Rad 6005 2015_16fevrier

Qu’est-ce la normalisation ?

!  Localisation du voxel = localisation anatomique

Avec des valeurs d’intensité exactes

Terminologie de la normalisation

!  La normalisation signifie la combinaison de 2 opérations !  Estimation de la transformation :

trouver la matrice de transformation (pas de resampling)

!  Resampling : on applique la transformation estimée

!  Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,

Principes de la normalisation

!  Nous devons comprendre:

!  Transformations spatiales

!  Interpolation

!  Fonctions de similitude

!  Recherche / Optimisation

!  Résolution multiple

!  Espace standard

Transformations spatiales

!  Pour aligner les images, il faut les transformer

!  Il y a beaucoup de types de transformation

!  Les degrés de liberté décrivent l’image transformée partiellement

!  Par exemple : !  Corps rigide (6df)

!  Affine (12df)

!  Rigide en parties (6df par partie)

!  Non-linéaire (fluide, élastique, spline, etc.)

Transformations à corps rigide

!  6 degrés de liberté en 3D

!  Inclut:

!  3 Rotations

!  3 Translations

!  Utilisées pour co-registration ou pour correction du mouvement intra-sujet

Transformations affines

!  12 degrés de liberté en 3D

!  Transformation linéaire

!  Inclut: !  3 Rotations

!  3 Translations

!  3 « Scalings »

!  3 Skews / Shears

!  Utilisé pour des normalisations sujet-standard (e.g. Talairach)

Transformations non-linéaires

!  Plus que 12 degrés de liberté

!  Peuvent être locales

!  Quelques contraintes: !  Rigide en partie

!  Fonctions de base (e.g. Splines)

!  Utilisé pour une normalisation inter-sujet de bonne qualité

Normalisation non-linéaire

!  T = rotation, « scaling », translation

!  D = Transformation de plus grand ordre, exige déformation locale

Interpolation

!  Trouve les valeurs d’intensité entre les points de la grille

Interpolation


Interpolation


!  Différents types incluent

!  Voisin le plus proche

!  Trilinéaire

!  Sinc

!  Spline

!  Méthode espace k

Interpolation

!  Affecte la précision des analyses à venir

!  Important pour l’imagerie quantitative !  Peut affecter la largeur des artéfacts

Voisin le plus proche Sinc Trilinéaire

Fonctions de similitude

!  Mesure la validité de l’alignement

!  Cherche la valeur maximale

!  Plusieurs variétés principales

Moindres carrés Même modalité (paramètres de séquence exacts)

Corrélation normalisée Même modalité (peut changer le contraste et l’intensité)

Rapport de corrélation N’importe quelle modalité RM

Information mutuelle N’importe quelle modalité (incluant CT, TEP, etc.)

Information mutuelle normalisée

N’importe quelle modalité (incluant CT, TEP, etc.)

Fonctions de similitude

Important: « allowable image modalities »

Optimisation

!  Maximise la fonction de similitude par des essais répétés, et la recherche

!  Par exemple: trouve le meilleur angle de rotation

!  Essai 1: angle = -45 degrés

Optimisation


!  Par exemple : trouve le meilleur angle de rotation

!  Essai 2 : angle = -15 degrés

Optimisation



!  Essai 3 : angle = 0 degrés

Optimisation



!  Essai 4 : angle = +30 degrés

Optimisation

!  Après N essais

Maximums locaux et globaux

!  L’exemple précédent était facile

!  Mais c’est plus difficile en pratique parce que :

!  Une dimension par degré de liberté

!  Il est difficile de discerner entre le maximum global et le maximum local

Maximum global

Maximum local

Initialisation

!  La position de départ est importante pour la stratégie recherche/optimisation locale

!  Doit être dans la zone de capture

Zone de capture pour un maximum global

Multi résolutions

!  Pourquoi utiliser des résolutions plus basses ?

!  Calculs plus rapides

!  8mm – 80 mille calculs

!  1mm – 40 millions de calculs

!  Pas sensible aux structures subtiles

!  Progressivement améliore la résolution pendant la normalisation

Méthodes de normalisation linéaire

!  Talairach ! Talairach et Tournoux

!  MRITOTAL ! Collins

!  AIR ! Woods

!  SPM ! Friston, Ashburner

!  FSL ! Smith, Jenkinson

Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205

Normlisation Linéaire : mni_autoreg et MRITOTAL

!  Méthode :

!  Axe de transformation principal

!  Corrélation de données floues à fwhm de 16mm

!  Corrélation de données floues à fwhm de 8mm

!  Corrélation de données « gradient magnitude » de 8mm

!  Optimisation « simplex »

PAT

AIR: Automated Image Registration

!  Interpolation des tranches sur l’image de référence

!  Calcul/minimisation du ration d’intensité pour les régions communes

!  Ré-échantillonnage successif voxel à voxel

!  Erreurs ~ 1-2mm

!  Intra + inter modalité registration

- Woods, R.P., Cherry, S.R., Mazziotta, J.C. (1992). Rapid automated algorithm for aligning and reslicing PET images. Comput Assis Tomog. 16: 620-633. - Woods, R.P., Mazziotta, J.C., Cherry, S.R. (1993). MRI-PET registration with automated alogirhm. Comput Assis Tomog. 17: 536-546

SPM : Statistical Parametric

!  Déterminer la transformation spatiale qui minimise la somme carré entre une image et une combinaison linéaire de un ou plusieurs templates

!  Commence avec une normalisation affine afin que la grandeur et la position de l’image correspondent

!  Suivi par un warping non-linéaire afin de correspondre à la forme générale du cerveau

!  Utilise une structure Bayesienne pour maximiser simultanément les lissages des warps

!  J. Ashburner, FIL, London

FSL

!  Normalisation accomplie avec FLIRT

!  FMRIB’s Linear Image Registration tool

!  Optimisation à résolutions multiples

!  En utilisant différentes positions de départ

!  Objectifs de fonctions multiples

!  Pour s’occuper de la normalisation inter- et intra-modalité

!  La normalisation stéréotaxique est accomplie en utilisant l’atlas des volumes MNI (moyenne ICBM152 linéaire)

Problèmes de normalisation : quelle méthode ?

Différentes optimisations veut dire

différentes forces

J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3-Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988

Espace Stéréotaxique

!  Basé sur des points de repère anatomiques (commissures antérieure et postérieure)

!  Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e.g. thalamotomie, pallidotomie)

!  Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats

commissure antérieure

Ligne AC-‐PC

commissure postérieure

Repère AC-PC

J Talairach & P Tournoux, Co-‐planar stereotaxic atlas of the human brain, Georg Thieme, 1988

Espace stéréotaxique


La variabilité anatomique reste

!  Atlas de Talairach et Tournoux, 1988

!  Variabilité du sulcus central de 20 sujets

Images courtesy A. Zijdenbos, MNI

Données non registrées

Données registrées

Normalisation en espace stéréotaxique !  Avantages pour l’imagerie anatomique et structurelle

!  Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc.

!  Permet de moyenner entre sujets pour augmenter le SNR

!  Permet l’utilisation de masques spatiales pour des analyses post-traitement (e.g. des hypothèses basées sur l’anatomie)

!  Permet d’utiliser des classifications spatiales

!  Permet d’utiliser des modèles anatomiques (segmentation)

!  Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis

Advantages for functional imaging: Normalisation en espace stéréotaxique !  Avantages pour l’imagerie fonctionelle

!  Fournit une structure conceptuelle pour l’analyse 3D automatisée à travers tous les sujets

!  Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites...

!  Extrapole les résultats à la population en général

!  Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet

!  Augmente le nombre de degrés de liberté permis dans un modèle statistique

!  Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu

Atlas stéréotaxique Talairach

!  Inconvénients pour l’imagerie fonctionelle

!  Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!)

!  Ignore les différences entre les hémisphères droit et gauche

!  Séparation des tranches variable, jusqu’à 4mm

!  Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3D


!  Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur

!  Fournit une structure conceptuelle pour l’analyse 3D complètement automatisée à travers tous les sujets

!  L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach

Histoire des modèles anatomiques du MNI

1992 1993 1996 1998 2001 2004

Cerveau moyen MNI 250

Evans, A.C., Collins, D.L., Milner, B. (1992). An MRI-based stereotaxic atlas from 250 young normal subjects. Society Neuroscience Abstracts. 18: 408

Normalisation manuelle

MNI 250

!  Pour :

!  250 sujets

!  représente la population moyenne

!  Peut être utilisée comme cible de normalisation

!  Contre :

!  Normalisation manuelle (variable)

!  Ne couvre pas complètement le haut de la tête et le cervelet

!  Manque de détail cortical

!  N’a jamais été rendu publique

Average 305 du MNI !  Pour :

!  Normalisation automatique

!  305 sujets

!  Plus de contraste

!  Utilisé comme cible de normalisation MRITOTAL

!  Disponible publiquement avec mni_autoreg

!  Contre :

!  Ne couvre pas complètement le haut du cerveau et le cervelet


Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205

Holmes, C., Hoge, R., Collins, D.L., Woods, R., Toga, A.W. (1998).Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2): 324-333.

Colin 27

!  Pour : !  Normalisation automatique

!  1 sujet, 27 scans

!  S/N et C/N très grands

!  Détail anatomique très beau

!  Peut être utilisé comme cible de normalisation

!  Disponible publiquement avec mni_autoreg

!  Contre : !  Un seul sujet – même si normal, peut être un

« outlier »

!  Ne représente pas la variabilité de la population

Atlas Jacob

!  Un seul sujet

!  Dessiné manuellement (Noor Kabani, 96 structures)

!  Même si normal, peut être un « outlier »

!  Ne représente pas la variabilité de la population

!  « Basis for SPAM Atlas in Talairach Daemon »

Moyenne ICBM 152

Mazziotta et al. (2001). A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc I and B Biol Sci. 356: 1293-322.

Moyenne T1 Moyenne T2 Moyenne PD

ICBM 152 – Groupes de tissus

Moyenne MG Moyenne MB Moyenne CSF

ICBM 152

!  Pour :

!  Normalisation linéaire automatique

!  152 sujets

!  Meilleur contraste

!  Couvre toute la tête

!  Modèles T1/T2/PD et MG/MB/CSF


!  Disponible publiquement avec mni_autoreg, SPM2, FSL

!  Contre :


ICBM 152 non-linéaire

!  Pour:

!  Normalisation automatique

!  Meilleur contraste

!  Couvre la tête au complet


!  Détail cortical augmenté

!  Contre:

!  ?

Moyenne linéaire 305 ICBM 152 non-linéaire ICBM 152 linéaire Colin 27 linéaire

Modèles stéréotaxiques

Normalisation d’images

!  Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template)

!  Création d’une matrice (ex. .xfm, .mat)

!  Transformation : « Resample » d’après les paramètres de transformation préalablement déterminés

!  e.g. mincresample/resample_tal/flirt: applique la transformation aux données

Quelle est la matrice ?

!  Il y a deux types « d’output » d’une normalisation !  Matrice de transformation

!  Image transformée (réorientée)

!  La matrice de transformation est sauvegardée en tant que matrice 4x4

!  M14, M24, M34 sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling

!  Ceci est sauvegardé en nom dufichier.mat par le GUI, et spécifié par l’option –omat dans la ligne de commande

M11 M12 M13 M14 M21 M22 M23 M24 M31 M32 M33 M34 0 0 0 1

Quoi faire s’il n’y a pas de modèle pour mes données?? Modèles spécifiques à des populations particulières

Bâtir un modèle spécifique à une population

Remerciements et références

!  Références:

!  Louis Collins,

Montreal Neurological Institute

!  Andrew Janke, Montreal Neurological Institute

!  FSL & FreeSurfer Course, fMRIb, Oxford

FIN Prochain cours:

IRM anatomique

Remerciements:

Oury Monchi

Documents

Rad 6005 2015_16fevrier