Caractérisation ultrasonore des tissus par une approche statistique

Ultrasound tissue characterization using speckle statistics

• Auteur / Autrice : Anca Cristea
• Direction : Olivier Basset, Christian Cachard
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et de l'image
• Date : Soutenance le 09/12/2015
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....)
• Jury : Président / Présidente : Ayache Bouakaz
• Jury : Examinateurs / Examinatrices : Emilie Franceschini
• Jury : Rapporteurs / Rapporteuses : Ayache Bouakaz, Simone Balocco

Mots clés

Mots clés contrôlés

Interférométrie par granularité

Tissus (histologie)

Ultrasons

Mots clés libres

Ultrasons

Speckle

Tissus

Ultrasonic

Speckle

Tissues

Résumé

L'objectif de la caractérisation des tissus par ultrasons ou ‘Quantitative Ultrasound (QUS)’ est de différencier les tissus pathologiques en associant les paramètres d’un modèle aux caractéristiques physiques du tissu. L'usage exclusif des ultrasons pour obtenir un diagnostic peut garantir que le patient ne subira pas une procédure invasive (e.g. une biopsie), utilisant des rayonnements ionisants (e.g. la tomographie) ou même inconfortable et coûteuse (e.g. IRM). Les méthodes de QUS extraient des informations sur la microstructure du tissu à partir du contenu spectral ou temporel des signaux ultrasonores. Le signal temporel radiofréquence (RF) et son enveloppe sont d'intérêt à cause du speckle crée par l’interférence des ondes, qui peut être modélisé par des distributions statistiques. Ce travail propose d'explorer la possibilité d'obtenir des estimations QUS fiables en utilisant des distributions statistiques comme modèles pour le speckle ultrasonore. Les estimations sont constituées des paramètres des distributions respectives et dépendent de la densité de diffuseurs dans le milieu. L’évaluation s’effectue sur des images simulées, des fantômes de particules et des biofantômes. Dans la première partie, la distribution Gaussienne Généralisée est utilisée pour modéliser le signal RF, et la distribution de Nakagami est utilisée pour modéliser son enveloppe. Les deux distributions sont limitées à discriminer les milieux avec une faible densité de diffuseurs, parce que les valeurs de leurs paramètres de forme saturent pour un speckle pleinement développé. Par conséquent, puisque la formation du speckle pleinement développé dépend de la résolution du système d'imagerie, la caractérisation peut se faire seulement à de très hautes résolutions, correspondant à des hautes fréquences qui ne sont pas communes en échographie clinique. Une application du modèle de Nakagami sur l’image crée par la seconde harmonique montre le potentiel du paramètre de forme de Nakagami en tant que mesure de la nonlinéarité du milieu. Dans la deuxième partie, l'enveloppe a été modélisée en utilisant la distribution K-Homodyne. Le paramètre de regroupement des diffuseurs α permet de discriminer entre les milieux denses jusqu’à une limite supérieure à celle du paramètre de Nakagami. Pourtant, cette limite est difficile à estimer avec précision, parce que les valeurs caractéristiques pour le speckle pleinement développé sont affectées par un biais et une variance élevés. Le biais et la variance peuvent être améliorés en augmentant la quantité de données utilisée pour l’estimation. Dans la dernière partie, une technique de déconvolution spécialement conçue pour la caractérisation des tissus a été évaluée. Des essais exhaustifs ont montré qu’elle n’est pas suffisamment robuste pour une application clinique, puisque les images déconvoluées ne sont pas fidèles à la réflectivité originale du milieu

The purpose of ultrasound tissue characterization or Quantitative Ultrasound (QUS) is to differentiate between tissue pathologies by associating model parameters to physical tissue features. The exclusive use of ultrasound for diagnosis would guarantee that the patient does not undergo a procedure that is invasive (e.g. a biopsy), using ionizing radiation (e.g. tomography) or simply uncomfortable and expensive (e.g. MRI). QUS methods extract information on the tissue microstructure from the temporal or spectral content of the acquired ultrasound signals. The temporal radiofrequency (RF) signal and its envelope are of interest because of the speckle patterns created by wave interference, which can be modeled by statistical distributions. The present work proposes to explore the possibility of obtaining reliable QUS estimates by using statistical distributions as models for ultrasound speckle. The estimates consist in the parameters of the respective distributions and are indicators of the scatterer density in the medium. The evaluation is conducted on simulated images, particle phantoms and biophantoms. In the first part, the Generalized Gaussian distribution is used to model the RF signal, and the Nakagami distribution is used to model its envelope. The two distributions show limitations in discriminating media with high scatterer densities, as the values of their shape parameters saturate in the fully developed speckle regime. Therefore, since the formation of fully developed speckle depends on the resolution of the imaging system, characterization can be done only at very high resolutions, corresponding to high frequencies that are not common in clinical ultrasound. An application of the Nakagami model on the second harmonic image shows the potential of the Nakagami shape parameter as a measure of the nonlinearity of the medium. In the second part, the echo envelope was modeled using the Homodyned-K distribution. The scatterer clustering parameter α allows the discrimination of dense media up to a concentration that is higher than the one that limits the Nakagami distribution. However, this limit is difficult to estimate precisely, because the values of α that are characteristic for fully developed speckle suffer from large estimation bias and variance. The bias and the variance can be improved by performing the estimation on a very large amount of data. In the final part, a deconvolution technique designed specifically for ultrasound tissue characterization has been analyzed. Extensive testing has shown it to not be sufficiently robust for clinical applications, since the deconvolved images are not reliable in terms of fidelity to the original reflectivity of the medium