviter les e e e minima locaux dnergie et de rendre plus robuste lalgorithme doptimisation. Un tat de e e lart des direntes approches hirarchiques est propos dans [Kovai 99] et [Lester 99]. e e e cc Une classication des direntes approches hirarchiques peut tre faite suivant quelles e e e augmentent la complexit des donnes, la complexit de la dformation ou la e e e e complexit du mod`le [Lester 99]. e e Par augmentation de la complexit du mod`le, on entend lutilisation successive e e de mod`les dirents ayant un nombre de degrs de libert de plus en plus important. e e e e Un exemple pourrait tre deectuer dans un premier temps un recalage rigide, puis un e recalage ane, puis un recalage dans une base de fonctions sinuso dales et enn dutiliser un recalage non linaire du type free-form deformations. e Laugmentation de la complexit de la dformation consiste, pour un mod`le de e e e dformations donn, a augmenter progressivement le nombre de DDL. Dans le cas de e e ` lutilisation dune base de fonctions polynomiales, il sagit daugmenter successivement lordre maximal des polynmes. Dans le cas dune base dondelettes, il sagit de diminuer o

2.5 Estimation du mod`le de dformation e e

51

la taille de leur support. Enn, pour les mthodes de type free-form deformation ou e bien les mthodes bases sur des quations aux drives partielles, il sagit daugmenter e e e e e progressivement le nombre de points de contrle de la grille sous-jacente a limage sur o ` laquelle est estime le champ de dformation. e e Enn, deux approches sont possibles pour laugmentation de la complexit des e donnes. La premi`re consiste a augmenter progressivement la taille de limage en e e ` construisant une pyramide dimages sous-chantillonnes, le recalage tant eectu en e e e e premier lieu sur les images de faible rsolution. La solution obtenue est ensuite utie lise comme initialisation au recalage conduit sur les images de rsolution suprieure. e e e Dirents types de pyramides dimages peuvent tre construits : les pyramides gause e siennes [Burt 81], les pyramides par moyennage local, et les pyramides par dcomposition e sur une base dondelettes [Mallat 89] ou sur une base de splines [Unser 91]. La seconde approche consiste a utiliser des espaces dchelle (scale-space) soit en utilisant un ltrage ` e gaussien [Lindeberg 94], soit en utilisant des oprateurs de morphologie mathmatique e e (fermeture) [Jackway 96]. Ainsi, une succession dimages caractrises par une complexit e e e dcroissante de dtails est construite. Le recalage est eectu dans un premier temps sur e e e des images ayant peu de dtails, puis le rsultat obtenu sert dinitialisation au recalage e e conduit sur limage ayant un niveau de dtails suprieur. e e

Pour conclure, il est important ici de souligner limportance toute particuli`re de la e mthode doptimisation dans la conception dun algorithme de recalage. Souvent peu e dtaille dans la littrature, limplantation dune mthode doptimisation ncessite un e e e e e certain savoir-faire quant au choix de la mthode, aux rglages de certains param`tres e e e et au choix des crit`res darrt. Elle joue un rle crucial sur le temps de calcul ncessaire e e o e pour eectuer le recalage ainsi que sur la qualit de la solution obtenue. e

52

Etat de lart sur le recalage

Conclusion partielle
Cette partie a t loccasion de prsenter le cadre gnral du probl`me de recalage ee e e e e dimages crbrales IRM. Nous avons dans un premier temps prsent le contexte paree e e ticulier de limagerie par rsonance magntique nuclaire crbrale. La description anae e e ee tomique du cerveau nous a permis dentrevoir les raisons pour lesquelles il est ncessaire e de recaler des cerveaux et nous a aussi permis dmettre certaines hypoth`ses quant e e a la nature de la dformation a estimer. Celle-ci se devra davoir un nombre susam` e ` ment important de degrs de libert pour pouvoir apprhender limportante variabilit e e e e morphologique interindividuelle tout en prservant lintgrit des structures dformes e e e e e (proprit de conservation de la topologie). Lintroduction a limagerie par rsonance ee ` e magntique nuclaire nous a sensibilis au sens physique sous-jacent des images et nous e e e a permis de prendre conscience des direntes dicults propres au traitement des images e e IRM (nature du bruit, artefact, multimodalit). e Dans un second temps, un tat de lart des direntes mthodes de recalage a t e e e ee prsent, mettant en vidence le nombre important des travaux dj` raliss dans ce doe e e ea e e maine. Au travers de cette tude bibliographique, nous avons pu prsenter les concepts e e fondamentaux relatifs aux mthodes de recalage. Nous avons prsent les dirents choix e e e e possibles dinformation a utiliser pour guider le recalage en faisant la distinction entre ` les mthodes gomtriques et les mthodes denses. Puis nous avons numr dirents e e e e e ee e types de crit`res de similarit permettant de comparer les caractristiques portes par e e e e les images. Nous avons ensuite propos une classication des dirents mod`les de e e e dformation possibles selon quils sont linaires ou non et que leur domaine dapplication e e est global ou local. Nous avons aussi abord les direntes contraintes quil est possible e e dintroduire sur le mod`le de dformation : contraintes de rgularit, conservation de la e e e e topologie, contraintes lies a un mod`le physique sous-jacent ou connaissances a priori e ` e sur le mod`le de dformation. Enn nous avons prsent direntes stratgies permettant e e e e e e destimer le mod`le de dformation du point de vue des mthodes doptimisation et des e e e approches hirarchiques. e Dans ce travail de th`se, nous avons considr le mod`le de dformation propos par e ee e e e Musse [Musse 00] et bas sur une reprsentation paramtrique multichelle dans une base e e e e de fonctions B-splines. Cette approche a lavantage, sur les autres mthodes proposes e e dans la littrature, de proter du cadre thorique de lanalyse multirsolution, qui permet e e e au mod`le considr de pouvoir reprsenter tous les champs de dformation a nergie nie. e ee e e `e Cependant, ce mod`le ne permet pas, de mani`re intrins`que, de prserver lintgrit des e e e e e e structures dformes. Nous prsentons dans la section 4.2 un tat de lart des approches e e e e proposes dans la littrature pour garantir cette proprit. Il appara deux principales e e ee t limitations dans les approches existantes : soit elles ne permettent pas de garantir la proprit de conservation de la topologie sur le domaine continu sous-jacent, soit elles ee

54

Conclusion partielle

contraignent de faon trop forte le mod`le de dformation, empchant ainsi lestimation c e e e de fortes contractions. La mthode propose par Musse a permis dapporter une solution, e e dans le cas du recalage dimages bidimensionnelles, qui saranchit de ces limitations. Le principal objectif de cette th`se est de proposer une extension de cette mthode au cas e e des images 3D, tout en seorant de conserver des temps de calcul raisonnables. c

Deuxi`me partie e Mthodologie e

Introduction
Cette partie est consacre a la description de lensemble des dveloppements et des e ` e contributions mthodologiques apports par ce travail de th`se dans le domaine du recae e e lage non rigide dimages crbrales. Dans un premier temps, nous dcrivons au chapitre ee e 3 le mod`le de dformation propos par Musse [Musse 00] et bas sur une reprsentation e e e e e paramtrique multichelle dans une base de fonctions B-splines. Ce mod`le autorise un e e e grand nombre de degrs de libert et permet dapprhender dimportantes dformations e e e e non linaires. Cependant, il ne garantit pas de mani`re intrins`que que lintgrit des e e e e e structures dformes soit prserve. Pour ce faire, il sagit dimposer a la transformation e e e e ` dtre continue, inversible et a inverse continue, ce qui ncessite dimposer a son jacobien e ` e ` davoir des valeurs strictement positives. Ce probl`me, dit de conservation de la topologie, e a dj` t abord et rsolu par Musse [Musse 00] dans le cas 2D. Le chapitre 4 est ddi a eae e e e e e` lextension non triviale de cette proprit au cas 3D. Le chapitre 5 est consacr a la foncee e` tion de cot utilise pour lestimation des param`tres du mod`le de dformation. Le cadre u e e e e dapplication de la mthode que nous avons propose se limitant au recalage dimages de e e mme modalit, les crit`res de similarit considrs sont bass sur la dirence dintensit e e e e ee e e e entre les images. Ces crit`res naccordant pas un rle symtrique aux deux images, une e o e version symtrise est introduite. Outre le terme quantiant la ressemblance entre les e e images, la fonction de cot est compose dun terme relatif a la priori sur le mod`le de u e ` e dformation, permettant notamment dintroduire des hypoth`ses quant a sa rgularit. e e ` e e Les crit`res de similarit considrs ntant pertinents que sous lhypoth`se, en pratique e e ee e e rarement vrie, que les intensits de voxels correspondants soient les mmes dans les e e e e deux images, nous proposons au chapitre 6 une procdure originale de normalisation des e intensits base sur lhistogramme conjoint des images. Une extension de cette procdure e e e pour des images IRM de pondrations direntes est propose. Enn, dans le chapitre e e e 7, nous dcrivons les dirents lments permettant la mise en pratique de la mthode e e ee e de recalage que nous avons propose en abordant notamment la mthode doptimisation e e retenue pour lestimation des param`tres du mod`le de dformation ainsi que certains e e e dtails permettant une implantation ecace de la mthode. e e

58

Introduction

Chapitre 3 Mod`le de dformation e e


3.1 3.2 3.3 Dnition du mod`le de dformation e e e . . . . . . . . . . . . . 59 60 61

Choix de la fonction dchelle . . . . . . . . . . . . . . . . . . e Proprits du mod`le de dformation . . . . . . . . . . . . . e e e e 3.3.1 3.3.2

Invariance des bords de limage . . . . . . . . . . . . . . . . . . 61 Continuit et drivabilit . . . . . . . . . . . . . . . . . . . . . 61 e e e . . . . . . . . . . . . . . . . . . . . . . 63 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Mise en pratique . . . . . . . . . . . . . . . . . . . . . . . . . . 64

3.4

Approche multichelle e 3.4.1 3.4.2

Dans ce chapitre, nous prsentons le mod`le de dformation, introduit par Musse e e e et coll. [Musse 00], que nous avons utilis pour ce travail de th`se. Une reprsentation e e e paramtrique multichelle du mod`le de dformation dans une base de fonctions Be e e e splines est considre. Nous prsentons dans un premier temps lexpression du mod`le ee e e de dformation. Nous discutons ensuite le choix de la fonction dchelle et les proprits e e ee analytiques du mod`le de dformation. Enn, une derni`re partie est consacre plus pare e e e ticuli`rement a lapproche multichelle, prsentant les motivations dune telle approche e ` e e et la mise en pratique dans le cas du mod`le de dformation que nous avons utilis. e e e

3.1

Dnition du mod`le de dformation e e e

Considrons lespace H de Hilbert des transformations dnergie nie de IR3 dans IR3 . e e Soit h H la transformation a estimer et u le champ de dformation correspondant tel ` e que h(s) = s + u(s), s = [x, y, z]t tant un point de IR3 . Notons hx , hy et hz les trois e composantes de la transformation h et ux , uy et uz les trois composantes du champ de dformation u. Nous considrons la dcomposition du champ de dplacement u sur un e e e e ensemble de sous-espaces embo es V0 V1 Vl Vl+1 H, permettant t ainsi de dnir une approximation multirsolution de u [Mallat 89, Mallat 98]. Cette e e dcomposition permet de reprsenter de faon exacte tout champ u dnergie nie d`s e e c e e lors que la rsolution l tend vers linni. Les espaces Vl sont gnrs a partir dune e e ee ` fonction dchelle . Dans le cas 1D, les bases des espaces Vl sont formes par lensemble e e

60

Mod`le de dformation e e

des fonctions l obtenues par translation et contraction de : i l (x) = 2l/2 (2l x i). i (3.1)

Lextension au cas 3D est faite grce a une hypoth`se de sparabilit, les espaces Vl tant a ` e e e e engendrs par produit tensoriel des espaces unidimensionnels correspondants. Ainsi, lexe pression des fonctions l formant une base de Vl est donne par : e i,j,k l (x, y, z) = l (x)l (y)l (z) = 23l/2 (2l x i)(2l y j)(2l z k). i,j,k i j k (3.2)

D`s lors, a la rsolution l (i.e., sur lespace Vl ), le champ de dformation u est dni par e ` e e e l l l l le vecteur de param`tres a = {ax;i,j,k , ay;i,j,k , az;i,j,k } suivant lexpression : e ul (x, y, z) x l l u (x, y, z) = uy (x, y, z) = ul (x, y, z) z
l al x;i,j,k i,j,k (x, y, z) i,j,k

al y;i,j,k
i,j,k

al z;i,j,k
i,j,k

l (x, y, z) . i,j,k l (x, y, z) i,j,k

(3.3)

3.2

Choix de la fonction dchelle e

Pour dnir une analyse multirsolution, une fonction dchelle doit satisfaire aux e e e trois proprits suivantes (cas 1D) [Mallat 98] : ee i. lensemble {(2l x i)|i Z forme une base de Riesz1 de Vl ; Z}
+

ii.

(x)dx = 0 (condition de stabilit minimale) ; e 2


i

iii. {i } tel que (x) =

i (2x i) (quation de dilatation ou de ranement). e

La proprit (i) permet de garantir lunicit de la dcomposition dune fonction f H ee e e dans la base Vl . La proprit (ii) permet dapprhender lapproximation de signaux a ee e ` moyenne non nulle. La proprit (iii) permet enn de garantir que les espaces {Vl }l=1N ee sont embo es. t Dans le cadre du mod`le de dformation que nous avons utilis, nous avons fait le e e e choix de considrer des fonctions dchelle de type B-spline. Une fonction B-spline d e e de degr d est une fonction polynomiale dont lexpression est dnie par la relation de e e rcurrence suivante (gure 3.1) : e
1 1 pour x [ 1 , + 2 ], 2 0 sinon, d+1 (x) = d (x) 0 (x).

0 (x) =

(3.4)

Soit V un espace hilbertien. Lensemble {fn }, fn V , forme une base de Riesz de V si tout lment ee f V peut scrire de mani`re unique comme une combinaison linaire de f n , i.e., f = n cn fn , et quil e e e e e existe deux relles positifs A et B tels que A f 2 n |cn |2 B f 2 , la norme sur V tant dnie par e + 2 2 f = |f (x)| dx.

3.3 Proprits du mod`le de dformation e e e e

61

0.8

0.6

0.4

0.2

0 2

1.5

0.5

0.5

Fig. 3.1 Reprsentation des fonctions B-splines 0 , 1 , 2 et 3 . e On peut montrer que de telles fonctions vrient eectivement les trois proprits e ee caractrisant une fonction dchelle. Les principales raisons ayant motiv le choix des e e e fonctions B-splines sont lies a la compacit de leur support et a leurs proprits de contie ` e ` ee nuit et de direntiabilit. En eet, la compacit du support est une condition essentielle e e e e pour permettre a un mod`le de dformation de prendre en compte des dformations spa` e e e tialement tr`s localises et les proprits de continuit et de direntiabilit sont des e e ee e e e conditions ncessaires pour imposer au mod`le la proprit de conservation de la topoe e ee logie (cf. chapitre 4). En pratique pour limplantation des algorithmes que nous avons proposs, nous avons e fait le choix dutiliser des fonctions B-splines de degr 1. Ce choix a t motiv par leur e ee e proprit de continuit et de drivabilit par morceaux, par la compacit de leur support, ee e e e e et par la simplicit de leur expression qui conduit a des temps de calcul faibles et a une e ` ` implantation aise tout en autorisant des rsultats satisfaisants. Limplantation de la e e mthode pour des fonctions B-splines de degr suprieur est discute dans la section e e e e 4.3.3.4. Une illustration de la dformation induite par un mod`le spline de degr 1 est e e e prsente gure 3.2 dans le cas 1D. e e

3.3
3.3.1
3

Proprits du mod`le de dformation e e e e


Invariance des bords de limage

Lexpression du champ de dformation prsente dans lquation 3.3 est dnie sur e e e e e IR . Cependant, le support de limage tant ni, seule la restriction du champ de e dformation a est considre. Dformer sur IR3 \ tant sans intrt, nous faisons e ` ee e e ee le choix dimposer au champ de dplacement de laisser les bords de limage invariants, e i.e., dimposer quil soit nul sur la fronti`re du domaine . An de garantir cette proe prit, seules les fonctions splines ayant leur support enti`rement contenu dans sont ee e considres (cf gure 3.3). ee

3.3.2

Continuit et drivabilit e e e

Un des avantages des mod`les de dformation paramtriques par rapport a des e e e ` mod`les non paramtriques qui associent a chaque voxel de limage un vecteur de dplacee e ` e


1.5 2

62

Mod`le de dformation e e

Champ de dformation

0 0 1 2 3 4 5 6 7 8

Fig. 3.2 Illustration de la dformation induite par un mod`le spline de degr 1 dans e e e le cas 1D : Id (x + u(x)) = I(x).

Fig. 3.3 Condition dinvariance des bords du domaine pour un mod`le spline de e degr 1 dans le cas 1D : seules les fonctions splines (reprsentes en trait plein) ayant e e e leur support enti`rement contenu dans sont considres. e ee

Image dforme

Valeur du champ de dformation en chaque point de limage

Image dformer

F E D B C A

@ 9 8 6 &7 5

3 2 0 ( 41) '

% $ "  &#!

  
2 1

c ba `

Y XV T WUS

R QI PH

3.4 Approche multichelle e

63

ment est de pouvoir considrer les notions de continuit et de drivabilit. Ces proprits e e e e ee sont tr`s importantes dans le cadre du recalage, notamment pour pouvoir garantir la proe prit de conservation de la topologie (cf. chapitre 4). Le mod`le de dformation dcrit ee e e e quation 3.3 hrite de lensemble des proprits analytiques de la fonction dchelle puise e ee e quil est dni comme la combinaison linaire de fonctions de base issues de la contrace e tion et de la translation de la fonction dchelle . Par consquent le choix dune fonction e e n dchelle de classe C permet dassurer a la transformation h dtre aussi de classe e ` e n C . Par ailleurs, lexpression analytique du champ de dformation permet de calculer de e mani`re explicite les direntes caractristiques direntielles du mod`le, contrairement e e e e e aux mthodes non paramtriques qui ncessitent le recours a des approximations de ces e e e ` grandeurs direntielles, notamment par des ltres de convolution. e

3.4
3.4.1

Approche multichelle e
Motivations

Lanalyse multirsolution est en gnral utilise pour crer une srie dapproximations e e e e e e dun signal original f an deectuer lanalyse ou le traitement sur les approximations de complexit croissante. Ainsi, une squence de sous-espaces Vl est construite et la e e projection fl du signal f sur chacun des sous-espaces est calcule de telle sorte que : e fl = arg min g f .
gVl

(3.5)

Lensemble des sous-espaces Vl est construit an que la proprit suivante soit vrie : ee e e
l+

lim fl = f.

(3.6)

Dans le cas du recalage, la problmatique est un peu dirente car f nest pas connu. e e Au lieu destimer f directement, lapproche multichelle consiste a estimer des projections e ` de f sur un ensemble de sous-espaces embo es Vl . La solution estime sur lespace Vl t e est ensuite utilise comme initialisation pour lestimation conduite sur lespace V l+1 . e ` mesure que la rsolution augmente, lestime devient de plus en plus proche de f A e e (proprit (3.6)). Le choix dutiliser une approche multichelle permet donc daugmenter ee e progressivement la complexit du mod`le de dformation (i.e., le nombre de param`tres) e e e e au cours du recalage. Pour une fonction dchelle de support b , a lchelle l et dans le e ` e cas 3D, le nombre de param`tres Nparam est donn par la relation : e e Nparam = 3(2l b + 1)3 . (3.7)

Le tableau 3.1 prsente, dans le cas dune fonction spline de degr 1, lvolution du e e e nombre de param`tres en fonction de lchelle (cas 3D). Estimer directement les 750 141 e e param`tres correspondant a la rsolution l = 6 prsenterait un fort risque de converger e ` e e vers un minimum local de la fonction de cot et occasionnerait une charge calculatoire u importante. Lapproche multichelle permet dacclrer la vitesse de convergence des e ee param`tres et dviter lestimation dun jeu de param`tres correspondant a un minimum e e e ` local de la fonction de cot. u

64 l Nparam 1 2 3 81 3 1 029 4 10 125 5 89 373

Mod`le de dformation e e 6 750 141

Tab. 3.1 Evolution du nombre Nparam de param`tres du mod`le en fonction de lchelle e e e l dans le cas 3D pour une fonction dchelle spline de degr 1 (support b = 2). e e

3.4.2

Mise en pratique

Une proprit importante hrite de lanalyse multirsolution est le principe de causaee e e e lit (i.e., Vl Vl+1 ). Cette proprit garantit que la solution obtenue a la rsolution l peut e ee ` e tre directement dcompose sur la base de lespace Vl+1 sans aucune approximation ni e e e interpolation. Cette opration, nomme transition dchelle, est eectue directement sur e e e e l l l l le tableau des param`tres a = {ax , ay , az } grce a une simple opration de convolution e a ` e avec un ltre H (appel ltre miroir conjugu [Mallat 89]) : e e l+1 = (2 al ) H, ax x al+1 = (2 al ) H, (3.8) y y al+1 = (2 al ) H, z z loprateur 2 consistant a doubler la taille du tableau en insrant des zros entre deux e ` e e coordonnes. Les coecients du ltre H sont donns par les i de lquation de dilatation e e e (cf. proprit (iii) de la section 3.2). Une illustration de la transition dchelle pour un ee e mod`le spline de degr 1 est prsente gure 3.4 dans le cas 1D. Le ltre miroir utilis e e e e e dans ce contexte est donn par H = [1/2 1 1/2]. e
Oprations sur les coefficients
h k d d d { s s s zt h jhf i u u x v u ywXt y x pw u vt vgeywhol pw u t s s s r q p n m i h jf i h f d d d jgey h & f c r  ap q i g f d c a %e d  ab p sb hp Uhe "b ` c Q %P I HV Y XV US%P I G HV W T R Q H E CF E D 7 BC 0 2 1( @ 6 A5 9 8 ) ' 6 4 75 3     

Echelle l

Transition dchelle
$ !  %# " 

Echelle l+1

Fig. 3.4 Illustration de la transition dchelle pour un mod`le spline de degr 1 dans e e e le cas 1D.

X %jX~ gjX~|  }

Chapitre 4 Conservation de la topologie


Problmatique gnrale . . . . . . . . . . . . . . . . . . . . . . e e e 4.1.1 Equivalence topologique . . . . . . . . . . . . . . . . . . . . . . 4.1.2 Conditions pour lobtention dun homomorphisme . . . . . . . e 4.1.3 Notion de topologie dans le cas discret . . . . . . . . . . . . . . 4.2 Etat de lart des mthodes garantissant la conservation de la e topologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Mod`les de dformation conservant la topologie . . . . . . . . . e e 4.2.2 Fonctions de cot et contraintes imposant la positivit du jau e cobien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.3 Correction a posteriori du champ de dformation . . . . . . . . e 4.3 Recalage sous contraintes topologiques . . . . . . . . . . . . 4.3.1 Position gnrale du probl`me . . . . . . . . . . . . . . . . . . . e e e 4.3.2 Expression et proprits du jacobien . . . . . . . . . . . . . . . ee 4.3.3 Rsolution du probl`me doptimisation sous contraintes dans e e le cas 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Contributions de la conservation de la topologie . . . . . . . 4.1 66 66 66 67 68 69 71 72 73 74 74 77 91

Comme nous lavons dj` prcis prcdemment, le probl`me de recalage consiste en ea e e e e e lestimation dune transformation associant a chaque point dune image source les coor` donnes dans le rfrentiel dune image cible du point correspondant a la mme ralit e ee ` e e e anatomique. Une proprit souhaitable pour une telle transformation est de prserver ee e lintgrit des structures dformes. En dautres termes, la transformation ne doit ni e e e e dchirer une structure anatomique, ni faire appara de trous dans limage dforme. e tre e e Cette proprit, connue sous le nom de conservation de la topologie, permet de garantir ee que des structures connectes restent connectes et que les relations de voisinage et dade e jacence soient conserves. An de satisfaire cette proprit, la transformation recherche e ee e doit vrier plusieurs conditions, a savoir tre bijective (i.e., inversible), continue et a e ` e ` inverse continue. Une telle transformation est qualie dhomomorphisme. Il est lgitime e e e dun point de vue biologique dimposer de telles contraintes sur le mod`le de dformation e e tant donn que la topologie des structures anatomiques crbrales est identique sur lene e ee semble des individus (cas non pathologique) (cf. section 1.1.3).

66

Conservation de la topologie

Dans ce chapitre, nous dnissons dans un premier temps la problmatique gnrale e e e e et les dirents concepts relatifs a la conservation de la topologie. Puis, nous dressons e ` un tat de lart des direntes approches existantes permettant de garantir cette proe e prit. Ensuite, nous prsentons la mthodologie que nous avons propose pour imposer ee e e e au mod`le de dformation que nous avons utilis, exprim dans une base de fonctions e e e e B-splines, de prserver la topologie dans le cas 3D. Nous illustrons enn de mani`re e e qualitative direntes contributions apportes par la contrainte de conservation de la e e topologie.

4.1

Problmatique gnrale e e e

Cette premi`re section a pour vocation dintroduire et de prciser certains concepts e e fondamentaux relatifs a la conservation de la topologie. Dans un premier temps, nous ` explicitons la notion dquivalence topologique, puis nous introduisons les direntes e e contraintes permettant dimposer a une transformation de prserver la topologie. Enn, ` e nous soulevons le probl`me li a la nature discr`te des images en introduisant la dirence e e` e e entre la notion de topologie dans le domaine continu et dans le domaine discret.

4.1.1

Equivalence topologique

Par dnition, deux objets X et Y sont dits topologiquement quivalents ou homoe e e morphes sil existe un homomorphisme h, i.e., une transformation continue, bijective et e a inverse continue, permettant de transformer X en Y . De mani`re image et intuitive, ` e e cela est quivalent a pouvoir passer aussi bien de X a Y que de Y a X grce a une srie e ` ` ` a ` e de dformations continues sans quil y ait de dchirement. Par exemple, un disque et e e un carr sont topologiquement quivalents. En revanche, aucun de ces deux objets nest e e homomorphe a une couronne, car il est impossible de faire appara un trou sans quil e ` tre y ait de dchirement (gure 4.1). Donc, imposer a une transformation de prserver la e ` e topologie revient a assurer quelle soit un homomorphisme. ` e

(a)

(b)

(c)

Fig. 4.1 Exemples illustrant la notion dquivalence topologique : (a) et (b) sont e topologiquement quivalents (ou homomorphes) tandis que ni (a) ni (b) ne sont topoe e logiquement quivalents a (c). e `

4.1.2

Conditions pour lobtention dun homomorphisme e

An dimposer a une application h : dtre un homomorphisme ( tant un ` e e e ferm born), les conditions suivantes doivent tre satisfaites [Musse 00] : e e e i. h continue sur ;

4.1 Problmatique gnrale e e e ii. stricte positivit du jacobien de h sur (condition dinjectivit locale) ; e e iii. h() = (condition dinvariance de la fronti`re de sous leet de h). e

67

La condition (i) implique que les relations de voisinage et dadjacence sont conserves e par la transformation h. La condition (ii) permet dassurer a la transformation dtre ` e localement injective, cest-`-dire qu` chaque point de limage source est associ un unique a a e point dans limage cible (one-to-one property). La condition (iii) imposant linvariance des bords du domaine permet a une transformation localement injective de garantir ` quelle est globalement injective [Buck 78]. Rappelons ici la dnition du jacobien dune transformation h. Il est dni comme e e le dterminant de la matrice des drives partielles par rapport aux variables spatiales. e e e Dans le cas 3D, son expression est la suivante : hx (x, y, z) x hy (x, y, z) x hz (x, y, z) x hx (x, y, z) y hy (x, y, z) y hz (x, y, z) y hx (x, y, z) z hy (x, y, z) z hz (x, y, z) z

Jh (x, y, z) =

(4.1)

hx , hy et hz tant respectivement les composantes suivant x, y et z de h. Le jacobien e correspond en quelque sorte a la gnralisation de la notion de drive pour des fonctions ` e e e e a plusieurs variables. Dun point de vue physique, sa valeur reprsente la variation locale ` e de volume induite par la transformation. Une transformation ayant une valeur de jacobien gale a 1 est une transformation qui conserve les volumes. Une valeur de jacobien e ` suprieure a 1 correspond a une dilatation et une valeur infrieure a 1 correspond a une e ` ` e ` ` contraction. Le cas o` le jacobien est nul signie que limage dune rgion est envoye u e e sur un unique point : ce cas correspond bien au cas limite a partir duquel la bijectivit ` e de la transformation nest plus vrie, justiant ainsi de mani`re intuitive la contrainte e e e sur la positivit du jacobien. e

4.1.3

Notion de topologie dans le cas discret

Les notions de conservation de topologie et dhomomorphisme sont dnies pour e e des applications dnies sur des supports continus. Ces notions ne sont pas directement e gnralisables pour des transformations dnies sur un espace discret, la notion de contie e e nuit ntant dans ce cas plus pertinente. An dtendre ces notions a des champs de e e e ` dformation discrets, il est possible de considrer une transformation sous-jacente contie e nue en ayant recours a des fonctions interpolantes [Karacali 04]. Par ailleurs, certains ` auteurs tendent directement cette notion au cas discret en calculant des approximae tions du jacobien par des ltres de convolution. Cette approche nest pas rigoureuse dun point de vue mathmatique, mais permet nanmoins dintroduire des contraintes sur le e e mod`le de dformation. e e Si lextension de la notion dhomomorphisme au cas discret nest pas pertinente, la e notion dquivalence topologique entre des objets discrets est quant a elle bien dnie. e ` e Assurer a la transformation dtre un homomorphisme ne sut cependant pas pour ` e e garantir que lobjet dform, apr`s discrtisation, soit topologiquement quivalent (au e e e e e sens discret) a lobjet initial. Ceci est li au fait quun objet continu peut changer de ` e

68

Conservation de la topologie

Fig. 4.2 Changement de topologie dun objet apr`s discrtisation. Cet exemple e e synthtique pourrait tre reprsentatif de ce qui peut tre observ lors de la discrtisation e e e e e e dune image crbrale au niveau du cortex, a linterface entre le liquide cphalorachidien ee ` e et la substance grise.

topologie lors de la discrtisation (cf. gure 4.2). Ainsi par exemple, une carte de sege mentation dforme peut tre amene a changer de topologie (au sens discret) bien que e e e e ` la transformation continue sous-jacente conserve la topologie (au sens continu). Il faut garder a lesprit que lhypoth`se de conservation de la topologie des structures ` e anatomiques crbrales est vrie biologiquement dans le cas continu (cf. section 1.1.3). ee e e Il est donc tout a fait possible que deux structures topologiquement quivalentes chez ` e deux patients conduisent, apr`s acquisition de limage, a deux objets dont la topologie e ` discr`te est dirente, a cause des probl`mes de discrtisation et de volume partiel. D`s e e ` e e e lors, vouloir imposer a la transformation de prserver la topologie discr`te des objets ` e e ne permettrait pas dans ce cas prcis de recaler parfaitement les deux images. Cest e pour cette raison que la notion de topologie discr`te nest pas tr`s pertinente dans le e e contexte qui nous intresse puisque la ralit physique des structures dont nous souhaie e e tons prserver lintgrit est continue. e e e

4.2

Etat de lart des mthodes garantissant la consere vation de la topologie

Nous proposons une classication suivant trois catgories des mthodes de recalage e e permettant de garantir la conservation de la topologie. La premi`re catgorie concerne e e les mthodes dont le mod`le de dformation conserve par nature mme la topologie. La e e e e deuxi`me catgorie regroupe les mthodes qui, au cours de la phase doptimisation, ime e e posent la positivit du jacobien. Enn, la derni`re catgorie est constitue des mthodes e e e e e qui corrigent a posteriori le champ de dformation pour garantir quil prserve la topoe e logie.

4.2 Etat de lart des mthodes garantissant la conservation de la topologie 69 e

4.2.1
4.2.1.1

Mod`les de dformation conservant la topologie e e


Composition de diomorphismes lmentaires e ee

Une proprit intressante des diomorphismes1 est la suivante : si f : I J et ee e e g : J K sont deux diomorphismes, alors leur composition g f : I K est e aussi un diomorphisme. Il est donc possible de construire une classe importante de e diomorphismes par composition de diomorphismes lmentaires (fglobal = fn fn1 e e ee f1 f0 ) [Cootes 04]. Un exemple de classe de fonctions diomorphiques a support e ` born, dnies sur la boule unit et dplaant le centre de la boule dun vecteur a, est e e e e c le suivant [Cootes 04] : f (x; a) = x + a g( x ) si x < 1, x sinon, (4.2)

g(r) tant une fonction continue satisfaisant les conditions g(0) = 1, g(1) = 0 et g (0) = e g (1) = 0 et le vecteur a devant tre contraint de vrier la condition a < 1/d max , e e avec dmax = max0<r<1 |g (r)|. Il est ainsi possible de construire un mod`le de dformation e e conservant la topologie, exprim comme la combinaison de plusieurs fonctions fi de ce e type, chaque fi ayant un support caractris par un centre et un rayon dirents. e e e 4.2.1.2 Mod`le lastique et uide e e

Lutilisation de mod`les de dformation lastiques [Broit 81, Bajcsy 82, Bajcsy 89, e e e Gee 99] permet en thorie dassurer la conservation de la topologie. En modlisant le e e comportement physique dun matriau lastique, la transformation est contrainte de e e dformer continment les objets sous leet de forces extrieures sans provoquer de rupe u e ture. Cependant, la mise en uvre des mod`les lastiques fait perdre cette proprit de e e ee conservation de la topologie a cause de la linarisation du probl`me qui est gnralement ` e e e e faite. Le mod`le uide propos par Christensen [Christensen 95, Christensen 96a] pere e met lui aussi en thorie de prserver la topologie. Nanmoins, la rsolution pratique e e e e des quations aux drives partielles (EDP) sur un domaine discret fait perdre cette e e e proprit. Christensen et coll. proposent de contrler la valeur du jacobien en chacun ee o des points de la grille discr`te sur laquelle est conduite la rsolution de lEDP. D`s que e e e la valeur du jacobien descend en dessous dun seuil critique x a 0, 5, une nouvelle e ` grille chantillonne plus nement est propose et lalgorithme est rinitialis en pree e e e e nant comme conditions initiales la dformation estime avant le rchantillonnage. Une e e ee approche similaire est utilise dans [Thompson 97, Thompson 99]. Cependant, une telle e approche ne permet pas de garantir de faon thorique la prservation de la topologie c e e sur le domaine continu sous-jacent. 4.2.1.3 Thorie des quations direntielles ordinaires e e e

Lide utilise dans [Christensen 96b, Christensen 97, Miller 99, Joshi 00] est de conse e truire un diomorphisme : = [0; 1]3 , en considrant comme la solution dune e e
1

Un diomorphisme est un homomorphisme dont la drive est continue. e e e e

70

Conservation de la topologie

quation direntielle ordinaire (ODE : Ordinary Dierential Equation) du type : e e x , t [0; 1], d(x, t) = v((x, t), t), dt (x, 0) = x, (4.3)

(x, 1) reprsentant la transformation nale a estimer permettant la mise en correspone ` dance optimale des images. Dapr`s le thor`me dexistence et dunicit des solutions e e e e des quations direntielles ordinaires [Boothby 86], si v(x, t) est un champ de vecteur e e susamment rgulier (i.e., continment direntiable suivant les variables despace et e u e de temps), alors il existe une solution unique pour (x, t), compl`tement dtermine e e e par v(x, t) et par la condition initiale (x, 0) = x et pour tout t [0, 1], (x, t) est ncessairement un diomorphisme. An de garantir la rgularit du champ de vitesse e e e e v(x, t), il faut sassurer que lnergie quadratique associe soit borne [Dupuis 98] : e e e
1

E(v) =
0

Lv(x, t)

dt dx < ,

(4.4)

o` L est un oprateur direntiel a coecients constants, par exemple L = a 2 b u e e ` + c [Miller 99, Joshi 00]. D`s lors, le probl`me de recalage est pos comme la minimisae e e tion dune contrainte de rgularit sur le champ de vitesse et dun crit`re de similarit e e e e 1) estime est donne D(I1 , I2 ) entre les images I1 et I2 . La transformation (x, e e par la relation : (x, 1) = x +
0 1

v ((x, t), t)dt,

(4.5)

o` u v ((x, t), t) = arg min


1 v(x,t)

Lv(x, t)
0

dt dx + D(I1 , I2 (x, t)).

(4.6)

Cette approche utilisant les proprits des quations direntielles ordinaires est a la base ee e e ` de nombreux autres travaux [Trouv 98, Grenander 98, Miller 01, Arsigny 03, Marsland 04, e Glaunes 04, Miller 04, Arsigny 05]. 4.2.1.4 Mod`le de dformation brownien e e

Nielsen et coll. proposent de modliser la transformation recherche comme la combie e naison dune squence de transformations innitsimales [Nielsen 02, Nielsen 04]. Chaque e e transformation innitsimale est considre comme une variable alatoire suppose inde ee e e e pendante des autres, ce qui a motiv lappellation de mod`le brownien2 de dformation . e e e Sous cette hypoth`se dindpendance, il est possible de dterminer, dans le cas 2D, e e e lexpression de la distribution des valeurs possibles du jacobien de la transformation rsultante. Lexpression de cette distribution montre que, dans le cadre dun mod`le de e e dformation brownien, le jacobien est strictement positif (avec une probabilit de 1), e e prouvant le caract`re homomorphique de la transformation ainsi construite. e e
Le terme de mod`le de dformation brownien a t choisi par analogie avec le mouvement brownien e e ee dcrit par une somme de dplacements lmentaires alatoires et indpendants. e e ee e e
2

4.2 Etat de lart des mthodes garantissant la conservation de la topologie 71 e

4.2.2
4.2.2.1

Fonctions de co t et contraintes imposant la positivit du u e jacobien


Pnalisation des faibles valeurs du jacobien e

Ashburner et coll. proposent, dans un cadre baysien, de pnaliser les faibles vae e leurs du jacobien dans le cas 2D [Ashburner 99a] et 3D [Ashburner 00a]. Le mod`le de e dformation utilis est ane par morceaux sur un maillage triangulaire dans le cas 2D e e et ttragonal dans le cas 3D. Sur chaque maille est dni un potentiel de Gibbs local e e donn par lexpression d log(sii )2 , d correspondant a la dimension du probl`me (d = 2 e ` e i=1 dans le cas 2D et d = 3 dans le cas 3D) et les sii correspondant aux valeurs singuli`res e de la matrice jacobienne. Cependant, la probabilit destimer une transformation ayant e un jacobien ngatif tant par cette approche non nulle, une contrainte supplmentaire e e e est ajoute an de vrier a posteriori que les valeurs du jacobien soient strictement e e positives. Dautres termes pnalisant les faibles valeurs du jacobien ont par ailleurs t e ee proposs. Par exemple, Rao et coll. proposent le terme de pnalisation suivant [Rao 04] : e e 2 |J(x, y, z)|2 + 2 si |J(x, y, z)| , (4.7) 2 |J(x, y, z)|2 0 sinon, |J(x, y, z)|2 intervenant pour des raisons de symtrie an de ne pas privilgier les e e le terme 2 dilatations par rapport aux contractions lors de lestimation du champ de dformation. Ce e terme permet de pnaliser les valeurs du jacobien d`s que celles-ci descendent en dessous e e dun seuil . Un autre exemple de terme de pnalisation utilis dans [Rohlng 03] est : e e EJacobien =

| log (J (s)) |ds.

(4.8)

Ces approches par pnalisation des faibles valeurs du jacobien ont deux inconvnients mae e jeurs. Le premier inconvnient est li au fait que les valeurs du jacobien ne sont values e e e e que sur la grille discr`te de limage, ce qui ne permet pas de garantir de faon rigoureuse e c la conservation de la topologie sur le domaine continu sous-jacent de limage. Le second inconvnient est quil est ainsi dicile dapprhender des dformations caractrises par e e e e e des faibles valeurs du jacobien (i.e., de fortes contractions). 4.2.2.2 Conditions sur lespace admissible des param`tres e

Choi et coll. proposent de rsoudre le probl`me doptimisation sous contraintes core e respondant en dterminant le dplacement maximal autoris pour chacun des points de e e e la grille de dformation dans le cas dun mod`le Free-Form Deformations utilisant des e e fonctions interpolantes B-splines de degr 3 [Choi 00]. Ces conditions ont t obtenues a e ee ` partir de considrations gomtriques dans le cas 2D et 3D, an de garantir linjectivit e e e e locale de la transformation. Soient x et y le dplacement maximal suivant x et y subi e par les points de contrle correspondant a une fonction B-spline donne (cas 2D). Deux o ` e conditions susantes sur x et y permettent de garantir linjectivit locale de la transe formation :

72 Condition 1 : Condition 2 : x <


1 K2

Conservation de la topologie et y <


1 A2 1 , K2 2

2 2 x + y <

Les valeurs des deux constantes K2 et A2 ont t calcules numriquement (1/K2 ee e e 0, 488664767 et (1/A2 )2 0, 392380757). Des conditions analogues ont t dtermines ee e e dans le cas 3D avec des valeurs direntes pour ces constantes. Cependant, ces condie tions sont susantes mais non ncessaires pour garantir linjectivit et il est dicile de e e quantier dans quelle mesure le mod`le est trop contraint. e Dans [Rohde 03], des conditions sur les valeurs des param`tres du mod`le de dformae e e tion sont aussi proposes an de garantir la positivit du jacobien. Le mod`le de dformae e e e tion considr est exprim a laide de fonctions radiales symtriques, mais les conditions ee e` e proposes restent valables pour toute transformation T (x) dnie sur , pouvant scrire e e e comme la somme de N champs de dformation v i : e T (x) = x + v 1 (x) + v 2 (x) + + v N (x). (4.9)

En supposant que la transformation T (x) prserve la topologie, Rohde et coll. dterminent e e des conditions susantes a satisfaire pour un champ de dplacement v N +1 (x) an quil ` e puisse tre ajout a T (x) sans faire perdre la proprit de conservation de la topologie. e e` ee La matrice jacobienne J(T ) de la transformation T (x) peut sexprimer de la mani`re e suivante : J(T ) = I + 1 (x) + 2 (x) + + N (x), (4.10) avec I la matrice identit et i (x) le jacobien du champ de dplacement v i (x). La e e condition a imposer au champ de dplacement v N +1 est la suivante : ` e x , N +1 (x) 1 < 3
N

13

i (x)
i=1

(4.11)

N Cette quation permet, grce au calcul de e a e i=1 i (x) , de dduire des conditions sur les coecients du champ de dformation v N +1 . De mme que pour la mthode propose e e e e par Choi et coll., la condition (4.11) est une condition susante mais non ncessaire pour e garantir la positivit du jacobien. Il est l` aussi assez dicile de quantier dans quelle e a mesure le mod`le est trop contraint. e

4.2.3

Correction a posteriori du champ de dformation e

Une autre approche consiste dans un premier temps a estimer un champ de dformation ` e sans imposer quil prserve la topologie, puis a faire une correction a posteriori sur le e ` champ estim pour quil satisfasse cette proprit, ces deux tapes pouvant tre eectues e ee e e e de mani`re itrative au cours du recalage. e e Kochunov propose par exemple deectuer un ltrage gaussien sur le champ de dformation nal en choisissant les param`tres du ltre de sorte que chacune des come e posantes du gradient du champ de dformation ltr soit borne par 0, 3 [Kochunov 99]. e e e Cette condition sur le gradient du champ de dformation permet de garantir la positivit e e des valeurs de son jacobien. Cette condition tant susante mais non ncessaire pour e e

4.3 Recalage sous contraintes topologiques

73

garantir la positivit du jacobien, elle a pour consquence dimposer une contrainte trop e e forte sur le mod`le de dformation. e e Une autre approche consiste a estimer conjointement la transformation directe et ` la transformation inverse et de garantir que leur combinaison est bien gale a lidentit. e ` e Cette approche, inspire par les travaux de Burr [Burr 81], a t utilise dans [Thirion 98, e ee e Dawant 99]. Soient I1 et I2 deux images a recaler. Il sagit destimer a chaque itration ` ` e la transformation T12 issue du recalage de limage I1 sur limage I2 et la transformation T21 issue du recalage de limage I2 sur limage I1 . Ensuite, la transformation rsiduelle e R = T21 T12 est distribue uniformment entre T21 et T12 an dobtenir R Id. e e Ainsi, les transformations T12 et T21 sont inversibles et prservent donc la topologie. e Karacali et Davatzikos proposent, a partir dun champ de dformation ne prservant ` e e pas la topologie, de dterminer le champ de dformation le plus proche vriant e e e cette hypoth`se [Karacali 04]. Pour ce faire, ils consid`rent la transformation continue e e obtenue a partir du champ de dformation dni sur la grille discr`te de limage par ` e e e interpolation linaire. La transformation continue ainsi construite correspond au mod`le e e de dformation que nous avons utilis en considrant des fonctions B-spline de degr 1 e e e e et les vecteurs de dplacement dnis en chaque point de la grille discr`te de limage e e e comme param`tres du mod`le. Dans le cas 2D, ils montrent quil sut de garantir la e e positivit du jacobien aux quatre coins du maillage carr de la grille discr`te o` est dni e e e u e le champ de dformation pour garantir la topologie sur lensemble du domaine continu e a lintrieur du maillage. Dans le cas 3D, ils montrent quil sut dimposer la positivit ` e e de 64 termes, dont huit correspondent a la valeur du jacobien valu en chacun des ` e e sommets du cube. Une approximation propose est dimposer uniquement aux valeurs e du jacobien values aux huit sommets du cube dtre suprieures a un seuil positif. e e e e ` Ensuite, il sagit a partir dun champ de dformation h(s) = s + u(s) de construire ` e un champ de dformation htopo (s) = s + utopo (s) prservant la topologie. Pour ce faire, e e la transformation h (s) = s + u(s) est considre. Le cas = 1 correspond a la ee ` transformation initiale h(s) caractrise par des valeurs du jacobien non ncessairement e e e positives. Le cas = 0 correspond a la transformation identit caractrise par une valeur ` e e e unit du jacobien sur lensemble du domaine. Karacali et Davatzikos proposent donc e destimer le plus grand possible tel que h soit caractris par des valeurs strictement e e positives du jacobien sur lensemble du domaine. Cependant, la solution ainsi estime e nest sans doute pas optimale tant donn que linformation porte par les images nest e e e pas prise en compte lors de lestimation du coecient . De plus, il serait sans doute plus pertinent de considrer une valeur de qui varie spatialement et qui soit dirente e e suivant chacune des composantes du champ de dformation. e

4.3

Recalage sous contraintes topologiques

Cette section est consacre a la description de la mthode que nous proposons pour e ` e garantir au mod`le de dformation que nous avons utilis, exprim dans une base de fonce e e e tions B-splines, de prserver la topologie dans le cas 3D. Nous rappelons bri`vement dans e e un premier temps la nature du probl`me a rsoudre, puis nous dcrivons la mani`re dobe ` e e e tenir lexpression analytique du jacobien et nous prsentons certaines de ses proprits. e ee Enn, nous dcrivons les mthodes utilises pour rsoudre le probl`me doptimisation e e e e e sous contraintes correspondant.

74

Conservation de la topologie

4.3.1

Position gnrale du probl`me e e e

Nous avons vu section 4.1.2 que pour garantir la conservation de la topologie, la transformation h doit satisfaire les trois conditions suivantes : i. tre continue ; e ii. laisser les bords de limage invariants ; iii. avoir un jacobien strictement positif. Concernant la condition (i), nous avons vu section 3.3 que le mod`le de dformation hrite e e e des proprits de continuit et de drivabilit de la fonction dchelle. An dassurer la ee e e e e continuit du mod`le de dformation, il sut davoir recours a des fonctions dchelle de e e e ` e degr suprieur ou gal a 1. Concernant la condition (ii), nous avons vu dans cette mme e e e ` e section que pour garantir linvariance des bords de limage, il sut de ne considrer e que les fonctions splines dont le support est enti`rement contenu dans le domaine de e limage. Concernant enn la condition (iii), nous nous plaons dans le cadre plus gnral c e e qui consiste a imposer aux valeurs du jacobien dtre comprises entre deux bornes Jmin ` e et Jmax xes par lutilisateur, le cas particulier de la conservation de la topologie tant e e obtenu pour Jmin = 0 et Jmax = +. Considrons une fonctionnelle dnergie E admettant un minimum d`s lors que les e e e images sont recales de faon optimale. Lestimation des param`tres al du mod`le de e c e e dformation a lchelle l requiert la rsolution du probl`me doptimisation sous contraintes e ` e e e suivant : E(al ). (4.12) al = arg min
(x,y,z), Jmin <Jh (x,y,z,al )<Jmax

Contrairement a bon nombre de mthodes proposes dans la littrature, nous proposons ` e e e de garantir que la contrainte sur le jacobien soit vrie sur le domaine continu souse e jacent de limage et non simplement en chaque point de la grille discr`te de limage. e

4.3.2

Expression et proprits du jacobien e e

Rappelons ici lexpression gnrale du jacobien dans le cas 3D pour le mod`le de e e e dformation que nous avons utilis a lchelle l : e e` e hl (x, y, z) x x hl (x, y, z) y x l hz (x, y, z) x hl (x, y, z) x y hl (x, y, z) y y l hz (x, y, z) y hl (x, y, z) x z hl (x, y, z) y z l hz (x, y, z) z

Jh (x, y, z, al ) =

(4.13)

avec i,j,k hl (x, y, z) x + ul (x, y, z) x x y+ l al y;i,j,k i,j,k (x, y, z) hl (x, y, z) = hl (x, y, z) = y + ul (x, y, z) = y y i,j,k hl (x, y, z) z + ul (x, y, z) z z z+ l al z;i,j,k i,j,k (x, y, z)
i,j,k

x+

l al x;i,j,k i,j,k (x, y, z)

(4.14)

4.3 Recalage sous contraintes topologiques 4.3.2.1 Linarit par rapport aux param`tres e e e

75

Une proprit intressante est que pour tout point (x, y, z) du support l ee e i,j,k de la l l fonction de base i,j,k , lexpression du jacobien Jh (x, y, z, a ) est linaire par rapport aux e l l l l l l e param`tres ax;i,j,k , ay;i,j,k et az;i,j,k , les autres param`tres a \ ax;i,j,k , al e e y;i,j,k , az;i,j,k tant xs (cf. annexe A pour la dmonstration) : e e (x, y, z) l , i,j,k
l l Jh (x, y, z, al ) = 0 + x al x;i,j,k + y ay;i,j,k + z az;i,j,k .

(4.15)

Cette proprit est vrie pour nimporte quelle fonction dchelle que ce soit dans le ee e e e cas 2D ou 3D. 4.3.2.2 Expression du jacobien pour des splines de degr 1 (cas 2D) e

Dans le cas 2D, pour une fonction dchelle de degr 1, on peut montrer [Musse 00] e e que lexpression du jacobien est linaire par rapport aux coordonnes spatiales sur chaque e e k k+1 m m+1 l partie Sk,m = [ 2l ; 2l ] [ 2l ; 2l ] de :
l (x, y) Sk,m ,

Jh (x, y, al ) = x + y + .

(4.16)

D`s lors, il appara de faon immdiate que les optima de Jh sont ncessairement ate t c e e l teints en lun des quatre sommets de Sk,m . Ainsi, pour garantir au jacobien dtre come pris entre Jmin et Jmax sur lensemble du domaine continu , il sut de garantir cette l contrainte en chaque sommet de chaque Sk,m . La rsolution du probl`me doptimie e sation prsent dans lquation 4.12 revient donc a rsoudre un probl`me doptimisation e e e ` e e sous un nombre ni de contraintes linaires par rapport aux param`tres (dapr`s la proe e e prit de linarit du jacobien par rapport aux param`tres). Une mthode permettant ee e e e e de rsoudre ce probl`me est prsente dans [Musse 00]. e e e e 4.3.2.3 Expression du jacobien pour des splines de degr 1 (cas 3D) e

Dans le cas 3D, lexpression du jacobien correspondant a un mod`le de dformation ` e e exprim avec des fonctions B-splines de degr 1 est plus complexe. Soit l le support e e i,j,k de la fonction de base l , avec (cf. gure 4.3) : i,j,k l = i,j,k et j1 j+1 k1 k+1 i1 i+1 l = Sp,q,r , ; l ; l ; l l l l 2 2 2 2 2 2 p,q,r l Sp,q,r = q q+1 r r+1 p p+1 ; l l; l l; l , 2l 2 2 2 2 2 (4.17)

(4.18)

p {i 1; i}; q {j 1; j}; r {k 1; k}.

l Seules les fonctions de base l , l p,q,r p,q,r+1 , . . . , p+1,q+1,r+1 ont un eet sur le sous-bloc l l Sp,q,r . D`s lors, le calcul du jacobien sur un sous-bloc Sp,q,r ne ncessite de considrer e e e que les indices i {p; p + 1}, j {q; q + 1} et k {r; r + 1} dans lexpression 4.14 du

76

Conservation de la topologie

l Si1,j1,k

l Si,j,k

k+1 2l k 2l k1 2l

... .... ? .. ..................... . . .... . . . . ? ..... . . ... . . .. . . . . . . .... . . . .. . . . .. .  . . - ....................... . . .. . . . . . . . .  . . . . . . .  .


6 6 6

j+1 2l j j 1 2l 2l

i1 2l

i 2l

i+1 2l

Fig. 4.3 Bo l avec les sous-bo Sp,q,r correspondantes. te i,j,k tes l p+ (t, n, l)
6

p (t, n, l)
6

2l/2

................................... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . n n+1 2l 2l

2l/2
-

................................... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . n n+1 2l 2l

Fig. 4.4 Fonctions anes lmentaires p (t, n, l) et p+ (t, n, l) permettant dexprimer ee l les fonctions de base i,j,k dans le cas des splines de degr 1. e mod`le de dformation . Soient p+ (t, n, l) et p (t, n, l) les fonctions anes lmentaires e e ee permettant de dcrire les fonctions de base l (cf. gure 4.4) : e i,j,k p+ (t, n, l) = 2l/2 p (t, n, l) = 2l/2

2l t n , 2l t (n + 1) .

(4.19)

Dapr`s lquation 4.14, lexpression de la composante ul (x, y, z) du champ de dfore e e x l + mation sur Sp,q,r peut sexprimer en fonction de p (t, n, l) et p (t, n, l) de la mani`re e suivante : ul (x, y, z) = x al x;p,q,r + al x;p,q,r+1 . . . p (x, p, l) p (x, p, l) p (y, q, l) p (y, q, l) p+ (y, q, l) p (z, r, l) p+ (z, r, l) p+ (z, r, l) .

(4.20)

+ + al x;p+1,q+1,r+1 p (x, p, l)

4.3 Recalage sous contraintes topologiques

77

` Des expressions similaires sont obtenues pour ul et ul . A partir des quations 4.13, 4.19 e y z 3 et 4.20 et grce a un logiciel de calcul formel , nous avons pu obtenir lexpression suivante a ` l du jacobien dnie sur chaque Sp,q,r : e Jh (x, y, z, al ) = 1 + 2 x + 3 y + 4 z + 5 x2 + 6 xy + 7 xz + 8 y 2 +9 yz + 10 z 2 + 11 x2 y + 12 x2 z + 13 xy 2 + 14 xyz +15 xz 2 + 16 y 2 z + 17 yz 2 + 18 x2 yz + 19 xy 2 z + 20 xyz 2 , (4.21) les i tant des formes polynomiales4 dpendant des param`tres al intervenant sur le e e e l bloc Sp,q,r . Contrairement au cas 2D, il nexiste pas de solution analytique simple pour dterminer les optima globaux dune telle forme polynomiale. Cest pourquoi nous avons e propos le recours a des techniques issues de lanalyse par intervalles pour dterminer e ` e les optima globaux de cette forme polynomiale non triviale.

4.3.3
4.3.3.1

Rsolution du probl`me doptimisation sous contraintes e e dans le cas 3D


Formulation du probl`me e

Pour apprhender la rsolution du probl`me doptimisation dcrit par lquation 4.12, e e e e e nous considrons le cas o` lestimation des param`tres est ralise par une technique de e u e e e l l l descente de gradient sur chacun des blocs i,j,k . Les param`tres al e x;i,j,k ; ay;i,j,k ; az;i,j,k 3 sont ainsi mis a jour conjointement en calculant une direction de descente d IR , dnie ` e comme loppos du gradient de la fonctionnelle dnergie E par rapport aux param`tres, e e e et en estimant le pas de descente optimal : l ax al x al al + d y y l l az az E/al x d = E/al . y E/al z

avec

(4.22)

Considrons, pour un pas x, Jm () et JM () respectivement la borne infrieure et la e e e l borne suprieure du jacobien sur le sous-bloc Sp,q,r : e Jm () =
JM () =
l (x,y,z)Sp,q,r

inf

J (x, y, z, ) , J (x, y, z, ) . (4.23)

sup
l (x,y,z)Sp,q,r

Un pas admissible doit satisfaire la condition suivante : Jmin Jm () JM () Jmax ,


3 4

(4.24)

Le logiciel de calcul formel utilis est MuPAD disponible a ladresse : http ://www.mupad.de. e ` Lexpression de chacun des i est compose de plus dune centaine de monmes. Leurs expressions e o ne gurent pas dans ce mmoire car elles auraient ncessit plus dune dizaine de pages. Le lecteur e e e dsireux de retrouver lexpression analytique du jacobien dispose de lensemble des lments ncessaires e ee e pour la calculer a laide dun logiciel de calcul formel. Des vrications de lexpression obtenue peuvent ` e ensuite tre faites en calculant des valeurs particuli`res du jacobien, notamment les valeurs limites aux e e l sommets des Sp,q,r qui sont calculables a la main. `

78

Conservation de la topologie

avec Jmin et Jmax correspondant aux deux bornes dnies par lutilisateur. Une proe prit du jacobien, consquence immdiate de la proprit de linarit par rapport aux ee e e ee e e param`tres du mod`le (cf. quation 4.15), est dtre linaire par rapport a : e e e e e ` (x, y, z) l , i,j,k J(x, y, z, ) = A(x, y, z) + B(x, y, z) . (4.25)

En tout point (x, y, z) de l , le jacobien est donc une fonction ane de . Une i,j,k consquence intressante est la proprit de concavit et de convexit dont hritent e e ee e e e respectivement Jm () et JM () en tant que borne infrieure et borne suprieure dun e e ensemble de fonctions anes (cf. Annexe B pour la dmonstration de cette proprit). e ee Jm () et JM () tant respectivement concave et convexe et Jm (0) et JM (0) satisfaisant e tous deux a la condition (4.24) puisquils sont issus dune prcdente tape doptimisa` e e e tion garantissant justement cette condition, nous pouvons conclure que lensemble des valeurs admissibles de (i.e., satisfaisant a la condition (4.24)) est convexe. Il existe donc ` une borne suprieure + de cet ensemble telle que la condition (4.24) soit vrie pour e e e + l tout [0; ]. Cette borne suprieure tant dnie pour chacun des sous-blocs Sp,q,r , e e e J
6

JM () . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
+ M

Jmax

Jmin

. . . . . . .
+ m

Jm ()

Fig. 4.5 La borne + , dnie comme la valeur maximale telle que la condition (4.24) e + + soit vrie pour tout [0, + ], est calcule comme le minimum de m ; M . e e e nous disposons dun ensemble de huit + pour un bloc l donn, la valeur eective de e i,j,k + tant alors obtenue en prenant le minimum de ces huit valeurs. e Maintenant que nous avons pos le probl`me et caractris lespace admissible des e e e e param`tres, il sagit de rsoudre les deux points suivants : e e dterminer pour un donn la valeur de Jm () et JM () ; e e dterminer la borne suprieure + telle que : e e + = sup (x, y, z) l i,j,k Jmin J (x, y, z, ) Jmax . (4.26)

Les deux prochains paragraphes sont consacrs, dans cet ordre, a la rsolution de ces e ` e deux probl`mes. e

4.3 Recalage sous contraintes topologiques 4.3.3.2

79

Recherche doptima globaux dune forme polynomiale par des techniques issues de lanalyse par intervalles

Cette section est consacre a la description des mthodes mises en oeuvre pour la e ` e l recherche des optima globaux du jacobien sur chaque sous-bloc Sp,q,r . Lexpression du jacobien tant une forme polynomiale non triviale (quation 4.21) ne prsentant pas de e e e bonnes proprits notamment de convexit, la rsolution de ce probl`me doptimisation ee e e e sav`re dlicate en raison de lexistence possible doptima locaux. An de rsoudre ce e e e probl`me doptimisation globale dans IR3 , nous avons eu recours a des techniques issues e ` de lanalyse par intervalles [Hansen 92, Jaulin 01]. Lanalyse par intervalles permet de concevoir des algorithmes pour la rsolution de probl`mes doptimisation globale et de e e syst`mes dquations ou dinquations. Lide fondamentale est de dterminer un encae e e e e drement a une prcision donne de la solution, sans chercher a en estimer la valeur exacte. ` e e ` Les principaux outils utiliss sont des oprations lmentaires sur les intervalles et les e e ee bo 5 . Des exemples doprations lmentaires sont lunion, lintersection, laddition, le tes e ee produit, linverse, les fonctions dinclusion et les contracteurs. Lanalyse par intervalles est particuli`rement adapte pour la rsolution de probl`mes de faible dimensionnalit e e e e e (typiquement jusqu` 10), la charge calculatoire augmentant rapidement avec le nombre a de variables. Nous prsentons dans la suite deux outils lmentaires de lanalyse par e ee intervalles que nous avons utiliss, a savoir les fonctions dinclusion et les contracteurs. e ` Nous dcrivons ensuite lalgorithme doptimisation globale que nous avons utilis dans le e e contexte particulier dune fonction de cot polynomiale, qui correspond ici au jacobien u de la transformation. Pour plus de dtails concernant lanalyse par intervalles, le lecteur e pourra se rfrer a [Hansen 92, Jaulin 01]. ee ` Fonctions dinclusion. Une fonction dinclusion permet de dnir un encadrement e des valeurs que peut prendre une fonction sur une bo donne. Nous utilisons les foncte e tions dinclusion pour fournir un encadrement des valeurs du jacobien. Soit [x] IR n une bo du type [x] = x ; x+ x ; x+ . . . [x ; x+ ]. Soit f une fonction de IRn te 2 2 1 1 n n dans IR. La fonction intervalle [f ] de IRn dans IR est une fonction dinclusion pour f si : [x] IRn , f ([x]) [f ] ([x]) . (4.27)

En dautres termes, une fonction dinclusion [f ] est une fonction retournant pour chaque [x] une bo contenant limage de [x] par f . Une proprit que doit vrier une fonction te ee e dinclusion est dtre convergente, cest-`-dire que si [x] tend a se rduire a un point, e a ` e ` [f ] ([x]) doit aussi tendre vers un point. Considrons une forme polynomiale f : IRn IR : e f (x) = a0 +
i

ai
j

xj ij

(4.28)

Moyennant le changement de variable x = x x conduisant a la nouvelle fonction f , `


5

Les bo sont des intervalles de IRn . tes

80

Conservation de la topologie

il est possible de dnir la fonction dinclusion suivante de f sur [x] : e x [f ] ([x]) = f ([ ]) = a0 +


i

I(i <0) ai a
j

x+ j

nij

; a0 +
i

I(i >0) ai a
j

x+ j

nij

(4.29) o` I(prdicat) est la fonction indicatrice valant 1 si prdicat est vrai et 0 sinon. De nomu e e breuses autres fonctions dinclusion sont possibles [Jaulin 01]. Exemple du calcul de la fonction dinclusion de lquation 4.29 dans le cas dun polynme e o a une variable (cf. gure 4.6) : ` Considrons le polynme f (x) = x3 4x2 x+5 sur lintervalle [x] = [1; 1]. La premi`re e o e tape ncessaire au calcul de la fonction dinclusion sur cet intervalle consiste a eectuer e e ` le changement de variable suivant : x = x(1) = x+1. Ainsi, nous obtenons le nouveau e polynme f dni sur [] = [0; 2] tel que : o x x f () = f (x)|x=1 x x f () = ( 1)3 4( 1)2 ( 1) + 5 x x x () = x3 72 + 10 + 1 f x x x Dapr`s lquation 4.29 : e e [f ] ([1; 1]) = f ([0; 2]) = [7 22 + 1; 23 + 10 2 + 1] = [27; 29]. Lintervalle fourni par la fonction dinclusion est en fait calcul en valuant le polynme e e o x f () pour la valeur la plus grande de lintervalle [], a savoir 2, en ne considrant que x ` e les monmes prcds dun coecient ngatif pour le calcul de la borne infrieure de o e e e e e lintervalle et que les monmes prcds dun coecient positif pour le calcul de la borne o e e e suprieure de lintervalle. e La gure 4.6 met en vidence que lencadrement fourni par la fonction dinclusion de e lquation 4.29 nest pas tr`s prcis. Nanmoins, nous avons choisi cette fonction dine e e e clusion pour sa simplicit et sa rapidit de calcul. An daugmenter la prcision de e e e lencadrement, il est possible de considrer dautres fonctions dinclusion et de prendre e lintersection de lensemble des intervalles obtenus. Par exemple, nous pouvons considrer e dni sur [] = [0; 2] tel que : le polynme f e o x x f () = f (x)|x=1 x x f () = (1 x)3 4(1 x)2 (1 x) + 5 () = 3 x2 + 6 + 1 f x x x Dapr`s lquation 4.29 : e e [f ] ([1; 1]) = f ([0; 2]) = [23 22 + 1; 6 2 + 1] = [11; 13]. Contracteurs. Un contracteur est une procdure permettant de remplacer une bo e te [x] par une bo [] de plus petite taille tel quaucun point de [x] \ [] ne soit solution te x x du probl`me. Nous avons donc recours aux contracteurs pour dterminer, a partir dune e e `

4.3 Recalage sous contraintes topologiques

81

Fig. 4.6 Exemple illustrant le calcul de la fonction dinclusion de lquation 4.29 pour e le polynme f (x) = x3 4x2 x + 5 dni pour x [1; 1]. o e bo [x], une bo [] de plus petite taille tel quaucun point de [x] \ [] ne puisse te te x x correspondre a une valeur minimum du jacobien sur [x]. ` Dans le cas particulier des splines de degr 1, les composantes du gradient du jacobien e sont des fonctions anes des variables spatiales (cf. quation 4.21). Ainsi, lexpression e du gradient suivant x peut scrire sous la forme : e J = a x + b, x (4.30)

avec a et b des polynmes dpendant des variables y et z. Il est possible, grce a la o e a ` fonction dinclusion de lquation 4.29, de dterminer des intervalles [am , aM ] et [bm , bM ] e e permettant dencadrer respectivement les polynmes a et b. Le gradient peut donc tre o e encadr de la mani`re suivante (cf. gure 4.7) : e e aM x + bm J/x am x + bM am x + bm J/x aM x + bM si x < 0, si x 0. (4.31)

Dans le cas particulier de la gure 4.7, il est possible de dterminer x tel que pour tout e x [x ; x [, le gradient J/x soit strictement ngatif. Ainsi, tant donn quaucun e e e optimum ne peut tre atteint sur la bo [x , x [ [y , y + ] [z , z + ], x peut tre mis e te e + a jour avec la valeur de x . De mme, x peut tre mis a jour avec une valeur de x+ ` e e ` + + dtermine de telle sorte que pour tout x ] ; x ] le gradient J/x soit strictement e e x positif. Cette procdure est rpte plusieurs fois6 sur chacune des variables x, y et z. e e ee Procdure doptimisation globale. Nous considrons uniquement le cas de la ree e cherche du minimum global du jacobien J, le cas du maximum tant trait de mani`re e e e similaire. Lide gnrale de lalgorithme doptimisation globale [Jaulin 01, optimize e e e
6

Dans implantation que nous avons ralise, 10 fois pour chacune des variables. e e

# $" !

   3' % ) ' 2 10(& %  

82 J 6 x x
?

Conservation de la topologie

aM x + b M x+
?

x
?

x+
?-

am x + b M

am x + b m

aM x + b m

Fig. 4.7 Encadrement du gradient du jacobien.

algorithm, p. 119] est de subdiviser successivement le domaine en bo de taille de plus tes en plus petite et de ne conserver que les bo tes susceptibles de contenir le minimum global. Le principe de la mthode est dcrit dans lalgorithme 1. Deux listes Q et L de bo e e tes sont manipules. Q est la liste courante contenant les bo a traiter. L est une liste de e tes ` petites bo tes, chacune dentre elles tant susceptible de contenir le minimum global du e jacobien. c et c+ sont respectivement une borne infrieure et une borne suprieure de la e e valeur c du minimum global. Lalgorithme repose sur lutilisation de quatre procdures : e rechercher un minimum local de J sur [x] : lalgorithme doptimisation locale retenu est de type Gauss-Seidel. La minimisation est eectue successivement suivant e chacune des variables jusqu` convergence. Cette procdure est facile et rapide a e puisque le jacobien est un polynme quadratique en chacune des variables, la valeur o du minimum suivant une variable pouvant tre obtenue de mani`re analytique ; e e subdiviser [x] en plusieurs sous-botes : le minimum local sur [x] atteint pour x e est encadr dans une sous-bo de taille SIZE MIN 7 . [x] est alors subdivise au e te maximum en 27 sous-bo tes suivant les hyperplans dnis par les faces de cette e sous-bo (cf. gure 4.8) ; te contracter une bote : se rfrer au contracteur dcrit au paragraphe prcdent ; ee e e e calculer la fonction dinclusion : cf. quation 4.29. e Seul un type de fonction dinclusion a t utilis dans lalgorithme 1 car il est plus ecace ee e de calculer approximativement et rapidement des bornes sur le jacobien et de subdiviser plus souvent les bo tes, plutt que de passer plus de temps a calculer des bornes prcises o ` e ` et de considrer moins de sous-bo e tes. A noter que la rduction de la taille des bo e tes (i.e., la contraction) sav`re tr`s importante au regard du temps de calcul. e e

SIZE MIN est un param`tre permettant de contrler la taille minimum en dessous de laquelle une e o bo nest plus subdivise, ayant ainsi une consquence directe sur la prcision de la solution estime. te e e e e Dans limplantation que nous avons ralise, SIZE MIN est x a 1/100 de la taille dun sous-bloc e e e ` l Sp,q,r .

4.3 Recalage sous contraintes topologiques

83

l Alg. 1 Encadrement du minimum global c du jacobien J sur Sp,q,r

But : Trouver un encadrement [c ; c+ ] de la valeur du minimum global c. Mthode : e Rpter e e


l Initialisation : Q Sp,q,r , L vide, c = c+ = +

/* Traitement de la liste Q */ Retirer une bo [x] de Q te c+ inf {c+ , J ( )} x

Rechercher x tel que J ( ) soit un minimum local de J sur [x] x

Subdiviser [x] en plusieurs sous-bo tes Contracter la bo ; te Calculer la fonction dinclusion [J ; J + ] sur la bo te Ne plus considrer la bo si J > c+ e te Si la taille de la bo est infrieure a SIZE MIN te e ` Sinon Ajouter la bo a la liste L te ` Ajouter la bo a la liste Q te `

Pour chaque sous-bo te

Fin Si Fin pour

/* Traitement de la liste L */ Pour chaque bo de L te c inf {J , c } Fin pour Calculer la fonction dinclusion [J ; J + ] sur la bo te /* P correspondant au milieu de la bo */ te

Jusqu` ce que Q soit vide a

c+ inf {J(P ), c+ }

Sortie : [c , c+ ] encadrant c et le point P retenu tel que J(P ) = c+ .

84

Conservation de la topologie

Fig. 4.8 Exemple dans le cas 2D illustrant la procdure de subdivision dune bo en e te plusieurs sous-bo : a partir dun minimum local x sur [x], une premi`re bo [x0 ] tes ` e te de taille SIZE MIN est construite de sorte que x soit en son centre, permettant ainsi de dnir au maximum huit autres sous-bo [xi ] [x] a partir des hyperplans dnis par e tes ` e les cts de [x0 ]. oe 4.3.3.3 Dtermination de lespace admissible des param`tres e e

Le but de cette section est de dcrire lalgorithme permettant la dtermination du e e + pas maximal admissible le long de la direction de descente d tout en gardant la charge calculatoire la plus faible possible. Rappelons la dnition de + : e + = sup (x, y, z) l i,j,k Jmin J (x, y, z, ) Jmax = sup (x, y, z) l Jmin Jm () JM () Jmax . i,j,k (4.32)

Nous ne cherchons pas a dterminer la valeur exacte8 de + , mais plutt a en fournir ` e o ` + + + + + un encadrement entre deux bornes i et s telles que i ; s et susamment proches lune de lautre. Rappelons que lalgorithme 1 doptimisation globale permet de dterminer, pour une valeur de xe, un encadrement de la valeur minimale Jm () du e e jacobien et un encadrement de la valeur maximale JM () du jacobien sur un bloc l : i,j,k
+ Jm () [Jm () ; Jm ()], + JM () [JM () ; JM ()].

+ + Il sagit donc de dterminer i et s telles que ces deux valeurs soient les plus proches e possibles et quelles vrient (cf. gure 4.9) : e + + + Jm i > Jmin et JM i < Jmax , + + + Jm (s ) < Jmin ou JM (s ) > Jmax .

+ + i est ainsi dni de telle sorte quil soit certain que pour tout plus petit que i la e + condition Jmin < Jm () < JM () < Jmax soit vrie. De mme, s est dni de telle e e e e

Pour pouvoir rechercher une valeur exacte de + , il faudrait tre capable de calculer la valeur e exacte de Jm () et JM (). Or, lalgorithme 1 doptimisation globale permet daccder uniquement a un e ` encadrement de ces valeurs. Voil` pourquoi nous ne pouvons rechercher quun encadrement de la valeur a de + .

   
(4.33) (4.34)

&$ '% "#

BA '% 9@ RQ 8 IP dc '% ab

!    

76 8 45 `Y 8 WX

20 31 () GE HF CD VU '% ST

4.3 Recalage sous contraintes topologiques

85

+ sorte quil soit certain que pour tout plus grand que s cette condition ne soit plus vrie. Il est facile de se rendre compte en observant la gure 4.9 que la prcision de e e e

+ + Fig. 4.9 Recherche de i et s les plus proches possibles vriant les conditions e + + + + + + {Jm i > Jmin et JM i < Jmax } et {Jm (s ) < Jmin ou JM (s ) > Jmax }.

lencadrement de la valeur + est troitement lie a la prcision de lencadrement fourni e e ` e pour Jm () et JM () par lalgorithme doptimisation globale. Lalgorithme doptimisation globale tant relativement coteux en temps de calcul, e u + + il sagit de dterminer de mani`re ecace les deux bornes i et s en minimisant le e e nombre dencadrements de Jm () et JM (). Lalgorithme que nous avons propos est e compos de deux tapes : une tape dinitialisation permettant de donner rapidement e e e une borne suprieure pertinente de + an de limiter lespace de recherche, et une tape e e + + + de ranement permettant destimer ecacement lencadrement i ; s de . Initialisation. Le but de la phase dinitialisation est de donner rapidement une borne + suprieure s pertinente de + . Pour ce faire, nous considrons un certain nombre de e e 9 l points particuliers de i,j,k . En chacun de ces points, le jacobien est une fonction ane de (dapr`s la proprit de linarit du jacobien par rapport aux param`tres). Notons e ee e e e l 10 Q un point particulier de i,j,k et JQ () = + lexpression du jacobien en ce point. + Un candidat potentiel pour s est donn par : e
+ s = arg0 (JQ () = Jmin

ou JQ () = Jmax ) .

Il est possible quaucune valeur de ne satisfasse cette condition, par exemple dans le cas o` Jmax = + et o` le jacobien JQ () a une pente positive. Il est facile de se convaincre u u
Dans limplantation que nous avons ralise, les points particuliers de l e e i,j,k que nous avons choisis l sont les huit sommets de chacun des huit sous-blocs Sp,q,r . 10 ` A noter que JQ () peut ne pas tre dni de mani`re unique si Q appartient a la fronti`re entre e e e ` e l plusieurs sous-blocs Sp,q,r dirents. e
9

& # " % $!

   45 )3 ( )' 2 1 )0 R I GH 8G Q P $F E BD @ CA $9 7 86 p8i h ge  f   d c d b Ya V T U 8`X W8S

(4.35)

86

Conservation de la topologie

+ quun tel s est bien un majorant de + . En eet, par dnition de Jm () et JM (), on e a: + + + Jm (s ) JQ (s ) JM (s ). (4.36)

Or dapr`s lquation 4.35 : e e


+ JQ (s ) = Jmin + ou JQ (s ) = Jmax ,

(4.37) (4.38)

donc,
+ + / e e Par consquent, s [0; + [ par dnition de + (quation 4.32) et comme s est positif e (4.35) il est forcment suprieur ou gal a + . e e e ` + Plusieurs valeurs de s sont ainsi dnies pour dirents points particuliers de l , e e i,j,k la valeur nale retenue tant le minimum de toutes ces valeurs (cf. gure 4.10). Le pas e + l s retenu est caractris par un sous-bloc Su,v,w sur lequel cette valeur a t obtenue et e e ee + ee e e par une valeur Jini qui vaut soit Jmin ou Jmax suivant que s a t dtermin comme intersection avec lune ou lautre de ces valeurs. Le dtail de la mthode permettant e e + dinitialiser s est dcrit dans lalgorithme 2. e
( & '$ #! % " 

+ Jm (s ) Jmin

+ ou JM (s ) Jmax .

+ Fig. 4.10 Initialisation de s : le jacobien tant une fonction ane de en un point e donn de l , son expression est considre en N points dirents de l e ee e i,j,k i,j,k et pour + chaque point, une valeur candidate de s est obtenue en dterminant la valeur de pour e + laquelle le jacobien vaut Jmin ou Jmax . La valeur nale retenue pour linitialisation de s est le minimum de toutes ces valeurs.

+ + Ranement. Lalgorithme de ranement consiste a mettre a jour i et s de sorte ` ` + + que lencadrement de + soit le plus n possible. Les valeurs initiales de i et s sont respectivement 0 et celle fournie par ltape dinitialisation. La dicult est de proposer e e de mani`re ecace direntes valeurs de pour atteindre au plus vite la convergence de e e + + + i et s . Notons que pour certaines valeurs de , il se peut quaucune des valeurs i et + s ne soit mise a jour. De plus, les conditions de lquation 4.34 doivent a chaque fois ` e ` l tre vries sur chacun des huit sous-blocs Sp,q,r . Ainsi, nous proposons un algorithme e e e + de ranement permettant de proposer de mani`re ecace de nouvelles valeurs pour i e

S Q I G E C R 9PHFDB

A 8 6 5 @ 974

b ` X W V U a 1YHFDT

3 0 2 1) i f e d h g7c   

   

4.3 Recalage sous contraintes topologiques

87

+ Alg. 2 Initialisation de s

But : Trouver une initialisation pertinente pour une borne suprieure de + e


+ Initialisation : s = +

Mthode : e
l Boucle sur Sp,q,r l i,j,k l Boucle sur les sommets Q de Sp,q,r + = arg0 (JQ () = Jmin ) s + + + Si (s existe et s < s ) + + s s l l Su,v,w Sp,q,r

Fin Si + = arg0 (JQ () = Jmax )


s + + + Si (s existe et s < s ) + + s l Su,v,w s

Jini Jmin

Fin Si Fin boucle

Jini Jmax

l Sp,q,r

Fin boucle
+ l Sortie : s , Jini et Su,v,w dans leur aectation courante.

88

Conservation de la topologie

+ et s , en utilisant certaines proprits lies a la concavit et a la convexit de J m () et ee e ` e ` e JM () tout en limitant le nombre de recours a lalgorithme doptimisation globale sur ` chacun des sous-blocs. + + Alg. 3 Ranement de lencadrement i ; s de + + + But : Trouver un encadrement i ; s de + + + l Initialisation : i = + et s ; Su,v,w ; Jini issus de la phase dinitialisation

Mthode : e
+ l + + ` ` Sur Su,v,w , faire une proposition (i ; s ) a partir de (0; s ) par rapport a Jini + inf{ + ; + } s s s + + + i inf{i ; i } l Boucle sur Sp,q,r l i,j,k + Si (Jm (s ) < Jmin ) l Su,v,w

+ + + ` Faire une proposition (i ; s ) a partir de (0; s ) par rapport a Jmin ` + inf{ + ; + } s + i

Fin Si

s s + + inf{i ; i }

+ + Si (JM (s ) > Jmax ) + + + ` Faire une proposition (i ; s ) a partir de (0; s ) par rapport a Jmax ` + inf{ + ; + } s + i

Fin Si Fin boucle

s s + + inf{i ; i }

+ + Sortie : i et s dans leur valeur courante. + + + Remarque : la mise a jour de i est eectue en considrant inf{i ; i } an de garantir que ` e e + toutes les valeurs de 0; i conviennent.

La mthode que nous proposons est dcrite dans lalgorithme 3. Une attention toute e e l particuli`re est accorde au sous-bloc Su,v,w pour lequel a t obtenue linitialisation de e e ee + s car la probabilit est forte pour que les autres sous-blocs vrient les conditions par e e rapport aux bornes Jmin et Jmax , permettant ainsi dviter de faire sur ces sous-blocs e + + une proposition pour i ; s qui peut savrer coteuse en temps de calcul. e u Lalgorithme repose sur une fonction permettant de proposer un nouveau couple + + + + ` (i ; s ) a partir dune certaine initialisation i ; s par rapport a une des bornes ` Jmin ou Jmax . Cette procdure est dcrite gure 4.11 dans le cas o` la recherche se fait e e u par rapport a Jmin (le cas par rapport a Jmax tant similaire). Un nouveau candidat ` ` e + potentiel pour i est obtenu par lintersection entre Jmin et la droite passant par les + + + + + points (i ; Jm (i )) et (s ; Jm (s )). Ainsi, Jm (i ) est forcment plus grand que Jmin du e

4.3 Recalage sous contraintes topologiques

89

+ fait de la proprit de concavit de Jm (). Cependant, la valeur de i nest retenue que si ee e + Jm (i ) Jmin , ce qui nest pas forcment le cas du fait de la prcision sur lencadrement e e + de Jm (). Concernant la proposition dun nouveau candidat potentiel pour s , le point + e` P (s ) fourni par lalgorithme doptimisation global et ayant men a lestimation de la + + + + + + ee borne suprieure Jm (s ) (JP (s ) (s ) = Jm (s )) est considr. Lexpression du jacobien e + + e ee e e JP (s ) () au point P (s ) est une fonction ane de (dapr`s la proprit de linarit du + + + jacobien par rapport aux param`tres). s est choisi de telle sorte que JP (s ) (s ) = Jmin . e + La valeur correspondante de Jm (s ) est forcment infrieure ou gale a Jmin puisque e e e ` + Jm () est dni comme une borne infrieure des valeurs du jacobien. La valeur de s e e + + + + nest eectivement retenue que si Jm (s ) Jmin . Ce schma de proposition de i et s e est rpt de mani`re itrative jusqu` convergence de ces deux valeurs. e ee e e a

+ + + + + ` Fig. 4.11 Proposition de i et s a partir de i et s . i est dtermin comme e e + + + + lintersection entre Jmin et la droite passant par les points (i ; Jm (i )) et (s ; Jm (s )). + + + s est dtermin de telle sorte que JP (s ) (s ) = Jmin . Cette procdure est rpte jusqu` e e e e ee a + + convergence des valeurs de i et s . + + Nous venons de dcrire lalgorithme permettant de fournir un intervalle i ; s ene + + cadrant . Seul la borne infrieure i est par la suite considre lors de la phase dope ee timisation pour la valeur eective de + car elle permet de garantir de faon certaine c que : + (4.39) 0; i , [x, y, z]t l i,j,k Jmin J (x, y, z, ) Jmax .

4.3.3.4

Extension ` des splines de degr suprieur a e e

Lensemble des mthodes permettant dimposer la conservation de la topologie a t e ee dcrit dans les sections prcdentes dans le cas de fonctions B-splines de degr 1. Lextene e e e sion a des fonctions B-splines de degr suprieur ne pose aucun probl`me mthodologique. ` e e e e Nanmoins, limplantation (qui na pas t ralise dans le cadre de ce travail de th`se) e ee e e e savrerait plus complexe et les temps de calcul ne seraient sans doute plus compatibles e avec des applications en routine clinique. Nous allons, pour illustrer la discussion sur lextension de la mthodologie a des splines de degr suprieur, considrer le cas des e ` e e e splines de degr 2. e

  

xyvwu s p h tr qig

"# !

1( 0 )

 

' & $ %

 

P HI G E @FD B CA X VW U T YFS R CQ f dc Ye 6b a ` a

9 75 @8 64 3 2 3

90

Conservation de la topologie

Notons 2 = 0 0 0 la fonction B-spline de degr 2, 0 tant la fonction rectangle e e (cf. 3.2). 2 est une fonction polynomiale par morceaux qui peut tre dcrite par trois e e 1 0 +1 polynmes p , p et p du second degr, jouant des rles similaires a ceux jous par o e o ` e p et p+ dans le cas des splines de degr 1. D`s lors, le support l de la fonction l e e i,j,k i,j,k l e se divise en 3 3 3 = 27 sous-blocs Sp,q,r . Nous constatons ici la premi`re cause de laugmentation de la complexit calculatoire de la mthode lors du passage a des splines e e ` de degr suprieur. Pour une fonction de base donne, au lieu de considrer lexpression e e e e l du jacobien sur huit sous-blocs Sp,q,r dans le cas de splines de degr 1, il faut dsormais e e en considrer 27 pour des splines de degr 2. e e Concernant la proprit de linarit du jacobien par rapport aux param`tres de la ee e e e transformation, nous avons vu (cf. 4.3.2.1) quelle est vrie quel que soit le degr de e e e la spline considre. Cest en partie cette proprit qui permet de garantir lextension ee ee de lapproche que nous avons propose a des splines de degr suprieur car elle assure la e ` e e concavit et la convexit de Jm () et JM (). e e Concernant la dtermination de lexpression analytique du jacobien, elle peut tre e e entreprise de mani`re similaire au cas des splines de degr 1 en considrant les expressions e e e de p1 , p0 et p+1 a la place de p et p+ . Nanmoins, son expression est beaucoup plus ` e complexe. Concernant la dpendance par rapport aux variables spatiales, lexpression e nest plus quadratique par rapport a chacune des variables (cf. quation 4.21), mais ` e rel`ve dun polynme dordre 3. Les expressions des coecients du polynme (i.e., les e o o i de lquation 4.21) sont aussi beaucoup plus complexes. Pour des splines de degr 1, e e l l l chaque coecient i dpend de huit triplets de param`tres ax;i,j,k ; ay;i,j,k ; az;i,j,k . Pour e e des splines de degr 2, les expressions des coecients i dpendent de 27 triplets de e e param`tres. Une premi`re consquence de la complexication de lexpression du jacobien e e e est laugmentation du temps de calcul ncessaire pour son valuation en un point de e e lespace et pour un jeu de param`tres donn. La deuxi`me consquence intervient lors e e e e de la procdure de recherche dun minimum local du jacobien utilise dans lalgorithme e e doptimisation globale. La procdure retenue pour des splines de degr 1 tant de type e e e Gauss-Seidel, le minimum suivant chacune des variables est obtenu analytiquement tant e donn la forme quadratique du jacobien par rapport a chacune des variables de lespace. e ` Dans le cas de splines de degr suprieur, il est ncessaire davoir recours a des techniques e e e ` classiques de minimisation de ligne, entra nant une charge calculatoire supplmentaire. e Enn, le troisi`me point concerne le contracteur utilis lors de lalgorithme doptimisation e e globale. Le contracteur prsent dans le cas des splines de degr 1 utilise la proprit de e e e ee linarit du gradient du jacobien par rapport aux variables despace. Dans le cas de splines e e de degr 2, le gradient a une forme quadratique par rapport a chacune des variables, e ` ncessitant de proposer une nouvelle stratgie, plus complexe, pour la contraction des e e bo tes. De plus, le couplage entre les variables est plus important car davantage de triplets l interviennent sur un Sp,q,r donn, rendant ainsi loptimisation plus longue. e En conclusion, cette discussion tend a montrer quil nexiste pas de probl`me mthodo` e e logique empchant lextension de la mthode de conservation de la topologie pour des e e splines de degr suprieur. Cependant, limplantation pratique serait plus complexe et la e e charge calculatoire beaucoup plus importante, tandis que lamlioration attendue sur la e qualit du recalage ne serait sans doute pas signicative (conformment a ce que Musse e e ` a pu constater dans la mthode initiale, en comparant linuence du choix des fonctions e B-splines de degr 1 et de degr 2 [Musse 00]). e e

4.4 Contributions de la conservation de la topologie

91

4.4

Contributions de la conservation de la topologie

Dans cette section, nous illustrons de mani`re qualitative la contribution de la consere vation de la topologie. Des rsultats quantitatifs sont prsents dans la troisi`me partie e e e e de ce document consacre a la validation. Il est important de prciser ici que la simple e ` e inspection visuelle des images est trompeuse pour lvaluation de la qualit du rsultat e e e dun recalage. En eet, les niveaux de gris de deux images recales peuvent sembler tr`s e e similaires tandis que le comportement du champ de dformation sous-jacent peut tre e e compl`tement irraliste. La contribution de la contrainte de conservation de la topologie e e est principalement visible en analysant le comportement du champ de dformation. e La gure 4.12 prsente le rsultat du recalage non rigide de deux images 3D de e e patients dirents avec et sans contrainte de conservation de la topologie. Visuellee ment, les rsultats obtenus avec ou sans contrainte sur le jacobien sont tr`s proches. e e Pour mettre en vidence la contribution de la conservation de la topologie, les deux e champs de dformation correspondants sont appliqus a une grille synthtique rguli`re e e ` e e e place dans le plan interhmisphrique (gure 4.13). Le champ de dformation obtenu e e e e sans la contrainte de conservation de la topologie conduit a une impression visuelle de ` dchirement (cf. remarque a la n de la section) de certaines parties de la grille (gure e ` 4.13-b), illustrant ainsi la violation de la topologie. La topologie est principalement rompue dans les zones autour de la bouche, a cause des artefacts lis a la respiration, et ` e ` au niveau du cou a cause du manque dinformation dans cette rgion dans lune des ` e images. Imposer la contrainte de positivit du jacobien tend a rgulariser le champ de e ` e dformation obtenu et prserve lintgrit de la grille dforme (gure 4.13-c). Une autre e e e e e e illustration de la contribution de la contrainte de conservation de la topologie est mise en vidence lors de la segmentation automatique par transport datlas (gure 4.14). La sege mentation automatique par transport datlas consiste a recaler une image de rfrence ` ee a laquelle est associe une carte de segmentation (atlas) vers un patient. La carte de ` e segmentation est alors dforme a laide du champ de dformation ainsi estim an de e e ` e e dduire une segmentation des structures anatomiques du patient. Le cas prsent gure e e e 4.14 concerne la segmentation automatique du cerveau. On observe lapparition de trous et de dchirements dans le masque du cerveau dform avec la transformation ne garane e e tissant pas la positivit du jacobien (gure 4.14-b). Un autre exemple est prsent gure e e e 4.15 dans le cas de la segmentation automatique de ventricules, mettant en vidence un e dchirement des ventricules transports avec le champ de dformation ne prservant pas e e e e la topologie. Remarque. Nous avons montr dans ce chapitre que la contrainte de conservation de e la topologie permet de prserver lintgrit des structures dformes et ainsi dempcher e e e e e e le dchirement des structures. Cependant, parler de dchirement dans le contexte du e e mod`le de dformation que nous avons utilis est un abus de langage. En eet, le mod`le e e e e de dformation tant continu, il est impossible de faire appara un trou ou de briser la e e tre continuit dun objet dform, mme si la contrainte de conservation de la topologie nest e e e e pas impose. Les dchirements observs dans les gures 4.13, 4.14 et 4.15 ne sont que e e e des impressions visuelles de dchirement qui correspondent en ralit a des phnom`nes e e e` e e de repliement. La gure 4.16 prsente ce phnom`ne sur un exemple synthtique 1D. e e e e

92

Conservation de la topologie

(a)

(b)

(c)

(d) Fig. 4.12 Recalage non rigide dimages IRM 3D de deux patients dirents : (a) image e source ; (b) image cible ; (c) rsultat du recalage non rigide de (a) sur (b) sans contrainte e de conservation de la topologie ; (d) rsultat du recalage non rigide de (a) sur (b) avec e contrainte de positivit du jacobien. e

4.4 Contributions de la conservation de la topologie

93

(a)

(b)

(c)

Fig. 4.13 Visualisation du champ de dformation sur une grille rguli`re place dans e e e e le plan interhmisphrique : (a) image source ; (b) grille dforme avec la transformation e e e e estime sans la contrainte de conservation de la topologie ; (c) grille dforme avec la e e e transformation estime avec la contrainte de positivit du jacobien. e e

(a)

(b)

(c) Fig. 4.14 Application a la segmentation automatique du cerveau par transport datlas : ` (a) masque du cerveau de limage de rfrence (atlas) ; (b) masque du cerveau dform ee e e avec la transformation estime sans la contrainte de conservation de la topologie ; (c) e masque du cerveau dform avec la transformation estime avec la contrainte de positivit e e e e du jacobien.

94

Conservation de la topologie

(a)

(b)

(c)

(e)

(d)

(f)

Fig. 4.15 Recalage non rigide entre deux patients dirents avec application a la e ` segmentation automatique de ventricules par transport datlas : (a) image source ; (b) image cible ; (c) rsultat du recalage non rigide de (a) sur (b) sans la contrainte de e conservation de la topologie ; (d) rsultat du recalage non rigide de (a) sur (b) avec e la contrainte de positivit du jacobien ; (e) segmentation du ventricule par transport e datlas avec la transformation estime sans la contrainte de conservation de la topologie ; e (f) segmentation du ventricule par transport datlas avec la transformation estime avec e la contrainte de positivit du jacobien. e

4.4 Contributions de la conservation de la topologie

95

Fig. 4.16 Exemple illustrant limpression visuelle de dchirement qui peut tre e e provoque par un phnom`ne de repliement : (a) prol des intensits de limage de e e e e rfrence I(x) ; (b) carte de segmentation de rfrence I(x) ; (c) champ de dformation ee ee e ne prservant pas la topologie ; (d) prol des intensits de limage dforme I(x + u(x)) ; e e e e (e) carte de segmentation dforme I(x + u(x)). Le phnom`ne de repliement li a la non e e e e e` conservation de la topologie du champ de dformation est mis en vidence sur le prol e e des intensits de limage (d). Cependant, lexamen de limage binaire dforme (e) peut e e e donner limpression visuelle dun dchirement. e

t i n usrq i pomlwuj n i eg k t i i hfd wi eg i i u i

q p ig v t i q p ig x$wusr9hf

QS RP I

& %# $"

  DD 86 B @ 86 E$CA975  H  ' F ( G ee ba d c ba E$CAY ` X WV T U


(b) (c) (d) (e)

(a)

96

Conservation de la topologie

Chapitre 5 Fonction de co t u
5.1 Terme dattache aux donnes . . . . . . . . . . . . . . . . . . e 5.1.1 5.1.2 5.2 98

Crit`res de similarit . . . . . . . . . . . . . . . . . . . . . . . . 98 e e Symtrisation du crit`re de similarit . . . . . . . . . . . . . . . 99 e e e

Terme relatif au mod`le de dformation . . . . . . . . . . . . 105 e e 5.2.1 5.2.2 Rgularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 e Contraintes sur les valeurs du jacobien . . . . . . . . . . . . . . 107

Ce chapitre est consacr a la fonctionnelle dnergie E utilise pour lestimation des e` e e param`tres du mod`le de dformation. La qualit du recalage est lie a la fois a la rese e e e e ` ` semblance (similarit) entre les images et au comportement du champ de dformation ese e tim. Cest pourquoi, dune mani`re gnrale, une fonction de cot est construite comme e e e e u le compromis entre un terme dattache aux donnes, quantiant la similarit entre les e e images, et un terme relatif au mod`le de dformation, notamment par lintroduction de e e contraintes de rgularit ou da priori issus par exemple dun atlas anatomique probae e biliste. Dans une premi`re partie, nous dcrivons les dirents crit`res de similarit que e e e e e nous avons utiliss. Ces crit`res naccordant pas un rle symtrique aux deux images, e e o e nous en proposons une version symtrise. La contribution de la symtrisation du crit`re e e e e est ensuite illustre qualitativement sur des exemples synthtiques et rels. La seconde e e e partie de ce chapitre est consacre au terme relatif au mod`le de dformation. Nous e e e prsentons lnergie de membrane lastique que nous avons utilise pour introduire un e e e e a priori de rgularit sur le mod`le de dformation. Nous introduisons ensuite un terme e e e e interdisant aux valeurs du jacobien de la transformation, values sur la grille discr`te e e e de limage, dtre ngatives. Cette mthode est une alternative simple et rapide a la e e e ` mthode dcrite au chapitre prcdent pour garantir la proprit de conservation de la e e e e ee topologie, mais qui ne permet cependant pas de garantir la positivit du jacobien sur le e domaine continu sous-jacent de limage.

98

Fonction de co t u

Cost

4 2 0 -4 -3 -2 -1 0 1 2

Fig. 5.1 Reprsentation des direntes fonctions de cot. e e u

5.1
5.1.1

Terme dattache aux donnes e


Crit`res de similarit e e

Le cadre dapplication de la mthode que nous avons propose est le recalage dimages e e IRM monomodales. Une hypoth`se couramment faite est de supposer que les intensits e e des deux images sont identiques a un bruit additif gaussien pr`s. D`s lors, une approche ` e e classique pour estimer les param`tres de la transformation est de minimiser la somme des e dirences au carr entre les intensits des deux images (crit`re des moindres carrs) : e e e e e ESimilarit (h) = e

|I2 (s) I1 (h(s))|2 ds.

Un des inconvnients majeurs du crit`re des moindres carrs est son importante sensie e e bilit aux valeurs aberrantes (outliers). Dautres fonctions de cot, issues de la thorie e u e des statistiques robustes [Rousseeuw 87], prsentent une sensibilit moindre. De mani`re e e e plus gnrale, nous allons considrer le crit`re de similarit suivant : e e e e e ESimilarit (h) = e

G (I2 (s) I1 (h(s))) ds,

avec G une fonction de cot parmi les suivantes (cf. gure 5.1) : u GL2 (x) = x2 1+ x x
2 2 2

(L2 ), (L1 L2 ), (5.3) (Geman et McClure) [Geman 87].

GL1 L2 (x) = GG (x) =

x 1+

Pour GL1 L2 (x), est choisi arbitrairement petit an dobtenir le mme comportement e que la norme L1 tout en conservant la proprit de drivabilit en lorigine. Pour GG (x), ee e e

 
3

 

10

!  " 

(5.1)

(5.2)

5.1 Terme dattache aux donnes e

99

est dtermin grce a un estimateur robuste de lcart-type des rsidus utilisant la e e a ` e e mdiane [Rousseeuw 87] : e = 1.4826 med [I2 (s) I1 (h(s))] . (5.4)

Une comparaison de linuence de ces dirents crit`res de similarit est prsente dans e e e e e la troisi`me partie du mmoire consacre a la validation. e e e `

5.1.2
5.1.2.1

Symtrisation du crit`re de similarit e e e


Position du probl`me e

Un des inconvnients majeurs de la plupart des crit`res de similarit, notamment de e e e ceux dont lexpression est de la forme de lquation 5.2, est de ne pas accorder un rle e o symtrique aux deux images. En eet, il est ncessaire de faire le choix arbitraire dune e e image de rfrence et dune image a dformer. Ainsi, il est peu probable que le rsultat ee ` e e du recalage dune image I1 sur une image I2 corresponde exactement a linverse de la ` transformation obtenue lors du recalage de I2 sur I1 , ce qui devrait pourtant tre le cas e idalement. e Le probl`me de la symtrie du recalage a dj` t abord dans la littrature par plue e eaee e e sieurs auteurs. Cachier met en vidence les direntes causes responsables du caract`re e e e non symtrique de la plupart des mthodes de recalage [Cachier 00, Cachier 02]. Une des e e causes est lie aux fonctions de cot utilises qui sont gnralement non symtriques. Par e u e e e e consquent, il propose un certain nombre de crit`res de similarit et de rgularisation ine e e e variants par inversion. Ashburner soul`ve aussi le probl`me de la symtrie des mthodes e e e e de recalage mais la symtrisation propose ne concerne que les a priori formuls dans un e e e cadre baysien sur le mod`le de dformation et non le crit`re de similarit [Ashburner 00a]. e e e e e Thirion impose quant a lui la symtrie du recalage en estimant a la fois la transformation ` e ` directe T12 (de limage I1 vers limage I2 ) et la transformation inverse T21 (de limage I2 vers limage I1 ). Il calcule ainsi la transformation rsiduelle R = T21 T12 , puis la e redistribue de mani`re quivalente entre T12 et T21 an dobtenir R Id [Thirion 98]. e e Par ailleurs, Christensen et Johnson proposent destimer conjointement la transformation directe et la transformation inverse en les contraignant a chaque itration dtre ` e e linverse lune de lautre [Christensen 99, Christensen 01, Johnson 02]. Notons que la notion de symtrisation du recalage est troitement lie a la notion de e e e ` conservation de la topologie. En eet, imposer que le recalage soit symtrique et donc que e les transformations directe et inverse soient linverse lune de lautre, permet de garantir a la transformation dtre inversible et donc, sous rserve que les transformations soient ` e e continues et laissent les bords de limage invariants, de prserver la topologie. e 5.1.2.2 Crit`re de similarit symtris e e e e

Nous proposons dintroduire une version symtrise pour nimporte quelle fonction e e de cot G base sur la dirence entre les intensits des images (quation 5.2), de telle u e e e e sorte que les deux images jouent des rles symtriques : o e
sym ESimilarit (h) = e

1 2

G (I2 (s) I1 (h(s))) ds +

1 2

G I2 h1 (s) I1 (s) ds. (5.5)

100

Fonction de co t u

Fig. 5.2 Illustration du probl`me de la symtrisation lors du recalage de deux cubes e e de tailles direntes. Soient h la transformation associant a chaque point de I 1 le point e ` 1 correspondant dans I2 et h la transformation inverse. Lorsque le crit`re de similarit est e e calcul en intgrant sur I1 (i.e., G I2 h1 (s) I1 ((s)) ds), une grande importance e e est accorde a la zone blanche de limage, tandis que si le crit`re de similarit est calcul e ` e e e en intgrant sur I2 (i.e., G (I2 (s) I1 (h(s))) ds), une plus grande importance est e accorde a la zone noire de limage, illustrant ainsi le probl`me li au caract`re non e ` e e e symtrique de la fonction de cot. e u Grce au changement de variable t = h1 (s) dans la seconde intgrale, et sachant que a e ds = |Jh (t)| dt, o` Jh correspond au jacobien de la transformation h, nous obtenons u lexpression suivante :
sym ESimilarit (h) = e

1 2

(1 + |Jh (s)|)G (I2 (s) I1 (h (s))) ds.

On notera que lexpression ainsi obtenue ne ncessite pas le calcul de la transformae tion inverse de h. Au premier abord, il ne semble pas vident que cette expression e accorde eectivement un rle symtrique aux deux images. Il est cependant possible o e de fournir une interprtation intuitive permettant de comprendre pourquoi le terme e (1 + |Jh (s)|) contribue a rendre symtrique le crit`re de lquation 5.2. Considrons le ` e e e e recalage des deux images I1 et I2 prsentes gure 5.2, mettant en jeu deux cubes de e e tailles direntes. Soient h la transformation associant a chaque point de I 1 le point e ` correspondant dans I2 et h1 la transformation inverse. Selon que le crit`re de similae 1 rit de lquation 5.2 est intgr suivant I1 (i.e., G I2 h (s) I1 ((s)) ds), ou e e e e suivant I2 (i.e., G (I2 (s) I1 (h(s))) ds), limportance accorde a la zone blanche e ` ou a la zone noire nest pas la mme, une plus grande importance tant accorde a ` e e e ` la zone blanche lorsque le crit`re est intgr suivant limage I1 . Ce phnom`ne est li e e e e e e a la dirence de volume entre les deux cubes. Or, cette information de variation de ` e volume est porte par la valeur du jacobien de la transformation h. Soit v un volume e lmentaire de I1 . Limage de v par h est caractrise par un volume v|J(v)| dans I2 . ee e e D`s lors, pour chaque volume lmentaire v, la contribution dans le crit`re symtris est e ee e e e (v + v|J(v)|)/2 = v (1 + |J(v)|) /2 correspondant a la moyenne du volume lmentaire ` ee considr dans les deux images. Ainsi, cela permet daccorder une contribution identique ee de chaque zone de limage quel que soit le choix de limage suivant laquelle le crit`re e symtris de lquation 5.6 est intgr. e e e e e

 


(5.6)

5.1 Terme dattache aux donnes e

101

(a)

(b)

(c)

(d)

(e)

Fig. 5.3 Exemple synthtique 3D illustrant la contribution de la symtrisation du e e crit`re de similarit : (a) cube plein prsentant un trou sphrique ; (b) cube plein ; (c) e e e e transformation issue du recalage de (a) sur (b) applique a une grille synthtique rguli`re e ` e e e (les mmes rsultats sont observs avec le crit`re symtrique ou non symtrique) ; (d) e e e e e e transformation issue du recalage de (b) sur (a) en utilisant le crit`re de similarit non e e symtrique ; (e) transformation issue du recalage de (b) sur (a) en utilisant le crit`re de e e similarit symtris. e e e

5.1.2.3

Contribution de la symtrisation du crit`re de similarit e e e

La contribution de la symtrisation du crit`re de similarit est illustre de mani`re e e e e e qualitative grce a un exemple synthtique et a un exemple de dtection de tumeur. a ` e ` e Lensemble des simulations a t eectu en utilisant le crit`re des moindres carrs (G L2 ). ee e e e Des rsultats quantitatifs sur la contribution de la symtrisation sont prsents dans la e e e e troisi`me partie du mmoire consacre a la validation. e e e ` Exemple synthtique. La contribution du crit`re de similarit symtris est illustre e e e e e e dans un premier temps sur un cas synthtique (gure 5.3) mettant en jeu un cube plein e (gure 5.3-b) et un cube prsentant un trou sphrique (gure 5.3-a). Lobjectif est dilluse e trer linuence de la symtrisation du crit`re de similarit sur le comportement dune e e e mthode de recalage prservant la topologie, face a deux images ayant une topologie e e ` dirente. Considrons tout dabord le recalage de la gure 5.3-a sur la gure 5.3-b. e e Quelle que soit la fonction de cot utilise (symtrique ou non), lalgorithme de recalage u e e tend a faire dispara le trou en le contractant jusqu` devenir un point. Ce phnom`ne ` tre a e e est illustr gure 5.3-c au travers du comportement du champ de dformation appliqu a e e e` une grille synthtique rguli`re. Cette contraction importante conduit a des valeurs tr`s e e e ` e leves du jacobien de la transformation. Cette armation peut sembler en contradice e tion avec linterprtation physique que nous avons donne prcdemment du jacobien, e e e e

102

Fonction de co t u

a savoir quune valeur du jacobien suprieure a 1 correspond a une dilatation, et une ` e ` ` valeur infrieure a 1 correspond a une contraction. Cette apparente contradiction est e ` ` lie au formalisme choisi dans le cadre de ce travail pour dformer une image. Ainsi, la e e transformation estime lors du recalage de limage Isource sur limage Icible correspond e au champ de dformation qui a chaque point de Icible associe les coordonnes du point e ` e correspondant dans le rfrentiel de Isource . Limage dforme est donc obtenue par la ee e e relation : Idforme (s) = Isource (h (s)). Par consquent, dans le cas du recalage de la gure e e e 5.3-a sur la gure 5.3-b, la transformation h associe a la petite rgion (idalement un ` e e point) issue de la contraction du trou, lensemble du trou de limage de la gure 5.3-a, correspondant ainsi eectivement a une dilatation et justiant ainsi les faibles valeurs ` du jacobien. Considrons maintenant le cas du recalage de la gure 5.3-b sur la gure 5.3-a. Lutilie sation du crit`re non symtris conduit a lestimation de la transformation identit (gure e e e ` e 5.3-d). Ce rsultat tient au fait que, la transformation tant contrainte de prserver la e e e topologie, il nest pas possible de faire appara un trou et donc il ny a aucun moyen de tre faire dcro la valeur du crit`re. Ce rsultat nest clairement pas satisfaisant puisque e tre e e les recalages de la gure 5.3-a sur la gure 5.3-b et de la gure 5.3-b sur la gure 5.3-a ne conduisent pas a lestimation de champs de dformation correspondant a linverse lun de ` e ` lautre. Lutilisation du crit`re de similarit symtris (quation 5.6) permet de rsoudre e e e e e e ce probl`me. En eet, lors du recalage de la gure 5.3-b sur la gure 5.3-a avec le crit`re e e de similarit symtris, la transformation rsultante tend a envoyer le moins de points e e e e ` possibles dans la rgion de limage correspondant au trou. Ainsi, une pondration plus e e faible est accorde a cette rgion lors du calcul du crit`re de similarit grce a linuence e ` e e e a ` du terme (1 + |Jh |). Ce phnom`ne est illustr gure 5.3-e qui met en vidence une dilae e e e tation du champ de dformation dans la rgion correspondant au trou, conduisant a de e e ` fortes valeurs du jacobien. La transformation ainsi estime correspond bien (du moins e elle sen rapproche1 ) a linverse de la transformation reprsente gure 5.3-c. ` e e En conclusion, lutilisation dune fonction de cot symtrique permet dapprhender u e e aussi bien lapparition de nouvelles structures que la disparition de structures existantes. Bien quil ny ait aucune dirence sur limage dforme, les consquences de e e e e la symtrisation sont visibles sur le champ de dformation estim, en particulier sur les e e e valeurs du jacobien qui deviennent tr`s petites dans les rgions correspondant a lapparie e ` tion de nouvelles structures et tr`s grandes dans les rgions correspondant a la disparition e e ` de structures existantes. Exemple dapplication ` la dtection de tumeur. Lintrt de la symtrisation du a e ee e crit`re de similarit est illustr dans ce paragraphe sur un exemple simple de dtection de e e e e tumeur (ou plus gnralement de lsion). Une inclusion sombre reprsentant une tumeur e e e e a t introduite dans une image IRM 3D relle dun patient sain (gure 5.4-b). Cette ee e image est ensuite recale avec celle dun autre patient sain (gure 5.4-a). Nous avons bien e conscience que lexprience prsente nest pas reprsentative dun cas clinique raliste, e e e e e la modlisation de la tumeur par une simple inclusion tant manifestement simpliste. Le e e but est simplement de construire un cas o` la topologie des images a recaler est dirente u ` e en utilisant des images IRM relles. e
La transformation estime ne correspond pas exactement a la transformation inverse tant donn e ` e e que le probl`me considr est fortement mal pos. e ee e
1

5.1 Terme dattache aux donnes e

103

(a)

(b)

(c)

(d)

(e) Fig. 5.4 Recalage de deux images de cerveaux non topologiquement quivalents : (a) e cerveau dun patient sain ; (b) cerveau dun patient prsentant une tumeur simule ; (c) e e rsultat du recalage de (b) sur (a) avec un crit`re de similarit symtrique et en imposant e e e e a la transformation de prserver la topologie ; (d) rsultat du recalage de (a) sur (b) avec ` e e un crit`re de similarit symtrique mais sans imposer a la transformation de prserver e e e ` e la topologie ; (e) rsultat du recalage de (a) sur (b) en imposant a la transformation de e ` prserver la topologie (rsultat visuellement similaire avec le crit`re symtrique ou non e e e e symtrique). e

104

Fonction de co t u

(a)

(b)

(c)

(d)

Fig. 5.5 Cartes des valeurs du jacobien calcules a partir de transformations issues du e ` recalage de deux images de cerveaux non topologiquement quivalents (cf. gure 5.4) : e (a) carte des valeurs du jacobien correspondant au recalage de la gure 5.4-a sur la gure 5.4-b en imposant a la transformation de prserver la topologie et en utilisant un crit`re ` e e de similarit non symtrique ; (b) carte seuille des valeurs du jacobien (a) : la tumeur e e e nest pas dtecte ; (c) carte des valeurs du jacobien correspondant au recalage de la gure e e 5.4-a sur la gure 5.4-b en imposant a la transformation de prserver la topologie et en ` e utilisant un crit`re de similarit symtrique ; (d) carte seuille des valeurs du jacobien e e e e (c) : la tumeur est dtecte. e e

Lors du recalage de la gure 5.4-b sur la gure 5.4-a avec un crit`re de similarit e e symtrique et en imposant a la transformation de prserver la topologie, la transfore ` e mation estime tend a mettre en correspondance lensemble des structures crbrales e ` ee quivalentes et a faire dispara e ` tre la tumeur en la contractant en une petite rgion e (idalement un point) (gure 5.4-c). Cette forte contraction est caractrise par des e e e valeurs leves du jacobien. Ainsi, dtecter une tumeur (ou une lsion) revient a rechere e e e ` cher les valeurs anormalement grandes du jacobien. Considrons maintenant le cas du e recalage de la gure 5.4-a sur la gure 5.4-b. Sans la contrainte de conservation de la topologie, la transformation tend a faire appara une nouvelle structure qui est mise ` tre en correspondance avec la tumeur, cette nouvelle structure provenant dans lexemple que nous prsentons du ventricule (gure 5.4-d). Dans le cas o` la transformation est e u contrainte a conserver la topologie, rien de particulier nest observ visuellement dans ` e limage dforme (gure 5.4-e). Par contre, une dirence notable est observe sur les e e e e valeurs du jacobien de la transformation suivant que le crit`re de similarit utilis est e e e symtrique ou non. Avec le crit`re symtrique, des valeurs anormalement faibles du jae e e cobien sont observes, permettant ainsi de dtecter la tumeur par un simple seuillage de e e la carte des valeurs du jacobien (gure 5.5-d). Par contre, avec le crit`re non symtrique, e e aucune valeur anormalement petite nest observe, et donc la tumeur nest pas dtecte e e e en seuillant la carte du jacobien avec le mme seuil que celui utilis pour dtecter la e e e tumeur dans le cas symtrique (gure 5.5-b). e En conclusion, la dtection de tumeur peut tre eectue en recalant deux images, e e e quel que soit le choix de limage de rfrence, par une mthode prservant la topoloee e e gie et en utilisant un crit`re de similarit symtrique, grce a la recherche des valeurs e e e a ` anormalement grandes ou petites du jacobien de la transformation estime. e

5.2 Terme relatif au mod`le de dformation e e

105

5.2
5.2.1
5.2.1.1

Terme relatif au mod`le de dformation e e


Rgularisation e
Energie de membrane lastique e

Le recalage non rigide est connu pour tre un probl`me mal pos. Ce constat est e e e dautant plus vrai lorsque le nombre de degrs de libert de la transformation auge e mente. Pour rgulariser le probl`me, il est possible dintroduire des a priori sur le e e mod`le de dformation. En gnral, des hypoth`ses sont faites sur la rgularit du e e e e e e e champ de dformation a estimer. Pour ce faire, il est possible, par lajout dun terme e ` supplmentaire dans la fonction de cot, de pnaliser les comportements irrguliers du e u e e champ de dformation, ce qui permet dviter lestimation de petites dformations pae e e rasites qui ne rduisent le crit`re de similarit que dune faible quantit. La fonction de e e e e cot considre pour lestimation du mod`le de dformation scrit d`s lors de la mani`re u ee e e e e e suivante : E = ESimilarit + C ERgularisation , (5.7) e e tant un facteur pondrant linuence du terme de rgularisation et C un facteur e e e de normalisation calcul pour chaque niveau de rsolution de sorte que ESimilarit et e e e ERgularisation soient comparables. Parmi les dirents crit`res de rgularisation proposs e e e e e dans la littrature, nous avons choisi lnergie de membrane lastique [Gee 97] : e e e ERgularisation (h) = e

ux (s) x uy (s) z

+
2

ux (s) y uz (s) x

+
2

ux (s) z uz (s) y

+
2

uy (s) x uz (s) z

uy (s) y

ds.

(5.8) Motiver le choix dun terme de rgularisation plutt quun autre dans le contexte du ree o calage dimages crbrales est dicile car les dirents termes de rgularisation proposs ee e e e dans la littrature sont souvent lis a des considrations mcaniques qui nont en gnral e e ` e e e e aucune justication biologique. Cependant, tant donn que, dans le cas de fonctions e e B-splines de degr 1, le mod`le de dformation que nous avons considr est ane par e e e ee morceaux, nous avons privilgi le recours a un terme de rgularisation bas uniquement e e ` e e sur les drives du premier ordre (ceci carte, par exemple, lnergie de plaque mince e e e e (quation 2.17)). e Une attention toute particuli`re est porte au calcul de la constante de normalisation e e C. Cette constante est en eet tr`s importante car elle a pour but de rendre comparable e ESimilarit et ERgularisation tant donn que ces deux fonctions nont pas la mme dynae e e e e mique et ne sont pas homog`nes, le premier terme tant li a la valeur des intensits dans e e e` e limage, et le second aux param`tres du mod`le de dformation. Il sagit de clairement e e e distinguer son rle par rapport a celui du coecient . est un coecient dni par o ` e lutilisateur qui conditionne directement le degr de rgularit attendu pour le mod`le e e e e de dformation. Le choix de ne doit pas dpendre des caractristiques des images e e e considres. Par contre, le facteur C prend justement en compte les caractristiques ee e des images et permet ainsi de rendre le probl`me doptimisation moins sensible a ces e ` derni`res. e

106

Fonction de co t u

Fig. 5.6 Calcul du facteur de normalisation C a lchelle l. ` e


i i Pour une chelle l donne, considrons ESimilarit et ERgularisation respectivement la e e e e e valeur du crit`re de similarit et de lnergie de rgularisation juste apr`s la transition e e e e e f dchelle (avant dentamer la phase doptimisation). Soit ESimilarit le crit`re de similarit e e e e obtenu apr`s avoir eectu la phase doptimisation a cette chelle, sans imposer aucune e e ` e contrainte de rgularisation (i.e., avec = 0) (cf. gure 5.6). Les param`tres obtenus e e lors de cette tape doptimisation sans contrainte de rgularit sont caractriss par une e e e e e f f certaine nergie de rgularisation note ERgularisation . ESimilarit correspond a la valeur e e e ` e e minimale du crit`re de similarit quil est possible datteindre a lchelle l puisquelle est e e ` e f i issue dune phase doptimisation sans rgularisation. Donc, ESimilarit ESimilarit correse e e pond a la dynamique maximale de variation du crit`re pour cette chelle. Par ailleurs, ` e e ERgularisation augmente lors de loptimisation conduite a lchelle l puisque le changement ` e e dchelle autorise des comportements plus haute frquence du champ de dformation. e e e f i Donc ERgularisation ERgularisation correspond a la dynamique maximale pour lnergie ` e e e de rgularisation a cette chelle. D`s lors, an que ESimilarit et CERgularisation aient des e ` e e e e dynamiques comparables, nous avons choisi lexpression suivante pour le facteur de normalisation C : f Ei e ESimilarit e . (5.9) C = f Similarit i ERgularisation ERgularisation e e

5.2.1.2

Contribution de la rgularisation e

La contribution de la rgularisation par lnergie de membrane lastique est illustre e e e e sur un cas synthtique gure 5.7. Une tude quantitative de la contribution de la rgularie e e sation ainsi que de linuence du param`tre est prsente dans la troisi`me partie de e e e e ce document consacre a la validation. Lexemple synthtique prsent gure 5.7 met e ` e e e en jeu dune part deux cubes imbriqus (gure 5.7-a) et dautre part un cube dans e lequel est incluse une sph`re (gure 5.7-b). Les images ont t engendres a partir de e ee e ` ces objets cods sur deux niveaux gris auxquels un bruit gaussien a t ajout. La gure e ee e 5.7-c prsente le rsultat obtenu lors du recalage de la gure 5.7-a sur la gure 5.7-b sans e e rgularisation ( = 0) et la gure 5.7-d prsente le rsultat du recalage avec rgularisation e e e e ( = 1). Visuellement, peu de dirences sont observes entre les deux rsultats. Dans e e e

1 #    '0 ") '(% &% $"! 

$  4

" x } x{ "| z{  ~  u t " x } x{ "| z{ "~  t x x uw r sq ~ x} | z{ y w t ~ x} | z{ y vt x x G @ 67 35  CF "E CDA BA $"98 42

m dl k i g e "p o  n "  f jhfd  4

$ $ $  c V R S IQ  Yb "a Y`W XW $"UT PH

   ts gr q ip h Pd g g ef  x  y 4u x x vw

5.2 Terme relatif au mod`le de dformation e e

107

(a)

(c)

(e)

(b)

(d)

(f)

Fig. 5.7 Exemple synthtique 3D illustrant la contribution du terme de rgularisation : e e (a) image source ; (b) image cible ; (c) rsultat du recalage de (a) sur (b) sans e rgularisation ( = 0) ; (d) rsultat du recalage de (a) sur (b) avec rgularisation ( = 1) ; e e e (e) transformation issue du recalage de (a) sur (b) sans rgularisation applique a une e e ` grille synthtique rguli`re ; (f) transformation issue du recalage de (a) sur (b) avec e e e rgularisation applique a une grille synthtique rguli`re. e e ` e e e les deux cas, le cube intrieur est parfaitement recal sur la sph`re. Par contre, une e e e dirence agrante est observe sur le comportement du champ de dformation estim. e e e e Sans rgularisation, la transformation a un comportement tr`s chahut (gure 5.7-e). Elle e e e recale du bruit avec du bruit an de faire dcro au maximum le crit`re de similarit, e tre e e conduisant ainsi a lestimation de petites dformations non pertinentes. Avec lnergie de ` e e membrane lastique, le champ de dformation est beaucoup plus rgulier (gure 5.7-f), e e e car cette nergie permet dtre moins sensible a leet du bruit. Notons que lajout du e e ` terme de rgularisation na pas empch de parfaitement recaler le cube sur la sph`re. e e e e Considrer un terme de rgularisation dans la fonction de cot permet de lisser le champ e e u de dformation principalement dans les zones homog`nes, o` linformation nest pas e e u susante pour estimer de mani`re pertinente les param`tres du mod`le. Cela nempche e e e e pas la transformation de recaler correctement les zones de fort gradient, caractristiques e de linterface entre direntes structures. Cest justement pour cette raison que nous e avons privilgi ce type dapproche plutt que des approches par ltrage itratif du e e o e champ de dformation, comme par exemple celle utilise dans lalgorithme des dmons e e e [Thirion 98], qui ont un eet constant sur toute limage, quelle que soit linformation porte par les niveaux de gris, et qui peuvent ainsi empcher de recaler correctement e e certaines structures.

5.2.2
5.2.2.1

Contraintes sur les valeurs du jacobien


Puits de potentiel

Nous proposons de considrer un terme a priori supplmentaire sur le mod`le de e e e dformation permettant dimposer aux valeurs du jacobien dtre comprises entre deux e e

108

Fonction de co t u

bornes Jmin et Jmax dnies par lutilisateur en considrant le terme suivant dnissant e e e un puits de potentiel : EJ (s) = 0 EJ (s) = + si Jmin < J(s) < Jmax , sinon, (5.10)

s correspondant aux dirents points de la grille discr`te de limage. Cette approche peut e e 2 tre considre comme une alternative a la mthode prsente au chapitre 4 permete ee ` e e e tant dimposer a la transformation de prserver la topologie. Cependant, une dirence ` e e majeure entre ces deux approches est que la mthode prsente au chapitre prcdent e e e e e permet de garantir la condition Jmin < J(s) < Jmax sur le domaine continu sous-jacent de limage tandis que le terme propos par lquation 5.10 ne permet de garantir cette e e condition que sur la grille discr`te de limage. Ceci peut tre particuli`rement gnant e e e e lorsquune transformation est estime sur des images de faible rsolution, puis applique e e e a des images de rsolutions suprieures, les valeurs du jacobien pouvant devenir ngatives ` e e e lors du passage a une grille dchantillonnage plus ne. ` e 5.2.2.2 Contribution des contraintes sur les valeurs du jacobien

La gure 5.8 propose une comparaison sur des images IRM relles entre la mthode e e prsente au chapitre prcdent permettant de garantir la conservation de la topoloe e e e gie sur le domaine continu sous-jacent de limage et la mthode considrant le terme e e supplmentaire introduit dans lquation 5.10. La simple inspection visuelle des niveaux e e de gris des images rsultats prsentes gure 5.8-c et gure 5.8-d ne permet pas de mettre e e e en vidence de dirence signicative entre les deux mthodes. Lexamen du comportee e e ment des champs de dformation correspondants (gure 5.8-e et gure 5.8-f) ne permet e pas non plus de faire appara de dirence agrante, mme si le champ de dformation tre e e e obtenu en considrant le terme de lquation 5.10 semble lg`rement moins rgulier. Le e e e e e contrle de la valeur du jacobien en chacun des points de la grille discr`te de limage o e montre videmment pour les deux mthodes labsence de valeurs ngatives. Par contre, e e e lvaluation du jacobien entre les sites de la grille discr`te de limage fait appara e e tre 0, 53% de valeurs ngatives3 en considrant le terme de lquation 5.10, tandis quaucune e e e valeur ngative nest bien entendu observe dans le cas de la conservation de la topologie e e sur le domaine continu de limage prsente au chapitre 4. Une dirence signicative est e e e toutefois observe sur les temps CPU correspondants. Pour des images 1283 , lapproche e reposant sur le terme de lquation 5.10 est quatre fois plus rapide pour un recalage e jusqu` la rsolution l = 5 et presque jusqu` dix fois plus rapide pour un recalage a la a e a ` rsolution l = 6. Une comparaison quantitative de ces deux approches est prsente dans e e e la troisi`me partie de ce document consacre a la validation. e e `

Ce terme est bien entendu inutile dans le cas o` la conservation de la topologie est garantie grce u a a la mthode prsente au chapitre 4. ` e e e 3 A titre de comparaison, la mthode de recalage sans contrainte de conservation de la topologie e conduit a 28% de valeurs du jacobien ngatives, et le fait dintroduire le terme de rgularisation par ` e e membrane lastique fait chuter ce pourcentage a 4, 4%. e `

5.2 Terme relatif au mod`le de dformation e e

109

(a)

(b)

(c)

(d)

(e)

(f)

Fig. 5.8 Comparaison entre la mthode de conservation de la topologie dcrite au e e chapitre 4 et la mthode utilisant le terme de lquation 5.10 : (a) image source ; (b) image e e cible ; (c) rsultat du recalage en considrant le terme de lquation 5.10 ; (d) rsultat du e e e e recalage avec la mthode prservant la topologie sur le domaine continu sous-jacent de e e limage ; (e) transformation issue du recalage de (a) sur (b) en considrant le terme de e lquation 5.10 et applique a une grille synthtique rguli`re ; (f) transformation issue e e ` e e e du recalage de (a) sur (b) avec mthode prservant la topologie sur le domaine continu e e sous-jacent de limage et applique a une grille synthtique rguli`re. e ` e e e

110

Fonction de co t u

Chapitre 6 Normalisation dintensit e


6.1 Approches existantes . . . . . . . . . . . . . . . . . . . . . . . 112 6.1.1 Approches bases sur les histogrammes des images . . . . . . . 112 e 6.1.2 Approches bases sur lhistogramme conjoint . . . . . . . . . . 114 e 6.1.3 Approches estimant une relation spatialement non stationnaire entre les intensits . . . . . . . . . . . . . . . . . . . . . . . . . 114 e 6.2 Normalisation dintensit : cas monomodal . . . . . . . . . . 115 e 6.2.1 Inuence des erreurs de recalage sur lhistogramme conjoint 115 6.2.2 Elimination des chantillons de lhistogramme conjoint correse pondant a des voxels mal recals . . . . . . . . . . . . . . . . . 116 ` e 6.2.3 Estimation de la transformation sur les intensits . . . . . . . . 117 e 6.2.4 Contributions de la normalisation dintensit . . . . . . . . . . 119 e 6.2.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 6.3 Normalisation dintensit : extension multimodale . . . . . 121 e 6.3.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 e 6.3.2 Contribution au recalage dimages multimodales . . . . . . . . 125 6.3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Dans le chapitre prcdent, nous avons fait lhypoth`se lors du choix du crit`re de e e e e similarit que des points qui se correspondent dans les deux images ont la mme ine e tensit. Or cette hypoth`se, en thorie valable pour des images monomodales, est en e e e pratique rarement vrie, en particulier pour des images provenant dappareils dace e quisition dirents. D`s lors, deux alternatives sont possibles : soit estimer explicitee e ment une transformation sur les intensits, soit utiliser des crit`res de similarit faisant e e e des hypoth`ses moins restrictives sur la relation entre les intensits (cf. section 2.3.2). e e Nous avons choisi la premi`re approche car elle permet de contrler de mani`re explie o e cite les hypoth`ses faites sur la relation entre les intensits. De plus, cela permet de e e continuer davoir recours, pour lestimation des param`tres du mod`le de dformation, e e e a des crit`res bass sur la dirence des intensits qui, de par leurs bonnes proprits ` e e e e ee analytiques, sav`rent plus ecaces a optimiser que des crit`res plus gnraux tels que e ` e e e par exemple linformation mutuelle. Concernant le choix de la transformation sur les intensits, une simple mise a lchelle par une normalisation par moyenne et cart-type e ` e e est peu satisfaisante car la relation entre les intensits de deux images peut tre non e e

112

Normalisation dintensit e

linaire, en particulier pour des images provenant de syst`mes dacquisition dirents. e e e On sintressera donc a la mise en correspondance non linaire des intensits. Il est ime ` e e portant de ne pas confondre le probl`me de normalisation dintensit dans le sens o` nous e e u lentendons ici, a savoir la dtermination de la fonction permettant de mettre a jour les ` e ` intensits dune image pour quelles soient comparables a celles dune autre image, avec e ` le probl`me de correction des inhomognits de champs qui est dj` largement abord e e e e ea e dans la littrature [Wells 94, Sled 98, Nestares 00, Styner 00, Arnold 01]. e Nous proposons dans un premier temps un tat de lart des direntes mthodes de e e e mise en correspondance des intensits proposes dans la littrature. Puis, nous dcrivons e e e e la mthode que nous avons propose, base sur lestimation dun mlange de gaussiennes e e e e a partir de lhistogramme conjoint des deux images. Dans une troisi`me partie, nous pro` e posons une extension de cette mthode au cas dimages IRM de pondrations direntes, e e e proposant ainsi une alternative aux direntes mthodes de recalage multimodal proe e poses dans la littrature, principalement bases sur des crit`res de similarit issus de la e e e e e thorie de linformation comme notamment linformation mutuelle. e

6.1

Approches existantes

Nous proposons une classication suivant trois catgories des direntes mthodes e e e de normalisation des intensits proposes dans la littrature. La premi`re catgorie de e e e e e mthodes utilise uniquement linformation porte par les histogrammes des deux images, e e la seconde a recours a lhistogramme conjoint entre les deux images et enn la troisi`me ` e utilise lensemble de linformation porte par limage, permettant ainsi lestimation dune e fonction de mise en correspondance des intensits spatialement non stationnaire. e

6.1.1

Approches bases sur les histogrammes des images e

Une premi`re ide est deectuer une simple mise a lchelle des intensits par une e e ` e e normalisation par moyenne et cart-type. En notant I1 et I2 les images a normaliser, e ` 1 , 2 , 1 et 2 leurs moyennes et carts-types respectifs, lexpression de la fonction f e permettant de modier les intensits j de limage I2 est donne par : e e f (j) = 1 (j 2 ) + 1 . 2 (6.1)

Une tape prliminaire souhaitable consiste a liminer lensemble des voxels du fond de e e `e limage pour ne pas biaiser lestimation des direntes caractristiques 1 , 2 , 1 et 2 . e e La mthode de normalisation par moyenne et cart-type sav`re cependant en pratique e e e gnralement insusante. e e Une hypoth`se plus satisfaisante est de considrer la distribution des intensits dans e e e limage comme un mlange de lois gaussiennes, chaque loi gaussienne reprsentant la dise e tribution des intensits pour un type de tissu. Ainsi, Nestares et coll. proposent destimer e a partir de lhistogramme de chacune des images un mlange de deux lois gaussiennes g1 ` e et g2 , lune modlisant la substance blanche et lautre la substance grise [Nestares 00]. e Lestimation des param`tres du mlange des deux lois gaussiennes est faite grce a lale e a ` gorithme du simplexe en utilisant la fonction de cot robuste suivante an de limiter u

6.1 Approches existantes linuence des voxels du fond de limage : E(1 , 1 , 1 , 2 , 2 , 2 ) =


u

113

1 , 1 + (h(u) g1 (u) g2 (u))2

(6.2)

avec h(u) lhistogramme de limage et gi une loi gaussienne dnie par : e (u i )2 i . exp gi (u) = 2 2i 2i

(6.3)

La transformation sur les intensits est ensuite faite de sorte que la moyenne et la vae riance des distributions gaussiennes soient gales dans les deux images. Il sagit donc e en quelque sorte dune normalisation par moyenne et cart-type applique a chacun e e ` des tissus du cerveau, la segmentation tant faite de mani`re implicite par lestimation e e du mlange de lois gaussiennes. Suivant une ide similaire, Hellier propose lestimation e e dun mlange de cinq lois gaussiennes correspondant au fond de limage, a la substance e ` blanche, a la substance grise, au liquide cphalorachidien et a un mlange de muscles ` e ` e et de graisse [Hellier 03a]. Lestimation du mlange de gaussiennes est faite a partir de e ` lhistogramme de chacune des images au sens du maximum de vraisemblance en utilisant lalgorithme Expectation-Maximization (EM). La fonction reliant les intensits est e modlise par un polynme dont les coecients sont estims au sens des moindres carrs e e o e e de sorte que les moyennes des distributions de chacun des tissus se correspondent dans les deux images. Christensen propose quant a lui dutiliser les drivs seconde, quatri`me ` e e e et sixi`me des histogrammes des deux images pour dterminer lintensit correspondant e e e au centre du pic reprsentatif de la mati`re blanche sur lhistogramme de chacune des e e images, cette valeur caractristique tant ensuite utilise pour dterminer un facteur e e e e dchelle permettant de normaliser lintensit entre les images [Christensen 03]. Ces trois e e approches [Nestares 00, Hellier 03a, Christensen 03] ont en commun de reposer sur des considrations anatomiques par le biais dune segmentation implicite de limage. e Dautres mthodes ont pour objectif destimer une transformation sur les intensits e e de telle sorte que les histogrammes des deux images soient les plus ressemblants possibles, sans tenir compte de relles considrations anatomiques. Dans [Wang 98], un e e facteur dchelle est estim de sorte que les histogrammes des deux images soient les e e plus proches possibles au sens du crit`re des moindres carrs. Dans [Nyul 99], des points e e caractristiques sont extraits de chacun des histogrammes (intensit minimum et maxie e mum, percentiles) et sont mis en correspondance entre les deux histogrammes par une transformation ane par morceaux sur les intensits. e Les approches que nous venons de prsenter ont pour avantage majeur de ne pas e tre sensibles aux erreurs de recalage car elles utilisent uniquement linformation porte e e par lhistogramme de chacune des images. Par contre, le domaine dapplication de ces mthodes se limite essentiellement au cas dimages monomodales puisque linformation e porte par les histogrammes des images nest pas assez riche pour apprhender le cas des e e images multimodales dans lequel il peut tre ncessaire destimer une fonction de mise e e en correspondance des intensits qui, a une valeur dintensit donne dans une image, e ` e e associe plusieurs valeurs dans lautre image en fonction du tissu dappartenance.

114

Normalisation dintensit e

6.1.2

Approches bases sur lhistogramme conjoint e

Un moyen daccder a une information plus riche que celle obtenue grce aux histoe ` a grammes des deux images est de considrer leur histogramme conjoint. Lhistogramme e conjoint est une matrice 2D qui a chaque lment hij associe le nombre de voxels ayant ` ee une intensit i dans I1 et j dans I2 . Cette reprsentation est particuli`rement adapte e e e e d`s lors que les deux images sont parfaitement recales puisquelle dcrit compl`tement e e e e la relation entre les intensits des deux images. Bosc et coll. proposent, dans le cas de e la normalisation dintensit de squences temporelles dimages recales dun mme pae e e e tient, destimer une fonction f reliant les intensits a partir de lhistogramme conjoint e ` [Bosc 03]. Le mod`le retenu pour f est une fonction spline par morceaux dont les pae ram`tres sont estims de telle sorte que, a chaque intensit i de I1 , la fonction f associe e e ` e lintensit correspondante la plus probable observe dans I2 . e e Guimond et coll. proposent quant a eux davoir recours a lhistogramme conjoint pour ` ` lestimation dune fonction permettant de mettre a jour les intensits des images au cours ` e du processus de recalage [Guimond 01]. La mthode propose permet dapprhender aussi e e e bien le cas des images monomodales, grce a lestimation dune fonction polynomiale, a ` que le cas des images multimodales, grce a lestimation de deux fonctions, faisant ainsi a ` lhypoth`se qu` une valeur dintensit donne dans une image ne peuvent tre associes e a e e e e que deux intensits direntes dans lautre image. Lallure de lhistogramme conjoint e e tant grandement inuence par les erreurs de recalage (cf. section 6.2.1), lestimation e e des coecients des polynmes est faite par des mthodes doptimisation robustes (LTS : o e least trimmed squares et RLS : reweighted least squares).

6.1.3

Approches estimant une relation spatialement non stationnaire entre les intensits e

Une troisi`me catgorie dapproche requiert lutilisation de lensemble de linformae e tion porte par limage pour lestimation dune fonction non stationnaire reliant les intene sits, cest-`-dire dont lexpression dpend des variables despace. Dans [Friston 95], la e a e transformation fx {} sur les intensits sexprime de mani`re gnrale comme une fonction e e e e non linaire et spatialement non stationnaire x () convolue par un ltre c(x) : e e fx {} = c(x) x (). (6.4)

La fonction x () est exprime comme une combinaison linaire de fonctions de base ree e lativement rguli`res dont les coecients sont estims au sens du crit`re des moindres e e e e carrs. Periaswamy et Farid proposent de considrer une partition de limage et destie e mer sur chacune des rgions composant cette partition une transformation localement e ane sur les intensits [Periaswamy 03]. Enn, Gupta et Prince proposent, dans le cadre e de lquation du ot optique, de ne pas faire lhypoth`se classique de conservation de e e lintensit mais de modliser une variation ane de lintensit [Gupta 95]. e e e Ces direntes approches ont le grand avantage de pouvoir rpondre a la fois au e e ` probl`me de normalisation des intensits entre deux images et au probl`me relatif aux e e e inhomognits de champ puisque la correction faite sur les intensits varie spatialement. e e e e Cependant, le risque de ces mthodes orant un grand nombre de degrs de libert sur la e e e fonction reliant les intensits est de compenser non seulement les dirences dintensit e e e lies aux dirents probl`mes dacquisition de limage, mais aussi les dirences lies a e e e e e `

6.2 Normalisation dintensit : cas monomodal e

115

(a)

(b)

(c)

(d)

Fig. 6.1 Inuence des erreurs de recalage sur lhistogramme conjoint : (a) histogramme conjoint de deux images identiques parfaitement recales ; (b) histogramme conjoint de e deux images identiques translates de 1 voxel suivant laxe longitudinal ; (c) histogramme e conjoint de deux images identiques translates de 5 voxels suivant laxe longitudinal ; (d) e histogramme conjoint de deux images identiques translates de 10 voxels suivant laxe e longitudinal.

la mauvaise mise en correspondance spatiale, empchant ainsi lestimation correcte du e mod`le de dformation. e e

6.2

Normalisation dintensit : cas monomodal e

Dans cette section, nous prsentons une mthode originale de normalisation des ine e tensits. Cette mthode est base sur lestimation dun mlange de lois gaussiennes a e e e e ` partir de lhistogramme conjoint. Cependant, comme nous lavons soulign dans la sece tion prcdente, les mthodes ayant recours a lhistogramme conjoint sont tr`s sensibles e e e ` e aux erreurs de recalage. Dans un premier temps, linuence des erreurs de recalage sur lallure de lhistogramme conjoint est illustre. Ensuite, nous prsentons un crit`re pere e e mettant dliminer les chantillons de lhistogramme conjoint ayant une forte probabilit e e e de correspondre a des voxels mal recals. Puis, nous dtaillons la procdure permettant de ` e e e dterminer la fonction de mise en correspondance des intensits grce a lestimation dun e e a ` mlange de lois gaussiennes a partir de lhistogramme conjoint. Enn, la contribution de e ` la mthode est illustre de mani`re qualitative et une discussion est propose. e e e e

6.2.1

Inuence des erreurs de recalage sur lhistogramme conjoint

Linuence des erreurs de recalage sur lhistogramme conjoint est un point tr`s peu e abord dans la littrature. Le seul consensus est de dire que plus la dispersion des e e chantillons de lhistogramme conjoint est grande, moins le recalage est bon. Cette are mation est a lorigine de nombreux crit`res de similarit statistiques quantiant la dis` e e persion des chantillons dans lhistogramme conjoint pour guider le recalage comme par e exemple le crit`re de Woods ou le rapport de corrlation introduit par Roche. Cependant, e e ltude qualitative ou quantitative de cette dispersion est mal connue. Il est intressant e e de constater leet dune erreur de translation sur lallure de lhistogramme conjoint (cf. gure 6.1). D`s lors, il est facile de comprendre la dicult destimer la relation entre e e les intensits de deux images directement a partir de leur histogramme conjoint. Cest e ` pour cette raison que nous proposons deectuer un traitement prliminaire consistant a e `

116

Normalisation dintensit e

liminer les chantillons de lhistogramme conjoint ayant une forte probabilit de ne pas e e e correspondre a des voxels bien recals. ` e

6.2.2

Elimination des chantillons de lhistogramme conjoint e correspondant ` des voxels mal recals a e

Soient I1 et I2 deux images et f : R R la fonction a estimer permettant de mettre ` en correspondance les intensits de limage I2 avec celles de limage I1 . Une premi`re e e tape permettant dliminer les voxels correspondant au fond de limage est eectue. e e e Cette tape est ralise par un seuillage des voxels de faible intensit [Otsu 79] et par e e e e des oprations permettant, dune part de rcuprer la plus grande composante connexe e e e de limage segmente, et dautre part de remplir les trous prsents dans le masque de e e segmentation. Lhistogramme conjoint des deux images est ensuite calcul sur les N e voxels de la zone de recouvrement entre les masques de segmentation des deux images. Soit {hij }(i,j)[1,L][1,M ] lhistogramme conjoint de I1 et I2 , hij correspondant au nombre de voxels ayant lintensit i dans I1 et j dans I2 , L et M tant le nombre de niveaux de gris e e hij respectivement dans I1 et I2 . Soient pij = N la probabilit conjointe et pi = M pij e j=1 L et pj = i=1 pij les probabilits marginales. Soit H0 lhypoth`se statistique suivante : e e I1 et I2 sont des ralisations de deux vecteurs alatoires indpendants (par consquent e e e e sans recalage sous-jacent). Sous lhypoth`se H0 , le taux doccupation hij du site (i, j) e de lhistogramme conjoint suit une distribution binomiale : chacun des N voxels a une probabilit pi pj dtre aect au site hij et une probabilit 1 pi pj dtre aect e e e e e e ailleurs. Seuls les hij permettant de rejeter lhypoth`se H0 avec un seuil (typiquement e = 0, 05) sont considrs. Les hij considrs pour lestimation de la fonction de mise en ee ee correspondance des intensits doivent ainsi vrier la condition suivante : e e hij > hhaut , ij
ij

(6.5)

une distribution binomiale B(N, pi pj ) (cf. gure 6.2). On notera que les chantillons e bas qui permettraient aussi de rejeter lhypoth`se H0 avec un vriant la condition hij < hij e e seuil ne sont pas considrs car des faibles valeurs de hij ne peuvent pas correspondre ee a des voxels bien recals. ` e Cependant, la condition (6.5) nest pas toujours susante pour liminer lensemble e des chantillons correspondant a des voxels mal recals. Cest pour cette raison que e ` e nous proposons une condition supplmentaire sur les chantillons restants. Lhypoth`se e e e considre est que, dans le cas dimages monomodales, pour une intensit donne dans ee e e une image, lensemble des intensits correspondantes dans lautre image suit une distrie bution gaussienne. Ainsi, nous estimons a partir des chantillons restants pour chaque ` e intensit i0 de I1 (respectivement j0 de I2 ) la valeur moyenne i0 (respectivement j0 ) e et lcart-type i0 (respectivement j0 ) des intensits correspondantes observes dans e e e I2 (respectivement I1 ) grce aux estimateurs robustes suivant [Rousseeuw 87] : a i0 = med j , i0 = 1.4826 med |j i0 |,
i=i0 i=i0

o` hhaut est dni par la relation PhH0 (hij > hhaut ) = , hij suivant sous lhypoth`se H0 u ij e e ij

j0 = med i , j0 = 1.4826 med |i j0 |.


j=j0 j=j0

(6.6)

6.2 Normalisation dintensit : cas monomodal e


   

117

Fig. 6.2 Dnition des seuils hbas et hhaut entre lesquels les chantillons hij permettent e e ij ij de rejeter lhypoth`se H0 avec un seuil , hij suivant une loi binomiale. Les chantillons e e vriant la condition hij < hbas ne sont pas considrs car de faibles valeurs de hij ne e ee ij peuvent pas correspondre a des voxels bien recals. ` e

(a)

Fig. 6.3 Elimination des chantillons ayant une forte probabilit de correspondre a des e e ` voxels mal recals de lhistogramme conjoint de deux images relles apr`s un recalage e e e ane : (a) histogramme brut ; (b) histogramme dont seuls les chantillons vriant les e e conditions (6.5) et (6.7) sont considrs. ee Seuls les hi0 j0 vriant la condition suivante sur les indices i0 et j0 sont considrs : e ee j0 z j0 <i0 <j0 + z j0 , i0 z i0 <j0 <i0 + z i0 . (6.7)

avec z dni par PX (X z ) = , X N (0, 1) (typiquement = 0, 05). e 2 La gure 6.3 illustre leet des conditions (6.5) et (6.7) sur lhistogramme conjoint de deux images relles apr`s un recalage ane. e e

6.2.3

Estimation de la transformation sur les intensits e

Lestimation de la transformation sur les intensits est faite en deux tapes. La e e premi`re tape consiste a estimer un mlange de lois gaussiennes a partir des chantillons e e ` e ` e hij de lhistogramme conjoint vriant les conditions (6.5) et (6.7). La seconde tape e e concerne lestimation a proprement parler de la transformation sur les intensits a partir ` e ` de la reprsentation paramtrique de lhistogramme conjoint obtenue lors de lestimation e e du mlange de lois gaussiennes. e Suivant lhypoth`se que les chantillons hij de lhistogramme conjoint suivent une e e distribution dcrite par un mlange de K lois gaussiennes, la probabilit dobserver un e e e

   f ce ` V Y X W U S V c e 4db aBIEV BT "R

g 5 3 2 067 41( ) C PF H F G F D A 9 IQI$$$EC B@ 8

h % # !&' $"

(b)

118

Normalisation dintensit e

voxel x = [i j]t ayant une intensit i dans I1 et j dans I2 est donne par : e e
K

p(x) =
k=1 K

k p(x|Ck ), k 2|k | 2
1

p(x) =
k=1

1 exp (x k )t 1 (x k ) , k 2

(6.8)

o` p(x|Ck ) dsigne la probabilit dobserver x sachant quil appartient a la classe C k , k u e e ` est la probabilit a priori dappartenance a la classe Ck et k et k sont respectivement e ` la moyenne et la covariance de la loi gaussienne reprsentative de la classe Ck . Il sagit d`s e e lors destimer lensemble des param`tres = (1 , 1 , 1 , ..., k , k , k , ..., K , K , K ) e du mod`le de mlange de lois gaussiennes. Nous avons fait le choix destimer ces pae e ram`tres au sens du maximum de vraisemblance grce a lalgorithme Expectation-Maximie a ` zation (EM) [Dempster 77]. Lestimation des param`tres est ainsi conduite de mani`re e e itrative jusqu` convergence grce aux relations suivantes [Bilmes 97] : e a a N iter+1 1 k = p(Ck |xt , iter ), N t=1 N xt p(Ck |xt , iter ) iter+1 k , = t=1 N (6.9) p(Ck |xt , iter ) t=1 N (xt iter+1 )(xt iter+1 )t p(Ck |xt , iter ) k k iter+1 t=1 k = , N p(Ck |xt , iter )
t=1

avec :

p(Ck |xt , iter ) =

iter k p(xt |Ck , iter )

(6.10)

k=1

iter k p(xt |Ck , iter )

Linitialisation utilise pour lestimation des param`tres est obtenue par lalgorithme e e des K-moyennes [Duda 01]. Le choix du nombre K de lois gaussiennes ne semble pas tre crucial. De mani`re e e gnrale, il semble prfrable de surestimer ce nombre, typiquement K = 10. Au-del`, les e e ee a rsultats ne sont plus signicativement dirents. Le fait de surestimer ce nombre permet, e e en prsence dchantillons aberrants (outliers), de prendre en compte ces chantillons e e e par une ou plusieurs lois gaussiennes, permettant ainsi dviter de biaiser lestimation e des param`tres des lois gaussiennes reprsentatives dchantillons bien recals. Les lois e e e e gaussiennes modlisant les chantillons aberrants sont gnralement caractrises par une e e e e e e faible probabilit dappartenance, puisque le nombre dchantillons aberrants est cens e e e tre faible par rapport au nombre dchantillons correspondant a des voxels bien recals. e e ` e Ansi, leur impact sur la reprsentation paramtrique nale est moindre. Limpact aurait e e

6.2 Normalisation dintensit : cas monomodal e

119

Fig. 6.4 Dtermination de la fonction f de mise a jour des intensits : elle est dnie e ` e e pour chaque intensit j0 de I2 comme la valeur mdiane i observe dans I1 selon le e e e mod`le de mlange de lois gaussiennes. e e par contre t beaucoup plus important si les chantillons aberrants avaient t pris en ee e ee compte dans lestimation des lois gaussiennes reprsentatives dchantillons bien recals e e e dont les param`tres auraient ainsi t biaiss. e ee e La fonction f , permettant de mettre a jour les intensits, est ensuite dtermine ` e e e a partir du mod`le de mlange de lois gaussiennes estim. Elle est dnie pour chaque ` e e e e intensit j0 de I2 comme la valeur mdiane i observe dans I1 selon le mod`le de mlange e e e e e de lois gaussiennes (cf. gure 6.4) :
f (j0 )

j0 [0, M ] ,

p(i|j0 , ) di =
0

1 2

p(i|j0 , ) di.
0

(6.11)

Cette fonction est calcule plusieurs fois au cours du processus de recalage pour mettre e a jour les intensits de limage de rfrence I2 . ` e ee

6.2.4

Contributions de la normalisation dintensit e

La contribution de la mthode de normalisation dintensit que nous venons de dcrire e e e est illustre qualitativement sur un exemple de segmentation automatique par transport e datlas de la substance blanche, de la substance grise et du liquide cphalorachidien e (gure 6.5). La comparaison a t ralise en utilisant au cours du recalage, soit la ee e e mthode que nous avons propose avec K = 10 lois gaussiennes (10-JHGM), soit une e e normalisation par moyenne et cart-type (MS). Les rsultats montrent que lutilisation de e e la normalisation par moyenne et cart-type conduit a sous-estimer la substance blanche e ` et a surestimer la substance grise et le liquide cphalorachidien. Des conclusions similaires ` e ont dj` t mises en vidence auparavant dans la littrature [Crivello 02] mais nont pas eae e e e t relies a des probl`mes de normalisation des intensits. Lutilisation de la mthode ee e ` e e e 10-JHGM conduit manifestement a de meilleurs rsultats de segmentation. Des rsultats ` e e quantitatifs sur la contribution de la mthode que nous avons propose par rapport a e e ` trois autres mthodes de normalisation dintensit sont prsents dans la troisi`me partie e e e e e de ce document, consacre a la validation. e `

0) '(

!   

&% '$

    "

Q P B S R F

E D

A 8 64 32 @ 9751 H

120

Normalisation dintensit e

Images initiales et cartes de segmentation associes e

Image source

Image cible

Images rsultats et cartes de segmentation transportes e e

MS

10-JHGM

Fig. 6.5 Illustration de la contribution de la mthode de normalisation des intensits e e que nous avons propose (10-JHGM) par rapport a la normalisation par moyenne et e ` cart-type (MS) au travers dun exemple de segmentation automatique par transport e datlas de la substance blanche, de la substance grise et du liquide cphalorachidien. e En utilisant la normalisation par moyenne et cart-type, la substance blanche est souse estime tandis que la substance grise et le liquide cphalorachidien sont surestims (les e e e cartes de segmentation transportes sont a comparer avec la carte de segmentation de e ` limage cible).

6.3 Normalisation dintensit : extension multimodale e

121

6.2.5

Discussion

Nous tenons enn a discuter la lgitimit du choix de la reprsentation de lhis` e e e togramme conjoint par un mlange de lois gaussiennes. Cette reprsentation revient e e en fait a considrer une segmentation implicite des structures anatomiques des deux ` e images. Dans la mthode propose par Hellier [Hellier 03a], la segmentation est faite e e indpendamment sur chacune des images en estimant un mlange de lois gaussiennes e e sur chacun des histogrammes. Dans la mthode que nous avons propose, la segmentae e tion est faite conjointement sur les deux images en ne considrant que les chantillons e e de lhistogramme conjoint correspondant a des voxels bien recals grce aux crit`res ` e a e proposs dans la section 6.2.2. Ainsi, la segmentation nest dnie que sur les voxels e e supposs bien recals. La segmentation considre est implicite car en pratique aucune e e ee tiquette spcique nest aect a chaque voxel pour le calcul de la fonction reliant les e e e` intensits, seules les probabilits dappartenance a chacune des classes sont considres. e e ` ee De plus, le nombre des classes tant en gnral surestim par rapport au nombre rel de e e e e e tissus anatomiques, la segmentation obtenue na pas forcment une vritable signication e e anatomique, un tissu pouvant tre segment en plusieurs classes distinctes. e e Il est aussi important de souligner que la fonction reliant les intensits est mise a e ` jour plusieurs fois au cours du processus du recalage, lestimation devenant de plus en plus ne a mesure que les images sont mieux recales. En eet, un plus grand nombre ` e dchantillons de lhistogramme conjoint sont considrs a mesure que les images sont e ee ` mieux recales, augmentant ainsi la prcision de la segmentation implicite obtenue lors e e de lestimation du mlange de lois gaussiennes. e

6.3

Normalisation dintensit : extension multimoe dale

Une hypoth`se forte faite dans la procdure de normalisation des intensits prsente e e e e e prcdemment est qu` chaque intensit dune image est associe une unique intensit e e a e e e dans lautre image. Cette hypoth`se de relation fonctionnelle entre les intensits nest e e plus vrie dans le cas dimages multimodales o` deux voxels ayant la mme intensit e e u e e dans une modalit peuvent tre associs a des voxels ayant des intensits direntes e e e ` e e dans lautre modalit. Nous proposons donc dtendre la mthode de normalisation des e e e intensits prsente dans la section prcdente au cas dimages IRM de pondrations e e e e e e direntes en considrant une segmentation explicite de chacune des images et en estie e mant une fonction de mise en correspondance ane des intensits sur chacun des tissus. e

6.3.1

Mthodologie e

La procdure de normalisation des intensits propose dans le cas dimages multimoe e e dales est compose des tapes suivantes (cf. gure 6.6) : e e calcul de lhistogramme conjoint ;

122

Normalisation dintensit e

Segmentation indpendante (croissance de rgions)

Fig. 6.6 Principe gnral de la procdure de normalisation des intensits dans le cas e e e e dimages IRM de pondrations direntes. e e limination des chantillons de lhistogramme conjoint ayant une forte probabilit e e e 1 de correspondre a des voxels mal recals grce a la condition (6.5) ; ` e a ` estimation dun mlange de K lois gaussiennes a partir de lhistogramme conjoint e ` selon la mthode dcrite section 6.2.3 ; e e segmentation explicite des deux images en K classes au sens du maximum a posteriori (MAP) en utilisant le mod`le de mlange de lois gaussiennes : seuls les voxels e e considrs comme bien recals au sens du crit`re (6.5) sont aects dune tiquette ; ee e e e e tiquetage des voxels non considrs a ltape prcdente par un algorithme de e ee ` e e e croissance de rgions appliqu a chacune des images en utilisant comme initialisae e` tion la segmentation conjointe obtenue a ltape prcdente ; ` e e e mise a jour des intensits de limage de rfrence grce a des fonctions anes ` e ee a ` dnies sur chacune des classes grce a leurs caractristiques (moyenne, cart-type e a ` e e et covariance). Nous dcrivons dans un premier temps les mthodes permettant dobtenir la segmene e tation explicite des deux images, puis nous prsentons la procdure de mise a jour des e e ` intensits. e

6.3.1.1

Segmentation explicite des images

La segmentation des images est faite en deux tapes. La premi`re tape consiste en e e e une segmentation conjointe des deux images uniquement sur les voxels supposs bien ree cals. La seconde tape consiste a poursuivre la segmentation de mani`re indpendante e e ` e e sur chacune des images sur lensemble des voxels nayant pas t considrs a ltape ee ee ` e prcdente. Nous noterons dans la suite LI1 et LI2 les cartes de segmentation correspone e dant respectivement a I1 et I2 . ` Segmentation conjointe. La segmentation conjointe est eectue grce a lestimation e a ` dun mlange de K lois gaussiennes a partir de lhistogramme conjoint dont seuls les e ` chantillons vriant la condition (6.5) sont considrs (cf. section 6.2.3). Ensuite, a e e ee ` chaque voxel suppos bien recal, ayant une intensit i dans I1 et j dans I2 , est associe e e e e
La condition (6.7) nest valable que dans le cas des images monomodales car elle fait lhypoth`se e dune relation fonctionnelle entre les intensits. e
1

PHy r sfdf rg q p i g h gfe d t )'&%#g c

Segmentation indpendante (croissance de rgions)

Segmentation conjointe (MAP)

Mise en correspondance des intensits

x w v GHu ` aTRT `U Y X W U V UTS R b )'&%#U Q

I D @ F D AC 9 8 2 6 4 2 PG9 HGEB@ #4 7531 $ ( $ " !     0 )'&%# 

6.3 Normalisation dintensit : extension multimodale e la classe C maximisant la probabilit a posteriori : e C = arg C = arg
Ck {C1 , ,CK } Ck {C1 , ,CK }

123

max

p(Ck |i, j), p(i, j|Ck )p(Ck ).

max

(6.12)

Le rsultat obtenu est une carte de segmentation conjointe aux deux images dont seuls e les voxels supposs bien recals sont aects dune tiquette. e e e e Segmentation indpendante. Il sagit dans un second temps daecter une tiquette e e a tous les voxels qui nont pas t considrs lors de ltape prcdente de segmentation. ` ee ee e e e Ces voxels tant supposs mal recals, il nest pas possible de tirer parti de linformation e e e des deux images simultanment pour dterminer leur tiquette. Par consquent, leur e e e e classication est conduite de mani`re indpendante sur chacune des images. Dans ce e e but, nous avons propos le recours a un algorithme de croissance de rgions. Ainsi, il e ` e est possible dtendre la segmentation obtenue a ltape prcdente en tirant parti de e ` e e e linformation de voisinage spatial. Le principe de la mthode de segmentation par croissance de rgions, dcrit dans e e e lalgorithme 4, est le suivant. Pour chaque voxel s non tiquet et ayant au moins un e e voxel tiquet dans son voisinage V(s), une valeur potentielle dtiquette est obtenue en e e e considrant ltiquette du voxel dans le voisinage V(s) ayant lintensit la plus proche. Si e e e la dirence entre lintensit du voxel s considr et la moyenne de classe correspondant e e ee a ltiquette candidate est infrieure a un certain seuil dagrgation, alors ltiquette est ` e e ` e e eectivement assigne au voxel, sinon le voxel s sera a nouveau considr ultrieurement. e ` ee e La valeur du seuil dagrgation considr est proportionnelle a lcart-type de la classe e ee ` e candidate et est augmente progressivement au cours de lalgorithme, permettant ainsi e dviter a un voxel ayant un unique voisin tiquet dtre automatiquement aect de e ` e e e e cette mme tiquette. Dans limplantation que nous avons ralise, le voisinage V(s) e e e e considr est celui des six plus proches voisins. ee 6.3.1.2 Mise ` jour des intensits a e

Une fois les deux images I1 et I2 segmentes, il sagit de dterminer la fonction e e permettant de mettre a jour les intensits de I2 . Nous faisons lhypoth`se dune relation ` e e ` ane entre les intensits des tissus se correspondant dans les deux images. A partir de e la segmentation des deux images, nous pouvons calculer les intensits moyennes 1;k et e 2;k et les carts-types 1;k et 2;k de chacun des tissus dans chacune des images. Par e ailleurs, la covariance cov12;k entre les intensits de chacune des classes est calcule sur e e les voxels correspondants ayant t aects de la mme tiquette dans les deux images : ee e e e cov12;k = s (I1 (s) 1;k ) (I2 (s) 2;k ) (LI1 (s),k) (LI2 (s),k) , s (LI (s),k) (LI (s),k)
1 2

(6.13)

(i,j) tant le symbole de Kronecker, valant 1 si i = j et 0 sinon. Ainsi, lintensit de e e chaque voxel de I2 appartenant a la classe k est mis a jour par une fonction fk dnie ` ` e

124

Normalisation dintensit e

Alg. 4 Algorithme de segmentation par croissance de rgions e But : Associer une tiquette aux voxels de I non considrs lors de la segmentation conjointe. e ee Initialisation : le rsultat de ltape de segmentation conjointe en K classes : LI (s) e e Mthode : e seuil 0 Rpter e e seuil seuil + incr /* incr est x a 0,25 dans limplantation ralise */ e` e e les param`tres de chacune des K classes : {k , k } e

Rpter e e

Pour tous les voxels s aects daucune tiquette e e /* Soit V(s) lensemble des voxels tiquets dans le voisinage de s */ e e Si (Card{V(s)} > 0) label {LI (u) | u = arg min (I(s) I(u))} uV(s) Si (|I(s) label | < seuil label ) Fin Si Fin Si Fin Pour Jusqu` ce quaucune tiquette ne soit plus mise a jour a e ` Jusqu` ce que tous les voxels soient tiquets a e e Sortie : Carte de segmentation LI de I dnie pour lensemble des voxels de I e LI (s) = label

6.3 Normalisation dintensit : extension multimodale e

125

Fig. 6.7 Mise a jour des intensits dans le cas multimodal : a partir de tous les voxels ` e ` en correspondance de I1 et I2 aects de la mme tiquette k, une fonction ane fk est e e e estime par rgression linaire au sens des moindres carrs. La fonction fk est ensuite e e e e utilise pour mettre a jour les intensits j des voxels de I2 aects de ltiquette k. e ` e e e par (cf. gure 6.7) : fk (I2 (s)) = arg max p (i|I2 (s), Ck ) ,
i

cov12;k = (I2 (s) 2;k ) + 1;k . 2 2;k

6.3.2

Contribution au recalage dimages multimodales

La contribution de la mthode de normalisation des intensits propose dans le cas e e e dimages IRM de pondrations direntes est illustre gure 6.8 par le recalage dimages e e e relles de modalit T1 et T2 . Linspection visuelle du rsultat montre que la plupart e e e des structures anatomiques sont mises en correspondance correctement. Cependant, en examinant de mani`re plus prcise le liquide cphalorachidien, qui appara en intensit e e e t e sombre dans la modalit T1 et en intensit claire dans la modalit T2 , on observe quil tend e e e a tre sous-estim lors du recalage. En eet, les ventricules de limage recale sont plus `e e e petits que ceux de limage de rfrence et lespace entre le cerveau et la bo crnienne ee te a de limage recale est plus faible que celui dans limage de rfrence. e ee Une valuation quantitative de la contribution de cette mthode de mise en correse e pondance des intensits est propose dans la troisi`me partie de ce document consacre e e e e a la validation sur des images IRM simules pondres T1 , T2 et densit de protons. ` e ee e

6.3.3

Discussion

La mthode que nous venons de proposer pour le recalage dimages multimodales e est base sur une segmentation explicite des images. Au travers de cette approche, nous e mettons en vidence que les probl`mes de recalage et de segmentation sont troitement e e e

9 6

C F ' HG4!

9 7 ! 7 @ 9E7 C A % 9 7 6 5 3 1 ) ' %# ! DB&# 8(420(&$" !      

(6.14)

126

Normalisation dintensit e

(a)

(b)

(c) Fig. 6.8 Exemple de recalage dimages multimodales relles : (a) image source (T1 ) ; e (b) image cible (T2 ) ; (c) image rsultat issue du recalage de (a) sur (b). e

6.3 Normalisation dintensit : extension multimodale e

127

lis. Ltape de segmentation est utilise pour guider le recalage. Le recalage permet e e e ensuite daner la segmentation car, tant eectue conjointement sur les images, elle e e devient de plus en plus prcise a mesure que les images sont mieux recales. Plusieurs e ` e approches ont t proposes dans la littrature pour aborder conjointement le probl`me ee e e e du recalage et de la segmentation, an de tirer parti de la coopration des mthodes e e ddies a la rsolution de chacun de ces probl`mes. Yezzi et coll. proposent une formue e ` e e lation variationnelle permettant deectuer conjointement une segmentation du crne a grce a des contours actifs et un recalage ane [Yezzi 03]. De nombreux autres traa ` vaux privilgient une formulation baysienne du probl`me de recalage et de segmentation e e e conjointe [Wyatt 03, Xiaohua 04, Xiaohua 05, Ashburner 05]. Cependant, la mise en pratique de ces mthodes revient en gnral a estimer successivement de mani`re itrative e e e ` e e le recalage puis la segmentation, conduisant a des approches similaires a celle que nous ` ` avons propose et qui ne permettent de garantir la convergence que vers un minimum e local. Il serait donc intressant de proposer une rsolution conjointe de ce probl`me, sans e e e dcoupler lestimation de la segmentation de celle du recalage. e

128

Normalisation dintensit e

Chapitre 7 Mthodes doptimisation et mise en e uvre du recalage


Estimation des param`tres du mod`le de dformation e e e 7.1.1 Optimisation hirarchique par bloc . . . . . . . . . . . . e 7.1.2 Mthodes doptimisation . . . . . . . . . . . . . . . . . . e 7.2 Mise en uvre du recalage . . . . . . . . . . . . . . . . . 7.2.1 Prtraitements . . . . . . . . . . . . . . . . . . . . . . . e 7.2.2 Rduction du nombre de param`tres . . . . . . . . . . . e e 7.2.3 Interpolation . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Rcapitulatif de lalgorithme nal . . . . . . . . . . . . e 7.1 . . . . . . . . . . . . . . . . . 129 . . 130 . . 132 . 134 . . 134 . . 135 . . 135 . 137

Ce chapitre a pour but de faire le lien entre les chapitres de la seconde partie de ce mmoire an de dcrire les dirents lments ncessaires a limplantation de la e e e ee e ` mthode de recalage que nous avons propose. Dans un premier temps, nous dcrivons e e e les mthodes doptimisation permettant lestimation des param`tres du mod`le de dfore e e e mation dcrit dans le chapitre 3 pour la fonction de cot prsente dans le chapitre 5. Les e u e e param`tres sont estims de telle sorte que la contrainte de conservation de la topologie, e e introduite au chapitre 4, soit respecte. Dans un second temps, nous dcrivons certains e e dtails permettant une implantation ecace de la mthode de recalage (prtraitements, e e e rduction du nombre de param`tres, mthode dinterpolation). Nous prsentons enn un e e e e rcapitulatif de lalgorithme de recalage. e

7.1

Estimation des param`tres du mod`le de dfore e e mation

Rappelons que lestimation de la transformation permettant la mise en correspondance spatiale entre deux images revient a la rsolution du probl`me doptimisation sous ` e e contraintes suivant : h = arg
(x,y,z), Jmin <Jh (x,y,z)<Jmax

min

E (I1 (h), I2 , h) ,

(7.1)

130

Mthodes doptimisation et mise en uvre du recalage e

Echelle l-1

Transition d'chelle Echelle l Optimisation Transition d'chelle Echelle l+1 Optimisation

Fig. 7.1 Illustration dans le cas 2D de lalgorithme doptimisation hirarchique en e considrant des fonctions B-splines de degr 0 (base de Haar). e e avec h la transformation recherche et E une fonction de cot reprsentative de la sie u e milarit des images et du comportement du champ de dformation. Au chapitre 4, nous e e avons prsent les lments ncessaires a la rsolution de ce probl`me doptimisation e e ee e ` e e sous contraintes. Dans cette section, nous dcrivons les mthodes doptimisation que e e nous avons utilises et la mani`re dont nous avons intgr les contraintes dtailles au e e e e e e chapitre 4. Une premi`re partie est consacre a lestimation hirarchique par bloc des e e ` e param`tres. Puis nous dcrivons et comparons les deux mthodes doptimisation que e e e nous avons mises en oeuvre, a savoir la mthode par descente de gradient et la mthode ` e e de Levenberg-Marquardt. Une br`ve discussion sur le choix des crit`res darrt utiliss e e e e dans ces algorithmes doptimisation est enn propose. e

7.1.1

Optimisation hirarchique par bloc e

Optimisation hirarchique. Lide principale de loptimisation hirarchique est de e e e ne pas estimer directement la transformation h H, mais destimer une succession de transformations hl de complexit croissante dnies sur des sous-espaces embo es V0 e e t l Vl H de sorte que h converge vers h lorsque lchelle l tend vers linni (cf. e section 3.4). La gure 7.1 permet dillustrer le principe doptimisation hirarchique dans e le cas 2D de fonctions B-splines de degr 0 (base de Haar). Les param`tres du mod`le e e e de dformation a lchelle l sont dduits des param`tres estims lchelle l 1 par une e ` e e e e e tape de transition dchelle (cf. section 3.4). Ainsi, la transformation obtenue a lchelle e e ` e l est exactement gale a celle de lchelle l 1, mais exprime avec des fonctions de e ` e e base ayant un support deux fois plus compact. Les param`tres a lchelle l sont ensuite e ` e mis a jour an de minimiser la fonction de cot E tout en vriant les conditions sur ` u e le jacobien. La transformation obtenue a la n de ltape doptimisation est ensuite ` e utilise pour dterminer les param`tres de la transformation a lchelle l + 1 qui serviront e e e ` e dinitialisation a une nouvelle phase doptimisation conduite a cette chelle. ` ` e

7.1 Estimation des param`tres du mod`le de dformation e e e

131

Optimisation par bloc. Pour lestimation des param`tres a une chelle donne, nous e ` e e avons recours a une stratgie du type Gauss-Seidel : chaque fonction de base l ` e i,j,k est l l l considre tour a tour et le jeu de param`tres associ ax;i,j,k , ay;i,j,k , az;i,j,k est mis a jour ee ` e e ` conjointement. La dnomination doptimisation par bloc fait rfrence aux supports des e ee fonctions de base. Nous avons privilgi cette approche par bloc plutt quune estimation e e o conjointe de lensemble des param`tres principalement pour deux raisons. La premi`re e e raison tient a la rsolution du probl`me doptimisation sous contraintes prsent dans ` e e e e lquation 7.1 qui peut savrer particuli`rement inecace dans le cas dune optimisation e e e conjointe de lensemble des param`tres. En eet, il est possible que quelques param`tres e e proches de la fronti`re de lespace admissible des param`tres empchent lestimation core e e recte des autres param`tres. Par exemple, dans une stratgie doptimisation par descente e e de gradient sur lensemble des param`tres, le pas maximum admissible + est calcul e e + comme la borne infrieure de tous les calculs pour chacun des jeux de param`tres e e e l l l ax;i,j,k , ay;i,j,k , az;i,j,k (cf. section 4.3.3 pour la dnition et la procdure destimation de e e + ). Donc, si un seul + est nul, lestimation de lensemble des autres param`tres sav`re e e 1 impossible . Par ailleurs, loptimisation par bloc sest montre plus ecace en terme de e vitesse de convergence des param`tres. La seconde raison pour laquelle lapproche par e bloc a t privilgie repose sur des considrations lies a la gestion de lespace mmoire. ee e e e e ` e Les mthodes doptimisation que nous dcrivons dans la suite ncessitent le calcul du e e e gradient et du hessien du crit`re E par rapport aux param`tres. Dans le cas dune optimie e sation conjointe de lensemble des param`tres, la matrice hessienne considre serait de e ee taille nbparam nbparam , ce qui, dans le cas du mod`le de dformation que nous avons utie e lis, a la rsolution l = 5, reprsente une matrice de pratiquement 8 milliards dlments ! e ` e e ee Dans le cas de loptimisation par bloc, les matrices hessiennes manipules sont seulement e de taille 3 3. Cependant, lapproche par bloc prsente une sensibilit plus grande aux minima loe e caux dnergie par rapport a lapproche destimation conjointe des param`tres, le rsultat e ` e e obtenu pouvant dpendre de lordre dans lequel sont considrs les dirents blocs. e ee e Ainsi, le parcours des blocs dans lordre lexicographique sest avr dans certains cas ee conduire a une solution sous-optimale. Pour minimiser linuence de lordre dans lequel ` sont considrs les blocs, nous utilisons la proprit suivante : ee ee |i i | > bl et |j j | > bl et |k k | > bl l l ,j ,k = , i,j,k i (7.2)

b correspondant a la taille du support de la fonction dchelle l . Cela signie quun ` e grand nombre de blocs peuvent tre mis a jour conjointement de mani`re indpendante e ` e e du fait que les supports des fonctions de bases sont disjoints. Nous proposons donc le parcours suivant pour considrer les blocs : e Pour i0 = 0, , bl ; j0 = 0, , bl ; k0 = 0, , bl Pour i = i0 , , I; j = j0 , , J; k = k0 , , K par pas de bl Optimisation locale sur l i,j,k Fin Pour Fin Pour
Il pourrait bien sr tre imagin pour contourner ce probl`me de ne mettre a jour conjointement u e e e ` que les param`tres caractriss par un + suprieur a un certain seuil. Mais globalement, le nombre e e e e ` ditrations ncessaires pour arriver jusqu` convergence de lensemble des param`tres serait beaucoup e e a e plus grand que dans le cas de loptimisation par bloc.
1

132

Mthodes doptimisation et mise en uvre du recalage e

Cette technique sapparente a des techniques de coloriage utilises dans la remise a jour ` e ` des sites dans le cas de mod`les markoviens. Elle se prte assez naturellement a une e e ` implantation parall`le [Salomon 05]. e

7.1.2

Mthodes doptimisation e

Nous prsentons dans cette section les mthodes doptimisation auxquelles nous avons e e eu recours pour lestimation des param`tres du mod`le de dformation. Nous avons choisi e e e de recourir a des approches dterministes tant donne la dimensionnalit importante ` e e e e du probl`me considr. De plus, nous protons des proprits du mod`le paramtrique e ee ee e e de dformation et des fonctions de cot considres qui permettent daccder a des e u ee e ` expressions analytiques explicites des caractristiques direntielles du crit`re. Ainsi, e e e nous avons implant et compar deux mthodes doptimisation, a savoir lalgorithme de e e e ` descente de gradient et la mthode de Levenberg-Marquardt [Marquardt 63, Press 92, e Rao 96]. 7.1.2.1 Algorithme de descente de gradient

Lalgorithme de descente de gradient consiste, pour un jeu de param`tres e t al , al , al , a calculer une direction de descente d et un pas optimal suivant ` x;i,j,k y;i,j,k z;i,j,k cette direction de telle sorte que les param`tres mis a jour sont obtenus par la relation : e ` al x;i,j,k , al y;i,j,k , al z;i,j,k
t l l = al x;i,j,k , ay;i,j,k , az;i,j,k + d. t

(7.3)

La direction de descente utilise dans le cas de lalgorithme classique de descente de e gradient correspond a loppos du gradient du crit`re par rapport au jeu de param`tres ` e e e considr : ee E E E , , d= l l ax;i,j,k ay;i,j,k al z;i,j,k
t

(7.4)

Lannexe C prsente les expressions explicites du gradient pour les dirents crit`res e e e considrs au chapitre 5. Concernant la contrainte sur les valeurs du jacobien, nous ee avons vu au chapitre 4 que lensemble des pas admissibles est contenu dans lintervalle [0; + ], la procdure permettant destimer la borne suprieure admissible + tant dcrite e e e e section 4.3.3.3. Lestimation du pas optimal [0; + ] est faite grce a une procdure a ` e de minimisation de ligne du type recherche par section du nombre dor [Press 92]. Cependant, la mthode doptimisation par descente de gradient prsente plusieurs e e inconvnients. Dune part, la procdure de minimisation de ligne peut savrer coteuse e e e u + en temps de calcul et la dtermination du pas maximum admissible requiert une e charge calculatoire importante. Dautre part, la mthode doptimisation par descente de e gradient est connue pour avoir une vitesse de convergence faible lorsquon est proche de la solution. Ainsi, nous avons envisag le recours a une autre mthode doptimisation, e ` e utilisant linformation complmentaire porte par le hessien du crit`re pour proposer e e e directement un pas optimal, permettant ainsi dviter la procdure de minimisation de e e ligne. Nous avons choisi dutiliser la mthode de Levenberg-Marquardt [Marquardt 63]. e

7.1 Estimation des param`tres du mod`le de dformation e e e 7.1.2.2 Mthode de Levenberg-Marquardt e

133

La mthode de Levenberg-Marquardt [Marquardt 63] est un algorithme doptimisae ` tion utilisant a la fois linformation porte par le gradient et le hessien du crit`re. A ` e e chaque itration, un jeu de param`tres est propos, ne ncessitant donc pas le recours a e e e e ` une procdure de minimisation de ligne. Cette mthode est construite comme un come e promis entre lalgorithme de descente de gradient et la mthode de Newton, bnciant e e e ainsi de la vitesse de convergence rapide de lalgorithme de descente de gradient, loin de la solution, et de la vitesse de convergence rapide, proche de loptimum, de la mthode e de Newton. Soient E et H respectivement le gradient et le hessien de la fonction de cot E et H tel que H = H + I (I tant la matrice identit et un rel positif). u e e e Les param`tres sont mis a jour grce a la relation suivante : e ` a ` al x;i,j,k , al y;i,j,k , al z;i,j,k
t 1 l l = al x;i,j,k , ay;i,j,k , az;i,j,k H t

E.

(7.5)

Le param`tre conditionne le comportement de lalgorithme : si est petit, lalgorithme e tend vers le comportement de la mthode de Newton et si est grand, lalgorithme e tend vers le comportement de lalgorithme de descente de gradient. La valeur est choisie de mani`re a garantir que H soit une matrice dnie positive et est mise a jour e ` e ` rguli`rement au cours de la phase doptimisation en fonction des variations du crit`re. e e e Les expressions analytiques du hessien des fonctions de cot considres au chapitre 5 u ee sont prsentes dans lannexe C. e e 7.1.2.3 Comparaison entre les deux mthodes doptimisation e

Nous proposons de comparer les deux mthodes doptimisation prsentes prcdeme e e e e ment au regard de leur capacit a minimiser le crit`re de similarit et du temps de calcul. e` e e Nous considrons le recalage dune image 1283 sur la mme image dforme grce a un e e e e a ` champ de dformation synthtique prservant la topologie (cf. section 8.2.1). Le recalage e e e est eectu au sens du crit`re des moindres carrs (GL2 ) sans rgularisation. Le tableau e e e e 7.1 prsente pour les deux mthodes doptimisation lvolution de la valeur du crit`re e e e e de similarit obtenue apr`s la phase doptimisation a chaque chelle, ainsi que les temps e e ` e CPU cumuls correspondant. Au vu des rsultats, lalgorithme de Levenberg-Marquardt e e sav`re plus ecace a faire dcro le crit`re de similarit que lalgorithme de descente e ` e tre e e de gradient et est plus performant en temps de calcul a partir de la rsolution 4. En ` e eet, cette mthode est connue pour avoir une vitesse de convergence des param`tres e e plus rapide, mais cet eet nest pas perceptible jusqu` la rsolution 4 du fait du surcro a e t calculatoire occasionn par le calcul du hessien du crit`re, qui ncessite notamment le e e e calcul du hessien de limage. De mani`re gnrale, nous avons privilgi lutilisation de la e e e e e mthode de Levenberg-Marquardt par rapport a la mthode de descente de gradient car e ` e aux chelles o` sont gnralement conduits les recalages, elle sav`re plus ecace. Ainsi, e u e e e lensemble des rsultats prsents dans ce mmoire a t obtenu par cette mthode. e e e e ee e 7.1.2.4 Choix des crit`res darrt e e

Le choix des crit`res darrt utiliss lors de la procdure doptimisation est tr`s ime e e e e portant. Il fait lobjet dun compromis entre prcision de la solution recherche et nombre e e ditrations pour y parvenir. En gnral, les mthodes doptimisation reposent sur des e e e e

134

Mthodes doptimisation et mise en uvre du recalage e Descente de gradient ESimilarit Temps CPU e cumul e 2, 178 106 6s 1, 447 106 47s 6 0, 956 10 1 min 45s 0, 608 106 3 min 26s 6 0, 423 10 10 min 55s Levenberg-Marquardt ESimilarit Temps CPU e cumul e 2, 044 106 9s 1, 247 106 1 min 22s 6 0, 803 10 3 min 3s 0, 488 106 4 min 38s 0, 345 106 8 min 21s

Echelle 1 2 3 4 5

Tab. 7.1 Comparaison de lalgorithme de descente de gradient et de la mthode de e Levenberg-Marquardt au regard de la capacit a faire dcro le crit`re de similarit e` e tre e e (GL2 ) et du temps CPU. crit`res darrt bass sur la variation de la fonction de cot. Cependant, ce type de e e e u crit`re ne sav`re pas toujours adapt dans le contexte du recalage. En eet, dans cere e e tains cas la valeur de la fonction de cot peut varier tr`s peu tandis que la variation sur u e les param`tres du mod`le de dformation sav`re importante. Il est donc prfrable de e e e e ee considrer des crit`res darrt sur la variation des param`tres du mod`le an de contrler e e e e e o leur prcision. De plus, dans le contexte de loptimisation hirarchique, il sut que la e e solution obtenue a lchelle l soit assez prcise pour rester dans le bassin dattraction de ` e e la solution optimale lors du passage a lchelle l + 1. Par consquent, nous avons fait le ` e e choix de crit`res darrt testant si la variation des param`tres a lchelle l est infrieure e e e ` e e a une seuil proportionnel a la variation maximale autorise des param`tres a lchelle ` ` e e ` e l + 1. Plus particuli`rement, la variation des param`tres entre deux optimisations locales e e successives est examine pour chaque chaque bloc l . Si les variations suivant les trois e i,j,k coordonnes sont infrieures a un seuil donn, le bloc nest plus considr pour une noue e ` e ee velle phase doptimisation locale. Par contre, si le bloc considr ne satisfait pas cette ee condition, il est reconsidr pour une nouvelle phase doptimisation locale, ainsi que les ee dirents blocs voisins ayant une inuence sur ce dernier. e

7.2

Mise en uvre du recalage

Nous prsentons dans cette partie un certain nombre de dtails qui ont jusqu` prsent e e a e t passs sous silence, et qui sont ncessaires a la mise en uvre ecace des mthodes que ee e e ` e nous avons proposes. Nous dtaillons dans un premier temps les dirents prtraitements e e e e ncessaires. Nous voquons ensuite la possibilit de rduire le nombre de param`tres a e e e e e ` estimer an dallger la charge calculatoire. Enn, nous discutons le choix de la mthode e e dinterpolation pour lvaluation des valeurs de limage en dehors de la grille discr`te. e e

7.2.1

Prtraitements e

Lalgorithme de recalage non rigide que nous avons propos requiert un certain e nombre de prtraitements qui ont pour but damliorer la qualit de la solution estime e e e e et dallger la charge calculatoire. e Le premier point concerne linitialisation. Il est ncessaire deectuer au pralable e e un recalage ane des images car le mod`le de dformation que nous avons utilis est e e e

7.2 Mise en uvre du recalage chelle e Nparam avant rduction e Nparam apr`s rduction e e rduction e 1 3 3 0% 2 3 4 81 1 029 10 125 81 909 5 361 0 % 11,66 % 47,05 % 5 89 373 33 648 62,35 %

135

Tab. 7.2 Rduction du nombre des param`tres lors du recalage de deux images relles e e e 3 128 en ne considrant pas les fonctions de base dont le support est enti`rement contenu e e dans le fond des deux images. mal adapt pour lestimation de translations et de rotations. Un simple recalage rigide e peut savrer susant, nanmoins, un mod`le ane permet dapprhender les variations e e e e globales de forme entre les deux images et fournit ainsi une meilleure initialisation. Lestimation de la transformation ane est faite de mani`re hirarchique en estimant e e successivement une transformation rigide (6 param`tres), rigide zoom (9 param`tres) e e et ane (12 param`tres). Le crit`re de similarit considr est linformation mutuelle e e e ee [Maes 97] qui est lun des crit`res les plus robustes pour le recalage rigide dimages e crbrales [Holden 00]. Loptimisation des param`tres est ralise grce a la mthode du ee e e e a ` e simplexe [Nelder 65]. Un second prtraitement souhaitable, mais non ncessaire, consiste en llimination e e e des voxels correspondant au fond de limage. Cela permet dune part de rduire le nombre e de param`tres a estimer (cf. section 7.2.2) et dautre part damliorer les performances de e ` e lalgorithme de normalisation des intensits (cf. chapitre 6). Cette tape de segmentation e e du crne par rapport au fond de limage est ralise par un seuillage des voxels de faible a e e intensit [Otsu 79] et par des oprations permettant, dune part de rcuprer la plus e e e e grande composante connexe de limage segmente, et dautre part de remplir les trous e prsents dans le masque de segmentation. e

7.2.2

Rduction du nombre de param`tres e e

Lestimation des param`tres du mod`le de dformation nest pas pertinente sur lene e e semble de limage, en particulier pour les rgions correspondant au fond de limage. Les e voxels du fond ayant t identis par une tape prliminaire de segmentation, il est posee e e e sible, lors de la phase doptimisation, de ne pas considrer les param`tres des fonctions de e e base dont le support est enti`rement contenu dans le fond des deux images. Etant donn e e le nombre important de voxels qui correspondent au fond de limage (parfois plus de la moiti des voxels de limage), la rduction du nombre des param`tres est importante, e e e autorisant un allgement apprciable de la charge calculatoire (cf. tableau 7.2.2). e e

7.2.3

Interpolation

Lors du calcul du crit`re de similarit, il est ncessaire dvaluer la valeur de I 1 (h(s)). e e e e La valeur de h(s) ne correspondant pas obligatoirement a un point de la grille discr`te de ` e limage I1 , il est donc ncessaire davoir recours a une mthode dinterpolation. Le choix e ` e de la mthode dinterpolation est guid par le compromis entre le cot calculatoire et la e e u qualit de linterpolation. Dans le cadre de ce travail, nous avons utilis linterpolation e e linaire qui sav`re meilleure que linterpolation par plus proche voisin tout en gardant e e un cot calculatoire acceptable. Cependant, il est a noter que pour reconstruire limage u `

136

Mthodes doptimisation et mise en uvre du recalage e

dforme nale a partir de la transformation estime, nous avons recours a des mthodes e e ` e ` e plus sophistiques, notamment linterpolation par sinus cardinal et linterpolation par e fonctions B-splines [Lehmann 99, Thvenaz 00]. e

7.3 Rcapitulatif de lalgorithme nal e

137

7.3

Rcapitulatif de lalgorithme nal e

Un rcapitulatif de lalgorithme de recalage est prsent dans lalgorithme 5. e e e Alg. 5 Rcapitulatif de lalgorithme de recalage e But : Dterminer les param`tres al de la transformation h permettant la mise en e e correspondance spatiale de limage I1 avec limage I2 Entre : image I1 et image I2 e Param`tres (dnis par lutilisateur) : e e lchelle nale : lf in e les deux bornes sur les valeurs du jacobien : Jmin et Jmax le facteur de pondration du terme de rgularisation : e e Schma algorithmique : e Segmentation du crne dans les deux images a Boucle sur les chelles l = 1 jusqu` lf in e a Calcul de la fonction f de mise a jour des intensits ` e Calcul de la constante de normalisation C Calcul des al a partir des al1 ` Rpter e e Boucle sur les blocs l i,j,k /* Optimisation par la mthode de Levenberg-Marquardt */ e i,j,k al =arg Fin boucle Jusqu` convergence des al a Fin boucle Sortie : la transformation h al mettant spatialement en correspondance I1 avec I2
Jmin <Jh (al )<Jmax

Recalage ane de I1 sur I2

/* transition dchelle */ e

min

ESimilarit (I1 (h), f (I2 )) + C ERgularisation (h) e e

138

Mthodes doptimisation et mise en uvre du recalage e

Conclusion partielle
Cette partie a t loccasion de prsenter lensemble des dveloppements et des contriee e e butions mthodologiques de ce travail de th`se, dans le domaine du recalage non rie e gide dimages crbrales. Ces direntes contributions ont permis dapporter plusieurs ee e amliorations par rapport a la mthode initialement propose par Musse [Musse 00]. Ces e ` e e amliorations concernent quatre aspects de la mthode de recalage : e e le mod`le de dformation : nous avons eu recours au mme mod`le de dfore e e e e mation que celui propos par Musse [Musse 00], bas sur une reprsentation pae e e ramtrique multichelle dans une base de fonctions B-splines. Le probl`me de e e e conservation de la topologie nayant t rsolu dans [Musse 00] que pour des splines ee e de degr 1 et dans le cas 2D, nous avons propos une extension non triviale de e e cette proprit au cas 3D valable2 pour des fonctions B-splines de degr suprieur ee e e ou gal a 1. De plus, nous avons introduit une contrainte de rgularit sur le champ e ` e e de dformation grce a lnergie de membrane lastique ; e a ` e e le crit`re de similarit : seul le crit`re des moindres carrs a t considr dans e e e e ee ee [Musse 00]. Nous avons considr dautres crit`res moins sensibles aux valeurs aberee e rantes, a savoir la norme L1 L2 et la fonction de cot robuste propose par Geman ` u e et McClure. De plus, nous avons propos une version symtrise de lensemble de e e e ces crit`res ; e la normalisation des intensits : une simple mise a lchelle des intensits par e ` e e une normalisation par moyenne et cart-type a t mise en uvre dans [Musse 00]. e ee Nous avons mis en vidence les limites de cette approche et nous avons propos e e une mthode originale de normalisation des intensits base sur lestimation dun e e e mlange de lois gaussiennes a partir de lhistogramme conjoint. Une extension de e ` cette mthode, base sur une segmentation explicite des images, a par ailleurs t e e ee propose pour apprhender des images IRM de pondrations direntes ; e e e e la mthode doptimisation : dans [Musse 00], une procdure doptimisation e e hirarchique mettant a jour conjointement lensemble des param`tres du mod`le e ` e e par la mthode de Quasi-Newton3 a t propose. Au-del` dune certaine chelle, e ee e a e une autre mthode, reposant sur lhypoth`se de petits dplacements et permete e e tant une mise a jour locale des param`tres, est privilgie. Lhypoth`se de petites ` e e e e
Cependant, seule limplantation pour des splines de degr 1 a t eectivement ralise. e ee e e Lalgorithme de Quasi-Newton est une mthode doptimisation du type mthode de Newton mais e e qui utilise une approximation de la matrice hessienne calcule a partir des valeurs du gradient du crit`re. e ` e
3 2

140

Conclusion partielle dformations permet de supposer la linarit de limage par rapport aux param`tres e e e e et ainsi dobtenir une solution analytique au sens des moindres carrs pour leur ese timation. Nous avons fait le choix de conserver lapproche hirarchique pour lestie mation des param`tres mais en privilgiant une procdure doptimisation par bloc e e e utilisant la mthode de Levenberg-Marquardt. Cette approche a lavantage dune e part de proter de linformation porte par le hessien du crit`re pour amliorer e e e la vitesse de convergence de lalgorithme et mieux faire dcro e tre la fonction de cot et dautre part de saranchir de lhypoth`se des faibles dplacements, mme u e e e lorsque le nombre de degrs de libert est tr`s grand, grce a lapproche par bloc. e e e a `

Linuence des direntes contributions mthodologiques proposes dans cette partie e e e a jusqu` prsent t mise en vidence de mani`re qualitative. An de permettre une a e ee e e valuation quantitative de limpact de ces direntes contributions, nous avons mis en e e place un cadre de validation. Nous pensons que ce dernier point reprsente une des e contributions importantes de ce travail de th`se. Elle fait lobjet de la troisi`me partie e e de ce mmoire. e

Troisi`me partie e Validation

Introduction
Cette troisi`me partie est consacre a la validation et a lvaluation des performances e e ` ` e de la mthode de recalage non rigide que nous avons propose. La validation joue un rle e e o primordial dans le domaine du traitement dimages et en particulier dans le domaine de limagerie mdicale du fait de lapplication potentielle en routine clinique. Il est ncessaire e e de pouvoir valuer lecacit et la robustesse des mthodes sur une importante base e e e dimages en utilisant dirents crit`res. Cependant, lvaluation et la comparaison des e e e mthodes, en particulier dans le contexte du recalage non rigide, sont des probl`mes e e dlicats, principalement du fait de labsence de vrit terrain. Ainsi, la conception de e e e crit`res de validation appara comme un domaine de recherche a part enti`re. e t ` e Nous proposons dans un premier chapitre un bref tat de lart des crit`res permettant e e la validation des mthodes de recalage non rigide, puis nous dcrivons le cadre de validae e tion que nous avons mis en place. Un second chapitre est consacr a ltude de linuence e` e des dirents param`tres de la mthode de recalage prsente dans la deuxi`me partie e e e e e e de ce document, a lvaluation des direntes contributions mthodologiques que nous ` e e e avons proposes et a la comparaison que nous avons entreprise avec dautres mthodes e ` e de recalage. Enn, un dernier chapitre propose une discussion sur la validation conduite et sur les dirents rsultats obtenus. e e

144

Introduction

Chapitre 8 Mthodes de validation du recalage e


Etat de lart des mthodes de validation . . . . . . . . . . . 146 e 8.1.1 Validation par inspection visuelle . . . . . . . . . . . . . . . . . 146 8.1.2 Validation sur champs de dformation synthtiques . . . . . . . 146 e e 8.1.3 Validation par construction dun cerveau moyen . . . . . . . . 147 8.1.4 Evaluation de la mise en correspondance de primitives . . . . . 147 8.1.5 Validation de certaines proprits du recalage . . . . . . . . . . 147 ee 8.1.6 Validation dans un autre espace de reprsentation des images . 148 e 8.1.7 Evaluation de la segmentation automatique par transport datlas148 8.1.8 Impact du recalage sur une cha de traitements . . . . . . . . 149 ne 8.1.9 Inuence de la base dimages . . . . . . . . . . . . . . . . . . . 149 8.2 Cadre de validation propos . . . . . . . . . . . . . . . . . . . 149 e 8.2.1 Validation sur champs de dformation synthtiques . . . . . . . 150 e e 8.2.2 Validation sur la base Internet Brain Segmentation Repository (IBSR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 8.2.3 Evaluation de la mise en correspondance de points caractristiques154 e 8.1

Lvaluation et la comparaison des mthodes de recalage non rigide sont des probl`mes e e e dlicats du fait de labsence de vrit terrain. Il est en eet dicile pour des experts de e e e trouver un consensus sur ce que devrait tre la transformation permettant la meilleure e mise en correspondance de deux images, rendant ainsi discutable lexistence dune solution optimale unique. La notion doptimalit du recalage semble tre troitement lie e e e e a lapplication qui en est faite [Crum 03]. Les proprits attendues di`rent selon que ` ee e lapplication est la segmentation automatique de structures anatomiques par transport datlas, la normalisation spatiale dune base dimages dans un rfrentiel commun dans ee lobjectif dune tude de groupe en imagerie fonctionnelle ou ltude de dirences more e e phologiques entre populations en utilisant linformation porte par lintensit des voxels e e (VBM : Voxel-Based Morphometry [Ashburner 00b]) ou par les champs de dformation e (TBM : Tensor - Based Morphometry et DBM : Deformation - Based Morphometry [Ashburner 98, Chung 01]). Ainsi, de nombreuses mthodes de validation ont t proe ee poses dans la littrature [West 97, Woods 00, Jannin 02, Hellier 03c]. Dans ce chapitre, e e nous prsentons dans un premier temps un tat de lart des direntes mthodes de e e e e

146

Mthodes de validation du recalage e

validation proposes dans le contexte du recalage. Puis, nous dcrivons le cadre de valie e dation que nous avons mis en place pour lvaluation des contributions mthodologiques e e prsentes dans la deuxi`me partie de ce document. e e e

8.1

Etat de lart des mthodes de validation e

Les mthodes proposes dans la littrature pour lvaluation et la validation des e e e e algorithmes de recalage sont nombreuses et varies, allant de la simple inspection visuelle e des rsultats a ltude de linuence sur le rsultat nal dune cha de traitements. Nous e ` e e ne proposons de faire un rapide tour dhorizon de ces direntes approches. e

8.1.1

Validation par inspection visuelle

La premi`re approche, la plus simple et la plus naturelle pour valuer la qualit e e e dune mthode de recalage, est linspection visuelle des rsultats. Dans le contexte e e du recalage rigide, linspection visuelle permet de dtecter des erreurs de lordre de e 2 mm [Fitzpatrick 98]. Dans le contexte du recalage non rigide, il est beaucoup plus dicile destimer la qualit intrins`que dune solution. Linspection visuelle peut cee e pendant tre utilise pour comparer qualitativement direntes mthodes de recalage e e e e [Rueckert 99, Denton 99]. Ainsi, en laissant la possibilit a un expert de juger qualitatie` vement si un rsultat est meilleur quun autre, il est possible de construire un classement e entre direntes mthodes de recalage. Cependant, linspection visuelle nest pas sue e sante pour apprcier la pertinence du rsultat obtenu par une mthode de recalage. En e e e eet, limage recale peut avoir des niveaux de gris tr`s similaires a ceux de limage de e e ` rfrence tandis que le champ de dformation estim a un comportement compl`tement ee e e e irraliste. e

8.1.2

Validation sur champs de dformation synthtiques e e

Une seconde approche consiste a crer une vrit terrain en utilisant des champs de ` e e e dformation synthtiques appliqus a des images relles. Lide est deectuer le recalage e e e ` e e entre limage dforme par le champ de dformation synthtique et limage dorigine, puis e e e e de comparer la transformation estime avec le champ de dformation synthtique. Ainsi, e e e il est possible de vrier la convergence de la mthode doptimisation vers le minimum e e souhait et de quantier la prcision de la solution estime. Cependant, il est dicile e e e de construire des champs de dformation synthtiques reprsentatifs de la variabilit e e e e anatomique interindividuelle puisque celle-ci reste a ce jour encore mal connue. Schna` bel et coll. proposent de simuler des dformations biomcaniques ralistes de dirents e e e e tissus en utilisant une modlisation par lments nis [Schnabel 03]. Cette mthode est e ee e utilise pour valider des techniques de recalage non rigide utilises lors doprations chie e e rurgicales pour compenser les dformations mcaniques des tissus. Cependant, rien ne e e laisse a penser que ce type de dformations soit reprsentatif de la variabilit morpho` e e e logique interindividuelle. Un autre inconvnient majeur de la validation par champs de e dformation synthtiques est de ne pas prendre en compte les dirences dintensits dans e e e e les images lies aux probl`mes dacquisition. La validation sur champs de dformation e e e synthtiques appara donc comme un test ncessaire permettant de mettre en vidence e t e e

8.1 Etat de lart des mthodes de validation e

147

la bonne convergence dun algorithme de recalage, mais nest pas susante pour garantir le bon comportement de la mthode face a des images relles. e ` e

8.1.3

Validation par construction dun cerveau moyen

Une troisi`me approche consiste en la cration dun cerveau moyen a partir dune e e ` base dimages recales sur une image de rfrence [Hellier 03c, Musse 03]. Le cerveau e ee moyen est calcul pour chaque voxel comme lintensit moyenne des voxels correspone e dants dans les images recales. Limage moyenne construite est dautant plus nette que e le mod`le de dformation est capable dapprhender correctement limportante variabie e e lit anatomique interindividuelle, permettant ainsi de comparer direntes mthodes de e e e recalage. Cependant, ce crit`re de validation nutilise que linformation porte par les e e niveaux de gris de limage et ne repose donc sur aucune considration anatomique. Cette e mthode permet ainsi dvaluer la capacit dune mthode de recalage a faire dcro e e e e ` e tre la valeur dun crit`re de similarit sans pour autant juger de la pertinence du champ de e e dformation estim. e e

8.1.4

Evaluation de la mise en correspondance de primitives

Une autre approche consiste a identier des primitives gomtriques (points ou lignes) ` e e dans les images et a valuer la qualit de leur mise en correspondance, la pertinence de `e e la validation dpendant grandement de la prcision avec laquelle les primitives ont t e e ee identies. Plusieurs validations ont t proposes dans la littrature grce a lidentie ee e e a ` cation de points caractristiques anatomiques [Grachev 99, Salmond 02, Ardekani 04]. e Ltude de Grachev et coll. se distingue tout particuli`rement des autres par le nombre e e important damers considrs, a savoir 128 dans chaque hmisph`re. Hellier et coll. proee ` e e posent de quantier la qualit de la mise en correspondance de certains sillons corticaux e par direntes mthodes de recalage [Hellier 03c]. Le choix des primitives retenues pour e e la validation doit tre guid par trois principes [Grachev 99] : (i) large distribution dans e e lensemble du cerveau, (ii) caractrisation de la topographie corticale de chaque individu e et (iii) identication aise et prcise par un expert. e e

8.1.5

Validation de certaines proprits du recalage e e

Un autre crit`re dvaluation consiste a vrier certaines proprits de la mthode e e ` e ee e de recalage, notamment la symtrie, la transitivit, la conservation de la topologie ou la e e sensibilit a linitialisation. Ces approches ont lavantage de ne pas ncessiter de vrit e` e e e terrain mais elles ne permettent pas dvaluer directement la qualit du recalage. Elles e e doivent donc tre utilises en complment dautres mthodes de validation. e e e e Une proprit souhaitable pour une mthode de recalage est la proprit de symtrie. ee e ee e Il sagit de vrier que la transformation TAB estime lors du recalage dune image A sur e e une image B et la transformation TBA estime lors du recalage de B sur A sont bien e inverses lune de lautre. Ainsi, un crit`re dvaluation consiste a mesurer la distance e e ` entre TAB TBA ou TBA TAB et la transformation identit. Suivant une ide e e similaire, il est possible dvaluer la proprit de transitivit du recalage. En considrant e ee e e trois images A, B et C, il sagit de calculer la distance entre TAB TBC et TAC . Une variante de cette mthode, propose dans [Jenkinson 01], consiste a considrer un e e ` e

148

Mthodes de validation du recalage e

champ de dformation synthtique S, a estimer la transformation TAB issue du recalage e e ` dune image A sur B et la transformation TA(S)B issue du recalage de limage dforme e e 1 A(S) sur B, puis a calculer la distance entre TA(S)B et S TAB . Cette mthode ` e permet de quantier la sensibilit dune mthode de recalage a direntes initialisations e e ` e (i.e., dirents champs de dformation synthtiques S) et dvaluer la capacit de la e e e e e mthode doptimisation a converger vers la mme solution. Enn, une autre proprit e ` e ee souhaitable est la conservation de la topologie qui peut tre teste en vriant si les e e e valeurs du jacobien de la transformation sont positives sur lensemble du domaine de limage [Hellier 03c].

8.1.6

Validation dans un autre espace de reprsentation des e images

Lide est de construire un crit`re pour valuer la performance du recalage qui ne soit e e e pas directement bas sur la valeur des intensits de limage mais qui utilise une autre e e reprsentation de limage. Une premi`re ide est de considrer certaines caractristiques e e e e e direntielles de limage. Par exemple, Hellier et coll. consid`rent la corrlation entre les e e e rsultats obtenus par lapplication de loprateur Lvv sur chacune des images [Hellier 03c]. e e Loprateur Lvv , propos par Florack et coll. [Florack 92], est dni par lexpression e e e suivante : Lvv (x, y, z) = o` u Ix i y j z k = et
2 2 2 ||w||2 = Ix + Iy + Iz .

1 [(I 2 (Iyy + Izz ) 2Iy Iz Iyz ) 2||w||2 x 2 2 +(Iy (Ixx + Izz ) 2Ix Iz Ixz ) + (Iz (Ixx + Iyy ) 2Ix Iy Ixy )], u (I(x, y, z)) avec u = i + j + k, ix j y k z

(8.1)

(8.2) (8.3)

Cet oprateur direntiel permet de caractriser la topologie corticale, les sillons tant e e e e caractriss par des valeurs positives de cet oprateur et les circonvolutions par des e e e valeurs ngatives. Une autre ide est de considrer une reprsentation des images dans e e e e lespace des ondelettes et de construire de nouveaux crit`res dnis dans cet espace pour e e valuer la qualit du recalage [Dinov 02a, Dinov 02b]. e e

8.1.7

Evaluation de la segmentation automatique par transport datlas

Une application du recalage non rigide est la segmentation automatique de structures anatomiques par transport datlas. Il sagit de recaler une image de rfrence a laquelle ee ` est associe une carte de segmentation (atlas) sur une image cible a segmenter. Grce a e ` a ` la transformation ainsi estime, il est possible de transporter la carte de segmentation e de limage de rfrence pour en dduire une segmentation de limage cible. Evaluer la ee e qualit de la segmentation ainsi obtenue est un moyen de quantier les performances e de la mthode de recalage utilise [Dawant 99, Hartmann 99, Crivello 02, Musse 03, e e Hellier 03c, Robbins 04, Crum 04a]. Cette mthode de validation ncessite de disposer e e

8.2 Cadre de validation propos e

149

dune segmentation de direntes structures anatomiques ralise par un expert, cest-`e e e a dire dune vrit terrain. La pertinence de la validation dpend grandement de la qualit e e e e de la segmentation ralise par lexpert. En gnral, une telle validation est conduite e e e e sur une base dimages segmentes en recalant lensemble des images sur une image de e rfrence et en comparant les cartes de segmentation transportes avec la carte de segee e mentation associe a limage de rfrence. Les rsultats dune telle valuation dpendant e ` ee e e e grandement de la qualit de la segmentation de limage de rfrence, une alternative est e ee dutiliser un crit`re mesurant la variabilit des tiquettes associes a un voxel donn pour e e e e ` e lensemble des cartes transportes [Robbins 04]. e

8.1.8

Impact du recalage sur une cha de traitements ne

Le recalage est un outil essentiel qui intervient dans de nombreuses cha nes de traitements dimages. La qualit du recalage a en gnral une inuence directe sur la qualit e e e e du rsultat nal de la cha de traitements. Pour comparer direntes mthodes de ree ne e e calage, il est donc possible dvaluer leur inuence sur le rsultat obtenu en sortie dune e e cha de traitements (la segmentation automatique est un cas particulier de cette apne proche). Ainsi, Vik et coll. comparent linuence de direntes mthodes de recalage sur e e la cration dun atlas de perfusion crbrale [Vik 05]. Limpact du recalage sur des tudes e ee e de groupe en imagerie fonctionnelle IRMf [Ardekani 04] et TEP [Kjems 99, Crivello 02] a par ailleurs aussi t tudi. eee e

8.1.9

Inuence de la base dimages

La comparaison de direntes mthodes de recalage au vu des rsultats fournis dans e e e la littrature est dicile. En eet, les bases dimages utilises sont souvent propres a e e ` chaque unit de recherche et sont rarement mises a la disposition de lensemble de la e ` communaut scientique. Lutilisation de bases dimages direntes conduit souvent a e e ` des rsultats dirents, voire mme a des conclusions direntes. De plus, bon nombre e e e ` e de mthodes ntant pas disponibles et les mthodes tant de plus en plus diciles a e e e e ` rimplanter, il est pratiquement impossible deectuer une comparaison objective entre e plusieurs mthodes. Face a ce constat, des tudes ont t menes pour valider un ensemble e ` e ee e de mthodes de recalage sur une base commune dimages, dans le cas du recalage rigide e pour des images CT, IRM et TEP (base de Vanderbilt) [West 97] et dans le cas du recalage non rigide sur une base de 18 images IRM [Hellier 03c].

8.2

Cadre de validation propos e

Nous prsentons dans cette section le cadre de validation que nous avons mis en place. e Il repose sur lutilisation de champs de dformation synthtiques, sur la construction dun e e cerveau moyen, sur la validation de la segmentation automatique par transport datlas, et sur lvaluation de la mise en correspondance de points caractristiques. e e

150

Mthodes de validation du recalage e

(a)

(b) Fig. 8.1 Exemple dune image dforme par une composition de transformations sie e nuso dales par bloc prservant la topologie. Limage dforme (b) est recale sur limage e e e e de rfrence (a). ee

8.2.1

Validation sur champs de dformation synthtiques e e

An dvaluer les proprits de convergence, la prcision et la capacit de la mthode e ee e e e que nous avons propose a apprhender dimportantes dformations non linaires, nous e ` e e e avons eu recours a des champs de dformation synthtiques. Plusieurs transformations si` e e nuso dales par bloc et prservant la topologie ont t gnres alatoirement et appliqus e ee e ee e e 1 a limage simule de Brainweb [Kwan 96, Collins 98] (image T1 , niveau de bruit : 3%, ` e niveau dartefact radiofrquence : 20%). Les images dformes sont recales sur limage e e e e originale (cf. gure 8.1 pour un exemple dimage dforme) et la transformation ese e time est compare a linverse du champ de dformation synthtique correspondant en e e ` e e considrant lhistogramme de la norme des dplacements rsiduels calculs uniquement e e e e sur le masque du cerveau. Pour la gnration alatoire des champs de dformation sinuso e e e e daux par bloc (prsere vant la topologie), nous avons utilis la procdure suivante. Tout dabord, nous gnrons e e e e alatoirement une srie de sous-bo i , i [1..N ] dnissant une partition de limage e e tes e . Pour gnrer cette partition, nous tirons alatoirement un point de limage dnissant e e e e ainsi huit sous-bo tes. Ensuite, pour chaque sous-bo nous ritrons cette opration te, e e e jusqu` ce que la taille de chacune des sous-bo soit infrieure a une taille dnie par a tes e ` e i i i i lutilisateur. Sur chaque sous-bo i = [xi , xi ] [ym , yM ] [zm , zM ], nous considrons te e m M la transformation hi telle que : i i x xi y ym z zm m i x + ax sin xi xi sin y i y i sin z i z i m m m M M M i i i y + ai sin x xm sin y ym sin z zm . (8.4) hi (x, y, z) = y i i i i i i xM x m yM y m zM z m i i x xi y ym z zm m i z + az sin i sin i sin i i i xM x i yM y m zM z m m
1

http ://www.bic.mni.mcgill.ca/brainweb/

8.2 Cadre de validation propos e

151

Une telle transformation laisse les bords de i invariants, si bien quimposer la conservation de la topologie sur lensemble du domaine revient a garantir la bijectivit de ` e toutes les transformations hi sur chaque i . Une condition susante permettant de garantir a la transformation hi dtre bijective sur i , i.e., davoir un jacobien strictement ` e positif, est donne par la contrainte suivante sur les param`tres [ai ; ai ; ai ] : e e z x y |ai | |ai | |ai | 1 y x + i + i z i < . i i xM x i yM y m z M z m m (8.5)

e ee e e Les param`tres [ai ; ai ; ai ] sont donc gnrs alatoirement en imposant quils vrient e z x y la condition (8.5), et la transformation h est dnie sur par lensemble des transfore mations hi : i , s i , h(s) = hi (s). (8.6) Etant donn que de nombreux points de limage sont laisss invariants par h puisque e e nous avons impos que les bords de chaque i soient invariants, nous gnrons une see e e conde transformation h dnie sur une autre partition de limage tire alatoirement, e e e et nous considrons la transformation hsimule = h h . Nous calculons numriquement e e e 1 la transformation inverse hsimule de hsimule qui est utilise comme vrit terrain a come e e ` e e parer avec la transformation estime lors du recalage de limage dforme sur limage de e e e rfrence. Linversion est eectue en estimant pour chaque point un intervalle conteee e nant son antcdent et en rduisant de mani`re itrative cet intervalle an datteindre e e e e e 2 la prcision dsire. e e e

8.2.2

Validation sur la base Internet Brain Segmentation Repository (IBSR)

Une autre tape de validation a t ralise en utilisant une base dimages mise e ee e e a disposition sur Internet Brain Segmentation Repository 3 (IBSR). La base dimages ` que nous avons utilise est compose de 18 images crbrales IRM 3D (256 128 e e ee 256, 1mm 1.5mm 1mm), accompagnes chacune dune carte de segmentation de 34 e structures anatomiques et dune carte de segmentation en 3 classes (substance blanche, substance grise et liquide cphalorachidien) (gure 8.2). Deux mthodes de validation e e ont t conduites sur cette base dimages, a savoir la construction dun cerveau moyen ee ` et lvaluation de la segmentation automatique par transport datlas. e 8.2.2.1 Construction dun cerveau moyen

Toutes les images de la base IBSR sont recales sur une image de rfrence choisie e ee arbitrairement. Une image moyenne est construite a partir de lensemble des images ` recales ayant subi une normalisation dintensit par moyenne et cart-type par rapport e e e a limage de rfrence. Nous avons choisi dutiliser cette mthode de normalisation des ` ee e intensits plutt que celle prsente section 6.2 an de ne pas avantager la mthode de e o e e e recalage que nous avons propose. e Soient (Ii )i=1N les N images de la base et Ij limage arbitrairement choisie comme rfrence parmi ces N images. Soit hi la transformation estime lors du recalage de Ii sur ee e
2 3

La prcision retenue dans limplantation que nous avons ralise est de lordre de 0, 01 voxel. e e e http ://www.cma.mgh.harvard.edu/ibsr/index.html

152

Mthodes de validation du recalage e

(a)

(b)

(c) Fig. 8.2 Exemple dimages issues de la base IBSR : (a) image IRM ; (b) carte de segmentation de 34 structures anatomiques ; (c) carte de segmentation en 3 classes (substance blanche, substance grise et liquide cphalorachidien). e Ij . Soient i , j et i , j respectivement les moyennes et les carts-types des intensits e e des images recales Ii (hi ) et de limage de rfrence Ij , calculs en ne considrant pas les e ee e e voxels du fond des images. Limage moyenne Imoyenne est dnie par la relation suivante : e 1 Imoyenne (s) = N Ij (s) +
N i=1 i=j

j (Ii (hi (s)) i ) + j i

Limage moyenne est compare a limage de rfrence en utilisant comme crit`re de e ` ee e similarit linformation mutuelle et la corrlation calcules sur le masque du cerveau e e e uniquement. Nous avons choisi ces crit`res de similarit plutt que le crit`re des moindres e e o e des carrs an de ne pas favoriser la mthode que nous avons propose, dont lestimation e e e des param`tres minimise justement ce crit`re. e e 8.2.2.2 Validation de la segmentation par transport datlas

(8.7)

Les champs de dformation estims lors du recalage de lensemble de la base dimages e e sur limage choisie arbitrairement comme rfrence sont utiliss pour transporter les ee e cartes de segmentation en 34 structures anatomiques et en 3 classes. Les cartes de segmentation transportes sont compares avec les cartes de segmentation de limage de e e rfrence en utilisant trois crit`res inspirs des caractristiques COR (Caractristiques ee e e e e Oprationnelles des Rcepteurs) utiliss en thorie statistique de la dtection [Metz 78]. e e e e e

8.2 Cadre de validation propos e

153

FN

VP

FP

VN

VP : Vrai Positif VN : Vrai Ngatif

FP : Faux Positif FP : Faux Ngatif

Vrit terrain (VT) Segmentation (Seg)

Fig. 8.3 Dnition des direntes notations utilises pour valuer la qualit de la e e e e e segmentation. Ces crit`res sont la sensibilit (SE), la spcicit (SP) et un indice de superposition (KI). e e e e Soit VT la vrit terrain correspondant a la segmentation pour un tissu donn de limage e e ` e de rfrence et Seg la segmentation estime pour ce mme tissu par transport datlas. Soit ee e e c c VT et Seg leur complment. En notant #A le cardinal de lensemble A (i.e., le nombre e de voxels composant lensemble A), nous pouvons introduire les notations suivantes (cf. gure 8.3) :

VP = #(VT Seg) FP = #(VTc Seg) VN = #(VTc Segc ) FN = #(VT Segc )

: vrai positif (nombre de bonnes dtections), e : faux positif (nombre de fausses alarmes), : vrai ngatif, e : faux ngatif (nombre de non dtections). e e

Ainsi, les indicateurs SE, SP et KI sont dnis comme suit [Metz 78, Dawant 99, Musse 03] : e VP , VP + FN VN , VN + FP 2 VP . 2 VP + FN + FP

SE SP KI

= = =

La sensibilit SE reprsente le taux de structure bien segmente. Elle est aussi appele e e e e taux de vrais positifs. La spcicit SP peut aussi tre dnie comme 1-TFP, TFP tant e e e e e le taux de faux positifs. Lindice de superposition KI reprsente le taux de superposition e entre la structure segmente et la vrit terrain. e e e

154

Mthodes de validation du recalage e

8.2.3

Evaluation de la mise en correspondance de points caractristiques e

Pour valuer la prcision de la mise en correspondance damers ponctuels, nous avons e e utilis une base de quatre images (IRM-T1 , 2563 , 1mm 1mm 1mm) cre au sein de e ee lquipe sur lesquelles 31 points caractristiques anatomiques ont t identis par deux e e ee e experts, chaque expert ayant eectu par trois fois cette tche. Ces 31 amers ont t e a ee slectionns parmi les 128 points proposs dans [Grachev 99] suivant les crit`res suivants : e e e e (i ) distribution sur lensemble du cerveau et (ii ) identication simple et prcise par un e expert. Seuls 17 amers ont t eectivement retenus pour la validation sur des crit`res ee e de faible variabilit intra- et inter-oprateur. La liste des 31 amers choisis et des 17 e e retenus est prsente dans le tableau 8.1 et les identiants associs dans [Grachev 99] e e e sont donns. Le protocole permettant la dnition des amers est prsent gure 8.4 e e e e et est dcrit en dtail dans [Grachev 99]. Ce protocole repose sur la dtermination de e e e plusieurs plans. Tout dabord, il sagit de dterminer le plan interhmisphrique qui e e e correspond au plan de symtrie du cerveau. Dans ce plan, deux points caractristiques e e sont identis : la commissure antrieure (CA) et la commissure postrieure (CP). Ces e e e deux points permettent de dnir dune part le plan axial CA-CP perpendiculaire au e plan interhmisphrique et passant par les deux points CA et CP et dautre part le plan e e coronal CA perpendiculaire a la fois au plan interhmisphrique et au plan axial CA-CP ` e e et passant par le point CA. Le plan axial CC est dni comme un plan parall`le au plan e e axial CA-CP passant par langle du genou du corps calleux (point 80). Enn, le plan sagittal latral est dni a partir de la coupe axiale CA-CP comme un plan parall`le au e e ` e plan interhmisphrique passant a distance gale entre lextrmit postrieure de linsula e e ` e e e e et le bord du cerveau. Les variabilits intra- et inter-oprateur ont t calcules de la mme mani`re que e e ee e e e lerreur de localisation des marqueurs duciaires (ducial localization error : FLE) propose dans [Fitzpatrick 98]. Pour un amer dni N fois4 et ayant pour coordonnes pi e e e e lors de la i `me dnition, le FLE est dni comme suit : e e 1 FLE = N 1
2 N

i=1

|| pi < p > ||2 ,

(8.8)

1 o` < p >= N N pi sont les coordonnes moyennes de cet amer. Les variabilits intrau e e i=1 et inter-oprateur ont t calcules comme la racine carre du FLE moyen sur lensemble e ee e e des 17 amers et des quatre images. La variabilit intra-oprateur observe pour le premier e e e expert est de 1, 73 mm et pour le second expert de 1, 19 mm. La variabilit inter-oprateur e e observe entre les deux experts est de 1, 49 mm. Pour la validation, nous avons considr e ee les coordonnes mdianes de chaque amer sur les N = 6 dnitions qui ont t faites sur e e e ee chacune des images. Chaque image est choisie tour a tour comme image de rfrence et les ` ee 12 recalages possibles sont eectus. Pour chaque recalage, lerreur quadratique moyenne e commise (ducial registration error : FRE) sur lensemble des amers est calcule suivant e

Dans la validation que nous avons conduite, N = 3 pour la variabilit intra-oprateur et N = 6 e e pour la variabilit inter-oprateur. e e

8.2 Cadre de validation propos e

155

Plan coronal CA

Plan interhmisphrique

92 80 86
Plan axial CC

97 79 90 16 77 85 CP

92

5 7
Plan axial CA - CP

Plan axial CA - CP

17

74 CA

CA

Plan interhmisphrique
Plan interhmisphrique

Plan coronal CA
Plan interhmisphrique Plan sagittal latral

86 62 65

74

CA

80

Plan coronal CA

CP 73 90 77
Extrmit postrieure de linsula

Plan axial CC
114 123

Plan axial CA - CP

116

Plan sagittal latral

Fig. 8.4 Dnition des 31 amers. Les amers numrots en rouge nont nalement pas e e e t retenus pour la validation en raison dune variabilit intra- et inter-oprateur trop ee e e grande.

156
Description anatomique Commissure antrieure (CA) e Commissure postrieure (CP) e Ventricule latral suprieur (G+D) e e Noyau caud suprieur (G+D) e e Insula suprieure (G+D) e Insula infrieure (G+D) e Ventricule latral antrieur (G+D) e e Putamen antrieur (G+D) e Corps calleux postrieur e Angle du genou du corps calleux Extrmit postrieure du splenium e e e du corps calleux Intersection antrieure du cerveau e Intersection antrieure du cerveau e Intersection postrieure du cerveau e Intersection postrieure du cerveau e Intersection suprieure du cerveau e Intersection suprieure du cerveau e Ventricule latral postrieur (G+D) e e Intersection ssure frontale infrieure e et ssure prcentrale (G+D) e Intersection ssure prcentrale e et ssure sylvienne (G+D) Ramus postrieur ascendant e de la ssure sylvienne (G+D)

Mthodes de validation du recalage e


Localisation plan interhmisphrique e e plan interhmisphrique e e plan coronal CA plan coronal CA plan coronal CA plan coronal CA plan axial CC plan axial CC plan interhmisphrique e e plan interhmisphrique e e plan interhmisphrique e e ligne CA-CP ligne CC ligne CC ligne CA-CP ligne verticale CA ligne verticale CP plan axial CC plan sagittal latral e plan sagittal latral e plan sagittal latral e Identiant dans [Grachev 99] 4 21 5 7 16 17 62 65 79 80 85 74 86 90 77 92 97 73 114 116 123 Retenu pour la validation oui oui oui oui oui oui oui oui oui oui oui non non non non non non non non non non

Tab. 8.1 Liste des amers (G+D indique que les amers sont dnis dans les deux e hmisph`res). e e la dnition propose dans [Fitzpatrick 98] : e e 1 FRE = L
2 L

i=1

|| xi (y i + u(y i )) ||2 ,

(8.9)

e xi et y i tant les coordonnes du i `me amer dans chacune des deux images, u le champ e e de dformation estim et L le nombre damers considrs. Lerreur quadratique moyenne e e ee est ensuite calcule pour lensemble des 12 recalages possibles. e Enn, la cohrence des champs de dformation estims lors des 12 recalages est e e e value. En considrant la transformation hAB estime lors du recalage de A sur B e e e e et hBA correspondant a la transformation estime lors du recalage de B sur A, lerreur ` e quadratique moyenne est calcule entre hAB hBA et lidentit pour chacun des 17 e e amers.

Chapitre 9 Rsultats e
9.1 Inuence des param`tres de la mthode de recalage propose158 e e e 9.1.1 Echelle nale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 9.1.2 9.1.3 9.1.4 9.1.5 9.2 9.2.1 9.2.2 9.3 9.3.1 9.3.2 Conservation de la topologie . . . . . . . . . . . . . . . . . . . 159 Bornes sur le jacobien . . . . . . . . . . . . . . . . . . . . . . . 161 Rgularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 e Crit`re de similarit et symtrisation . . . . . . . . . . . . . . . 163 e e e Cas des images monomodales . . . . . . . . . . . . . . . . . . . 165 Extension aux images multimodales . . . . . . . . . . . . . . . 168 Inuence des param`tres de lalgorithme des dmons . . . . . . 169 e e Comparaison des direntes mthodes de recalage . . . . . . . 172 e e

Normalisation des intensits . . . . . . . . . . . . . . . . . . . 165 e

Comparaison entre direntes mthodes de recalage . . . . 168 e e

Nous avons dcrit au chapitre prcdent le cadre de validation mis en place pour e e e lvaluation des mthodes de recalage non rigide. Nous prsentons dans ce chapitre les e e e rsultats de lvaluation quantitative des direntes contributions mthodologiques que e e e e nous avons prsentes dans la seconde partie de ce mmoire. Dans un premier temps, nous e e e tudions linuence des rglages de param`tres, dont le choix est laiss a lutilisateur, e e e e ` de la mthode de recalage que nous avons propose. Ensuite, les performances de la e e procdure de normalisation des intensits prsente section 6.2 sont values grce a e e e e e e a ` une comparaison avec trois autres mthodes existantes. Lextension de cette mthode e e au cas des images multimodales dcrite section 6.3 est par ailleurs aussi valide. Enn, e e nous proposons de comparer les performances de la mthode propose avec trois autres e e mthodes, a savoir une mthode de recalage ane, lalgorithme des dmons [Thirion 98] e ` e e 1 implant dans ITK et la mthode propose et implante par Musse et coll. [Musse 00] e e e e qui a servi de point de dpart a ce travail de th`se. Nous nous contenterons dans ce e ` e chapitre dune analyse des rsultats. Une discussion plus approfondie sur les direntes e e conclusions obtenues est propose dans le chapitre suivant. e
ITK est une biblioth`que open-source de traitement dimages principalement ddie au recalage et e e e a la segmentation des images mdicales. Elle est disponible a ladresse http ://www.itk.org. ` e `
1

158

Rsultats e

14

Erreur en voxels

12 10 8 8 6 6
4 4 2 2 0 0

Echelle 1 2 3 4 5 6
1 1 2 2 3 3 4 4 5 5 6 6

Nombre de param`tres e 3 81 1 029 10 125 89 373 750 141

Erreur moyenne en voxel 5,05 5,34 3,04 1,24 0,56 0,37

Temps CPU (hh : mm) 00 : 02 00 : 06 00 : 21 00 : 32 00 : 43 01 : 21

Error in voxels

Echelle Scale

Tab. 9.1 Distribution du champ de dplacement rsiduel apr`s recalage en fonction e e e de lchelle (gauche), erreurs moyennes et temps CPU correspondants sur une station e de travail de type PC cadence a 2,8 GHz (droite). Les rsultats sont obtenus sur des e ` e images 2563 pour 10 champs de dformation synthtiques gnrs alatoirement (cf. e e e ee e section 8.2.1).

9.1

Inuence des param`tres de la mthode de ree e calage propose e

Nous proposons dtudier dans cette section linuence des dirents param`tres de e e e la mthode de recalage dveloppe. Dans un premier temps, nous caractrisons leet e e e e du choix de lchelle nale lf in . Puis, nous mettons en vidence la contribution de la e e conservation de la topologie prsente chapitre 4, que nous comparons avec la mthode e e e dcrite section 5.2.2 consistant a pnaliser les valeurs du jacobien values sur la grille e ` e e e discr`te de limage par un terme supplmentaire dans la fonction de cot. Ensuite, nous e e u examinons linuence des bornes Jmin et Jmax permettant de contraindre les valeurs du jacobien. Puis, nous caractrisons linuence du facteur pondrant le terme de e e rgularisation. Enn, nous proposons de comparer les dirents crit`res de similarit e e e e introduits section 5.1.1 et dvaluer linuence de leur symtrisation. e e

9.1.1

Echelle nale

Nous proposons dtudier linuence du choix de lchelle nale lf in a laquelle est e e ` conduite le recalage. Rappelons que lchelle est directement relie au nombre de degrs e e e de libert (DDL) du mod`le de dformation. Le nombre de param`tres correspondant a e e e e ` l 3 lchelle l est de 3(2 1) . Les simulations prsentes dans cette section ont t conduites e e e ee en utilisant la norme L2 , la procdure de normalisation des intensits dcrite section 6.2 e e e (sauf pour la validation sur champs de dformation synthtiques o` aucune mise a jour e e u ` des intensits nest ncessaire), en imposant a la transformation de prserver la topologie e e ` e (Jmin = 0 et Jmax = +) et sans considrer le terme de rgularisation ( = 0). e e Des simulations utilisant les champs de dformation synthtiques ont permis de cae e ractriser lvolution de la prcision du recalage et du temps CPU en fonction de lchelle e e e e (tableau 9.1). Les rsultats montrent quun recalage men jusqu` lchelle l f in = 6 sur e e a e des images 2563 permet datteindre une prcision sous-voxel pour 97% des voxels. Une e prcision similaire est par ailleurs obtenue sans imposer la contrainte de conservation e de la topologie. Les simulations concernant lvaluation de la segmentation automatique e par transport datlas (tableau 9.2) montrent sans grande surprise que la qualit de la e

9.1 Inuence des param`tres de la mthode de recalage propose e e e Echelle 1 2 3 4 5 6 Superposition (KI) Segmentation en 3 classes 0,578 +/- 0,124 0,567 +/- 0,109 0,645 +/- 0,075 0,711 +/- 0,062 0,760 +/- 0,070 0,802 +/- 0,048 Superposition (KI) Segmentation en 34 structures 0,543 +/- 0,194 0,505 +/- 0,207 0,619 +/- 0,167 0,672 +/- 0,151 0,713 +/- 0,154 0,765 +/- 0,107

159

Tab. 9.2 Inuence de lchelle sur la segmentation automatique par transport datlas e (lindice KI moyen est calcul pour toutes les structures et sur lensemble des images de e la base IBSR). Echelle 1 2 > (mm) 5,73 < F RE 2 5,23 3 4,78 4 4,44 5 4,88 6 4,98

Tab. 9.3 Inuence de lchelle sur la mise en correspondance damers ponctuels (lerreur e quadratique moyenne est calcule pour les 17 amers et pour les 12 recalages possibles). e segmentation samliore, a la fois pour la segmentation en 34 structures et la segmene ` tation en 3 classes, lorsque lchelle augmente (sauf entre les chelles 1 et 2). Grce au e e a nombre de DDL croissant, le mod`le de dformation est capable de mieux apprhender e e e la variabilit anatomique interindividuelle et ainsi dautoriser une segmentation plus e prcise. Enn, les simulations menes sur la mise en correspondance damers ponctuels e e mettent en vidence que la prcision augmente avec lchelle jusqu` lchelle 4, puis se e e e a e dtriore pour des chelles suprieures (tableau 9.3). Ce phnom`ne peut sexpliquer par ee e e e e le fait que la transformation, ayant un grand nombre de DDL et ntant pas rgularise, e e e tend a recaler des voxels ayant des intensits les plus similaires possibles au dtriment ` e e de la ralit anatomique sous-jacente. Cette hypoth`se est conrme par les rsultats e e e e e prsents dans le tableau 9.10 qui met en vidence la contribution de la contrainte de e e e rgularisation sur la mise en correspondance des amers ponctuels. Lintroduction de la e contrainte de rgularisation permet ainsi datteindre une erreur quadratique moyenne de e 3, 36 mm pour un recalage conduit jusqu` lchelle 6. a e

9.1.2

Conservation de la topologie

Cette section a pour but de mettre en vidence la contribution de la contrainte de e conservation de la topologie. Nous rfrenons dans la suite par B la mthode de recalage ee c e que nous avons propose sans imposer la contrainte de conservation de la topologie e (Jmin = et Jmax = +), Btopo la mthode prservant la topologie sur le domaine e e continu sous-jacent de limage (Jmin = 0 et Jmax = +) (cf. chapitre 4), et Btopodiscr`te la e mthode consistant a pnaliser les valeurs du jacobien sur la grille discr`te par un terme e ` e e supplmentaire dans la fonction de cot (Jmin = 0 et Jmax = +) (cf. section 5.2.2). e u Les rsultats obtenus sur la construction dun cerveau moyen (tableau 9.4) illustrent e la supriorit de la mthode B. Cette conclusion est sans surprise puisque, le mod`le de e e e e dformation de la mthode B ntant sujet a aucune contrainte, il est capable de faire e e e ` dcro plus ecacement la valeur du crit`re de similarit. Notons aussi que B topodiscr`te e tre e e e

160 Mthode e B Btopo Btopodiscr`te e IM 0,4940 0,4308 0,4469 Corrlation e 0,9759 0,9068 0,9345

Rsultats e

Tab. 9.4 Inuence de la contrainte de conservation de la topologie sur la construction dun cerveau moyen (linformation mutuelle et la corrlation sont calcules entre limage e e moyenne et limage de rfrence sur le masque du cerveau uniquement). ee obtient des rsultats lg`rement meilleurs, suivant ce crit`re, que Btopo , illustrant ainsi e e e e que la contrainte permettant dimposer la conservation de la topologie sur le domaine continu sous-jacent de limage est plus forte que la contrainte imposant la positivit du e jacobien sur la grille discr`te de limage. e Les rsultats obtenus sur la segmentation automatique par transport datlas (tae bleau 9.5) m`nent a des conclusions direntes selon que la segmentation en 3 classes e ` e ou en 34 structures anatomiques est considre. Pour la segmentation en 3 classes, les ee meilleurs rsultats sont obtenus pour la mthode B puis pour la mthode Btopodiscr`te . e e e e Ainsi, la mthode B conduit a des rsultats signicativement meilleurs que la mthode e ` e e Btopo (ANOVA2,3 en considrant comme facteurs indpendants la classe et lindice de sege e mentation : F = 3, 9; p = 0, 049). Pour la segmentation en 34 structures, le classement des mthodes est exactement linverse, Btopo donnant les meilleurs rsultats et Btopodiscr`te e e e menant a des rsultats pratiquement similaires. Ainsi, la mthode prservant la topo` e e e logie conduit a des rsultats signicativement meilleurs que la mthode B (ANOVA ` e e en considrant comme facteurs indpendants la classe et lindice de segmentation : e e F = 59, 9; p < 0, 0001). Lexplication de cette contradiction pourrait tre la suivante. Pour la segmentation e en 3 classes, les fronti`res entre les classes sont bien dnies, i.e., caractrises par de e e e e forts gradients. Par consquent, minimiser au mieux le crit`re de similarit conduit a une e e e ` mise en correspondance prcise des fronti`res, expliquant pourquoi les meilleurs rsultats e e e sont obtenus pour la mthode B. Au contraire, pour la segmentation en 34 structures, e les fronti`res entre les direntes classes sont moins contrastes et caractrises par un e e e e e faible rapport signal a bruit. Ainsi, minimiser au mieux le crit`re de similarit conduit a ` e e ` lestimation de dformations non pertinentes qui tendent a recaler du bruit sur du bruit et e ` qui ne permettent pas une mise en correspondance prcise des interfaces entre structures. e Contraindre le jacobien empche la transformation davoir des comportements irralistes e e et rend ainsi son estimation moins sensible au bruit. Ceci pourrait expliquer pourquoi Btopo et Btopodiscr`te conduisent a des rsultats signicativement meilleurs que B dans ce ` e e cas. Ltude de linuence de la conservation de la topologie sur la prcision de la mise e e en correspondance damers ponctuels conduit a des conclusions similaires a celle de la ` ` segmentation en 34 structures anatomiques (tableau 9.6) mettant de mme en vidence la e e supriorit de la mthode Btopo . En labsence de contraintes sur le mod`le de dformation, e e e e e la transformation estime tend a mettre en correspondance des voxels ayant des intensits e ` e
ANalysis Of VAriance. Les traitements statistiques du type ANOVA ont t raliss avec le logiciel Statistica Edition 99 ee e e version 5.5 (http ://www.statsoft.com).
3 2

9.1 Inuence des param`tres de la mthode de recalage propose e e e Mthode e B Btopo Btopodiscr`te e Superposition (KI) Segmentation en 3 classes 0,817 +/- 0,061 0,802 +/- 0,048 0,813 +/- 0,049 Superposition (KI) Segmentation en 34 structures 0,727 +/- 0,152 0,765 +/- 0,107 0,766 +/- 0,115

161

Tab. 9.5 Inuence de la contrainte de conservation de la topologie sur la segmentation automatique par transport datlas (lindice KI moyen est calcul pour toutes les e structures et sur lensemble des images de la base IBSR). Mthode e B 2 > (mm) 7,78 < F RE Btopo 4,98 Btopodiscr`te e 5,36

Tab. 9.6 Inuence de la contrainte de conservation de la topologie sur la mise en correspondance damers ponctuels (lerreur quadratique moyenne est calcule pour les e 17 amers et pour les 12 recalages possibles).

les plus similaires possibles au dtriment de la ralit anatomique sous-jacente. e e e

9.1.3

Bornes sur le jacobien

Dans cette section, nous tudions linuence des bornes Jmin et Jmax entre lese quelles sont contraintes les valeurs du jacobien sur le domaine continu sous-jacent de limage par la mthode prsente au chapitre 4. Rappelons que la valeur du jacobien est e e e reprsentative de la variation locale de volume induite par la transformation. Contraindre e les valeurs du jacobien revient a rduire lespace de recherche des param`tres de la ` e e transformation. Des valeurs cohrentes pour les bornes sur le jacobien doivent vrier e e Jmin = 1/Jmax an de ne favoriser ni la contraction, ni la dilatation. Les simulations prsentes dans cette section ont t conduites jusqu` lchelle lf in = 6 sans e e ee a e rgularisation ( = 0), en utilisant la norme L2 et la mthode de normalisation des e e intensits dcrite section 6.2. e e Ltude de linuence des bornes contraignant le jacobien sur la segmentation autoe matique par transport datlas montre sans grande surprise que la qualit de la segmene tation se dtriore a mesure que le jacobien est contraint dans un intervalle de plus en ee ` plus petit (tableau 9.7). Lorsque les bornes sur le jacobien tendent vers 1, lespace de recherche des transformations tend a se rduire a la transformation identit, empchant ` e ` e e ainsi lestimation de grandes dformations. e Les conclusions obtenues en examinant lvolution de la qualit de la mise en core e respondance damers ponctuels en fonction des bornes sur le jacobien sont direntes. e Les meilleurs rsultats sont obtenus pour des valeurs du jacobien contraintes entre 0, 5 e et 2 (tableau 9.8). Une contrainte plus forte empche la transformation dapprhender e e la variabilit anatomique interindividuelle. Une contrainte moins forte autorise la transe formation a mettre en correspondance des voxels ayant des intensits les plus similaires ` e possibles, au dtriment de la ralit anatomique sous-jacente de limage. e e e

162 Jmin 0 0,1 0,2 0,4 0,5 0,8 Jmax 10 5 2,5 2 1,25 Superposition (KI) Segmentation en 3 classes 0,802 +/- 0,048 0,787 +/- 0,061 0,779 +/- 0,058 0,743 +/- 0,054 0,725 +/- 0,056 0,659 +/- 0,067

Rsultats e Superposition (KI) Segmentation en 34 structures 0,765 +/- 0,107 0,740 +/- 0,141 0,740 +/- 0,138 0,716 +/- 0,145 0,710 +/- 0,142 0,656 +/- 0,151

Tab. 9.7 Inuence des bornes contraignant le jacobien sur la segmentation automatique par transport datlas (lindice KI moyen est calcul pour toutes les structures et sur e lensemble des images de la base IBSR). Jmin 0 0,1 0,2 0,4 0,5 0,8 Jmax 10 5 2,5 2 1,25 < F RE 2 > (mm) 4,98 4,62 4,15 3,66 3,65 4,25

Tab. 9.8 Inuence des bornes contraignant le jacobien sur la mise en correspondance damers ponctuels (lerreur quadratique moyenne est calcule pour les 17 amers et pour e les 12 recalages possibles).

9.1.4

Rgularisation e

Nous tudions dans cette section linuence du facteur pondrant le terme de e e rgularisation. Les simulations prsentes dans cette section ont t conduites jusqu` e e e ee a lchelle lf in = 6 en contraignant la transformation a prserver la topologie (Jmin = 0 e ` e et Jmax = +), en utilisant la norme L2 et la mthode de normalisation des intensits e e dcrite section 6.2. e Les rsultats obtenus sur la segmentation automatique par transport datlas montrent e quune valeur de entre 0, 5 et 1 permet damliorer la qualit de la segmentation en 3 e e classes et en 34 structures. Au del` de la valeur = 1, la qualit de la segmentation se a e dtriore. Des conclusions similaires sont obtenues en examinant la prcision de la mise ee e en correspondance damers ponctuels qui samliore a mesure que la valeur de cro e ` t jusqu` atteindre des performances optimales pour = 1. Pour des valeurs suprieures a e de , une dgradation des rsultats est observe. Linterprtation de ces rsultats est e e e e e similaire a celle donne lors de ltude de linuence des bornes sur le jacobien, a savoir ` e e ` que si le mod`le de dformation est trop rgularis, la transformation nest pas capable e e e e dapprhender la variabilit anatomique interindividuelle, et si le mod`le de dformation e e e e nest pas assez rgularis, il tend a mettre en correspondance des voxels ayant des intene e ` sits les plus similaires possibles, au dtriment de la ralit anatomique sous-jacente de e e e e limage.

9.1 Inuence des param`tres de la mthode de recalage propose e e e 0 0,5 1 5 10 Superposition (KI) Segmentation en 3 classes 0,802 +/- 0,048 0,813 +/- 0,063 0,809+/- 0,059 0,747 +/- 0,040 0,701 +/- 0,045 Superposition (KI) Segmentation en 34 structures 0,765 +/- 0,107 0,775 +/- 0,126 0,777+/- 0,116 0,738 +/- 0,113 0,701 +/- 0,129

163

Tab. 9.9 Inuence du facteur pondrant le terme de rgularisation sur la segmene e tation automatique par transport datlas (lindice KI moyen est calcul pour toutes les e structures et sur lensemble des images de la base IBSR). 0 2 > (mm) 4,98 < F RE 0,5 3,46 1 3,36 5 3,45 10 3,87

Tab. 9.10 Inuence du facteur pondrant le terme de rgularisation sur la mise en e e correspondance damers ponctuels (lerreur quadratique moyenne est calcule pour les e 17 amers et pour les 12 recalages possibles).

9.1.5

Crit`re de similarit et symtrisation e e e

Nous proposons une comparaison des trois crit`res de similarit prsents section e e e e 5.1.1, a savoir la norme L2 , la norme L1 L2 et la fonction de cot propose par Geman et ` u e McClure (note G). Nous tudions aussi linuence de la symtrisation de ces crit`res, e e e e sym sym les versions symtrises tant notes respectivement dans la suite L2 , L1 L2 et Gsym . e e e e Les simulations prsentes dans cette section ont t conduites jusqu` lchelle lf in = 6 e e ee a e en imposant a la transformation de prserver la topologie (Jmin = 0 et Jmax = +), ` e sans rgularisation ( = 0) et en utilisant la procdure de normalisation des intensits e e e prsente section 6.2. e e Linuence du crit`re de similarit sur la construction dun cerveau moyen nest pas e e agrante (tableau 9.11). La norme L1 L2 donne des rsultats lg`rement meilleurs que les e e e normes L2 et G. Lutilisation dun crit`re symtris semble par ailleurs amliorer sensie e e e blement les rsultats, except pour la norme L2 . Concernant linuence du crit`re de simie e e larit sur la segmentation automatique par transport datlas, de meilleurs rsultats sont e e Crit`re de e similarit e L2 Lsym 2 L1 L2 L1 Lsym 2 G Gsym IM 0,4308 0,4287 0,4355 0,4373 0,4310 0,4376 Corrlation e 0,9068 0,9000 0,9137 0,9186 0,9010 0,9185

Tab. 9.11 Inuence du crit`re de similarit sur la construction dun cerveau moyen e e (linformation mutuelle et la corrlation sont calcules entre limage moyenne et limage e e de rfrence sur le masque du cerveau uniquement). ee

164
Crit`re de e similarit e L2 Lsym 2 L1 L2 L1 Lsym 2 G Gsym Indice de segmentation SE SP KI SE SP KI SE SP KI SE SP KI SE SP KI SE SP KI LCR 0,849 1,000 0,826 0,853 1,000 0,812 0,838 1,000 0,827 0,851 1,000 0,826 0,793 1,000 0,798 0,843 1,000 0,831 +/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/0,045 0,000 0,036 0,044 0,000 0,035 0,045 0,000 0,030 0,044 0,000 0,033 0,078 0,000 0,053 0,050 0,000 0,032 0,857 0,979 0,785 0,846 0,981 0,787 0,866 0,981 0,800 0,867 0,980 0,797 0,862 0,982 0,803 0,868 0,981 0,799 MG +/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/0,032 0,012 0,054 0,031 0,009 0,043 0,030 0,010 0,049 0,030 0,011 0,051 0,030 0,010 0,048 0,025 0,010 0,051 0,733 0,996 0,796 0,698 0,996 0,777 0,754 0,996 0,813 0,737 0,997 0,805 0,760 0,996 0,810 0,756 0,996 0,807 MB +/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/+/0,071 0,001 0,045 0,091 0,001 0,055 0,068 0,001 0,040 0,081 0,001 0,049 0,066 0,001 0,043 0,074 0,002 0,046

Rsultats e

Tab. 9.12 Inuence du crit`re de similarit sur la segmentation automatique par transe e port datlas en 3 classes (la moyenne de chaque indice de segmentation est calcule pour e chaque type de tissu sur lensemble des images de la base IBSR). Crit`re de e similarit e L2 Lsym 2 L1 L2 L1 Lsym 2 G Gsym SE 0,773 +/- 0,130 0,756 +/- 0,135 0,786 +/- 0,127 0,783 +/- 0,12 0,781 +/- 0,128 0,776 +/- 0,129 0,999 0,999 0,999 0,999 0,999 0,999 SP +/+/+/+/+/+/0,002 0,002 0,002 0,002 0,002 0,002 0,765 0,753 0,778 0,774 0,776 0,766 KI +/+/+/+/+/+/0,107 0,109 0,105 0,099 0,104 0,111

Tab. 9.13 Inuence du crit`re de similarit sur la segmentation automatique par transe e port datlas en 34 structures anatomiques (la moyenne de chaque indice de segmentation est calcule pour toutes les structures et sur lensemble des images de la base IBSR). e obtenus pour les normes L1 L2 et G. Cependant, la dirence observe nest signicative e e que pour la segmentation en 34 structures (tableau 9.13, ANOVA en considrant comme e facteurs indpendants la classe et lindice de segmentation : F = 5, 9; p = 0, 0028), et pas e pour la segmentation en 3 classes (tableau 9.12, ANOVA en considrant comme facteurs e indpendants la classe et lindice de segmentation : F = 1, 56; p = 0, 21). Concernant la e symtrisation du crit`re, elle conduit a des rsultats lg`rement moins bons a la fois sur e e ` e e e ` la segmentation en 3 classes et en 34 structures. Le crit`re de similarit a par contre e e une inuence signicative sur la mise en correspondance damers ponctuels (tableau 9.14, ANOVA en considrant comme facteur indpendant ltiquette de chaque amer : e e e F = 7, 57; p = 0, 0054), la norme L1 L2 permettant dobtenir les meilleurs rsultats. Une e amlioration de la mise en correspondance des amers est aussi observe en ayant recours e e aux versions symtrises des crit`res de similarit. Le crit`re de similarit a aussi un e e e e e e impact sur la cohrence des champs de dformation estims (tableau 9.15). Comme nous e e e pouvions lesprer, les versions symtrises des crit`res conduisent eectivement a lestie e e e ` mation de champs de dformation plus cohrents. Par ailleurs, lutilisation de crit`res de e e e similarit robustes (L1 L2 et G) conduit aussi a lestimation de champs de dformation e ` e

9.2 Normalisation des intensits e Crit`re de similarit L2 e e 2 > (mm) < F RE 4,98 Lsym 2 4,65 L1 L2 4,26 L1 Lsym 2 4,09 G 4,43 Gsym 4,17

165

Tab. 9.14 Inuence du crit`re de similarit sur la mise en correspondance damers e e ponctuels (lerreur quadratique moyenne est calcule pour les 17 amers et pour les 12 e recalages possibles). Crit`re de e similarit e L2 L1 L2 G e e non symtris < F RE 2 > (mm) 6,07 4,15 4,78 symtris e e < F RE 2 > (mm) 5,34 3,52 4,20

Tab. 9.15 Inuence du crit`re de similarit sur la cohrence des champs de dformation e e e e estims (lerreur quadratique moyenne est calcule pour les 17 amers et pour les 12 e e recalages possibles). plus cohrents quen ayant recours a la norme L2 . Ces crit`res tant moins sensibles aux e ` e e valeurs aberrantes, ils permettent ainsi dviter lestimation de dformations irralistes. e e e

9.2
9.2.1

Normalisation des intensits e


Cas des images monomodales

Nous proposons dans cette section dvaluer les performances de la procdure de e e normalisation des intensits que nous avons dcrite section 6.2 en considrant lestimation e e e dun mlange de 10 lois gaussiennes a partir de lhistogramme conjoint. Cette mthode e ` e est rfrence dans la suite par 10-JHGM. Dans ce but, nous proposons une comparaison ee e avec trois autres mthodes de normalisation des intensits an de mettre en vidence e e e linuence sur la segmentation automatique par transport datlas. Les trois mthodes e utilises pour comparaison sont les suivantes : e la normalisation par moyenne et cart-type (rfrence dans la suite par MS) en e ee e calculant les caractristiques des images uniquement sur le masque du crne an e a de saranchir de linuence des voxels du fond ; une mthode inspire de celle propose dans [Nyul 99] qui consiste a identier N e e e ` quantiles dans les histogrammes de chacune des images et a les mettre en corres` pondance par une transformation linaire par morceaux. Nous avons utilis lime e plantation faite dans ITK et choisi N = 7 quantiles conformment a la valeur e ` suggre dans [Ibanez 03]. Cette mthode est rfrence dans la suite par 7-QL ; ee e ee e une mthode inspire de celle propose dans [Hellier 03a] qui consiste a estimer un e e e ` mlange de K lois gaussiennes a partir des histogrammes de chacune des images. e ` Une fonction non linaire sur les intensits est ensuite estime de sorte a rendre e e e ` identiques les reprsentations paramtriques des histogrammes des deux images. e e Comme suggr dans [Hellier 03a], nous avons choisi K = 5 lois gaussiennes. Cette ee mthode est rfrence dans la suite par 5-HGM. e ee e Pour comparer linuence de ces mthodes, nous avons utilis la mthode de recalage e e e prsente dans la deuxi`me partie de ce document conduite jusqu` lchelle lf in = 6 e e e a e

166 Images source et rfrence ee

Rsultats e

Image source Images recales e

Image rfrence ee

MS

5-HGM

10-JHGM

7-QL

Cartes de segmentation transportes e

MS

5-HGM

10-JHGM

7-QL

Fig. 9.1 Rsultats obtenus lors du recalage de limage source sur limage rfrence en e ee utilisant quatre mthodes direntes de normalisation des intensits. Except pour la e e e e mthode 10-JHGM, la substance blanche tend a tre sous-estime et la substance grise e `e e tend a tre surestime (les cartes de segmentation transportes sont a comparer avec la `e e e ` carte de segmentation de limage de rfrence). Les rsultats prsents correspondent au ee e e e cas de la base IBSR ayant le plus mis en dfaut lensemble des mthodes. e e en imposant la contrainte de conservation de la topologie (Jmin = 0 et Jmax = +), sans rgularisation ( = 0) et en utilisant la norme L2 . La mise a jour des intensits est e ` e ralise pour chaque chelle avant la phase doptimisation. e e e Linspection visuelle des rsultats obtenus avec les quatre mthodes de normalisation e e dintensit (gure 9.1) conduit au constat suivant : la substance blanche tend a tre e ` e sous-estime et la substance grise surestime pour lensemble des mthodes sauf pour la e e e mthode que nous avons propose (10-JHGM). Ce phnom`ne a dj` t mis en vidence e e e e eae e e dans [Crivello 02] o` le constat est fait que les mthodes de segmentation automatique u e par transport datlas p`chent par sous-estimation la mati`re blanche. Cependant, le lien e e na pas t fait jusqu` prsent avec des probl`mes de normalisation des intensits. Ce ee a e e e constat sur la sous-estimation de la substance blanche (i.e., mauvais indice de sensibilit) est conrm quantitativement par les rsultats prsents dans le tableau 9.16. En e e e e e eet, la mthode 10-JHGM conduit a des rsultats signicativement meilleurs que les e ` e

9.2 Normalisation des intensits e Mthode e Indice de segmentation SE SP KI SE SP KI SE SP KI SE SP KI LCR 0,858 1,000 0,754 0,870 0,999 0,750 0,851 1,000 0,833 0,860 1,000 0,781 +/+/+/+/+/+/+/+/+/+/+/+/MG MB

167

MS

5-HGM

10-JHGM

7-QL

0,058 0,752 +/- 0,085 0,544 +/- 0,207 0,000 0,978 +/- 0,009 0,997 +/- 0,001 0,071 0,716 +/- 0,090 0,653 +/- 0,168 0,047 0,749 +/- 0,076 0,522 +/- 0,197 0,001 0,978 +/- 0,008 0,998 +/- 0,001 0,069 0,712 +/- 0,085 0,640 +/- 0,162 0,046 0,856 +/- 0,033 0,742 +/- 0,063 0,000 0,980 +/- 0,012 0,996 +/- 0,001 0,022 0,788 +/- 0,054 0,802 +/- 0,037 0,049 0,796 +/- 0,051 0,575 +/- 0,215 0,000 0,979 +/- 0,009 0,997 +/- 0,002 0,058 0,747 +/- 0,073 0,672 +/- 0,157

Tab. 9.16 Inuence de la mthode de normalisation des intensits sur la segmentation e e automatique en 3 classes par transport datlas (la moyenne de chaque indice de segmentation pour chaque type de tissu est calcule sur lensemble des images de la base IBSR e excepte une image pour laquelle la mthode 5-HGM a conduit a lestimation dune e e ` solution aberrante). Mthode e SE MS 0,679 +/5-HGM 0,686 +/10-JHGM 0,774 +/7-QL 0,715 +/SP KI 0,198 0,999 +/- 0,002 0,670 +/- 0,161 0,194 0,999 +/- 0,003 0,673 +/- 0,159 0,127 0,999 +/- 0,002 0,769 +/- 0,105 0,184 0,999 +/- 0,002 0,699 +/- 0,150

Tab. 9.17 Inuence de la mthode de normalisation des intensits sur la segmentae e tion automatique en 34 structures anatomiques par transport datlas (la moyenne de chaque indice de segmentation est calcule pour toutes les structures et sur lensemble e des images de la base IBSR excepte une image pour laquelle la mthode 5-HGM a e e conduit a lestimation dune solution aberrante). `

trois autres mthodes en considrant lindice de sensibilit pour la segmentation de la e e e substance blanche (ANOVA : F = 4, 8; p = 0, 004). De mani`re gnrale, des rsultats e e e e signicativement meilleurs sont obtenus avec la mthode 10-JHGM pour la segmentation e en 3 classes (tableau 9.16, ANOVA en considrant comme facteurs indpendants les tissus e e et lindice de segmentation : F = 19, 3; p < 0, 0001) et pour la segmentation en 34 structures anatomiques (tableau 9.17, ANOVA en considrant comme facteurs indpendants e e les tissus et lindice de segmentation : F = 113, 9; p < 0, 0001). En considrant en partie culier lindice de superposition KI qui est le plus slectif, la mthode 10-JHGM se montre e e signicativement meilleure pour la segmentation du liquide cphalorachidien (ANOVA : e F = 2, 81; p = 0, 041), de la substance grise (ANOVA : F = 11, 6; p < 0, 0001) et de la substance blanche (ANOVA : F = 9, 1; p < 0, 0001). Concernant les autres mthodes, des e rsultats similaires sont obtenus pour la mthode 5-HGM et MS tandis que la mthode e e e 7-QL donne des rsultats signicativement meilleurs que ces deux mthodes. e e

168

Rsultats e

12 10 Error Erreurin voxels en mm 8 6 4 2 0 T1 - T2 T2 - T1 T2 - DPDP - T2 DP - T1 T1 - DP Modalits


& % $ '( !       # "  

Modalits e T1 sur T2 T2 sur T1 T2 sur DP DP sur T2 DP sur T1 T1 sur DP

Erreur mdiane e en mm 0,90 1,00 1,10 1,30 2,10 1,70

Erreur moyenne en mm 1,65 1,74 2,26 2,08 3,19 2,91

Ecart-type en mm 2,93 2,52 3,22 2,40 3,31 3,61

Tab. 9.18 Distribution du champ de dplacement rsiduel apr`s recalage en fonction e e e des modalits impliques. Les rsultats sont obtenus pour chaque couple de modalits e e e e 3 sur des images 256 pour 10 champs de dformation synthtiques gnrs alatoirement e e e ee e (cf. section 8.2.1).

9.2.2

Extension aux images multimodales

Dans cette section, nous souhaitons valuer les performances de lextension multie modale de la mthode de normalisation des intensits que nous avons prsente section e e e e 6.3. Pour ce faire, nous avons eu recours a trois images simules de Brainweb (niveau ` e de bruit : 3%, niveau dartefact : 20 %) pondres en T1 , T2 et densit de protons (DP ) ee e an de conduire une validation sur champs de dformation synthtiques. Les recalages e e ont t eectus avec la mthode que nous avons propose jusqu` la rsolution lf in = 6 ee e e e a e en imposant la contrainte de conservation de la topologie (Jmin = 0 et Jmax = +), sans rgularisation ( = 0) et en utilisant la norme L2 . La mise a jour des intensits est e ` e ralise pour chaque chelle avant la phase doptimisation. e e e Les rsultats obtenus pour toutes les combinaisons possibles de recalage entre modae lits direntes, calculs pour chaque cas pour dix champs de dformation synthtiques e e e e e gnrs alatoirement, sont prsents dans le tableau 9.18. Ces rsultats sont manifestee ee e e e e ment moins bons que ceux obtenus section 9.1.1 pour des champs synthtiques ne faisant e intervenir quune seule image et ne ncessitant donc pas de normalisation des intensits. e e Il appara aussi une dirence sur la prcision atteinte en fonction des modalits mises t e e e en jeu, le recalage T1 T2 donnant des rsultats meilleurs que T1 DP . Enn, on ree marque la dirence notable entre la valeur de lerreur moyenne et de lerreur mdiane, e e consquence de lexistence dimportantes erreurs qui nont pas pu tre prises en compte e e par le recalage.

9.3

Comparaison entre direntes mthodes de ree e calage

Dans cette section, nous proposons de comparer les performances des mthodes que e nous avons proposes avec trois autres mthodes de recalage. La premi`re mthode que e e e e nous avons choisie pour comparaison est une mthode de recalage ane a 12 param`tres e ` e (rfrence dans la suite par A) utilisant linformation mutuelle ([Maes 97], quation 1) ee e e comme crit`re de similarit et la mthode du simplexe pour loptimisation car ce type e e e de recalage est actuellement largement utilis dans le domaine des neurosciences pour e

9.3 Comparaison entre direntes mthodes de recalage e e

169

conduire des tudes de groupe en imagerie fonctionnelle. La seconde mthode, rfrence e e ee e dans la suite par D, est lalgorithme des dmons propos par Thirion [Thirion 98]. Le e e choix sest port sur cette mthode du fait de sa popularit dans la communaut de e e e e traitement dimages mdicales et des tr`s bons rsultats quelle a obtenus dans le cadre e e e de la validation mene par Hellier et coll. [Hellier 03c]. Nous avons choisi dutiliser lime plantation faite de cette mthode dans la biblioth`que de traitement dimages ITK qui e e tend actuellement a simposer comme une des biblioth`ques de rfrence dans le do` e ee maine du traitement dimages mdicales. An de proposer une comparaison quitable e e avec la mthode de recalage que nous avons dveloppe, nous eectuons dans un pree e e mier temps une tude sur linuence des dirents param`tres de la mthode des dmons e e e e e (nombre ditrations, param`tre de rgularisation, mthode de normalisation des intene e e e sits) conduite de mani`re similaire a celle mene pour la mthode que nous avons proe e ` e e pose (cf. section 9.1). Enn, la troisi`me mthode choisie pour comparaison et rfrence e e e ee e dans la suite par M est celle dveloppe par Musse [Musse 00]. Rappelons que cette e e mthode a servi de point de dpart a ce travail de th`se. Une synth`se de lensemble des e e ` e e contributions que nous avons apportes par rapport a la mthode initiale propose par e ` e e Musse est prsente dans la conclusion partielle de la deuxi`me partie de ce document e e e (page 139). Lensemble des recalages eectus avec la mthode M a t conduit jusqu` e e ee a lchelle lf in = 6. e Parmi les direntes variantes possibles de la mthode que nous proposons (cf. section e e 9.1), nous avons choisi celle ayant obtenu les meilleurs rsultats pour la construction dun e cerveau moyen et pour la segmentation automatique en 3 classes, a savoir la mthode, ` e rfrence dans la suite par B, sans contrainte de conservation de la topologie (J min = ee e et Jmax = +) et sans rgularisation ( = 0) et celle ayant obtenu les meilleurs e rsultats pour la segmentation en 34 structures et la mise en correspondance damers e ponctuels, a savoir la mthode, rfrence dans la suite par B=1 , prservant la topologie ` e ee e e topo (Jmin = 0 et Jmax = +) et rgularise grce a lnergie de membrane lastique ( = 1). e e a ` e e Lensemble des recalages eectus pour ces deux mthodes ont t conduits jusqu` la e e ee a rsolution lf in = 6 en utilisant la norme L2 et la procdure de normalisation des intensits e e e prsente section 6.2. e e

9.3.1
9.3.1.1

Inuence des param`tres de lalgorithme des dmons e e


Param`tre de rgularisation e e

La rgularit de la transformation estime par lalgorithme des dmons est assure e e e e e grce a un ltrage gaussien du champ de dformation apr`s chaque itration. Le paa ` e e e ram`tre , correspondant a lcart-type du ltre gaussien utilis, permet de contrler le e ` e e o degr de rgularit de la transformation : plus est grand, plus le champ de dformation e e e e estim est lisse. Pour tudier linuence du param`tre , des simulations ont t conduites e e e ee avec lalgorithme des dmons implant dans ITK en utilisant une approche multirsolution e e e (pyramide gaussienne a 4 niveaux de rsolution) et en eectuant 100 itrations par ni` e e veau de rsolution. Ce nombre de 100 itrations par niveau de rsolution peut sembler e e e exagrment grand, mais nous voulions tre sr dobtenir les meilleures performances ee e u possibles, sans nous soucier de la charge calculatoire. Les rsultats prsents dans cette e e e section ont t obtenus en utilisant la mthode de mise en correspondance des intenee e sits dcrite section 6.2. Des simulations eectues avec la mthode de normalisation e e e e

170 Erreur moyenne (en voxels) 0 26,65 0,5 1,63 1 0,41 2 1,01 5 3,60

Rsultats e 10 4,47

Tab. 9.19 Erreur rsiduelle moyenne pour lalgorithme des dmons (pyramide gause e sienne a 4 niveaux de rsolution, 100 itrations par niveau de rsolution) en fonction de ` e e e lcart-type du ltre gaussien. Les rsultats sont obtenus sur des images 2563 pour 10 e e champs de dformation synthtiques gnrs alatoirement (cf. section 8.2.1). e e e ee e 0,5 1 2 Superposition (KI) Segmentation en 3 classes 0,780 +/- 0,076 0,814 +/- 0,039 0,756 +/- 0,045 Superposition (KI) Segmentation en 34 structures 0,704 +/- 0,173 0,778 +/- 0,105 0,759 +/- 0,107

Tab. 9.20 Inuence de lcart-type du ltre gaussien sur la segmentation automatique e par transport datlas (lindice KI moyen est calcul pour toutes les structures et sur e lensemble des images de la base IBSR). dintensit propose dans ITK (7-QL) ont conduit a des conclusions similaires. e e ` Les rsultats de lvaluation sur champs de dformation synthtiques (tableau 9.19) e e e e montrent que les meilleures performances sont obtenues pour = 1. Pour des valeurs suprieures de , le champ de dformation est trop rgularis et pour des valeurs e e e e infrieures le champ de dformation devient non pertinent, en particulier pour = 0 e e qui conduit a lestimation dune transformation compl`tement aberrante (le probl`me ` e e devient mal pos). La valeur = 1 conduit aussi aux meilleures performances pour la e segmentation automatique par transport datlas (tableau 9.20) et pour la mise en correspondance damers (tableau 9.21). Ainsi, nous utilisons le rglage = 1 pour lensemble e des simulations prsentes dans la suite du document qui ont t menes avec lalgorithme e e ee e des dmons. e 9.3.1.2 Nombre ditrations e

Nous proposons dtudier linuence du nombre ditrations, par niveau de rsolution, e e e sur la prcision du recalage et sur la charge calculatoire correspondante grce a lvaluation e a ` e sur champs de dformation synthtiques (tableau 9.22). Conformment a ce qui tait e e e ` e attendu, le temps CPU augmente linairement avec le nombre ditrations. Pour 100 e e itrations par niveau de rsolution, 95% des voxels sont recals avec une prcision souse e e e voxel, correspondant a une prcision comparable a celle de la mthode que nous avons ` e ` e propose conduite jusqu` lchelle lf in = 6. Au-del` de ce nombre ditrations par niveau e a e a e de rsolution, lamlioration de la prcision nest plus tr`s importante. Nous choisissons e e e e 0,5 2 > (mm) 5,90 < F RE 1 3,47 2 3,56

Tab. 9.21 Inuence de lcart-type du ltre gaussien sur la mise en correspondance e damers ponctuels (lerreur quadratique moyenne est calcule pour les 17 amers et pour e les 12 recalages possibles).

9.3 Comparaison entre direntes mthodes de recalage e e Nombre ditrations e 10 20 50 100 200 Erreur moyenne Temps CPU (en voxels) (hh : mm) 1,27 00 : 20 0,78 00 : 35 0,48 01 : 20 0,41 02 : 34 0,38 04 : 57

171

Tab. 9.22 Inuence du nombre ditrations par niveau de rsolution de lalgorithme e e des dmons (pyramide gaussienne a 4 niveaux de rsolution, = 1) sur lerreur moyenne e ` e et le temps CPU correspondant sur une station de travail de type PC cadence a 2,8 e ` 3 GHz. Les rsultats sont obtenus sur des images 256 pour 10 champs de dformation e e synthtiques gnrs alatoirement (cf. section 8.2.1). e e ee e Mthodes e 10-JHGM 7-QL Superposition (KI) Segmentation en 3 classes 0,814 +/- 0,039 0,760 +/- 0.085 Superposition (KI) Segmentation en 34 structures 0,778 +/- 0,105 0,754 +/- 0,105

Tab. 9.23 Inuence de la mthode de mise en correspondance des intensits utilise dans e e e lalgorithme des dmons (pyramide gaussienne a 4 niveaux de rsolution, 100 itrations e ` e e par niveau de rsolution, = 1) sur la segmentation automatique par transport datlas e (lindice KI moyen est calcul pour toutes les structures et sur lensemble des images de e la base IBSR).

ainsi dutiliser cette valeur de 100 itrations par niveau de rsolution pour lensemble des e e simulations prsentes dans la suite du document. e e

9.3.1.3

Mthode de normalisation des intensits e e

Une hypoth`se faite dans la mthode des dmons est que lintensit de deux voxels e e e e correspondants est identique. Pour que cette hypoth`se soit vrie, il est ncessaire e e e e davoir recours au pralable a une tape de normalisation des intensits. Dans la mthode e ` e e e originelle propose par Thirion [Thirion 98], aucune solution au probl`me de normalie e sation des intensits nest indique. Dans limplantation des dmons faite dans ITK, e e e une normalisation des intensits par la mthode 7-QL est suggre [Ibanez 03]. Ce choix e e ee est cependant sous optimal puisque lutilisation de la mthode de normalisation des ine tensits que nous avons propose section 6.2 permet damliorer signicativement les e e e rsultats dans le cadre de lalgorithme des dmons pour la segmentation automatique e e par transport datlas (tableau 9.23) et pour la mise en correspondance damers ponctuels (tableau 9.24). Ainsi, toutes les simulations concernant la mthode D qui sont prsentes e e e dans la suite utilisent la procdure de mise en correspondance des intensits prsente e e e e section 6.2 .

172 Mthodes e 10-JHGM 7-QL 2 > (mm) < F RE 3,47 3,66

Rsultats e

Tab. 9.24 Inuence de la mthode de mise en correspondance des intensits utilise dans e e e lalgorithme des dmons (pyramide gaussienne a 4 niveaux de rsolution, 100 itrations e ` e e par niveau de rsolution, = 1) sur la mise en correspondance damers ponctuels (lerreur e quadratique moyenne est calcule pour les 17 amers et pour les 12 recalages possibles). e

B=1 topo

image de rfrence ee

Fig. 9.2 Cerveaux moyens construits avec direntes mthodes de recalage. e e

9.3.2
9.3.2.1

Comparaison des direntes mthodes de recalage e e


Construction dun cerveau moyen

Nous proposons dtudier linuence de la mthode de recalage sur la construction e e dun cerveau moyen. La premi`re remarque qui peut tre faite est que plus le nombre e e de DDL de la transformation est grand, plus limage moyenne est nette (gure 9.2) et plus la ressemblance entre limage moyenne et limage de rfrence est grande (tableau ee 9.25), illustrant la contribution des mthodes de recalage dformable par rapport au e e recalage ane. Les meilleurs rsultats sont obtenus pour la mthode B du fait quaucune e e contrainte sur le jacobien ni aucune rgularisation nempche la transformation de faire e e dcro au maximum le crit`re de similarit. Bien que la mthode M ne soit pas non e tre e e e plus sujette a des contraintes sur le jacobien ni a aucune rgularisation, elle ne permet ` ` e pas dobtenir des rsultats comparables. Ce constat est principalement li aux stratgies e e e direntes doptimisation entre ces deux mthodes, la mise a jour conjointe de lensemble e e ` des param`tres du mod`le utilise dans la mthode M tant moins ecace pour faire e e e e e dcro le crit`re de similarit que la stratgie doptimisation par bloc utilise pour la e tre e e e e =1 mthode B. Les rsultats obtenus par M, D et Btopo sont similaires. e e

9.3 Comparaison entre direntes mthodes de recalage e e Mthode e A B B=1 topo D M IM 0,3577 0,4940 0,4324 0,4300 0,4210 Corrlation e 0,5559 0,9759 0,9146 0,8984 0,8840

173

Tab. 9.25 Inuence de la mthode de recalage sur la construction dun cerveau moyen e (linformation mutuelle et la corrlation sont calcules entre limage moyenne et limage e e de rfrence sur le masque du cerveau uniquement). ee Mthode e Indice de segmentation SE SP KI SE SP KI SE SP KI SE SP KI SE SP KI LCR 0,567 0,999 0,518 0,874 1,000 0,828 0,824 1,000 0,825 0,817 1,000 0,821 0,791 1,000 0,759 +/+/+/+/+/+/+/+/+/+/+/+/+/+/+/MG MB

B=1 topo

0,137 0,714 +/- 0,055 0,636 +/- 0,037 0,000 0,974 +/- 0,009 0,988 +/- 0,002 0,084 0,667 +/- 0,028 0,653 +/- 0,026 0,043 0,848 +/- 0,047 0,760 +/- 0,081 0,000 0,982 +/- 0,011 0,997 +/- 0,002 0,052 0,798 +/- 0,069 0,824 +/- 0,060 0,083 0,872 +/- 0,027 0,772 +/- 0,064 0,000 0,977 +/- 0,017 0,995 +/- 0,002 0,042 0,787 +/- 0,080 0,815 +/- 0,045 0,078 0,864 +/- 0,029 0,767 +/- 0,055 0,000 0,983 +/- 0,008 0,995 +/- 0,001 0,038 0,809 +/- 0,041 0,813 +/- 0,041 0,095 0,792 +/- 0,051 0,691 +/- 0,148 0,000 0,980 +/- 0,009 0,994 +/- 0,003 0,076 0,751 +/- 0,065 0,744 +/- 0,102

Tab. 9.26 Inuence de la mthode de recalage sur la segmentation automatique par e transport datlas en 3 classes (la moyenne de chaque indice de segmentation pour chaque type de tissu est calcule sur lensemble des images de la base IBSR). e 9.3.2.2 Segmentation automatique par transport datlas

Nous proposons dtudier linuence de la mthode de recalage sur la segmentation e e automatique par transport datlas en 3 classes (tableau 9.26) et en 34 structures anatomiques (tableau 9.27). Une premi`re remarque concerne lapport vident des mthodes e e e de recalage dformable par rapport au recalage ane, qui prsente un nombre de DDL e e insusant pour apprhender la variabilit morphologique interindividuelle. Concernant e e la comparaison des mthodes dformables, les conclusions di`rent selon que la segmene e e tation en 3 classes ou en 34 structures anatomiques est considre. Les meilleurs rsultats ee e pour la segmentation en 3 classes sont obtenus par la mthode B. Les mthodes B=1 e e topo et D conduisent a des performances similaires et la mthode M conduit a des rsultats ` e ` e signicativement moins bons. Par contre, pour la segmentation en 34 structures anatomiques, les moins bons rsultats sont obtenus par la mthode B et par la mthode M. e e e =1 La mthode Btopo conduit a de meilleurs rsultats que les dmons. e ` e e

174 Mthode e A B B=1 topo D M SE +/+/+/+/+/SP +/+/+/+/+/KI +/+/+/+/+/-

Rsultats e

0,638 0,741 0,793 0,774 0,762

0,170 0,165 0,130 0,125 0,129

0,999 0,999 0,999 0,999 0,999

0,003 0,002 0,003 0,002 0,002

0,627 0,727 0,777 0,778 0,759

0,150 0,152 0,116 0,105 0,107

Tab. 9.27 Inuence de la mthode de recalage sur la segmentation automatique par e transport datlas en 34 structures anatomiques (la moyenne de chaque indice de segmentation est calcule pour toutes les structures et sur lensemble des images de la base e IBSR). Mthode e A 2 > (mm) 6,18 < F RE B 7,78 B=1 topo 3,36 D 3,47 M 5,93

Tab. 9.28 Inuence de la mthode de recalage sur la mise en correspondance damers e ponctuels (lerreur quadratique moyenne est calcule pour les 17 amers et pour les 12 e recalages possibles). 9.3.2.3 Mise en correspondance damers ponctuels

Nous proposons dtudier linuence de la mthode de recalage sur la mise en core e respondance damers ponctuels (tableau 9.28) ainsi que sur la cohrence des champs de e dformation estims (tableau 9.29). Concernant la prcision de la mise en correspone e e dance damers, il faut souligner les rsultats particuli`rement dcevants de la mthode e e e e B, qui sont encore moins bons que ceux obtenus pour le recalage ane. Ceci est li e au fait que la transformation ntant ni contrainte et ni rgularise, elle tend a mettre e e e ` en correspondance des voxels ayant des intensits similaires au dtriment de la ralit e e e e anatomique sous-jacente. Bien que ntant pas non plus rgularise, ni contrainte, la e e e mthode M donne de meilleurs rsultats, mais a peine meilleurs que le recalage ane. e e ` Cette dirence observe avec la mthode B est en grande partie lie a la stratgie e e e e ` e doptimisation globale qui tend en quelque sorte a rgulariser les param`tres du mod`le ` e e e de dformation. Les mthodes B=1 et D conduisent a des rsultats signicativement e e ` e topo meilleurs que les autres mthodes, avec un lger avantage pour la mthode B=1 . Les e e e topo conclusions concernant la cohrence des champs de dformation estims sont similaires. e e e Les mthodes B et M donnent les rsultats les moins bons et la mthode B=1 conduit e e e topo a des rsultats lg`rement meilleurs que la mthode des dmons. ` e e e e e

Mthode e B 2 > (mm) 10,51 < F RE

B=1 topo 1,41

D 1,60

M 7,01

Tab. 9.29 Inuence de la mthode de recalage sur la cohrence des champs de e e dformation estims (lerreur quadratique moyenne est calcule pour les 17 amers et e e e pour les 12 recalages possibles).

Chapitre 10 Discussion
10.1 Cadre de validation . . . . . . . . . . . . . . . . . . . . 10.1.1 Validation sur champs de dformation synthtiques . . e e 10.1.2 Construction dun cerveau moyen . . . . . . . . . . . . 10.1.3 Validation de la segmentation par transport datlas . . 10.1.4 Evaluation de la mise en correspondance damers . . . 10.2 Caractrisation de la mthode de recalage propose e e e 10.2.1 Rglage des param`tres . . . . . . . . . . . . . . . . . e e 10.2.2 Conservation de la topologie . . . . . . . . . . . . . . 10.2.3 Fonction de cot . . . . . . . . . . . . . . . . . . . . . u 10.3 Normalisation des intensits . . . . . . . . . . . . . . . e 10.3.1 Cas des images monomodales . . . . . . . . . . . . . . 10.3.2 Cas des images multimodales . . . . . . . . . . . . . . 10.4 Comparaison des mthodes de recalage . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 . . 176 . . 176 . . 176 . . 177 . 178 . . 178 . . 178 . . 179 . 180 . . 180 . . 180 . 181

Dans ce chapitre, nous proposons une discussion sur lensemble des rsultats prsents e e e au chapitre prcdent. Dans un premier temps, nous analysons les avantages et les limites e e de chacune des mthodes qui composent le cadre de validation que nous avons mis e en place, mettant ainsi en vidence la complmentarit de ces mthodes. Puis, nous e e e e proposons une synth`se sur linuence des param`tres de la mthode de recalage prsente e e e e e dans la deuxi`me partie de ce document. Nous analysons ensuite les performances des e mthodes de normalisation des intensits que nous avons proposes dans le cas des images e e e monomodales et multimodales. Enn, nous discutons les rsultats obtenus lors de la e comparaison des direntes mthodes de recalage. e e

10.1

Cadre de validation

Les rsultats obtenus avec les direntes mthodes de validation dcrites section 8.2 e e e e sont parfois contradictoires, illustrant le fait quil nexiste pas de crit`re de validation e universel. Chaque mthode de validation permet de caractriser certaines proprits pare e ee ticuli`res des mthodes de recalage. Nous proposons dans cette section une discussion e e sur les avantages et les limites de chacune de ces mthodes an de mettre en vidence e e leur complmentarit dans le cadre de validation que nous avons mis en place. e e

176

Discussion

10.1.1

Validation sur champs de dformation synthtiques e e

La validation sur champs de dformation synthtiques permet dvaluer laptitude e e e dun mod`le de dformation a apprhender dimportantes dformations non linaires et e e ` e e e a converger vers la solution optimale. Elle permet par ailleurs de quantier la prcision de ` e la solution estime. Cependant, les champs de dformation synthtiques ne peuvent tre e e e e considrs comme une vrit terrain a proprement parler puisquils ne sont sans doute pas ee e e ` reprsentatifs de la variabilit morphologique interindividuelle, qui est a ce jour encore e e ` mal connue. Une autre limite de cette approche est de ne pas tenir compte des dirents e probl`mes lis a lacquisition des images, comme par exemple les probl`mes de normae e ` e lisation des intensits ou les inhomognits de champ. Ainsi, la validation sur champs e e e e de dformation synthtiques doit simplement tre utilise comme une tape prliminaire e e e e e e pour valuer le potentiel dune mthode de recalage, mais elle sav`re insusante pour e e e prdire le comportement dune mthode face a des images relles. e e ` e Lutilisation, dans la cadre de la comparaison de mthodes de recalage, de champs e de dformation synthtiques prservant la topologie semble a premi`re vue ne pas tre e e e ` e e quitable puisque lalgorithme des dmons nimpose pas cette condition, contrairement e e a la mthode que nous avons propose. Cependant, les rsultats obtenus par la mthode ` e e e e prsente dans la deuxi`me partie de ce document avec ou sans contrainte de conservation e e e de la topologie sont similaires, mettant en vidence que ce type de champ de dformation e e ne privilgie pas les mod`les de dformation prservant la topologie. Par contre, lutie e e e lisation de champs de dformation synthtiques exprims dans une base de fonctions e e e B-splines aurait grandement favoris la mthode que nous avons propose. Cest pour e e e cette raison que nous avons choisi davoir recours a des transformations synthtiques ` e sinuso dales par bloc.

10.1.2

Construction dun cerveau moyen

La seconde mthode de validation que nous avons utilise est la construction dun e e cerveau moyen. Ce crit`re a lavantage de porter sur des images relles et ne requiert pas e e lintervention dun expert. Limage moyenne construite est simplement compare avec e limage de rfrence au sens dun certain crit`re de similarit. La principale limite de ce ee e e crit`re de validation est quil nest bas que sur la valeur des intensits. Ainsi, il ne tient e e e compte daucune considration lie a la ralit anatomique sous-jacente de limage, ce e e ` e e qui ne lui permet pas dvaluer la pertinence des champs de dformation estims. Les e e e meilleurs rsultats au vu de ce crit`re sont donc obtenus pour des mthodes de recae e e lage qui ne sont sujettes a aucune contrainte et qui sont donc capables de minimiser au ` mieux un crit`re de similarit. Par consquent, cette approche est utile pour caractriser e e e e lecacit dune mthode de recalage a minimiser un crit`re de similarit, mais est mae e ` e e nifestement peu adapte pour valuer la pertinence des champs de dformation estims. e e e e

10.1.3

Validation de la segmentation par transport datlas

La troisi`me approche utilise dans le cadre de validation que nous avons mis en e e place est base sur lvaluation de la segmentation automatique par transport datlas. e e Contrairement a la construction dun cerveau moyen, cette approche est base sur des ` e

10.1 Cadre de validation

177

considrations anatomiques, permettant ainsi dvaluer la pertinence des transformations e e estimes. Cependant, les cartes de segmentation utilises, soit dnies par un expert, e e e soit issues dun algorithme de segmentation, ne peuvent tre considres comme des e ee vrits terrain parfaites puisquelles sont sujettes a des erreurs. Une autre limite de e e ` cette approche est de ne pouvoir valuer la pertinence du champ de dformation quaux e e fronti`res entre les structures. Ainsi, pour caractriser une mthode de recalage plus e e e nement, une segmentation avec un plus grand nombre de structures de plus petite taille doit tre utilise. Ceci explique les dirences de rsultats observes selon que la e e e e e segmentation en 3 classes ou en 34 structures anatomiques est considre. ee Certaines remarques peuvent aussi tre faites sur les crit`res utiliss pour lvaluation e e e e de la segmentation. Les crit`res de sensibilit (SE), de spcicit (SP) et de superposition e e e e (KI) prsents dans la section 8.2.2.2 sont connus pour donner de meilleurs rsultats e e e sur des structures de grande taille, ce qui pose un probl`me pour comparer la qualit e e de la segmentation de structures de tailles direntes. En eet, plus une structure a e un volume important, plus le rapport entre les erreurs de segmentation commises a la ` fronti`re de la structure et le nombre total de voxels bien segments tend a diminuer. e e ` Pour ne pas tre sensible a ce phnom`ne, lutilisation de crit`res valuant une distance e ` e e e e entre les fronti`res des objets segments peut tre privilgie [Moretti 00]. Un second e e e e e inconvnient, spcique a lvaluation a travers la segmentation par transport datlas, e e ` e ` est que ces crit`res dpendent du choix arbitraire de limage considre comme vrit e e ee e e terrain, dune part car la taille des structures varie dans chacune des images et donc se pose ainsi le probl`me soulev prcdemment, et dautre part car la qualit de la e e e e e segmentation de limage choisie comme vrit terrain a une importance toute particuli`re e e e sur les rsultats obtenus. Pour contourner ce probl`me, une alternative est dutiliser un e e crit`re mesurant la variabilit des tiquettes associes a un voxel donn pour lensemble e e e e ` e des cartes transportes [Robbins 04]. e

10.1.4

Evaluation de la mise en correspondance damers

La derni`re mthode de validation que nous avons utilise value la prcision de la e e e e e mise en correspondance de certains points caractristiques dnis par un expert. Ce e e crit`re est certainement lun des plus exigeants. En eet, si deux amers sont associs a e e ` des voxels ayant des intensits direntes dans les deux images, ils ont peu de chance e e dtre mis en correspondance parfaitement. Une des principales limites de cette approche e concerne la slection manuelle des points caractristiques par des experts qui est sujette e e a une certaine variabilit intra- et inter-oprateur. Par ailleurs, il est aussi lgitime de ` e e e sinterroger sur la pertinence des points caractristiques choisis et de leur invariance e au sein dune population. En eet, la dnition1 des points que nous avons retenus est e troitement lie au syst`me de coordonnes dni par le plan interhmisphrique et par les e e e e e e e commissures antrieure et postrieure. Par consquent, valuer la mise en correspondance e e e e de points dont la dnition ne repose pas uniquement sur des considrations anatomiques, e e mais aussi sur des considrations gomtriques, peut tre sujet a controverse. e e e e `
1

Cf. section 8.2.3 et [Grachev 99] pour le protocole permettant de dnir les dirents amers. e e

178

Discussion

10.2

Caractrisation de la mthode de recalage proe e pose e


Rglage des param`tres e e

10.2.1

La mthode de recalage dcrite dans la seconde partie de ce document requiert le e e rglage de quatre param`tres par lutilisateur : lchelle nale lf in , les deux bornes Jmin e e e et Jmax contraignant les valeurs du jacobien (Jmax = 1/Jmin pour un rglage cohrent) et e e le facteur pondrant linuence du terme de rgularisation. Lchelle nale conditionne e e e le nombre de degrs de libert du mod`le de dformation, les bornes sur le jacobien e e e e dnissent lintervalle des variations de volume admissibles induites par la transformation e et le facteur permet de contrler la rgularit de la solution estime. Tous ces rglages o e e e e permettent dviter lestimation de transformations ayant des comportements irralistes. e e La plupart des mthodes de la littrature se contentent dimposer la positivit du e e e jacobien de la transformation, mais peu dentre elles proposent de contraindre la valeur du jacobien entre deux bornes. De telles contraintes sur les valeurs du jacobien ne se substituent pas a une mthode de rgularisation puisquelles ne permettent pas de ` e e garantir au champ de dformation estim dtre lisse. Cependant, un des avantages de e e e contraindre le jacobien par rapport a des techniques classiques de rgularisation est li ` e e a son interprtation physique, car les mod`les de rgularisation ne reposent en gnral ` e e e e e sur aucune justication biologique. Par exemple, il est lgitime de contraindre les valeurs e du jacobien a tre positives car cela permet de garantir a la transformation de prserver `e ` e lintgrit des structures dformes. Par ailleurs, contraindre les valeurs du jacobien entre e e e e deux bornes, par exemple 0, 5 et 2, revient a faire lhypoth`se implicite que la variation ` e locale de volume nexc`de pas un facteur 2. Cette hypoth`se tant vrie quel que soit le e e e e e volume lmentaire considr, cela revient a faire lhypoth`se que la variation de volume ee ee ` e des direntes structures anatomiques au sein dune population nexc`de pas un facteur e e 2. Concernant le choix des param`tres de la mthode que nous avons propose, il nest e e e pas possible de dnir un rglage optimal puisque le rglage est dpendant de lapplie e e e cation. Cependant, au vu des rsultats obtenus, il semble prfrable de poursuivre un e ee recalage jusqu` une grande chelle autorisant ainsi un grand nombre de degrs de lia e e bert, en imposant au jacobien de la transformation a tre positif et en considrant le e `e e terme de rgularisation avec = 1 (ce qui correspond a attribuer un poids gal au e ` e terme dattache aux donnes et au terme de rgularisation dans le crit`re). Ce jeu de e e e param`tres correspond a la mthode rfrence par B=1 dans le chapitre prcdent. e ` e ee e e e topo

10.2.2

Conservation de la topologie

Les apports de la mthode dcrite au chapitre 4, garantissant la proprit de consere e ee vation de la topologie, ont t mis en vidence sur la segmentation en 34 structures ee e anatomiques par transport datlas, sur la mise en correspondance damers ponctuels et sur la cohrence des champs de dformation estims. Cette contrainte permet ainsi e e e destimer des transformations plus proches de la ralit anatomique des images. Il est e e

10.2 Caractrisation de la mthode de recalage propose e e e

179

intressant de comparer ces rsultats avec ceux obtenus par lapproche prsente section e e e e 5.2.2, qui impose la positivit du jacobien uniquement sur la grille discr`te de limage. e e Les rsultats obtenus par cette mthode sont dune qualit pratiquement gale a ceux e e e e ` obtenus en imposant la conservation de la topologie sur le domaine continu sous-jacent de limage, en bnciant par contre dun cot calculatoire beaucoup moins important. e e u Cette mthode appara donc comme une alternative intressante a la mthode dcrite e t e ` e e au chapitre 4 en termes de rapidit, de facilit dimplantation et de qualit des rsultats e e e e obtenus. Cependant, cette mthode ne garantissant pas la positivit du jacobien sur le e e domaine continu sous-jacent de limage, il est possible dobserver des valeurs ngatives e du jacobien sur une transformation construite par rchantillonnage de la transformation ee estime ou par composition de la transformation estime avec une autre transformation. e e

10.2.3

Fonction de co t u

Les simulations prsentes au chapitre prcdent ont rvl des dirences sur les e e e e e ee e rsultats obtenus en fonction des crit`res de similarit considrs. Les meilleurs rsultats e e e ee e ont gnralement t obtenus en considrant la norme L1 L2 et le crit`re propos par e e ee e e e Geman et McClure qui sont moins sensibles aux valeurs aberrantes (outliers) que la ` norme L2 . A noter aussi la dirence de comportement de la norme L1 L2 par rapport e a la norme L2 pour les faibles dirences, la premi`re autorisant une meilleure mise en ` e e correspondance des structures peu contrastes. e Lintrt de la symtrisation du crit`re de similarit a t mis en vidence sur la ee e e e ee e prcision de la mise en correspondance damers ponctuels, mais pas sur la segmentation e automatique par transport datlas, pour laquelle une lg`re dgradation des rsultats e e e e est observe avec les crit`res symtrises. Par contre, conformment a ce qui tait ate e e e e ` e tendu, elle permet damliorer signicativement la cohrence des champs de dformation e e e estims. Par ailleurs, la contribution de la symtrisation pour la dtection de zones pae e e thologiques o` lhypoth`se de prservation de la topologie est rompue a t mise en u e e ee vidence section 5.1.2.3. e Il est cependant a noter que ltude de linuence de la fonction de cot a t ralise ` e u ee e e en utilisant la mthode de recalage Btopo , cest-`-dire sans rgularisation. Une tude simie a e e laire mene avec la mthode B=1 naurait sans doute pas conduit aux mmes conclusions. e e e topo En eet, des simulations comparant la norme L2 avec la norme L1 Lsym , en utilisant la 2 mthode B=1 , nont pas mis en vidence la supriorit de la norme L1 Lsym , qui a poure e e e 2 topo tant conduit aux meilleurs rsultats lors de la comparaison conduite avec la mthode e e Btopo . Deux raisons peuvent expliquer ce constat : tout dabord, le rglage = 1 a t e ee dtermin a partir de simulations conduites avec la norme L2 . Des simulations avec la e e` ` e norme L1 Lsym auraient sans doute conduit a une valeur dirente de . De plus, les 2 intrts mis en vidence dans la section 9.1.5 de lutilisation des fonctions de cot L 1 L2 ee e u et G et de la symtrisation du crit`re sont un peu les mmes que ceux mis en vidence e e e e pour la rgularisation dans la section 9.1.4, a savoir une moins grande sensibilit au bruit e ` e et aux valeurs aberrantes ainsi quune meilleure cohrence des champs de dformation e e estims. Linuence de la rgularisation tant plus forte, elle tend a masquer linuence e e e ` de la fonction de cot. u

180

Discussion

10.3
10.3.1

Normalisation des intensits e


Cas des images monomodales

Au vu des rsultats prsents section 9.2.1, la mthode de normalisation des intene e e e sits joue un rle crucial dans le processus de recalage. Une simple mise a lchelle des e o ` e intensits selon une normalisation par moyenne et cart-type sest montre insusante. e e e La procdure originale de normalisation des intensits que nous avons propose permet e e e damliorer signicativement la qualit du recalage. Ce rle crucial jou par la mthode e e o e e de normalisation dintensit est li a la nature des fonctions de cot considres, bases e e` u ee e sur la dirence des intensits entre les images. Dautres crit`res de similarit issus de e e e e la thorie de linformation, comme par exemple linformation mutuelle, ne sont pas sene sibles aux dirences dintensit entre les images et ne ncessitent donc pas le recours a e e e ` une telle procdure de normalisation des intensits. Cependant, ces crit`res sont souvent e e e plus diciles a optimiser du fait de leur paysage nergtique complexe. De plus, ces ap` e e proches sourent, dans le contexte du recalage non rigide, dun manque de robustesse, en particulier aux rsolutions leves o` le nombre de voxels concerns pour lestimation e e e u e des param`tres est faible. Les fonctions de cot bases sur la dirence des intensits sont e u e e e quant a elles plus rapides a calculer et leurs bonnes proprits analytiques, notamment ` ` ee de drivabilit, autorisent le recours a des mthodes doptimisation plus ecaces. e e ` e

10.3.2

Cas des images multimodales

Gnralement, le probl`me du recalage des images multimodales est apprhend en e e e e e utilisant des crit`res de similarit issus de la thorie de linformation [Pluim 03b]. Lexe e e tension, prsente section 6.3, aux images multimodales de la procdure de normalisation e e e des intensits appara comme une alternative a ces approches, lide tant de modliser e t ` e e e de mani`re explicite la relation entre les intensits des deux images. La mthode propose e e e e nest quun premier pas pour montrer la faisabilit dune telle approche. Cette faisabilit e e a t montre section 6.3 pour le recalage dimages relles T1 et T2 et dans la section ee e e 9.2.2 sur les images simules de Brainweb (T1 , T2 et DP ). Nanmoins, au vu des rsultats e e e obtenus, il appara que la mthode propose pourrait faire lobjet damliorations fut e e e tures. La prcision atteinte lors des simulations sur champs de dformation synthtiques e e e est en dea de la prcision obtenue dans le cas dimages monomodales. En particulier, c` e des erreurs importantes de recalage persistent dans les rgions o` la fonction reliant les e u intensits na pu tre correctement estime. En eet, pour quune structure soit bien e e e segmente lors de la normalisation des intensits, il est ncessaire quelle ait une pare e e tie commune (i.e., bien recale) susamment importante dans les deux images, car les e voxels mal recals ne sont pas pris en compte lors de lestimation du mlange de lois e e gaussiennes. Donc, pour de grandes dformations, il est parfois impossible de segmenter e correctement, par la mthode que nous avons propose, certaines structures dont tous e e les voxels sont considrs comme mal recals. Une amlioration possible de la mthode ee e e e serait dintroduire des classes supplmentaires an dessayer dassocier des structures, e prsentes dans les deux images, qui nont pu tre segmentes conjointement. e e e Par ailleurs, il sera intressant deectuer par la suite une comparaison de lapproche e que nous avons propose avec linformation mutuelle ou linformation mutuelle normae lise, qui sont jusqu` prsent les crit`res les plus couramment employs pour le recalage e a e e e

10.4 Comparaison des mthodes de recalage e

181

non rigide dimages multimodales [Rueckert 99, Kybic 00, Hellier 00, Hellier 04], an de pouvoir valuer les bnces possibles de lalternative que nous proposons. e e e

10.4

Comparaison des mthodes de recalage e

Nous avons compar la mthode de recalage que nous avons propose avec trois autres e e e mthodes, a savoir une mthode de recalage ane, lalgorithme des dmons [Thirion 98] e ` e e et la mthode propose par Musse [Musse 00]. La premi`re remarque concerne la suprioe e e e rit vidente des mthodes de recalage dformable par rapport au recalage ane qui nauee e e torise pas un nombre susant de degrs de libert pour apprhender la variabilit anae e e e tomique interindividuelle. Le second point concerne les contributions mthodologiques e que nous avons apportes qui conduisent a de bien meilleurs rsultats que la mthode e ` e e initiale propose par Musse, notamment grce a la stratgie doptimisation dirente, e a ` e e a la mise en place de la contrainte de conservation de la topologie, a lutilisation dun ` ` terme de rgularisation et a lintroduction dune procdure originale de normalisation e ` e des intensits. e Concernant la comparaison de la mthode que nous avons propose avec lalgorithme e e des dmons, trois principales dirences mthodologiques peuvent tre souleves, pere e e e e mettant dexpliquer les dirences dans les rsultats observs. Tout dabord, lalgorithme e e e des dmons tel quil est implant dans ITK utilise un mod`le de dformation non pae e e e ramtrique, prsentant par consquent un nombre de DDL tr`s grand2 . Le mod`le de e e e e e dformation que nous avons utilis tant paramtrique, il prsente en thorie un nombre e ee e e e de DDL plus faible. Cependant, il est possible daccder a un nombre de DDL similaire a e ` ` celui des dmons en conduisant les recalages jusqu` la rsolution de limage initiale. e a e La seconde dirence est lie a la mani`re de contraindre la solution an dobtenir e e ` e des champs ralistes (caract`re mal pos du probl`me de recalage). Les dmons e e e e e utilisent une rgularisation de type lastique par un ltrage gaussien du champ de e e dformation a chaque itration. Dans la mthode que nous avons propose, nous ime ` e e e posons des contraintes sur la valeur du jacobien et nous pnalisons les comportements e irrguliers du champ de dformation grce a lajout dans la fonction de cot dune nergie e e a ` u e de rgularisation. Nous avons privilgi cette approche car elle permet de prendre en e e e compte linformation porte par limage pour rgulariser le champ de dformation, le bee e e soin de rgularisation tant plus fort dans les zones homog`nes. La troisi`me dirence e e e e e concerne le crit`re de similarit utilis, les dmons reposant sur lquation du ot optique e e e e e et la mthode que nous avons propose sur des crit`res bass sur la dirence des intene e e e e sits. Lquation du ot optique repose sur une hypoth`se de petits dplacements, ce qui e e e e nest pas le cas de la mthode dveloppe ici. Notons aussi que limplantation des dmons e e e e propose dans ITK est sous-optimale au regard de la procdure de normalisation des ine e tensits utilise, lutilisation de la mthode prsente section 6.2 permettant damliorer e e e e e e signicativement les rsultats. Globalement, au vu des rsultats prsents section 9.3, e e e e la mthode B=1 donne des rsultats signicativement meilleurs que les dmons sur la e e e topo segmentation automatique par transport datlas en 34 structures, sur la mise en correspondance damers ponctuels et sur la cohrence des champs de dformation estims. Le e e e principal inconvnient des dmons est de ne pas garantir la proprit de conservation de e e ee
Les mod`les de dformation non paramtriques sont en thorie caractriss par un nombre de DDL e e e e e e inni, mais en pratique, celui-ci est limit par la rsolution des images e e
2

182

Discussion

la topologie. Pour les champs de dformation estims par la mthode des dmons sur e e e e la base dimages IBSR, 3, 6% des voxels sont en moyenne caractriss par des valeurs e e ngatives du jacobien. La rsolution de ce point est un des atouts majeurs de la mthode e e e que nous avons propose car lestimation de champs de dformation caractriss par e e e e des valeurs singuli`res du jacobien peut savrer tr`s gnant pour certaines applications, e e e e en particulier, par exemple, pour ltude morphomtrique base sur les caractristiques e e e e direntielles du champ (tensor-based morphometry). e

Conclusion partielle
Nous avons prsent dans cette partie lensemble du cadre de validation que nous e e avons mis en place ainsi que les dirents rsultats que nous avons obtenus. Ces rsultats e e e ont permis de quantier linuence des direntes contributions mthodologiques dtaile e e les dans la deuxi`me partie de ce document. Nous avons en particulier tudi linuence e e e e des dirents param`tres de la mthode de recalage que nous avons propose. Nous avons e e e e par ailleurs mis en vidence limpact du choix de la fonction de cot et de la symtrisation e u e du crit`re de similarit. Nous avons aussi mis en vidence les contributions respectives e e e de la conservation de la topologie et de la procdure de normalisation des intensits que e e nous avons propose. Une comparaison avec dautres mthodes de la littrature a permis e e e de mettre en vidence que la mthode de recalage que nous avons propose pouvait tre e e e e utilise avec avantage dans nombre dapplications. Nous tenons enn a souligner le travail e ` que reprsente la validation qui a t mene au travers de quelques chires : 25 images e ee e traites, environ 900 recalages eectus, reprsentant un temps CPU cumul de pr`s de e e e e e 4 mois rpartis sur 4 stations de travail, et le stockage de plus de 80 GO de donnes e e gnres, sans compter lensemble des chiers temporaires crs. e ee ee

184

Conclusion partielle

Conclusion gnrale et perspectives e e


Bilan des contributions
Cette th`se a permis daborder direntes problmatiques lies a la mise en core e e e ` respondance non rigide dimages crbrales. Ce travail de recherche sinscrit dans la ee continuit des travaux mens par Olivier Musse [Musse 00], qui portaient dune part e e sur la conception dune mthode de recalage base sur un mod`le de dformation pae e e e ramtrique multichelle exprim dans une base de fonction B-splines, et dautre part e e e sur les contraintes permettant dimposer a un tel mod`le de dformation de prserver ` e e e la topologie dans le cas dimages bidimensionnelles. La contribution principale apporte e par ce travail de th`se concerne lextension de la proprit de conservation de la topoloe ee gie au cas dimages 3D en imposant au jacobien de la transformation dtre strictement e positif sur le domaine continu sous-jacent de limage, tout en gardant des temps de calcul raisonnables. Une seconde contribution concerne la conception dune procdure de e normalisation des intensits permettant damliorer signicativement la qualit du ree e e calage, dans le cas dimages monomodales, par rapport aux solutions proposes dans la e littrature. Une extension de cette procdure a aussi t propose an dapprhender le e e ee e e recalage dimages de modalits dimagerie anatomique direntes. e e Dautres contributions mthodologiques ont par ailleurs t mises en place par rape ee port a la mthode propose par Musse. Ces contributions sont notamment lutilisation de ` e e crit`res de similarit robustes, a savoir la norme L1 L2 et la norme propose par Geman e e ` e et McClure, ainsi que la symtrisation de ces crit`res de similarit. Dautres contribue e e tions concernent la rgularisation du mod`le de dformation en considrant lnergie de e e e e e membrane lastique et la stratgie doptimisation par bloc reposant sur la mthode de e e e Levenberg-Marquardt. Ces direntes contributions ne sont pas intrins`quement origie e nales, mais ont permis damliorer signicativement les performances de la mthode de e e recalage que nous avons dveloppe. e e Enn, un apport important de ce travail a t la mise en place dun cadre de validaee tion qui nous a permis dune part de quantier linuence des direntes contributions e mthodologiques prcdemment cites et dautre part de comparer la mthode de recalage e e e e e que nous avons propose avec dautres mthodes de recalage. Cette validation a montr e e e que la mthode propose pouvait tre utilise avec avantage pour de nombreuses applie e e e cations en analyse dimages crbrales. Elle a en particulier t utilise par Torbjrn Vik ee ee e [Vik 04, Vik 05] et Nicolas Passat [Passat 05a, Passat 05b] dans leurs travaux de th`se e mens au sein de lquipe. e e

186

Conclusion gnrale et perspectives e e

Perspectives mthodologiques e
Symtrisation du recalage e Dans la section 5.1.2, nous avons abord le probl`me de la symtrisation du crit`re e e e e de similarit. Cependant, la symtrisation du crit`re de similarit nest quune condie e e e tion ncessaire, mais non susante, pour garantir que les transformations h12 et h21 , e estimes respectivement lors du recalage dune image I1 sur une image I2 et lors du e recalage de limage I2 sur limage I1 , soient linverse lune de lautre. Pour garantir cette proprit, il faudrait dune part que le mod`le de dformation considr soit stable par ee e e ee inversion, cest-`-dire que si h appartient a lespace des transformations H considr, a ` ee 1 alors h appartient aussi a H. Dans le cas de la reprsentation paramtrique du mod`le ` e e e de dformation dans une base de fonctions B-splines, cette proprit nest pas vrie, e ee e e except lorsque lchelle l tend vers linni. Dautre part, malgr lapproche multichelle, e e e e lalgorithme doptimisation, que nous avons mis en place pour lestimation des param`tres e de la transformation, ne permet de garantir la convergence que vers un minimum local. Donc suivant limage choisie comme rfrence, lestimation des param`tres de la transee e formation peut conduire a des rsultats dirents. Enn, la version symtrise du crit`re ` e e e e e de similarit que nous avons propos quation 5.6 nest lgitime que si lintgration du e ee e e crit`re est faite sur le domaine continu de limage. La discrtisation de ce crit`re ne e e e garantit plus une parfaite symtrie en fonction des deux images, en particulier dans les e zones de limage o` la transformation est caractrise par de fortes valeurs du jacobien. u e e Une perspective, pour estimer une transformation plus cohrente en accordant un rle e o symtrique aux deux images, serait destimer conjointement les transformations h 12 et e h21 en considrant une fonction de cot du type : e u E (h12 , h21 ) =

G (I2 (s) I1 (h12 (s))) + G (I2 (h21 (s)) I1 (s)) h12 h21 Id
2

+ [ERgularisation (h12 ) + ERgularisation (h21 )] e e + + h21 h12 Id


2

ds.

A priori non stationnaire sur le mod`le de dformation e e Dans la mthode de recalage que nous avons prsente, il est possible dintroduire e e e deux types da priori sur le mod`le de dformation : un a priori sur la rgularit du e e e e champ de dformation grce a lnergie de membrane lastique et un a priori sur les e a ` e e variations de volume locales induites par la transformation en contrlant les valeurs du o jacobien. Ces a priori sont contrls respectivement par le facteur pondrant linoe e uence du terme de rgularisation et par les deux bornes Jmin et Jmax . Une perspective e possible serait de considrer des valeurs pour ces param`tres qui varient en fonction de e e la localisation dans limage, le besoin de rgularisation et la variation de volume admise sible induite par la transformation pouvant dpendre des zones considres de limage. e ee Lide dun facteur non stationnaire pondrant le terme de rgularisation a dj` t e e e ea ee propose dans [Stefanescu 04], la valeur de ce facteur tant corrle avec la valeur des e e ee gradients de limage. Une perspective serait de recaler les images par rapport a un at` las de rfrence auquel seraient associes des cartes caractrisant la distribution spatiale ee e e des valeurs du coecient et des bornes Jmin et Jmax en fonction des structures anatomiques concernes. Il serait en particulier intressant de caractriser les variations de e e e

Conclusion gnrale et perspectives e e

187

volume pour chaque structure au sein dune population an de dterminer des bornes e Jmin et Jmax , anatomiquement pertinentes, sur le jacobien. Extension aux images multimodales Le cadre de ce travail de th`se sest essentiellement limit au recalage dimages de e e mme modalit. Une extension au recalage dimages de modalits dimagerie anatomique e e e direntes, base sur une segmentation explicite des images, a t propose section 6.3. e e ee e La mthode propose nest cependant quune tape prliminaire permettant de montrer e e e e la faisabilit dune telle approche. Il serait intressant de proposer un cadre plus gnral e e e e permettant de recaler et de segmenter de mani`re conjointe les images, avec pour ide e e de faire cooprer les processus de segmentation et de recalage. Plusieurs approches ont e dj` t proposes dans la littrature pour placer dans un cadre commun les procesea ee e e sus de recalage et de segmentation [Wyatt 03, Xiaohua 04, Xiaohua 05, Ashburner 05]. Cependant, la rsolution pratique revient en gnral toujours a estimer de mani`re ale e e ` e 3 terne la segmentation et le recalage , ce qui peut conduire a lestimation dune solution e ` correspondant a un minimum local. Il serait ainsi intressant de proposer une mthode ` e e estimant rellement de mani`re conjointe le recalage et la segmentation. e e Prise en compte de primitives gomtriques e e Les mthodes de recalage bases sur la valeur des intensits des voxels de limage ne e e e semblent pas permettre de recaler de mani`re satisfaisante les sillons corticaux. En eet, e Hellier et coll. ont montr que les mthodes de recalage dformable namliorent pas de e e e e faon signicative la mise en correspondance des sillons corticaux par rapport a un simple c ` recalage rigide [Hellier 03c]. Il semblerait donc intressant de pouvoir extraire certains e sillons corticaux principaux an de les mettre en correspondance. Plusieurs travaux ont dj` t mens pour combiner linformation porte par les niveaux de gris de limage avec eae e e e des primitives gomtriques [Collins 96, Cachier 01, Johnson 02, Cachier 03, Hellier 03b, e e Sorzano 05]. Cependant, il nest pas simple de trouver un compromis ecace entre la mise en correspondance des primitives gomtriques et la mise en correspondance des e e intensits qui permette de mettre en vidence le bnce de lutilisation conjointe de ces e e e e deux approches. De plus, lextraction automatique et prcise des primitives gomtriques e e e demeure un probl`me dlicat. Une perspective serait de faire cooprer le recalage et le e e e processus dextraction des primitives, an damliorer la prcision de la phase dextrace e tion a mesure que la qualit du recalage devient meilleure. ` e Crit`res de similarit vectoriels e e Dans ce travail de th`se, nous avons uniquement considr des crit`res bass sur les e ee e e intensits des voxels. Cependant, cette information est relativement pauvre puisque de e nombreux voxels de limage ont des intensits similaires, rendant le probl`me de recalage e e mal pos. Une ide, dj` propose dans [Shen 02], est dassocier a chaque voxel un vecteur e e ea e ` dattributs contenant plusieurs descripteurs de linformation porte par le voisinage du e voxel. Ainsi, il serait possible dassocier a chaque voxel une signature qui permettrait de ` le direncier des autres voxels ayant des intensits similaires et donc de rendre bien pos e e e
3

Cest dailleurs aussi le cas dans la mthode que nous avons propose section 6.3. e e

188

Conclusion gnrale et perspectives e e

(ou du moins mieux pos) le probl`me de recalage. Cependant, le choix des descripteurs e e permettant de caractriser au mieux chaque voxel demeure une question ouverte. De e plus, loptimisation de telles fonctions de cot vectorielles peut savrer tr`s dlicate, u e e e car leur comportement est susceptible dtre fortement multimodal. Un autre probl`me e e concerne la pondration a accorder a chacun des descripteurs dans la fonction de cot. e ` ` u Un cas particulier de lutilisation de crit`res de similarit vectoriels est celui du recae e lage dimages dont plusieurs modalits dobservation sont a disposition. En r`gle gnrale, e ` e e e les recalages sont estims a partir des images morphologiques (IRM-T1 ), puis les transe ` formations estimes sont appliques aux autres modalits, les direntes modalits dun e e e e e mme individu ayant t au pralable recales sur limage morphologique par un recalage e ee e e rigide (ou ane an de corriger les probl`mes danisotropie lis a certaines modalits). e e ` e Une perspective serait donc de prendre en compte linformation porte par les direntes e e modalits lors du recalage dformable entre dirents individus. e e e Rduction du temps de calcul e Le recalage dformable dimages volumiques requiert une charge calculatoire tr`s e e importante en raison du nombre lev de param`tres a estimer et de la taille importante e e e ` des images a traiter. Un eort tout particulier doit tre fait an de maintenir des temps ` e de calcul compatibles avec une application en routine clinique. Pour allger la charge e calculatoire, il est possible, soit de diminuer le nombre de param`tres a estimer par e ` des mthodes dites adaptatives4 [Hellier 01b, Rohde 03, Park 04], soit de parallliser les e e algorithmes [Christensen 96a, Christensen 98, Stefanescu 04, Salomon 05]. La mthode e que nous avons propose pourrait bncier facilement et avantageusement de ces deux e e e approches pour diminuer son cot calculatoire. u

Perspectives applicatives
Segmentation par transport datlas La segmentation automatique par transport datlas, telle quelle est habituellement eectue, consiste a recaler une image de rfrence, a laquelle est associe une carte de e ` ee ` e segmentation, sur limage a segmenter, puis a transporter la carte de segmentation grce ` ` a a la transformation estime. La qualit dune telle segmentation dpend a la fois de la ` e e e ` qualit de la mise en correspondance des deux images et de la qualit de la segmentae e tion de limage de rfrence. An de ne pas tre sensible a la qualit de la segmentaee e ` e tion de limage de rfrence, il serait envisageable de recaler directement une carte de ee segmentation de rfrence sur limage a segmenter, au sens du maximum de vraisemee ` blance par exemple. Un des avantages de cette approche est de permettre dintroduire des contraintes de topologie dans la segmentation : la transformation tant contrainte a e ` prserver la topologie, la carte de segmentation estime est forcment topologiquement e e e quivalente (au probl`me de discrtisation pr`s) a la carte de segmentation de rfrence. e e e e ` ee De plus, il serait aussi possible dintroduire des a priori sur les variations de volume de
Les mthodes adaptatives consistent a conduire lestimation du champ de dformation uniquement e ` e dans les rgions de limage o` il est possible damliorer la mise en correspondance. Les crit`res, utiliss e u e e e pour caractriser de telles rgions, reposent, en gnral, sur linformation porte par le gradient du e e e e e crit`re de similarit. e e
4

Conclusion gnrale et perspectives e e

189

chacun des tissus en imposant des valeurs particuli`res de Jmin et de Jmax pour chaque e classe. Imagerie fonctionnelle Une des applications du recalage concerne ltude de groupe en imagerie fonctionnelle. e Lobjectif est de placer dans un rfrentiel commun un ensemble dindividus an de ee pouvoir comparer les cartes dactivation associes. La dmarche gnralement utilise e e e e e consiste a recaler lensemble des images morphologiques sur une image morphologique ` de rfrence puis a transporter lensemble des cartes dactivation. Les inconvnients dune ee ` e telle approche ont t dcrits dans [Mangin 04]. Ils sont notamment lis au fait que la ee e e variabilit fonctionnelle est beaucoup plus importante que la variabilit anatomique. e e Il serait donc intressant de prendre en compte lors du recalage, outre linformation e porte par limage morphologique, linformation porte par les cartes dactivation an e e de permettre une meilleure mise en correspondance des zones fonctionnelles. Inuence du recalage dans une cha de traitements ne Le recalage est utilis dans de nombreuses cha e nes de traitements dimages. Il est la plupart du temps utilis comme une simple bo noire suppose estimer parfaitement e te e la transformation permettant la mise en correspondance entre deux images. Cependant, il est vident que la solution obtenue est sujette a des erreurs. Il serait donc intressant e ` e de pouvoir dterminer une incertitude sur la transformation estime, dpendant de la e e e localisation dans limage, an de la prendre en compte dans les direntes mthodes en e e aval dans la cha de traitements. ne

190

Conclusion gnrale et perspectives e e

Quatri`me partie e Annexes

Annexe A Linarit du jacobien par rapport e e aux param`tres du mod`le e e


Le but de cette annexe est de montrer la linarit en tout point (x, y, z) de l e e i,j,k l l du jacobien de la transformation par rapport aux param`tres associs ax;i,j,k , ay;i,j,k et e e al : z;i,j,k (x, y, z) l , i,j,k
l l J(x, y, z, al ) = 0 + x al x;i,j,k + y ay;i,j,k + z az;i,j,k .

(A.1)

La dmonstration propose est valable quelle que soit la fonction dchelle considre. e e e ee Considrons lexpression du champ de dformation sous la forme suivante : e e l ax;i,j,k l (x, y, z) + ul (x, y, z) x ul (x, y, z) i,j,k x l , l ul (x, y, z) = ul (x, y, z) = al y y;i,j,k i,j,k (x, y, z) + uy (x, y, z) l l l l uz (x, y, z) az;i,j,k i,j,k (x, y, z) + uz (x, y, z) ul (x, y, z) = x l uy (x, y, z) = l u (x, y, z) = z al ,j ,k l ,j ,k (x, y, z) , x;i i
i ,j ,k (i , j , k ) = (i, j, k)

(A.2)

avec

al ,j ,k l ,j ,k (x, y, z) , y;i i
i ,j ,k (i , j , k ) = (i, j, k)

(A.3)

al ,j ,k l ,j ,k (x, y, z) . z;i i
i ,j ,k (i , j , k ) = (i, j, k)

Lexpression du jacobien est donne par : e l l l ul x ul x ul i,j,k i,j,k i,j,k l l + ax;i,j,k + ax;i,j,k + x 1+ x x y y z z l l l ul y ul y ul y i,j,k i,j,k i,j,k al + 1 + al + al + y;i,j,k y;i,j,k y;i,j,k x x y y z z l l l l l u u ul i,j,k i,j,k i,j,k + z al + z 1 + al + z al z;i,j,k z;i,j,k z;i,j,k x x y y z z al x;i,j,k (A.4)

J=

194

Linarit du jacobien par rapport aux param`tres du mod`le e e e e

Moyennant une factorisation permettant de simplier les calculs (le dterminant dun e produit tant gal au produit des dterminants), nous obtenons lexpression suivante e e e l l dnie sur i,j,k \ i,j,k : e al x;i,j,k J = +
1+
ul x x l i,j,k x ul y x l i,j,k x ul z x l i,j,k x

al x;i,j,k

al y;i,j,k + al z;i,j,k +

al y;i,j,k + al z;i,j,k +

J =

l l al x;i,j,k + X11 ax;i,j,k + X12 ax;i,j,k + X13 l l al y;i,j,k + X21 ay;i,j,k + X22 ay;i,j,k + X23 l l al z;i,j,k + X31 az;i,j,k + X32 az;i,j,k + X33

ul x y l i,j,k y ul y 1+ y l i,j,k y ul z y l i,j,k y

al x;i,j,k

al y;i,j,k + al z;i,j,k +

ul x z l i,j,k z ul y z l i,j,k z ul z 1+ z l i,j,k z

l i,j,k x

0
l i,j,k y

0 0
l i,j,k z

0 0

l l l i,j,k i,j,k i,j,k x y z

(A.5) o` les Xij sont des expressions ne dpendant pas des param`tres {al u e e , al , al x;i,j,k y;i,j,k z;i,j,k }. En dveloppant lexpression du dterminant, on obtient : e e
J=
l l l i,j,k i,j,k i,j,k x y z

l x;i,j,k + X11 ) (al x;i,j,k + X12 )

[(a

l l l (al y;i,j,k + X22 )(az;i,j,k + X33 ) (ay;i,j,k + X23 )(az;i,j,k + X32 ) l l l (al y;i,j,k + X21 )(az;i,j,k + X33 ) (ay;i,j,k + X23 )(az;i,j,k + X31 )

l l l l +(al x;i,j,k + X13 ) (ay;i,j,k + X21 )(az;i,j,k + X32 ) (ay;i,j,k + X22 )(az;i,j,k + X31 )

].

(A.6) Le dveloppement des grandes parenth`ses fait appara la simplication des termes e e tre l en al y;i,j,k az;i,j,k :
J=
l l l i,j,k i,j,k i,j,k x y z

[(a

l x;i,j,k + X11 ) (al x;i,j,k + X12 )

l al y;i,j,k (X33 X32 ) + az;i,j,k (X22 X23 ) + (X22 X33 X23 X32 ) l al y;i,j,k (X33 X31 ) + az;i,j,k (X21 X23 ) + (X21 X33 X23 X31 )

l l +(al x;i,j,k + X13 ) ay;i,j,k (X32 X31 ) + az;i,j,k (X21 X22 ) + (X21 X32 X22 X31 )

].

l Enn le dveloppement nal et le regroupement des termes en al e x;i,j,k , ay;i,j,k l l l font appara la simplication des termes en al tre x;i,j,k ay;i,j,k et ax;i,j,k az;i,j,k : J= + + + al x;i,j,k
l i,j,k x l i,j,k al y;i,j,k x l i,j,k al z;i,j,k x l i,j,k l i,j,k x y

(A.7) et al z;i,j,k

l l i,j,k i,j,k (X22 X33 X23 X32 ) (X21 X33 X23 X31 ) + (X21 X32 X22 X31 ) y z l l i,j,k i,j,k X11 (X33 X32 ) X12 (X33 X31 ) + X13 (X32 X31 ) y z l l i,j,k i,j,k X11 (X22 X23 ) X12 (X21 X23 ) + X13 (X21 X22 ) y z l i,j,k X11 (X22 X23 X23 X32 ) X12 (X21 X33 X23 X31 ) + X13 (X21 X32 X22 X31 ) z

( ( (

) )

).
(A.8) que

Le rsultat obtenu est aussi valable sur e

l i,j,k

(les termes en

1
l i,j,k x

lon a fait appara dans les Xij se simplient avec le facteur tre lors, on arrive a la conclusion suivante : ` (x, y, z) l , i,j,k

l i,j,k y l l i,j,k i,j,k

et

l i,j,k z l i,j,k

). D`s e

l l J(x, y, z, al ) = 0 +x al x;i,j,k +y ay;i,j,k +z az;i,j,k .

(CQFD) (A.9)

Annexe B Concavit et convexit de Jm () et e e JM ()


Il sagit de dmontrer une proprit, nonce dans la section 4.3.3.1, qui arme e ee e e la concavit de Jm () et la convexit de JM () en tant que borne infrieure et borne e e e suprieure dun ensemble de fonctions anes. e Rappelons tout dabord la dnition de la convexit et de la concavit. e e e Dnition 1 Soit f une fonction dnie sur un intervalle I convexe. On dit que f est e e convexe sur I lorsque : f est dite concave sur I lorsque : a, b I, [0, 1], f (a + (1 )b) f (a) + (1 )f (b). a, b I, [0, 1], f (a + (1 )b) f (a) + (1 )f (b). Jm () =

(B.1) (B.2)

Considrons dans un premier temps Jm (), dont la dnition est donne par : e e e
l [x,y,z]t Sp,q,r

inf

J (x, y, z, ) .

(B.3)

Etant donne la linarit du jacobien par rapport a (voir section 4.3.3.1), il peut scrire e e e ` e sous la forme suivante : Considrons les deux proprits suivantes de la borne infrieure : e ee e Proprit 1 e e f : I IR, g : I IR, Proprit 2 e e f : I IR, IR,
+ xI xI l (x, y, z) Sp,q,r ,

J(x, y, z, ) = A(x, y, z) + B(x, y, z) .

(B.4)

inf {f (x) + g(x)} inf {f (x)} + inf {g(x)}


xI xI

inf {f (x)} = inf {f (x)}


xI

Il peut ainsi tre dduit que, a, b IR , [0, 1] : e e


Jm (a + (1 )b) Jm (a + (1 )b) Jm (a + (1 )b) Jm (a + (1 )b)

= inf {A(x, y, z) + B(x, y, z)(a + (1 )b)} = inf {A(x, y, z) + B(x, y, z)a + (1 )A(x, y, z) + B(x, y, z)(1 )b)} inf {A(x, y, z) + B(x, y, z)a} + inf {(1 )A(x, y, z) + B(x, y, z)(1 )b)} inf {A(x, y, z) + B(x, y, z)a} + (1 ) inf {A(x, y, z) + B(x, y, z)b)}

Jm (a + (1 )b) Jm (a) + (1 )Jm (b)

Jm () est concave.

(CQFD)

196

Concavit et convexit de Jm () et JM () e e

De mme, en utilisant les proprits suivantes de la borne suprieure : e ee e Proprit 3 e e f : I IR, g : I IR, Proprit 4 e e f : I IR, IR, on montre que : a, b IR+ , [0, 1], JM (a + (1 )b) JM (a) + (1 )JM (b) sup {f (x)} = sup {f (x)}
xI xI

sup {f (x) + g(x)} sup {f (x)} + sup {g(x)}


xI xI xI

prouvant ainsi la convexit de JM (). e

Annexe C Expressions analytiques du gradient et du hessien de la fonction de co t u


Cette annexe est consacre au calcul du gradient et de la matrice hessienne des e direntes fonctions de cot prsentes au chapitre 5. Les fonctions de cot considres e u e e u ee sont le crit`re de similarit non symtris (quation 5.2), le crit`re de similarit symtris e e e e e e e e e (quation 5.6) et le terme de rgularisation (quation 5.8). On rappelle ici la dnition e e e e du gradient G et du hessien H relatif au crit`re E par rapport au jeu de param`tres e e l l l {ax;i,j,k , ay;i,j,k , az;i,j,k }, not dans la suite {ax , ay , az } an dallger les notations : e e G = E ax E ay E az 2E ; H = ay ax 2E az ax 2E a2 x 2E ax ay 2E a2 y 2E az ay 2E ax az 2 E . ay az 2 E a2 z

(C.1)

E 2 E 2E , et , les autres termes ax a2 ay ax x du gradient et du hessien se dduisant de faon immdiate de ces expressions. e c e Nous prsentons uniquement les expressions de e

C.1

Crit`re de similarit non symtris (quation e e e e e 5.2)

Lexpression du crit`re de similarit non symtris prsent dans lquation 5.2 est e e e e e e e donne par : e ESimilarit (h) = e

G (I2 (s) I1 (h(s))) ds,

(C.2)

G tant une fonction au moins de classe C 2 . Lexpression de la composante suivant ax du e gradient de ESimilarit est donne par : e e ESimilarit e (h) = ax G (I2 (s) I1 (h(s))) hx I1 ds, ax s x h(s) (C.3)

198 Expressions analytiques du gradient et du hessien de la fonction de co t u avec : G (v) = G la drive de la fonction de cot, e e u v v I 1 le gradient suivant x de limage I1 calcul au point h(s), e x h(s) hx = l (x, y, z) la drive suivant ax du champ de dformation. e e e i,j,k ax s En drivant une seconde fois cette expression, par rapport a ax ou a ay , les deux exprese ` ` sions suivantes sont obtenues : 2 ESimilarit e (h) = 2 ax G (I2 (s) I1 (h(s))) hx ax hx ax
2 2

G (I2 (s) I1 (h(s))) et 2 ESimilarit e (h) = ay ax

h(s) s 2 I1 ds, x2 h(s) s

I1 x

(C.4)

hy I1 I1 hx ax s ay s x y h(s) 2 I1 hy hx ds, G (I2 (s) I1 (h(s))) ax s ay s yx h(s) G (I2 (s) I1 (h(s)))

(C.5)

avec : 2 G (v) = G la drive seconde de la fonction de cot, e e u v 2 v 2 I 2 I1 1 les composantes du hessien de limage I1 calcul au point h(s), e et yx h(s) x2 h(s) hx hy = l (x, y, z) les drives du champ de dformation. e e e = i,j,k ax s ay s

C.2

Crit`re de similarit symtris (quation 5.6) e e e e e

Lexpression du crit`re de similarit symtris prsent dans lquation 5.6 est donne e e e e e e e e par : 1 sym (1 + Jh (s)) G (I2 (s) I1 (h (s))) ds. (C.6) ESimilarit (h) = e 2 sym Lexpression de la composante suivant ax du gradient de ESimilarit est donne par : e e
sym ESimilarit 1 e (h) = ax 2

(1 + Jh (s)) G (I2 (s) I1 (h(s))) Jh + G (I2 (s) I1 (h (s))) ds, ax s

hx I1 ax s x h(s)

(C.7)

C.3 Energie de membrane lastique (quation 5.8) e e

199

Jh la drive du jacobien de la transformation par rapport au param`tre ax . e e e ax s Etant donne la linarit du jacobien par rapport aux param`tres (i.e., Jh = ax +), la e e e e Jh drive e e se calcule simplement en valuant la valeur du jacobien pour deux valeurs e ax s direntes a1 et a2 de ax (les autres param`tres tant xs) : e e e e avec Jh Jh (ax =a2 , s) Jh (ax =a1 , s) . = ax s a2 a 1 (C.8)

En drivant une seconde fois cette expression, par rapport a ax ou a ay , les deux exprese ` ` sions suivantes sont obtenues :
sym 1 2 ESimilarit e (h) = 2 ax 2

(1 + Jh (s)) G (I2 (s) I1 (h(s))) (1 + Jh (s)) G (I2 (s) I1 (h(s))) 2

hx ax hx ax

s
2

I1 x

h(s)

2 I1 x2 h(s) s

Jh hx I1 ds. G (I2 (s) I1 (h (s))) ax s ax s x h(s) (C.9)

et
sym 1 2 ESimilarit e (h) = ay ax 2

(1 + Jh (s)) G (I2 (s) I1 (h(s)))

hx hy ax s ay s hx hy (1 + Jh (s)) G (I2 (s) I1 (h(s))) ax s ay s Jh G (I2 (s) I1 (h (s))) ay s Jh G (I2 (s) I1 (h (s))) ax s hx ax s hy ay s

I1 I1 x y
2

h(s)

I1 yx h(s)

I1 x h(s) I1 ds, y h(s)

(C.10) 2 Jh 2 Jh sachant que sont nulles car le jacobien est une fonction ane des et a2 s ay ax s x param`tres ax et ay . e

C.3

Energie de membrane lastique (quation 5.8) e e

Lexpression du terme de rgularisation par nergie de membrane lastique prsent e e e e e dans lquation 5.8 est donne par : e e ERgularisation (h) = e
i {x, y, z} j {x, y, z}

ui j

ds. s

(C.11)

200 Expressions analytiques du gradient et du hessien de la fonction de co t u Lexpression de la composante suivant ax du gradient de ERgularisation est donne par : e e ERgularisation e (h) = 2 ax avec : 2 ux l i,j,k = 23l/2 a x = x x s s 2u l x i,j,k = 23l/2 = ax y s y s l 2u i,j,k x = 23l/2 = ax z z s s l (2 x i) (2l y j) (2l z k), x (2l x i) l (2 y j) (2l z k), y l (2 z k). z (C.13) ux ux 2 ux 2 ux 2 ux ux ds, + + x s ax x s y s ax y s z s ax z s (C.12)

(2l x i) (2l y j)

En drivant une seconde fois cette expression, par rapport a ax ou a ay , les deux exprese ` ` sions suivantes sont obtenues : 2 ERgularisation e (h) = 2 a2 x et 2 ux ax x
2

+ s

2 ux ax y

+ s

2 ux ax z

ds, s (C.14) (C.15)

2 ERgularisation e (h) = 0. ay ax

Annexe D Publications
Revues internationales
[1] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. 3-D deformable image registration : a topology preservation scheme based on hierarchical deformation models and interval analysis optimization. IEEE Transactions on Image Processing, vol 14, n 5, pp. 553566, mai 2005. [2] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. Retrospective evaluation of a topology preserving non-rigid registration method. Medical Image Analysis, vol 10, n 3, pp. 366384, juin 2006.

Confrences internationales avec comit de lecture et actes e e


[3] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. A topology preserving method for 3-D non-rigid brain image registration. 6th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI03), Montral, Cae nada, LNCS 2879, pp. 977978, 2003. [4] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. A topology preserving non-rigid registration method using a symmetric similarity function - Application to 3-D brain images. 8th European Conference on Computer Vision (ECCV 2004), Prague, Rpublique e tch`que, LNCS 3024, pp. 546557, 2004. e

Autres communications
[5] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. Recalage non rigide avec conservation de la topologie et crit`re de similarit symtrique : applications aux images crbrales e e e ee 3-D. Journes Sciences, Technologies et Imagerie pour la Mdecine (JSTIM), FRGBM, e e Nancy, mars 2005. [6] V. Noblet, C. Heinrich, F. Heitz, J.-P. Armspach. Recalage non rigide dimages crbrales 3-D avec prservation de la topologie : mthodes et validation. Journe du ee e e e

202 GDR ISIS, B : Formes : mod`les et dformation, juin 2005. e e

Publications

[7] V. Noblet, J.N. Hyacinthe, G. Duhamel, E. Grillon, J.L. Leviel, P. Choquet, A. Ziegler, A. Constantinesco. Polarisation nuclaire du Xnon-129 : aspects thoriques, pratiques e e e et applications en IRM a bas champ (0,1 T). Imagerie pour les Sciences du Vivant et de ` la Mdecine (IMVIE), Strasbourg, France, 2003, pp. 133. e [8] F. Heitz, J.-P. Armspach, C. Heinrich, V. Noblet. Traitement des images mdicales : e du voxel aux atlas numriques. Imagerie pour les Sciences du Vivant et de la Mdecine e e (IMVIE), Strasbourg, France, 2003, pp. 100102.

Bibliographie
M. Alker, S. Frantz, K. Rohr & H.S. Stiehl. Improving the Robustness in Extracting 3D Point Landmarks from 3D Medical Images Using Parametric Deformable Models. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2208, pages 492501, Utrecht, Pays-Bas, octobre 2001. Springer. [Allen 02] J.S. Allen, H. Damasio & T.J. Grabowski. Normal neuroanatomical variation in the human brain : an MRI-volumetric study. American journal of physical anthropology, vol. 118, pages 341358, 2002. [Amit 91] Y. Amit, U. Grenander & M. Piccioni. Structural image restoration through deformable template. Journal of the American Statistical Association, vol. 86, no. 414, pages 376387, juin 1991. [Amit 94] Y. Amit. A Nonlinear Variational Problem for Image Matching. SIAM Journal on Scientic Computing, vol. 15, no. 1, pages 207224, 1994. [Amit 97] Y. Amit. Graphical shape templates for automatic anatomy detection with applications to MRI brain scans. IEEE Transactions on Medical Imaging, vol. 16, no. 1, pages 2840, fvrier 1997. e [Ardekani 04] B.A. Ardekani, A.H. Bachman, S.C. Strother, Y. Fujibayashi & Y. Yonekura. Impact of inter-subject image registration on group analysis of fMRI data. In International Workshop on Quantication in Biomedical Imaging with PET and MRI, 1265 of International Congress Series, pages 4959, janvier 2004. [Arnold 01] J.B. Arnold, J.S. Liow, K.A. Schaper, J.J. Stern, J.G. Sled, D.W. Shattuck, A.J. Worth, M.S. Cohen, R.M. Leahy, J.C. Mazziotta & D.A. Rottenberg. Qualitative and quantitative evaluation of six algorithms for correcting intensity nonuniformity eects. NeuroImage, vol. 13, pages 93194, 2001. [Arsigny 03] V. Arsigny, X. Pennec & N. Ayache. Polyrigid and Polyane Transformations : A New Class of Dieomorphisms for Locally Rigid or Ane Registration. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2879, pages 829837, Montral, novembre 2003. Springer Verlag. e [Arsigny 05] V. Arsigny, X. Pennec & N. Ayache. Polyrigid and Polyane Transformations : a Novel Geometrical Tool to Deal with Non-Rigid Deformations Application to the registration of histological slices. Medical Image Analysis, vol. 9, no. 6, pages 507523, dcembre 2005. e [Arun 87] K. S. Arun, T. Huang & S. D. Blostein. Least-squares tting of two 3-D point sets. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 6, no. 5, pages 698700, 1987. [Alker 01]

204

BIBLIOGRAPHIE

[Ashburner 98] J. Ashburner, C. Hutton, R. Frackowiak, I. Johnsrude, C. Price & K. Friston. Identifying global anatomical dierences : deformation-based morphometry. Human Brain Mapping, vol. 6, pages 348357, 1998. [Ashburner 99a] J. Ashburner, J. Andersson & K.J. Friston. High-Dimensional Nonlinear Image Registration using Symmetric Priors. NeuroImage, vol. 9, pages 619628, 1999. [Ashburner 99b] J. Ashburner & K.J. Friston. Nonlinear Spatial Normalization Using Basis Functions. Human Brain Mapping, vol. 7, pages 254266, 1999. [Ashburner 00a] J. Ashburner, J. Andersson & K. Friston. Image registration using a symmetric prior - in three dimensions. Human Brain Mapping, vol. 9, no. 4, pages 212225, 2000. [Ashburner 00b] J. Ashburner & K.J. Friston. Voxel-Based Morphometry The Methods. NeuroImage, vol. 11, pages 805821, 2000. [Ashburner 05] J. Ashburner & K.J. Friston. Unied segmentation. NeuroImage, vol. 26, pages 839851, 2005. [Bajcsy 82] R. Bajcsy & C.H. Broit. Matching of Deformed Images. In Proceedings of the 6th International Conference of Pattern Recogition, pages 351353, 1982. [Bajcsy 89] R. Bajcsy & S. Kovai. Multiresolution elastic matching. Computer Vision, cc Graphics, and Image Processing, vol. 46, pages 121, 1989. [Bakircioglu 98] M. Bakircioglu, U. Grenander, N. Khaneja & M.I. Miller. Curve matching on brain surfaces using Frenet distances. Human Brain Mapping, vol. 6, no. 5-6, pages 329333, 1998. [Bankman 00] I. N. Bankman, diteur. Handbook of medical imaging. Academic Press, e 2000. [Barillot 99] C. Barillot. Fusion de donnes et imagerie 3D en mdecine. Habilitation a e e ` diriger des recherches, Universit de Rennes I, 1999. e [Besl 92] P.J. Besl & N.D. McKay. A Method for Registration of 3-D Shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, no. 2, pages 239 256, fvrier 1992. e

[Bilmes 97] J. Bilmes. A Gentle Tutorial on the EM Algorithm and its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models. Rapport technique ICSI-TR-97-021, Universit de Berkeley, 1997. e [Blatter 95] D.D. Blatter, E.D. Bigler, S.D. Gale, S.C. Johnson, C.V. Anderson, B.M. Burnett, N. Parker, S. Kurth & S.D. Horn. Quantitative volumetric analysis of brain MR : Normative database spanning 5 decades of life. American journal of Neuroradiology, vol. 16, pages 241251, fvrier 1995. e [Bookstein 89] F.L. Bookstein. Principal warps : Thin-plate splines and the decomposition of deformations. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 11, no. 6, pages 567585, juin 1989. [Boothby 86] W. M. Boothby. An introduction to dierentiable manifolds and riemannian geometry. Academic Press, 1986.

BIBLIOGRAPHIE

205

[Borgefors 88] G. Borgefors. Hierarchical chamfer matching : A parametric edge matching algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 10, pages 849865, novembre 1988. [Bosc 03] M. Bosc, F. Heitz, J.-P. Armspach, I. Namer, D. Gounot & L. Rumbach. Automatic change detection in multimodal serial MRI : application to multiple sclerosis lesion evolution. NeuroImage, vol. 20, no. 2, pages 643656, octobre 2003. M. Braun & B.F. Hutton. Software for image registration : Algorithms, accuracy, ecacy. Seminar in nuclear medicine, vol. 33, no. 3, pages 180 192, juillet 2003.

[Braun 03]

[Bro-Nielsen 96] M. Bro-Nielsen & C. Gramkow. Fast Fluid Registration of Medical Images. In Visualization in Biomedical Computing, LNCS-1131, pages 267 276, Hambourg, Allemagne, septembre 1996. [Broit 81] [Brown 92] [Buck 78] [Burr 81] [Burt 81] C. Broit. Optimal Registration of Deformed Images. Th`se de doctorat, e Universit de Pennsylvanie, 1981. e L.G. Brown. A survey of image registration techniques. ACM Computing Surveys, vol. 24, no. 4, pages 325376, dcembre 1992. e R.C. Buck. Advanced calculus. McGraw-Hill Book Company, 1978. D. J. Burr. A dynamic model for image registration. Computer Graphics and Image Processing, vol. 15, pages 102112, 1981. P.J. Burt. Fast lter transforms for image processing. Computer Vision, Graphics, and Image Processing, vol. 16, pages 2051, 1981.

[Cachier 00] P. Cachier & D. Rey. Symmetrization of the non-rigid registration problem using inversion-invariant energies : application to multiple sclerosis. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1935, pages 472481, Pittsburgh, Etats-Unis, octobre 2000. [Cachier 01] P. Cachier, J.-F. Mangin, X. Pennec, D. Rivi`re, D. Papadopoulos-Orfanos, e J. Rgis & N. Ayache. Multisubject Non-rigid Registration of Brain MRI e Using Intensity and Geometric Features. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2208, pages 734742, Utrecht, Pays-Bas, octobre 2001. Springer Verlag. [Cachier 02] P. Cachier. Recalage non rigide dimages mdicales volumiques - contrie bution aux approches iconiques et gomtriques. Th`se de doctorat, Ecole e e e Centrale, Paris, janvier 2002. [Cachier 03] P. Cachier, E. Bardinet, D. Dormont, X. Pennec & N. Ayache. Iconic feature based nonrigid registration : the PASHA algorithm. Computer Vision and Image Understanding, vol. 89, no. 2-3, pages 272298, 2003. [Cachier 04] P. Cachier & N. Ayache. Isotropic energies, lters and splines for vectorial regularization. Journal of Mathematical Imaging and Vision, vol. 20, no. 3, pages 251265, mai 2004. [Choi 00] Y. Choi & S. Lee. Injectivity conditions of 2D and 3D uniform cubic Bspline functions. Graphical models, vol. 62, no. 6, pages 411427, novembre 2000.

206

BIBLIOGRAPHIE

[Christensen 95] G. E. Christensen, R. D. Rabbitt, M. I. Miller, S. C. Joshi, U. Grenander, T. A. Coogan & D. C. V. Essen. Topological properties of smooth anatomic maps. In Information Processing in Medical Imaging, pages 101 112. Kluwer Academic Publishers, juin 1995. [Christensen 96a] G.E. Christensen, M.I. Miller, M.W. Vannier & U. Grenander. Individualizing neuro-anatomical atlases using a massively parallel computer. IEEE Computer, pages 3238, 1996. [Christensen 96b] G.E. Christensen, R.D. Rabbitt & I. Miller. Deformable templates using large deformation kinematics. IEEE Transactions on Image Processing, vol. 5, no. 10, pages 14351447, 1996. [Christensen 97] G.E. Christensen, S.C. Joshi & M.I. Miller. Volumetric transformation of brain anatomy. IEEE Transactions on Medical Imaging, vol. 16, no. 6, pages 864877, 1997. [Christensen 98] G.E. Christensen. MIMD Vs. SIMD Parallel Processing : A Case Study in 3D Medical Image Registration. Parallel Computing, vol. 24, pages 1369 1383, 1998. [Christensen 99] G. E. Christensen. Consistent Linear-Elastic Transformations for Image Matching. In Information Processing in Medical Imaging, LNCS1613, pages 224237, Visegrad, Hongrie, 1999. [Christensen 01] G. Christensen & H. Johnson. Consistent image registration. IEEE Transactions on Medical Imaging, vol. 20, no. 7, pages 568582, 2001. [Christensen 03] J.D. Christensen. Normalization of brain magnetic resonance images using histogram even-order derivative analysis. NeuroImage, vol. 21, no. 7, pages 817820, septembre 2003. [Chui 03] H. Chui & A. Rangarajan. A new point matching algorithm for non-rigid registration. Computer Vision and Image Understanding, vol. 89, pages 114141, 2003. [Chung 01] M. Chung, K. Worsley, T. Paus, C. Cherif, D. Collins, J. Giedd, J. Rapoport & A. Evans. A unied statistical approach to deformation-based morphometry. NeuroImage, pages 595606, 2001. [Collins 96] D. L. Collins, G. Le Goualher, R. Venugopal, A. Caramanos, A. C. Evans & C. Barillot. Cortical Constraints for Non-Linear Cortical Registration. In K. H. Hhne & R. Kikinis, diteurs, Visualization in Biomedical Computing, o e LNCS-1131, pages 307316, Berlin-Heidelberg, 1996. Springer-Verlag. [Collins 98] D.L. Collins, A.P. Zijdenbos, V. Kollokian, J.G. Sled, N.J. Kabani, C.J. Holmes & A.C. Evans. Design and Construction of a Realistic Digital Brain Phantom. IEEE Transactions on Medical Imaging, vol. 17, no. 3, pages 463 468, mars 1998. [Collins 99] L. Collins & A.C. Evans. ANIMAL : Automatic Nonlinear Image Matching and Anatomical Labeling. In A.W. Toga, diteur, Brain Warping, chapitre 8, e pages 133142. Academic Press, 1999. [Cootes 95] T.F. Cootes, C. J. Taylor, D.H. Cooper & J. Graham. Active Shape Models - Their Training and Application. Computer Vision and Image Understanding, vol. 61, no. 1, pages 3859, janvier 1995.

BIBLIOGRAPHIE

207

[Cootes 04] T. F. Cootes, S. Marsland, C. J. Twining, K. Smith & C. J. Taylor. Groupwise Dieomorphic Non-rigid Registration for Automatic Model Building. In European Conference on Computer Vision, LNCS-3024, pages 316327, Prague, Rpublique tch`que, mai 2004. e e [Crivello 02] F. Crivello, T. Schormann, N. Tzourio-Mazoyer, P.E. Roland, K. Zilles & B.M. Mazoyer. Comparison of spatial normalization procedures and their impact on functional maps. Human Brain Mapping, vol. 16, no. 4, pages 22850, aot 2002. u [Crum 03] W.R. Crum, L.D. Grin, D.L. Hill & D.J. Hawkes. Zen and the art of medical image registration : correspondence, homology, and quality. NeuroImage, vol. 20, no. 3, pages 142537, novembre 2003.

[Crum 04a] W. Crum, D. Rueckert, M. Jenkinson, D. Kennedy & S. Smith. A Framework For Detailed Objective Comparison of Non-Rigid Registration Algorithms in Neuroimaging. In Medical Image Computing and ComputerAssisted Intervention, pages 679686, septembre 2004. [Crum 04b] W.R. Crum, T. Hartkens & D.L.G. Hill. Non-rigid image registration : theory and practice. British journal of radiology, vol. 77, no. spcial 2, e pages S140S153, 2004. [Cuisenaire 96] O. Cuisenaire, J.-P. Thiran & B. Macq. Automatic registration of 3D MR images with a computerized brain atlas. In SPIE Med. Imaging, 2710, pages 438448, Newport Beach, fvrier 1996. e [DAgostino 03] E. DAgostino, F. Maes, D. Vandermeulen & P. Suetens. An information theoretic approach for non-rigid image registration using voxel class probabilities. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2879, pages 812820, Montral, Qubec, Canada, novembre e e 2003. [Davatzikos 96] C. Davatzikos. Spatial Normalization of 3D Brain Images Using Deformable Models. Journal of Computer Assisted Tomography, vol. 20, no. 4, pages 656665, 1996. [Davatzikos 97] C. Davatzikos. Spatial transformation and registration of brain images using elastically deformable models. Computer Vision and Image Understanding, vol. 66, no. 2, pages 207222, 1997. [Dawant 99] B.M. Dawant, S.L. Hartmann, J.-P. Thirion, F. Maes, D. Vandermeulen & P. Demaerel. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of simlarity and free-from transformations : part I, methodology and validation on normal subjects. IEEE Transactions on Medical Imaging, vol. 18, no. 10, pages 909916, 1999. [Dempster 77] A.P. Dempster, N.M. Laird & D.B. Rubin. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, B, vol. 39, no. 1, pages 138, 1977. [Denton 99] E.R. Denton, L.I. Sonoda, D. Rueckert, S. Rankin, C. Hayes, M.O. Leach, D.L. Hill & D.J. Hawkes. Comparison and evaluation of rigid and nonrigid registration of breast MR images. Journal of Computer Assisted Tomography, vol. 23, pages 800805, 1999.

208

BIBLIOGRAPHIE

[Desgrez 94] A. Desgrez, J. Bittoun & J. Idy-Peretti. Bases physiques de lIRM. Masson, 1994. [Dinov 02a] I. D. Dinov & D. L. Sumners. Applications of Frequency Dependent Wavelet Shrinkage to Analyzing Quality of Image Registration. SIAM Journal on Applied Mathematics, vol. 62, pages 367384, 2002. [Dinov 02b] I.D. Dinov, M.S. Mega, P.M. Thompson, R.P. Woods, D.L. Sumners, E.L. Sowell & A.W. Toga. Quantitative comparison and analysis of brain image registration using frequency-adaptive wavelet shrinkage. IEEE Transactions on Information Technology in Biomedicine, vol. 6, pages 7385, 2002. [Duda 01] R. Duda, P. Hart & D. Stork. Pattern classication. Wiley Interscience, 2001.

[Dupuis 98] P. Dupuis, U. Grenander & M.I. Miller. Variational problems on ows of dieomorphisms for image matching. Quarterly of applied mathematics, vol. 56, no. 3, pages 587600, septembre 1998. [Evans 91] A.C. Evans, W. Dai, D.L. Collins, P. Neelin & S. Marrett. Warping of a Computerized 3D Atlas to Match Brain Image Volumes for Quantitative Neuroanatomical and Functional Analysis. In SPIE Med. Imaging, 1445, pages 236247, 1991.

[Ferrant 99] M. Ferrant, C.R.G. Guttmann S.K. Wareld, R.V. Mulkern, F.A. Jolesz & R. Kikinis. 3D Image Matching Using a Finite Element Based Elastic Deformation Model. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1679, pages 202209, 1999. [Fitzpatrick 98] J.M. Fitzpatrick, D.L.G. Hill, Y. Shyr, J. West, C. Studholme & C.R. Maurer. Visual assessment of the accuracy of retrospective registration of MR and CT images of the brain. IEEE Transactions on Medical Imaging, vol. 17, no. 4, pages 571585, aot 1998. u [Fleute 99] M. Fleute & S. Lavalle. Nonrigid 3-D/2-D Registration of Images Using e Statistical Models. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1679, pages 138147, Cambridge, Grande Bretagne, septembre 1999. Springer.

[Florack 92] L. Florack, B. Romeny, J. Koenderink & M. Viergever. Scale and the differential structure of images. Image and Vision Computing, vol. 10, no. 6, pages 376388, 1992. [Frantz 00] S. Frantz, K. Rohr & H.S. Stiehl. Localization of 3D Anatomical Point Landmarks in 3D Tomographic Images Using Deformable Models. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1935, pages 492501, Pittsburgh, Etats-Unis, octobre 2000. Springer.

[Friston 95] K.J. Friston, J. Ashburner, C. Frith, J.B. Poline, J. D. Heather & R.S.J. Frackowiak. Spatial Registration and Normalization of Images. Human Brain Mapping, vol. 2, pages 165189, 1995. [Ganser 04] K.A. Ganser, H. Dickhaus, R. Metzner & C.R. Wirtz. A deformable digital brain atlas system according to Talairach and Tournoux. Medical Image Analysis, vol. 8, no. 1, pages 322, mars 2004.

BIBLIOGRAPHIE [Gee 93]

209

J.C. Gee, M. Reivich & R. Bajcsy. Elastically Deforming 3D Atlas to Match Anatomical Brain Images. Journal of Computer Assisted Tomography, vol. 17, no. 2, pages 225236, 1993. J.C. Gee, B.L. Le Briquer, C. Barillot, D.R. Haynor & R. Bajcsy. Bayesian Approach to the Brain Image Matching Problem. In Medical Imaging : Image Processing, volume 2434, pages 154156. SPIE Press, 1995. J.C. Gee, D.R. Haynor, L. Le Briquer & R. Bajcsy. Advances in elastic matching theory and its implementation. In Computer Vision, Virtual Reality and Robotics in Medicine and Medial Robotics and Computer-Assisted Surgery, LNCS-1205, pages 16372, 1997. J.C. Gee & R.K. Bajcsy. Elastic matching : continuum mechanical and probabilistic analysis. In A.W. Toga, diteur, Brain Warping, chapitre 11. e Academic Press, 1999.

[Gee 95]

[Gee 97]

[Gee 99]

[Geman 87] S. Geman & D. E. McClure. Statistical Methods for Tomographic Image Reconstruction. Bulletin of the International Statistical Institute, vol. LII, no. 4, pages 521, 1987. [Glasbey 98] C.A. Glasbey & K.V. Mardia. A review of image-warping methods. Journal of applied statistics, vol. 25, no. 2, pages 15517, avril 1998. [Glaunes 04] J. Glaunes, A. Trouv & L. Younes. Dieomorphic matching of distribue tions : A new approach for unlabelled point-sets and sub-manifolds matching. In Computer Vision and Pattern Recognition, pages 712718, 2004. [Goldberg 89] D.E. Goldberg. Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, 1989. [Grachev 99] I.D. Grachev, D. Berdichevsky, S.L. Rauch, S. Heckers, D.N. Kennedy, V.S. Caviness & N.M. Alpert. A Method for Assessing the Accuracy of Intersubject Registration of the Human Brain Using Anatomic Landmarks. NeuroImage, vol. 9, pages 250268, 1999. [Grenander 98] U. Grenander & M. Miller. Computational anatomy : an emerging discipline. Quarterly of Applied Mathematics, vol. 56, pages 617694, 1998. [Gudbjartsson 95] H. Gudbjartsson & S. Patz. The Rician distribution of noisy MRI data. Magnetic Resonance in Medicine, vol. 34, no. 6, pages 910914, dcembre 1995. e [Guimond 01] A. Guimond, A. Roche, N. Ayache & J. Meunier. Three-dimensional multimodal brain warping using the demons algorithm and adaptive intensity corrections. IEEE Transactions on Medical Imaging, vol. 20, no. 1, pages 5869, janvier 2001. [Gupta 95] S.N. Gupta & J.L. Prince. On Variable Brightness Optical Flow for Tagged MRI. In Information Processing in Medical Imaging, pages 323334. Kluwer Academic Publishers, juin 1995.

[Guziec 94] A. Guziec & N. Ayache. Smoothing and matching of 3-d space curves. e e International Journal of Computer Vision, vol. 12, no. 1, pages 79104, janvier 1994.

210

BIBLIOGRAPHIE

[Guziec 97] A. Guziec & N. Ayache. Medical Image Registration Using Geometric e e Hashing. IEEE Computational Science and Engineering Magazine, vol. 4, no. 4, pages 2941, octobre 1997. [Hajnal 01] J.V. Hajnal, D.L.G. Hill & D.J. Hawkes. Medical image registration. CRC Press, 2001. [Hansen 92] E. Hansen. Global optimization using interval analysis. Marcel Dekker, 1992. [Hartmann 99] S.L. Hartmann, M.H. Parks, P.R Martin & B.M. Dawant. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of similarity and free-form transformations : Part II, validation on severely atrophied brains. IEEE Transactions on Medical Imaging, vol. 18, pages 91726, 1999. [Hellier 00] P. Hellier. Recalage non rigide en imagerie crbrale : mthodes et validae e e tion. Th`se de doctorat, Universit de Rennes I, dcembre 2000. e e e [Hellier 01a] P. Hellier & C. Barillot. Cooperation Between Local and Global Approaches to Register Brain Images. In M.-F. Insana & R.-M. Leahy, diteurs, Infore mation Processing in Medical Imaging, LNCS-2082, pages 315328, Davis, Californie, juin 2001. [Hellier 01b] P. Hellier, C. Barillot, E. Mmin & P. Prez. Hierarchical estimation of a e e dense deformation eld for 3D robust registration. IEEE Transactions on Medical Imaging, vol. 20, no. 5, pages 388402, mai 2001. [Hellier 03a] P. Hellier. Consistent intensity correction of MR images. In International Conference on Image Processing, pages 11091112, Barcelone, Espagne, septembre 2003. [Hellier 03b] P. Hellier & C. Barillot. Coupling dense and landmark-based approaches for nonrigid registration. IEEE Transactions on Medical Imaging, vol. 22, no. 2, pages 217 227, fvrier 2003. e [Hellier 03c] P. Hellier, C. Barillot, I. Corouge, B. Gibaud, G. Le Goualher, D.L. Collins, A. Evans, G. Malandain, N. Ayache, G.E. Christensen & H.J. Johnson. Retrospective evaluation of intersubject brain registration. IEEE Transactions on Medical Imaging, vol. 22, pages 1120 1130, 2003. [Hellier 04] P. Hellier & C. Barillot. A hierarchical parametric algorithm for deformable multimodal image registration. Computer Methods and Programs in Biomedicine, vol. 75, no. 2, pages 107115, aot 2004. u [Hill 91] D.L. Hill, D.J. Hawkes, J.E. Crossman, M.J. Gleeson, T.C. Cox, E.E. Bracey, A.J. Strong & P Graves. Registration of MR and CT Images For Skull Base Surgery Using Point-Like Anatomical Features. British Journal of Radiology, vol. 64, no. 767, pages 10301035, novembre 1991. [Hill 00] D.L.G. Hill & D.Z. Hawkes. Across-modality registration using intensitybased cost functions. In I. N. Bankman, diteur, Handbook of medical e imaging, chapitre 34, pages 537 553. Academic Press, 2000. [Hill 01] D.L.G. Hill, P.G. Batchelor, M. Holden & D.J. Hawkes. Medical image registration. Physics in medicine and biology, vol. 46, no. 3, pages R1R45, mars 2001.

BIBLIOGRAPHIE

211

[Holden 00] M. Holden, D. L. G. Hill, E. R. E. Denton, J. M. Jarosz, T. C. S. Cox, T. Rohlng, J. Goodey & D. J. Hawkes. Voxel similarity measures for 3-D serial MR brain image registration. IEEE Transactions on Medical Imaging, vol. 19, no. 2, pages 94102, fvrier 2000. e [Horn 81] [Hsu 99] B. Horn & B. Schunck. Determining optical ow. Articial Intelligence, vol. 17, pages 185203, 1981. L. Hsu, M. H. Loew & J. Ostuni. Automated Registration of Brain Images Using Edge and Surface Features. IEEE Engineering in Medicine and Biology Magazine, vol. 18, no. 6, pages 4047, novembre 1999.

[Hunter 99] J. Hunter, J.L. Lancaster & P.T. Fox. Surface-based spatial normalization using convex hulls. In A.W. Toga, diteur, Brain Warping, chapitre 15, e pages 263282. Academic Press, 1999. [Ibanez 03] L. Ibanez, W. Schroeder, L. Ng & J. Cates. The ITK Software Guide : The Insight Segmentation and Registration Toolkit. Kitware Inc., 2003.

[Jackway 96] P. T. Jackway & M. Deriche. Scale-Space Properties of the Multiscale Morphological Dilation-Erosion. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 1, pages 3851, 1996. [Jannin 02] P. Jannin, J.M. Fitzpatrick, D.J. Hawkes, X. Pennec, R. Shahidl & M.W. Vannier. Validation of medical image processing in image-guided therapy. IEEE Transactions on Medical Imaging, vol. 21, pages 14451449, 2002. [Jaulin 01] L. Jaulin, M. Kieer, O. Didrit & E. Walter. Applied interval analysis. Springer, 2001.

[Jenkinson 01] M. Jenkinson & S.M. Smith. A Global Optimisation Method for Robust Ane Registration of Brain Images. Medical Image Analysis, vol. 5, pages 143156, 2001. [Jezzard 00] P. Jezzard. Physical basis of spatial distortions in magnetic resonance images. In I. Bankman, diteur, Handbook of Medical Imaging, chapitre 31, e pages 499513. Academic Press, septembre 2000. [Johnson 02] H. Johnson & G. Christensen. Consistent landmark and intensity-based image registration. IEEE Transactions on Medical Imaging, vol. 21, no. 5, pages 450461, mai 2002. [Joshi 00] S.C. Joshi & M.I. Miller. Landmark matching via large deformation dieomorphisms. IEEE Transactions on Image Processing, vol. 9, no. 8, pages 13571370, aot 2000. u

[Karacali 04] B. Karacali & C. Davatzikos. Estimating topology preserving and smooth displacement elds. IEEE Transactions on Medical Imaging, vol. 23, no. 7, pages 868880, juillet 2004. [Kim 04] J. Kim & J.A. Fessler. Intensity-based image registration using robust correlation coecients. IEEE Transactions on Medical Imaging, vol. 23, no. 11, pages 14301444, 2004.

[Kirkpatrick 83] S. Kirkpatrick, C. D. Gelatt & M. P. Vecchi. Optimization by Simulated Annealing. Science, vol. 220, no. 4598, pages 671680, mai 1983.

212 [Kjems 99]

BIBLIOGRAPHIE U. Kjems, S.C. Strother, J. Anderson, I. Law & L.K. Hansen. Enhancing the multivariate signal of [15 O] water PET studies with a new nonlinear neuroanatomical registration algorithm. IEEE Transactions on Medical Imaging, vol. 18, pages 306319, 1999.

[Kochunov 99] P.V. Kochunov, J.L. Lancaster & P.T. Fox. Accurate high-speed spatial normalization using an octree method. Medical Image Analysis, vol. 10, no. 6, pages 724737, dcembre 1999. e [Kovai 99] S. Kovai & R. Bajcsy. Multiscale/multiresolution representations. In cc cc A.W. Toga, diteur, Brain Warping, chapitre 3, pages 4565. Academic e Press, 1999. [Kwan 96] R.K.-S. Kwan, A.C. Evans & G.B. Pike. An Extensible MRI Simulator for Post-Processing Evaluation. In Visualization in Biomedical Computing, LNCS-1131, pages 135140, septembre 1996. J. Kybic, P. Thvenaz, A. Nirkko & M. Unser. Unwarping of Unidirece tionally Distorted EPI Images. IEEE Transactions on Medical Imaging, vol. 19, no. 2, pages 8093, fvrier 2000. e J. Kybic & M. Unser. Fast Parametric Elastic Image Registration. IEEE Transactions on Image Processing, vol. 12, no. 11, pages 14271442, 2003. Y. H. Lau, M. Braun & B.F. Hutton. Non-rigid image registration using a median-ltered coarse-to-ne displacement eld and a symmetric correlation ratio. Physics in Medicine and Biology, vol. 46, no. 4, pages 12971319, 2001.

[Kybic 00]

[Kybic 03] [Lau 01]

[Lehmann 99] T.M. Lehmann, C. Gonner & K. Spitzer. Survey : interpolation methods in medical image processing. IEEE Transactions on Medical Imaging, vol. 18, no. 11, pages 10491075, novembre 1999. [Lester 99] H. Lester & S.R. Arridge. A Survey of Hierarchical Non-Linear Medical Image Registration. Pattern Recognition, vol. 32, no. 1, pages 129149, janvier 1999.

[Lindeberg 94] T. Lindeberg. Scale-space theory in computer vision. Kluwer Academic Publishers, 1994. [Liu 04] T. Liu, D. Shen & C. Davatzikos. Deformable registration of cortical structures via hybrid volumetric and surface warping. NeuroImage, vol. 22, no. 4, pages 17901801, 2004. J. Luo, Y. Zhu, P. Clarysse & I. Magnin. Correction of Bias Field in MR Images Using Singularity Function Analysis. IEEE Transactions on Medical Imaging, vol. 24, no. 8, pages 1067 1085, aot 2005. u F. Maes, A. Collignon, D. Vandermeulen, G. Marchal & P. Suetens. Multimodality image registration by maximization of mutual information. IEEE Transactions on Medical Imaging, vol. 16, no. 2, pages 187198, avril 1997.

[Luo 05]

[Maes 97]

[Maintz 96] J.B.A. Maintz, P.A. van den Elsen & M.A. Viergever. Evaluation of ridge seeking operators for multimodality medical image matching. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 4, pages 353365, avril 1996.

BIBLIOGRAPHIE

213

[Maintz 98] J.B.A. Maintz & M.A. Viergever. A survey of medical image registration. Medical Image Analysis, vol. 2, no. 1, pages 136, mars 1998. [Makela 02] T. Makela, P. Clarysse, O. Sipila, N. Pauna, Q.C. Pham, T. Katila & I.E. Magnin. A review of cardiac image registration methods. IEEE Transactions on Medical Imaging, vol. 21, no. 9, pages 10111021, septembre 2002. [Mallat 89] S.G. Mallat. A theory for multiresolution signal decomposition : The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 11, pages 674693, 1989. S. Mallat. A wavelet tour of signal processing. Academic Press, 1998.

[Mallat 98]

[Mangin 95] J.-F. Mangin. Mise en correspondance dimages mdicales 3D e multi-modalits multi-individus pour la corrlation anatomo-fonctionnelle e e crbrale. e e Th`se de doctorat, Ecole Nationale Suprieure des e e Tlcommunications, Paris, 1995. ee [Mangin 04] J.-F. Mangin, D. Rivi`re, O. Coulon, C. Poupon, A. Cachia, Y. Cointepas, e J.-B. Poline, D. Le Bihan, J. Rgis & D. Papadopoulos-Orfanos. Coordinatee based versus structural approaches to brain image analysis. Articial Intelligence in Medicine, vol. 30, pages 177197, 2004. [Marieb 93] E.N. Marieb. Anatomie et physiologie humaines. De Boeck Universit, e 1993. [Marquardt 63] D. W. Marquardt. An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial and Applied Mathematics, vol. 11, no. 2, pages 431441, 1963. [Marsland 04] S. Marsland & C.J. Twining. Constructing dieomorphic representations for the groupwise analysis of nonrigid registrations of medical images. IEEE Transactions on Medical Imaging, vol. 23, no. 8, pages 10061020, aot u 2004. [Maurer 98] C.R. Jr Maurer, R.J. Maciunas & J.M. Fitzpatrick. Automated Registration of Brain Images Using Edge and Surface Features. IEEE Transactions on Medical Imaging, vol. 17, no. 5, pages 753761, octobre 1998. [Mellor 05] [Metz 78] [Miller 93] M. Mellor & M. Brady. Phase mutual information as a similarity measure for registration. Medical Image Analysis, vol. 9, no. 4, pages 330343, 2005. C.E. Metz. Basic principles of ROC analysis. Seminars in nuclear, vol. 8, pages 283298, 1978. M.I. Miller, G.E. Christensen, Y. Amit & U. Grenander. Mathematical textbook of deformable neuroanatomies. In Proceedings of the National Academy of Sciences, pages 1194411948, dcembre 1993. e M.I. Miller, S.C. Joshi & G.E. Christensen. Large deformation uid diffeomorphisms for landmark and image matching. In A.W. Toga, diteur, e Brain Warping, chapitre 7, pages 115131. Academic Press, 1999. M. Miller & L. Younes. Group Actions, Homeomorphisms, and Matching : A General Framework. International Journal of Computer Vision, vol. 41, no. 1/2, pages 6184, 2001.

[Miller 99]

[Miller 01]

214 [Miller 04]

BIBLIOGRAPHIE

M.I. Miller. Computational anatomy : shape, growth, and atrophy comparison via dieomorphisms. NeuroImage, vol. 23, no. Suppl. 1, pages S19S33, 2004. [Montagnat 99] J. Montagnat, H. Delingette & G. Malandain. Cylindrical Echocardiographic Image Segmentation Based on 3D Deformable Models. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1679, pages 168175, Cambridge, Grande Bretagne, septembre 1999. Springer. [Moretti 00] B. Moretti, M.J. Fadili, S. Ruan, D. Bloyet & B. Mazoyer. Phantom-Based Performance Evaluation - Application To Brain Segmentation From Magnetic Resonance Images. Medical Image Analysis, vol. 4, no. 4, pages 303316, juin 2000. [Musse 00] O. Musse. Contribution a la mise en correspondance non rigide dimages ` mdicales : une approche paramtrique hirarchique sous contraintes topoe e e logiques. Application au recalage dformable du cerveau en imagerie IRM. e Th`se de doctorat, Universit Louis Pasteur, Strasbourg, 2000. e e [Musse 03] O. Musse, F. Heitz & J.-P. Armspach. Fast Deformable Matching of 3-D Images over Multiscale Nested Subspaces. Application to atlas-based MRI segmentation. Pattern Recognition, vol. 36, no. 8, pages 18811899, aot u 2003. [Nelder 65] J.A. Nelder & R. Mead. A simplex method for function minimization. The Computer Journal, vol. 7, no. 4, pages 308313, 1965. [Nestares 00] O. Nestares & D.J. Heeger. Robust multiresolution alignment of MRI brain volumes. Magnetic Resonance in Medicine, vol. 43, pages 705715, 2000. [Nielsen 02] M. Nielsen, P. Johansen, A. D. Jackson & B. Lautrup. Brownian Warps : A Least Committed Prior for Non-rigid Registration. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2489, pages 557 564, 2002. [Nielsen 04] M. Nielsen & P. Johansen. A PDE solution of Brownian warping. In European Conference on Computer Vision, LNCS-3024, pages 180191, Prague, Rpublique tch`que, mai 2004. e e [Nikou 99] C. Nikou, F. Heitz & J.-P. Armspach. A probabilistic deformable model for MR/SPECT brain image registration and segmentation. In SPIE Med. Imaging, 3361, pages 2026, San Diego,Californie, Etats-Unis, fvrier 1999. e [Nyul 99] L.G. Nyul & J.K. Udupa. On standardizing the MR image intensity scale. Magnetic Resonance in Medicine, vol. 42, no. 6, pages 10721081, dcembre e 1999. [Otsu 79] N. Otsu. A threshold selection method from grey-level histograms. IEEE Transactions on Systems, Man and Cybernetics, vol. 9, no. 1, pages 6266, janvier 1979. [Park 04] H. Park, P. H. Bland, K. K. Brock & C. R. Meyer. Adaptive registration using local information measures. Medical Image Analysis, vol. 8, pages 465473, 2004. [Passat 05a] N. Passat. Contribution a la segmentation des rseaux vasculaires crbraux ` e e e obtenus en IRM. Th`se de doctorat, Universit Louis Pasteur, Strasbourg, e e 2005.

BIBLIOGRAPHIE

215

[Passat 05b] N. Passat, Ch. Ronse, J. Baruthio, J.-P. Armspach, C. Maillot & Ch. Jahn. Region-growing segmentation of brain vessels : An atlas-based automatic approach. Journal of Magnetic Resonance Imaging, vol. 21, no. 6, pages 715725, juin 2005. [Pelizzari 89] C.A. Pelizzari, G.T.Y. Chen, D.R. Spelbring, R.R. Weichselbaum & C.T. Chen. Accurate three-dimensional registration of CT,PET, and/or MR images of brain. Journal of Computer Assisted Tomography, vol. 13, pages 2026, 1989. [Pennec 00] X. Pennec, N. Ayache & J.-P. Thirion. Landmark-based registration using features identied through dierential geometry. In I. Bankman, diteur, e Handbook of Medical Imaging, chapitre 31, pages 499513. Academic Press, septembre 2000. [Periaswamy 03] S. Periaswamy & H. Farid. Elastic registration in the presence of intensity variations. IEEE Transactions on Medical Imaging, vol. 22, pages 865874, 2003. [Pluim 00] J.P.W. Pluim, J.B.A. Maintz & M.A. Viergever. Image registration by maximization of combined mutual information and gradient information. IEEE Transactions on Medical Imaging, vol. 19, no. 8, pages 809814, aot u 2000. [Pluim 03a] J.P.W. Pluim & J.M. Fitzpatrick. Image registration. IEEE Transactions on Medical Imaging, vol. 22, no. 11, pages 1341 1343, novembre 2003. [Pluim 03b] J.P.W. Pluim, J.B.A. Maintz & M. A. Viergever. Mutual-information-based registration of medical images : a survey. IEEE Transactions on Medical Imaging, vol. 22, no. 8, pages 9861004, aot 2003. u [Pluim 04] J.P.W. Pluim, J.B.A. Maintz & M.A. Viergever. f-information measures in medical image registration. IEEE Transactions on Medical Imaging, vol. 23, no. 12, pages 15081516, 2004. [Powell 64] M.J.D. Powell. An ecient method for nding the minimum of a function of several variables without calculating derivatives. The Computer Journal, vol. 7, no. 2, pages 155162, 1964. [Press 92] W.H. Press, S.A. Teukolsky, W.T. Vetterling & B.P. Flannery. Numerical recipes in C. The art of scientic computing. Cambridge University Press, deuxi`me dition, 1992. e e [Rangarajan 99] A. Rangarajan, H. Chui & J.S. Duncan. Rigid point feature registration using mutual information. Medical Image Analysis, vol. 3, no. 4, pages 425440, 1999. [Rao 96] S.S. Rao. Engineering optimization : theory and practice. WileyInterscience, troisi`me dition, 1996. e e [Rao 04] A. Rao, R. Chandrashekara, G.I. Sanchez-Ortiz, R. Mohiaddin, P. Aljabar, J.V. Hajnal B.K. Puri & D. Rueckert. Spatial transformation of motion and deformation elds using nonrigid registration. IEEE Transactions on Medical Imaging, vol. 23, no. 9, pages 10651076, 2004. [Richard 05] F. Richard. A comparative study of markovian and variational imagematching techniques in application to mammograms. Pattern Recognition Letters, vol. 26, no. 12, pages 18191829, 2005.

216 [Rizzo 97]

BIBLIOGRAPHIE

G. Rizzo, P. Scifo, M.C. Gilardi, V. Bettinardi, F. Grassi, S. Cerutti & F. Fazio. Matching a computerized brain atlas to multimodal medical images. NeuroImage, vol. 6, no. 1, pages 5969, juillet 1997. [Robbins 04] S. Robbins, A. C. Evans, D. L. Collins & S. Whitesides. Tuning and Comparing Spatial Normalization Methods. Medical Image Analysis, vol. 8, no. 3, pages 311323, 2004. [Roche 98] A. Roche, G. Malandain, X. Pennec & N. Ayache. The Correlation Ratio as a New Similarity Measure for Multimodal Image Registration. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1496, pages 11151124, Cambridge, Etats-Unis, octobre 1998. Springer Verlag. [Roche 00a] A. Roche, G. Malandain & N. Ayache. Unifying Maximum Likelihood Approaches in Medical Image Registration. International Journal of Imaging Systems and Technology : Special Issue on 3D Imaging, vol. 11, no. 1, pages 7180, 2000. [Roche 00b] A. Roche, X. Pennec, M. Rudolph, D. P. Auer, G. Malandain, S. Ourselin, L. M. Auer & N. Ayache. Generalized Correlation Ratio for Rigid Registration of 3D Ultrasound with MR Images. In Medical Image Computing and Computer-Assisted Intervention, LNCS-1935, pages 567577, 2000. [Roche 01] A. Roche, X. Pennec, G. Malandain & N. Ayache. Rigid Registration of 3D Ultrasound with MR Images : a New Approach Combining Intensity and Gradient Information. IEEE Transactions on Medical Imaging, vol. 20, no. 10, pages 10381049, octobre 2001. [Rohde 03] G.K. Rohde, A. Aldroubi & B.M. Dawant. The adaptive bases algorithm for intensity-based nonrigid image registration. IEEE Transactions on Medical Imaging, vol. 22, no. 11, pages 14701479, novembre 2003. [Rohlng 03] T. Rohlng, C. Maurer, D. Bluemke & M. Jacobs. Volume-preserving nonrigid registration of MR breast images using free-form deformation with an incompressibility constraint. IEEE Transactions on Medical Imaging, vol. 22, no. 6, pages 730 741, juin 2003. [Rohr 96] K. Rohr, H.S. Stiehl, R. Sprengel, W. Beil, T.M. Buzug, J. Weese & M.H. Kuhn. Point-Based Elastic Registration of Medical Image Data Using Approximating Thin-Plate Splines. In Visualization in Biomedical Computing, LNCS-1131, pages 297306, septembre 1996. [Rohr 97] K. Rohr. On 3D dierential operators for detecting point landmarks. Image and Vision Computing, vol. 15, no. 3, pages 219233, mars 1997. [Rohr 99a] K. Rohr. Extraction of 3D anatomical point landmarks based on invariance principles. Pattern Recognition, vol. 32, no. 1, pages 315, janvier 1999. [Rohr 99b] K. Rohr, M. Fornefett & H. S. Stiehl. Approximating Thin-Plate Splines for Elastic Registration : Integration of Landmark Errors and Orientation Attributes. In Information Processing in Medical Imaging, LNCS-1613, pages 252265, juin 1999. [Rohr 01] K. Rohr, H.S. Stiehl, R. Sprengel, T.M. Buzug, J. Weese & M.H. Kuhn. Landmark-based elastic registration using approximating thin-plate splines. IEEE Transactions on Medical Imaging, vol. 20, no. 6, pages 526534, juin 2001.

BIBLIOGRAPHIE [Rouet 00]

217

J.-M. Rouet, J.-J. Jacq & Ch. Roux. Genetic algorithms for a robust 3D MR-CT registration. IEEE Transactions on Information Technology in Biomedicine, vol. 4, no. 2, pages 126136, 2000.

[Rousseeuw 87] P.J. Rousseeuw & A.M. Leroy. Robust regression and outlier detection. Wiley Interscience, 1987. [Royackkers 99] N. Royackkers, M. Desvignes, H. Fawal & M. Revenu. Detection and Statistical Analysis of Human Cortical Sulci. NeuroImage, vol. 10, pages 625641, 1999. [Rueckert 99] D. Rueckert, L.I. Sonoda, C. Hayes, D.L.G. Hill, M.O. Leach & D.J. Hawkes. Non-rigid registration using free-form deformations : Application to breast MR images. IEEE Transactions on Medical Imaging, vol. 18, no. 8, pages 712721, aot 1999. u [Salmond 02] C.H. Salmond, J. Ashburner, F. Vargha-Khadem, A. Connelly, D.G. Gadian & K.J. Friston. The precision of anatomical normalization in the medial temporal lobe using spatial basis functions. NeuroImage, vol. 17, pages 50712, 2002. [Salomon 05] M. Salomon, F. Heitz, G.-R. Perrin & J.-P. Armspach. A massively parallel approach to deformable matching of 3D medical images via stochastic differential equations. Parallel Computing, vol. 31, no. 1, pages 4571, janvier 2005. [Sarrut 00] D. Sarrut. Recalage multimodal et plate-forme dimagerie mdicale a acc`s e ` e distant. Th`se de doctorat, Universit Lumi`re, Lyon, 2000. e e e

[Schnabel 01] J. A. Schnabel, D. Rueckert, M. Quist, J. M. Blackall, A. D. Castellano Smith, T. Hartkens, G. P. Penney, W. A. Hall, H. Liu, C. L. Truwit, F. A. Gerritsen, D. L. G. Hill & D. J. Hawkes. A Generic Framework for NonRigid Registration Based on Non-Uniform Multi-Level Free-Form Deformations. In Medical Image Computing and Computer-Assisted Intervention, LNCS-2208, pages 573581, Utrecht, Pays-Bas, octobre 2001. Springer Verlag. [Schnabel 03] J.A. Schnabel, C. Tanner, A. D. Castellano-Smith, A. Degenhard, M. O. Leach, D. R. Hose, D. L. G. Hill & D. J. Hawkes. Validation of Non-Rigid Image Registration sing Finite Element Methods : Application to Breast MR Images. IEEE Transactions on Medical Imaging, vol. 22, pages 238247, 2003. [Sederberg 86] T.W. Sederberg & S.R. Parry. Free-form deformation of solid geometric models. In Proceedings of the 13th annual conference on Computer graphics and interactive techniques, pages 151 160, 1986. [Shen 02] D. Shen & C. Davatzikos. HAMMER : hierarchical attribute matching mechanism for elastic registration. IEEE Transactions on Medical Imaging, vol. 21, no. 11, pages 1421 1439, novembre 2002. J.G. Sled, A.P. Zijdenbos & A.C. Evans. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging, vol. 17, pages 8797, 1998.

[Sled 98]

218

BIBLIOGRAPHIE

[Sorzano 05] C.O.S. Sorzano, P. Thvenaz & M. Unser. Elastic Registration of Bioe logical Images Using Vector-Spline Regularization. IEEE Transactions on Biomedical Engineering, vol. 52, no. 4, pages 652663, April 2005. [Stefanescu 04] R. Stefanescu, X. Pennec & N. Ayache. Grid Powered Nonlinear Image Registration with Locally Adaptive Regularization. Medical Image Analysis, vol. 8, no. 3, pages 325342, septembre 2004. [Styner 00] M. Styner, C. Brechbuhler, G. Szekely & G. Gerig. Parametric estimate of intensity inhomogeneities applied to MRI. IEEE Transactions on Medical Imaging, vol. 19, pages 153165, 2000. G. Subsol. Construction automatique datlas anatomiques morphomtriques e a partir dimages mdicales tridimensionnelles. Th`se de doctorat, Ecole ` e e Centrale, Paris, 1995. G. Subsol, J.P. Thirion & N. Ayache. Construction automatique datlas anatomiques morphomtriques a partir dimages mdicales tridimensione ` e nelles : application a un atlas du crne. Traitement du Signal, vol. 13, ` a no. 6, pages 652674, 1996. G. Subsol, N. Roberts, M. Doran, J-P. Thirion & G.. Whitehouse. Automatic analysis of cerebral atrophy. Magnetic Resonance Imaging, vol. 15, no. 8, pages 917927, 1997. G. Subsol, J.-P. Thirion & N. Ayache. A scheme for automatically building three-dimensional morphometric anatomical atlases : application to a skull atlas. Medical Image Analysis, vol. 2, no. 2, pages 3760, 1998. G. Subsol. Crest lines for curve-based warping. In A.W. Toga, diteur, e Brain Warping, chapitre 14, pages 241262. Academic Press, 1999.

[Subsol 95]

[Subsol 96]

[Subsol 97]

[Subsol 98]

[Subsol 99]

[Szeliski 97] R. Szeliski & J. Coughlan. Spline-based image registration. International Journal of Computer Vision, vol. 22, no. 3, pages 199218, 1997. [Talairach 88] J. Talairach & P. Tournoux. Co-planar stereotaxic atlas of the human brain. 3-dimensional proportional system : an approach to cerebral imaging. Thieme Verlag, 1988. [Thirion 94] J.-P. Thirion. Extremal Points : denition and application to 3D image registration. In Computer Vision and Pattern Recognition, pages 587592, juin 1994. [Thirion 96] J.-P. Thirion. New Feature Points based on Geometric Invariants for 3D Image Registration. International Journal of Computer Vision, vol. 18, no. 2, pages 121137, mai 1996. [Thirion 98] J-P. Thirion. Image matching as a diusion process : an analogy with Maxwells demons. Medical Image Analysis, vol. 2, no. 3, pages 243260, 1998. [Thompson 97] P.M. Thompson, D. MacDonald, M.S. Mega, C.J. Holmes, A.C. Evans & A.W. Toga. Detection and mapping of abnormal brain structure with a probabilistic atlas of cortical surfaces. Journal of Computer Assisted Tomography, vol. 21, no. 4, pages 567581, 1997.

BIBLIOGRAPHIE

219

[Thompson 99] P. Thompson & A.W. Toga. Anatomically driven strategies for highdimensional brain image warping and pathology detection. In A.W. Toga, diteur, Brain Warping, chapitre 18, pages 311336. Academic Press, 1999. e [Thvenaz 00] P. Thvenaz, T. Blu & M. Unser. Image Interpolation and Resampling. e e In I.N. Bankman, diteur, Handbook of Medical Imaging, Processing and e Analysis, chapitre 25, pages 393420. Academic Press, San Diego,Californie, Etats-Unis, 2000. [Toga 99] A.W. Toga, diteur. Brain warping. Academic Press, 1999. e [Trouv 98] A. Trouv. Dieomorphisms groups and pattern matching in image analysis. e e International Journal of Computer Vision, vol. 28, no. 3, pages 213221, 1998. [Unser 91] M. Unser, A. Aldroubi & M. Eden. Fast B-Spline Transforms for Continuous Image Representation and Interpolation. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13, no. 3, pages 277285, mars 1991.

[Van den Elsen 95] P.A. Van den Elsen, J.B.A. Maintz, E.-J.D. Pol & M.A. Viergever. Automatic registration of CT and MR brain images using correlation of geometrical features. IEEE Transactions on Medical Imaging, vol. 14, no. 2, pages 384396, 1995. [Veltkamp 99] R. Veltkamp & M. Hagedoorn. State-of-the-art in shape matching. Rapport technique UU-CS-1999-27, Utrecht, Pays-Bas, 1999. [Verard 97] L. Verard, P. Allain, J.M. Travere, J.C. Baron & D. Bloyet. Fully automatic identication of AC and PC landmarks on brain MRI using scene analysis. IEEE Transactions on Medical Imaging, vol. 16, no. 5, pages 610616, octobre 1997. [Vik 04] T. Vik. Mod`les statistiques dapparence non gaussiens. Application a la e ` cration dun atlas probabiliste de perfusion crbrale en imagerie mdicale. e e e e Th`se de doctorat, Universit Louis Pasteur, Strasbourg, 2004. e e T. Vik, F. Heitz, I. Namer & J.-P. Armspach. On the Modeling, Construction and Evaluation of a Probabilistic Atlas of Brain Perfusion. NeuroImage, vol. 24, no. 4, pages 10881098, fvrier 2005. e L. Wang, HM. Lai, GJ. Baker, DH. Miller & PS. Tofts. Correction for variation in MRI scanner sensitivity in brain studies with histogram matching. Magnetic Resonance in Medicine, vol. 39, pages 322327, 1998. W. M. Wells, W.E.L. Grimson, R. Kikinis & F.A. Jolesz. Statistical intensity correction and segmentation of MRI data. In Visualization in Biomedical Computing, octobre 1994. J. West, J.M. Fitzpatrick, M.Y. Wang, B.M. Dawant, C.R. Maurer, R.M. Kessler, R.J. Maciunas, C. Barillot, D. Lemoine, A. Collignon, F. Maes, P. Suetens, D. Vandermeulen, P.A. van den Elsen, S. Napel, T. Sumanaweera, B. Harkness, P.F. Hemler, D.J. Hawkes, D.L.G. Hill, C. Studholme, J.B.A. Maintz, M.A. Viergever, G. Malandain, X. Pennec, M.E. Noz, G.Q. Maguire, M. Pollack, C.A. Pellizan, R.A. Robb, D. Hanson & R.P. Woods.

[Vik 05]

[Wang 98]

[Wells 94]

[West 97]

220

BIBLIOGRAPHIE Comparison and evaluation of retrospective intermodality brain image registration techniques. Journal of Computer Assisted Tomography, vol. 21, no. 4, pages 554566, juillet 1997.

[Woods 93] R.P. Woods, J.C. Mazziota & S.R. Cherry. MRI-PET registration with automated algorithm. Journal of Computer Assisted Tomography, vol. 17, no. 4, pages 536546, 1993. [Woods 98] R.P. Woods, S.T. Grafton, J.D.G. Watson, N.L. Sicotte & J.C. Mazziotta. Automated image registration : 2. Intersubject validation of linear and nonlinear models. Journal of Computer Assisted Tomography, vol. 22, no. 1, pages 153165, 1998. [Woods 00] R.P. Woods. Validation of Registration Accuracy. In I.N. Bankman, diteur, e Handbook of medical imaging. Processing and analysis, pages 491497. Academic Press, 2000. [Wrz 05] o S. Wrz & K. Rohr. Localization of anatomical point landmarks in 3D o medical images by tting 3D parametric intensity models. Medical Image Analysis, 2005. a para ` tre. P.P. Wyatt & J.A. Noble. MAP MRF joint segmentation and registration of medical images. Medical Image Analysis, vol. 7, no. 4, pages 53952, 2003.

[Wyatt 03]

[Xiaohua 04] C. Xiaohua, M. Brady & D. Rueckert. Simultaneous Segmentation and Registration for Medical Image. In Ch. Barillot, D.R. Haynor & P. Hellier, diteurs, Medical Image Computing and Computer-Assisted Intervention, e LNCS-3216, pages 663670, Saint-Malo, France, 2004. Springer-Verlag. [Xiaohua 05] C. Xiaohua, M. Brady, J.L.-C. Lo & N Moore. Simultaneous Segmentation and Registration of Contrast-Enhanced Breast MRI. In Gary E. Christensen & Milan Sonka, diteurs, Information Processing in Medical Imaging, e LNCS-3565, pages 126137, Glenwood Springs, Colorado, Etats-Unis, 2005. Springer-Verlag. [Xue 04] Z. Xue, D. Shen & C. Davatzikos. Determining correspondence in 3-D MR brain images using attribute vectors as morphological signatures of voxels. IEEE Transactions on Medical Imaging, vol. 23, no. 10, pages 1276 1291, octobre 2004. A. Yezzi, L. Zollei & T. Kapur. A variational framework for integrating segmentation and registration through active contours. Medical Image Analysis, vol. 7, no. 2, pages 17185, juin 2003. A.L. Yuille, P.W. Hallinan & D.S. Cohen. Feature Extraction from Faces Using Deformable Templates. International Journal of Computer Vision, vol. 8, no. 2, pages 99111, 1992. B. Zitova & J. Flusser. Image registration methods : a survey. Image and Vision Computing, vol. 21, no. 11, pages 9771000, octobre 2003.

[Yezzi 03]

[Yuille 92]

[Zitova 03]