TRAITEMENT & ANALYSE D’IMAGESMEDICALESscinti.edu.umontpellier.fr/files/2011/04/I2S-2011.pdf · 6. Segmentation, analyse et validation (ventriculo) INSUFFISANCE CARDIAQUE CORONAROPATHIES

TRAITEMENT & ANALYSE D’IMAGES MEDICALESApplication à l’évaluation pronostique des

insuffisances cardiaques

Denis Mariano-GoulartFaculté de médecine et CHRU de Montpellier

http:\\scinti.etud.univ-montp1.fr

Module IMAGE, Ecole doctorale I2S, Université Montpellier II

PLAN

Problème Modalité Acquisition Tomographie Analyse (myocarde) Analyse (ventriculo)

1. Problème médical à résoudre2. Choix d’une modalité d’imagerie et d’un traceur3. Acquisition des images4. Reconstruction tomographique5. Segmentation, analyse et validation (myocarde)6. Segmentation, analyse et validation (ventriculo)

INSUFFISANCE CARDIAQUE

CORONAROPATHIES52%

ALCOOL4%

HYPERTENSION ARTERIELLE

4%

VALVULOPATHIES10%

CARDIOMYOPATHIES13%

TROUBLES DU RYTHME

3%

AUTRES14%

Insuffisance cardiaque : altération de la fonction pompe du coeur

Prévalence = 1-3 % (1 million en France)A 5 ans : 75 (H) à 62%(F) de survie

60% à un an si stade IVEnviron ½ morts subites


LA POMPE CARDIAQUE


REGULATION

nerf vague

Parasympathique(acétylcholine)

Sympathique(noradrénaline)

fc ↑contractilotéirritabilité

fc ↓

P, V, fc

NA


CAUSES DES DECESTroubles du rythme, embolies,…Augmentation de l’activité sympathique

� Remodelage, ↓ fonction pompe, ↑ symptomes� ↓ recapture de la NA: désensibilisation,courts-circuits


TRAITEMENTSRègles hygiéno-diététiques

- Activité physique- Régime hyposodé

Traitements médicamenteux

- Diurétiques- Inhibiteur enzyme conversion- Bêta-bloquant, anti-aldostérone


TRAITEMENTSRègles hygiéno-diététiques

- Activité physique- Régime hyposodé

Traitements médicamenteux

- Diurétiques- Inhibiteur enzyme conversion- Bêta-bloquant, anti-aldostérone

Traitements électriques

- Resynchronisation- Défibrillateur

Assistance Greffe cardiaque


Indication de défibrillateur implantable sur la FE = (VTD-VTS)/VTD < 35% ou 40 %

� 35 % seulement des défibrillateurs implantés sont sollicités sur un suivi de 3 ans.

� Des décès surviennent avec FE > 40%

Identification des patients à risque de mort subite par imagerie ?

� Quelle modalité d’imagerie ?� Mouvements myocardiques, fonction pompe ?� innervation sympathique ?

� Quels traitements d’image ?

PROBLEME CLINIQUE

AJ Moss AJ et al. Long-term clinical course of patients after termination of ventricular tachyarrhythmia by an implanted defibrillator.Circulation 2004;110:3760 –5




CHOIX D’UNE MODALITE D’IMAGERIE

FONCTIONNELLE

ANATOMIQUE

METABOLIQUEc. Z ρ=

ρ µ ∝η S∝

)( C tf=

perfusion

noradrénaline

perfusion

noradrénaline


SYNCHRONISATION A L’ECG


Photons pénétrants et peu diffusés� Émetteurs gamma ou bêta plus (ionisants)

énergies détectables� γ (140 keV ou 159 keV ) � β+ → 2γ 511 keV ( )

CHOIX D’UN TRACEUR RADIOACTIF

I12353

F188

Tc9943

ρρ

ϕ

∝∝ C3

3

PE µ E

.Zµ gcm /

ρ

µlog

2

PEC

CP

EAU


Traçage possible d’un métabolisme�Marquage de cations lipophiles (MIBI) au

�Marquage de la MIBG à l’

�Marquage des globules rouges au� Chimie de complexation avec lenoyau tétrapyrolique de l’hème

CHOIX D’UN TRACEUR RADIOACTIF

Tc9943

Tc

||

||

O

O

Tc9943

I12353

CH2NH-C-NH2

NHI123

53

Tc


CHOIX D’UNE MODALITE D’IMAGERIEPerfusion

myocardique(MIBI)

Volume sanguin

(GR)

Innervation sympathique(MIBG)

Mouvementsde la paroi myocardique

Chassesanguine

Altération de l’innervation




Single Photon Emission CT

Collimateur Scintillateur Photo-multiplicateur Localisation


pγγγγγγγγai


X+

X-Scintillateur

PM

Localisation−+

−+

+−

=XXXX

X

it


1

S

-1

Spectroscopie

LMH

H

H/2

Largeur à mi-hauteur (FWHM)

δ(i)

γγγγγγγγ

� Réponse intrinsèque� LMH ≤ 4 mm, ± invariante

� Réponse du collimateur� La LMH dépend de la distance source-détecteur

h(i)=M[δ](i)


Réponse d’un collimateur

CE Metz. Phys Med Biol 1990; 35:81-93.

−−

=2

2

.1..

2

.arccos.2)(

rr

rrh

λλλπε

( )BDLR

L

++=

.λ

Réponse moyenne dans le plan P (septa cylindriques) :

ε : efficacité du collimateur

L B

2R

D

r

Collimateur Détecteur

P


Réponse d’un collimateur

LEHR : L = 4,1 cm ; B = 0,64 cm ; R = 0,19 cm ; ε = 0,065

Quantitative Analysis in Nuclear Medicine Imaging, Springer US. 2006; CE Metz. Phys Med Biol 1990; 35.

−−

=2

2

.1..

2

.arccos.2)(

rr

rrh

λλλπε

( )BDLR

L

++=

.λ

L B

2R

D

r

Collimateur Détecteur

PD=10 cm

D=5 cm


Réponse d’une γ-caméra ≈ gaussienne

LMH

0.7

r=

Quantitative Analysis in Nuclear Medicine Imaging, Springer US. 2006


D

Linéarité entre LMH et D

Quantitative Analysis in Nuclear Medicine Imaging, Springer US. 2006


Réponse d’une γ-caméra2

2

2

2

1)( σ

σπ

i

eih−

=

'D. kk +=σ D

LMH

D

σσ .35,22ln.2.2 ≈=LMH


contact 50 cmUtilité d’une déconvolution

(non stationnaire)



p

n21 a ... a a p +++=

γγγγγγγγai


ai

φ

sinogramme

p(s, φ)


s

φ

Modélisation analytique

( ) ( ) φωωφ

d x., p x p) (Rπ

0∫=

⊥∗ = rrrr

s1

⊥ωrxr

s3

s2

( ) ( )

Rf

p

=

+== ∫⊥

p

dt )tf(s sps,t

ωωω ωrr

r

x1

x2

s

t

f

cos

sin - ω

φφ r

=

φ

x.2

rr⊥= ωs

Natterer F. The mathematics of computerized tomography. New York: Wiley; 1986.

transformée de Radon

rétroprojection = épandage


Modélisation algébrique

f1

f4f3

f2 p1 = r1,1 f1 + r1,2 f2

p2 = r2,3 f3 + r2,4 f4

p3 = r3,1 f1 + r3,3 f3

p4 = r4,2 f2 + r4,4 f4

=

4

3

2

1

4

3

2

1

4,4 4,3 4,2 4,1

3,43,3 3,2 3,1

2,4 2,3 2,2 2,1

1,4 1,3 1,2 1,1

pppp

ffff

.

rrrrrrrrrrrrrrrr

p fR.rr

=ri,j = % du pixel j intersecté par la projection i

b1 = r1.1 p1 + r3,1 p3 p1

p2

p4

b2 = r1.2 p1 + r4,2 p4

b3 = r2.3 p2 + r3,3 p3 b4 = r2,4 p2 + r4,4 p4

p3

=

4

3

2

1

4

3

2

1

4,4 3,4 2,4 1,4

4,33,3 2,3 1,3

4,2 3,2 2,2 1,2

4,1 3,1 2,1 1,1

bbbb

pppp

.

rrrrrrrrrrrrrrrr

b pR.trr

=


Projection / Rétroprojection

p fR.rr

= b pR.trr

=

f

p

b

p


p b

?

Déconvolution (hors synchro ECG)

i

j

s

t

θ

ωnt −=

ω

n

s

θTF2

( )npc ,ˆ ω( ) dtj).f(i, s,pc ∫=θ

sources à t mm du centre de rotation

signal ≈ sur la droite n=-ω.t de la TF2 du sinogramme


Principe fréquence-distance

2

2

2

2

1)( t

i

t

t eih σ

σπ

−

=

th

p p . hp t=c

th

1p

( ) ( )nphnp nc ,ˆ).(ˆ,ˆ ωωωω

−=

( ) ( )nph

np c

n

,ˆ.)(ˆ

1,ˆ ω

ωω

ω−

=ω

n

( )npc ,ˆ ω

W Xia et al, IEEE TMI 1995;14-Hawkins et al. IEEE TMI 1988;7-Lewitt et al. Proc SPIE 1989; 1092-Glick et al. IEEE TMI 1994;13.


Filtre de déconvolution de Metz h

p p . hs=h

1p

)(ˆ1

νh

n=1

n=15

n=4

[ ])',(ˆ

)',(ˆ1 1)',(ˆ

2

νν

νννν

h

hm

n−−

=

King et al. JNM 1983;24 et Metz et al. JNM 73;15774.7)ln(.834,0 −= Cn

1

ν

)(νm)


Théorème de la projection

s

t

f

( ) dt )tf(s spt∫ +=

⊥ωωωr

r

( ) ( )∫−=

s

i.s. ds.esp σp σωω rr

( ) ds dt e )tf(s σps

i.s.σ

t∫ ∫

−⊥+= ωωω

rr

( ) ∫∫⊥−= xde )xf( σp .x i.σ rr rr

rω

ω

( ) ( ) ( )⊥== ωφφωr

r σ.f σ.sin , σ.cosf σp

cos

sin - ω

φφ r

=

φ

xr

Johann Radon, ¨ Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten, Ber. Verh. Sach. Akad. 69 (1917), 262–77.

x2

x1

J. Radon


i

j

s

t

f

⊥ωr

( ) ( )⊥= ωφ

rr σ.f σp

ξ1

ξ2

σ

t

⊥ωr

( )sp ⊥ωrs ( )σω ⊥rp

σ

T F

T F

R ||

f

Interprétation (I)


Interprétation (II)

?

( )sp ⊥ωr ( )σω ⊥rp

T F

T F

||R

f

( ) ( )⊥=⊥ ωω

rr σ.f σp

f


Interprétation (II)

?

( )sp ⊥ωr ( )σω ⊥rp

T F

T F

||R

f

( ) ( )⊥=⊥ ωω

rr σ.f σp

f


Rétroprojection filtrée (I)( ) ( )∫∫= ξde ξ f xf ξ.x i

rr)r rr

( ) ( )∫ ∫=

+∞=

−∞=

⊥ ⊥

=π

0

σ

σ

. σ i d dσ σ e σ f xfφ

ω φω xrrrr

( ) ( )∫ ∫=

+∞=

−∞=

⊥

⊥=π

0

σ

σ

. σ i d dσ e σ p xfφ

ωω φσ x

rr

r

r

[ ]( )xrr

r . abs . pTF 1s

⊥−⊥ ωω

ξ1

ξ2ρ

φ

||

( ) ( )x )p (R xf f rr ∗=fωrp

J. Radon


Rétroprojection filtrée (II)

ωrp

ωrp abs

x

[ ] f1s p abs . pTF ωω rr =−

Projections sur 180°

( ) ( )x )p (R xf f rr ∗=

s1

⊥ωrxr

s3

s2

x.2

rr⊥= ωs


2r) (kπ1 - ∆ k impair

0 k ≠ 0 pair

2r)4(1∆ k = 0

RL(k.∆r) =

2ef

r 2.∆1 mf ==

mf

( ) ( ) ( )22

m mm

x2π xf 2πcos1

πxxf 2πsin f xRL −−=

Rétroprojection filtrée (III)

=∆ 02,5

1-1

2,5

1-0 : filtre leobtient on ,

2

1rpour Exemple


0 0

0 0

0

0

0

00

45

15

4590

15

60 5 5

5 5

20

5

5

2020�

15 156010 10

10 10

25

25

25

2540

−=3

11

3

1- Filtre

Rétroprojection filtrée (IV)

45

45

90


Algebraic Reconstruction Technique (I)

∆1 : p1 = r1,1 f1 + r1,2 f2

∆2 : p2 = r2,1 f1 + r2,2 f2

f1 f2

r1,2r1,1 r2,1

r2,2

1

1n1n

ω

ω d f f r

rrr+=+

12

1

n11n1n ω

ω

pp f fr

r

rr −+=+

)pp( f f n11*n1n −+=+ R

rr

f1

f2 ∆1

∆2

1,2

1,11 r

rωr

1nf +r

n2

n1n

ff f

rdr

1

1n

1

ω

ω . f p d r

rr−

=

n1p

Kaczmarz S. Angenährte Auflösung von Systemen linearer Gleichungen. Bull Int Acad Pol Sci Lett A 1937;35:355-7.

S. Kaczmarz1895-1940


0 0

0 0

0

0

0

00

45

45 - 0

4590

45 - 0 = 15 + 15 + 15

90 - 0 = 30 + 30 + 30 15 15

15 15

30

15

15

3030�

45 4590

-15 -1530

60 6060-

10 10

10 10

25

25

25

2540

)pp( f f n11*n1n −+=+ R

rr

Algebraic Reconstruction Technique (II)


MLEM et OSEMIdée: argmax & stat. de Poisson sur pBayes:

=

∑+

p

p

r

1 . f f

nl

l

l'i,l'

n1n *

Rrr

f1

f2

∆1 ∆2

∆’2

Dempster A et al. Maximum likelihood from incomplete data via the EM algorithm. J R Stat Soc 1977;39:1-38. Hudson H et al. .Accelerated image reconstruction using ordered subsets of projection data. IEEE Trans Med Imaging 1994;13:601-9.

)p/f( 'rr

Ρ

)f( ).f/'p()'p()/f( ).f/'p()'p/f(rrrrrrrrr

ΡΡ=ΡΡΡ=Ρ

[ ]

−=Ρ−=

−

=∏

!p'

pelog )f/'p(logminargf

~

i

p'i

pK

1if

iirrr

r

∑∑∑ =

==

=+ P

lN

s

nssl

lilP

lil fr

pr

r 1

1,

,

1','

1.n

if1n

if


p .R r d *00 rrr==

j*j

2j

j

d.R.Rd

rω rr

r

=

jjj1j d.ωffrrr

+=+

j*jj1j d.R..Rωrrrrr

−=+

j2j

21j

1j1j d.r

rrd

r

r

rrr +

++ +=

2

Cf

p - fR min arg frr

∈=

Initialisation :

Gradient Conjugué

Gilbert P Iterative methods for the three-dimensional reconstruction of an object from projections. J. Theor. Biol. 1972; 36:105-17


RPF + BTW 10, 20, 40, 80, 100 % Nyquist

MLEM 10, 50 et 100 itérations

ExemplesProblème Modalité Acquisition Tomographie Analyse (myocarde) Analyse (ventriculo)

�En continu : , R bijectif d’inverse continue (conditions d’Hadamard).

�En discret, les choses sont moins simples :

� R surjectif ? � R injectif ? : choix parmi les solutions possibles

� R-1 continue mais ||R-1|| grande :

2

Cf

tt fRpmin arg fqpR.fA fR.Rrrrrrr

−=⇐===∈

( ) 1λ

λ R R Rκ

min

max1- >>==

( )( )

+

−≤

RδR

ppδ

RδR

R κ 1

Rκ f

fδr

r

r

r

Problème d’Hadamard bien posé ?( ) ( )⊥= ωφ

rr σ.f σp


Approche intuitive (I)

f1 f2

: p1 = r1,1 f1 + r1,2 f2

: p2 = r2,1 f1 + r2,2 f2

f1

f2

∆1

∆1

∆2

∆2


64² = 4 096128² = 16 384256² = 65 536512² = 262 144

f1

f2

∆1

∆2

f1 f2

: p1 = r1,1 f1 + r1,2 f2

: p2 = r2,1 f1 + r2,2 f2

∆1

∆2

Approche intuitive (II)Problème Modalité Acquisition Tomographie Analyse (myocarde) Analyse (ventriculo)

Exemple

=

31332332

1111

10 9 5 79 10 6 85 6 5 77 8 7 10

=

−

30,933,122,932,1

1,15,4

12,6-9,2

10 9 5 79 10 6 85 6 5 77 8 7 10

=

−

31,132,923,131,9

1,35,2

14,67,2-

10 9 5 79 10 6 85 6 5 77 8 7 10

{ } ( ) 2984 010.0

30,289 R 30,289 3,858; 0,843; 0,010; Sp(R) ==⇒≈ κ

Matrice de Wilson


Gradient conjugué ,Approximation de Galerkin

� dont le spectre CV vers celui de R: estimation de κ(R)� qui borne l’erreur sur la solution et le spectre

Estimation de κ(R)

+−

−

+−

−

−

−

−

−

−

−

1j

1j

j1j

1j

1j

1j

0

0

10

0

0

0

0

ω

β

ω

1

ω

β00

ω

β0

0ω

β

ω

1

ω

β

00ω

β

ω

1

OO

O

j*j

2j

j

d.R.Rd

rω rr

r

= 2j

21j

j

r

r β r

r +

=

www.inma.ucl.ac.be/~vdooren/Krylov.pdfAnalyse numérique matricielle appliquée à l’art de l’ingénieur. P. Lascaux & R. Théodor (II), p. 516, 1987. MASSON

D. Mariano-Goulart, P. Maréchal, S. Gratton, et al. Comput. Med. Imaging & Graphics 2007; 31 : 502-509


Exemple : régularisation de Tikhonov (cf. pseudo-inverse de Moore-Penrose)

2

CffRpmin arg frr

−=∈

+−=

∈)fα.ρ(fRp min arg f

2

Cf

rrr

Remplacer : par

Adéquation aux donnéesSurjectivité du problème inverse

Régularisationinjectivité

Exemple de régularisation (I)

( ) pRf αIRRfα.fRp min arg f tt22

f

=+⇔

+−=

rrrr

r

( ) pRαIRR f t-1t +=r


( )∑=

−ji,

jiji, f -f.Vwβ.

K1 e)fΡ(

r

)f( ).f/p()p()/f( ).f/p()p/f(rrrrrrrrr

ΡΡ=ΡΡΡ=ΡBayes :

[ ])f( log )f/p(logminargf~

f

rrrrr Ρ−Ρ−=

Adéquation aux données régularisation

Exemple de régularisation (II)

Distribution de Gibbs :

( )

+−= ∑

ji,jiji,f)f-V(fwβ f/pΡ logminargf

~ rrrr

GreenPJ. Bayesian reconstructions from emission tomography data using a modified EM algorithm. IEEE Trans Med Imaging 1990;9:84-93

MAP-EM-OSL


GC 16GC 6MLEM 6 MLEM 200

FRECT 34 (CV)

Comparaison MLEM-GC-FRECT

( ) ( ) ( ) 221s f.B1 Rf pB.TF fE −+−= −

D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 07 & Lect Notes Comput Sci. 04


1. Problème médical à résoudre2. Choix d’une modalité d’imagerie3. Choix d’un traceur4. Acquisition des images5. Reconstruction tomographique6. Segmentation, analyse et validation (myocarde)7. Segmentation, analyse et validation (ventriculo)


SegmentationScintigraphie myocardique (MIBI ou MIBG)

� Faible rapport signal/bruit� Activités extra cardiaques� Ventricule gauche ≈ ellipsoïde tronqué

Tomoventriculographie isotopique

� Meilleur rapport S/B, basse fréquence� Volumes partiels� Peu d’activité extra cardiaque� Pas de modélisation simple (ventricule droit)


QPS® : MYOCARDE

A Ezekiel et al. in Computers in cardiology. NY, IEEE Computer society. 1991:237-240

G. Germano et al. JNM 1995;36:1107-1114 et 1995;36:2138-2147

64

Essai d’identification : seuil � 1 amas cubique [50 mL, 1L[

� Somme pondérée des coupes SA

� ? Maxima locaux de S(i,j)• supérieur seuil et au moins 4-connexes

� Transformée de Hough• ? cercles dans un nuage de points

∑=

=L

1kk k)j,.SA(i,ωj)S(i,

kω

k0 L/2 L

L

64

S+5% ⇒ fragmentation


QPS® : TRANSFORMATION DE HOUGH

a

b

x

y θr.sin by

θ r.cosax

+=+=

rθ

M

M

x

y

a

b

θr.sin yb

θ r.cosxa

−=−=

rθ

y

x

b

a

y)(x,Cr

à tout point M du cercle(O,r) on associe un cercle (M,r)

M

D. Ballard, C. Brown. Computer vision. Englewood Cliffs, NJ: Prentice-Hall; 1982.

http://homepages.inf.ed.ac.uk/rbf/BOOKS/BANDB/bandb.htm

1


a

b

x

y

rM

a

b

M

M’ M’

22





a

b

x

y

rM

a

b

M

M’’ M’’

M’ M’

23





a

b

x

y

rM

a

b

M

M’’ M’’M’’’ M’’’

M’ M’

42





a

b

x

y

rM

a

b

M

M’ M’M’’ M’’

M’’’’ M’’’’

? Extrema dans l’espace des paramètres 3D: (a,b,r)Puis QPS choisit le cercle à plus fort comptage moyen sur la circonférence par rapport au comptage au centre

Si r est inconnu : cônes



QPS® : MYOCARDE

JC Cauvin et al. Eur J Nucl med 1992;19:1032-1037

G. Germano et al. JNM 1995;36:1107-14 ; 1995;36:2138-47 et JNM 2000;41:712-19

� G : Centre de Gravité du masque binaire � Données = Volume SPECT x Masque� Extraction de 18x36 profils d’activité Surface médio VG = maxima des profils M Fit ellipse 3D→ axe VG → G ← proj.(G)/axe

G10°10°

X 18X 36M


QPS® : SEGMENTATION DU MYOCARDE

SMVG(t) Profil(t)

40 mm

SMVG(t)

σe

65% σe65% σi

ENDO(t) EPI(t)

σi

M(t)


SMVGENDO

EPI

MOUVEMENT MYOCARDIQUE ?


mais FWHM ≈ 15 mm ≈ mouvement qui est donc peu ou pas visible.

Rappel : Effet de volume partiel

11

3/4

p(i)

ii

s(i)

13/4

p(i)

ii

s(i)

1/2h(i)

i

1/4

1/4


EPAISSISSEMENT SYSTOLIQUE

Epaississement systolique ≈ 30 mm� 100 % de l’activité mesurée

Pour une épaisseur diastolique de 15 mm� 75 % de l’activité mesurée

JR Galt et al. IEEE Trans Med Imaging 1990; 9:144-150


QPS®et

QGS®

MIBG


1. Problème médical à résoudre2. Choix d’une modalité d’imagerie3. Choix d’un traceur4. Acquisition des images5. Reconstruction tomographique6. Segmentation, analyse et validation (myocarde)7. Segmentation, analyse et validation (ventriculo)


TOMO-VENTRICULOGRAPHIE


VTD

VTS

FE

TES

PRMPVM

?

Choix d’un algorithme de segmentationApproche « frontières »

� Seuillages (simple, d’histogramme, hystérésis…)� Dérivatives (gradient, Laplacien)� Surfaciques (Hueckel)� Morphologiques (gradient, ligne de partage des eaux)� Réseau de neurones� Champs de Markov� Variationnelles

Approche « régions »� Techniques Markoviennes,� Croissance de régions,� Division et fusion de graphes,� Etc.

Analyse d'images: filtrage et segmentation", J.P Cocquerez et S. Philipp, MASSON.


Segmentation

NG=NGmax-NG


LPE par immersion

Schmitt M, Mattioli J. « Morphologie mathématique ». Paris, Masson, 1993.


LPE par amincissement homotopique( ) maxminmax , alors ),( si fjiffjiff =≤<

−−−

=1 0 11 0 11 0 1

L

Mariano-Goulart et al.EJNM 1998; 22:1300-07 et Revue Acomen 2000;6:69-77

j-1

j

j+1

i+1

i-1

i

=0 0 0

1 1- 1

0 1 0

L'


Segmentation

Mariano-Goulart et al.EJNM 1998;22 et EJNM 2001;28- Daou et al. JNM 2001;42


TES ?

FE ?

Ajustement mono- harmonique

H1

)t.(10

)t.( 100 ee(1)s(0)s

s(t) ϕωω ++=+= jj AANN

0A1A

1ϕ

fit cosinus

∑−

=

0=1N

0k

)t.(k. (k).esN

1s(t) ωj


Ajustement multi-harmonique

H1 H1+H2+H3H1+H2

Avant bruitage

∑−

=

=1H

0k

)t.(k 0(k).esN

1s(t) ωj


P(t) D(t) = P(t)β

Déformation d’une CTA de référence

P(t1/3) P(t3)

t1/3

t3


Déformation d’une CTA de référence

P(t) D(t) = P(tα)

D(t) = P[Q(t)]

Polynôme Q(t)


Détermination de Q(t)Acquisition bruitée (t4 , A4)

A4 = P(u4) A4 = D(t4) = P[ Q(t4)]

Q(t4) = u4

A4

1

1

Q(t)

t

(Caderas de Kerleau et Mariano-Goulart, IEEE TRANS MED IMAGING 2004)


Filtrage linéaire de la CTA� H1 : imprécis

� Multi-harmoniques : bruité

Modélisation de la CTAH1+H2+H3H1+H2

t1/3

t3

H1

C Caderas de Kerleau & D Mariano-Goulart. IEEE Trans Med Imaging 2004 ; 23(4) : 485-91.

Validation


Analyse de la fonction systolique


TVIversusIRM

VES(G-D): 9±14 (GBPS) versus 18±13 (IRM)L. Sibille et D. Mariano-Goulart, An. Nucl. Med 2010.

δ=4%

δ(IRM)= 11 mLδ(IRM)=0

VDFE

δ=0

δ(IRM) = 40 mLδ(IRM) =19mL

VGFE

ANALYSE 3D DE CTA LOCALES

TES

FE

VGVD

Se=100Sp=81S=80 ms

Mariano-Goulart et al. J Nucl Med. 2007; 47: 1416-1423


Conclusion : patients à risqueFraction d’éjection (G,D) ↓

� FE(VG) < 35% ⇒ Défibrillateur implantable

Volumes ventriculaires (G,D) ↑

Dépolarisation hétérogène

Innervation sympathique ↓


Merci de votre attention…

The Mathematics of Computerized Tomography.F. Natterer. 2001. SIAM.

Introduction au traitement numérique des images. D. Mariano-GoulartEncyclopédie Médico-chirurgicale, 35-100-A-10, 2009.

Reconstruction tomographique en imagerie médicale. D. Mariano-GoulartEncyclopédie Médico-chirurgicale, 35-105-A-10, 2009.

http:\\scinti.etud.univ-montp1.fr

[email protected]


RésuméCe cours vise à illustrer le rôle qu'un spécialiste en traitement et analyse d'images peut jouer au sein de services hospitaliers ou de sociétés commerciales liées à l'imagerie médicale. Nous partirons d'un problème clinique spécifique qui se pose aux cardiologues (évaluation pronostique des insuffisances cardiaques) pour envisager le choix d'une modalité d'imagerie médicale et d'un protocole d'acquisition d'images. Nous évoquerons ensuite comment le signal peut être déconvolué de la réponse impulsionnelle de l'appareil d'imagerie, puis bénéficier d'une reconstruction tomographique. Les problématiques liées à la segmentation des données d'imagerie puis à leur analyse sera enfin présentée en concluant sur les paramètres cliniques extraits et utilisés en routine hospitalière. Les solutions logicielles qui seront présentées au fil de l'exposé ont toutes été mises au point dans les vingt dernières années et constituent donc une image assez représentative de l'apport des méthodes de traitement du signal à l'amélioration de la prise en charge médicale de certaines pathologies.


Documents

TRAITEMENT & ANALYSE D’IMAGESMEDICALESscinti.edu.umontpellier.fr/files/2011/04/I2S-2011.pdf · 6. Segmentation, analyse et validation (ventriculo) INSUFFISANCE CARDIAQUE CORONAROPATHIES