Segmentation automatique des tissus cérébraux en IRM multispectrale : application au suivi quantitatif des lésions encéphaliques de sclérose en plaques

= Automatic Segmentation of brain tissues in multispectral MRI : Application to the quantitative follow-up of cerebral multiple sclerosis lesion load

• Auteur / Autrice : Chahin Pachaï
• Direction : Yue Min Zhu
• Type : Thèse de doctorat
• Discipline(s) : Biologie fondamentale appliquée
• Date : Soutenance en 2000
• Etablissement(s) : Lyon, INSA
• 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 et du Son, UMR5515 (Lyon, Rhône1995-2006)

Mots clés

Mots clés contrôlés

Cerveau

Sclérose en plaques

Résonance magnétique nucléaire

Résumé

Depuis le début des années 1980, l'usage médical de l'Imagerie par Résonance Magnétique (IRM) a transformé la compréhension et la prise en charge de nombreuses maladies. L'IRM cérébrale bouleverse les stratégies diagnostiques, thérapeutiques et de surveillance de nombreuses affections neurologiques, en particulier de la sclérose en plaques (SEP), des démences, des épilepsies et des tumeurs cérébrales. Notre objectif a été de mettre au point des techniques automatiques pour le traitement et l'analyse des images IRM cérébrales, obtenues dans le contexte des séquences conventionnelles acquises en routine clinique. Les algorithmes produits ont été appliqués dans le contexte clinique du suivi quantitatif des lésions encéphaliques de SEP. Le travail de recherche s'est articulé autour de la problématique de segmentation des volumes IRM en vue de quantifier et de visualiser le parenchyme cérébral, le liquide céphalorachidien et les lésions encéphaliques de SEP. Nous avons conçu un algorithme de segmentation 3D, adaptative, non-supervisée et intégrant une contrainte de régularité spatiale utilisant les champs de Gibbs-Markov. Plusieurs séquences d'acquisition, préalablement recalées entre elles (si né cessa ire), peuvent former l'entrée de cet algorithme. Celui-ci présente en outre l'avantage de ne pas nécessiter une initialisation et d'estimer le nombre optimal de classes nécessaires à une bonne représentation des distributions d'intensité en présence. En s'appuyant sur des techniques de représentation multi résolution et en utilisant des structures de données pyramidales, d'autres algorithmes ont été proposés pour la segmentation de la cavité intracrânienne et pour la correction des inhomogénéités de l'intensité du signal en IRM. Enfin, ces algorithmes ont été validés sur des séquences et des systèmes d'acquisition IRM différents, sur des volontaires sains et des patients atteints de SEP, avec de multiples acquisitions dans le temps (études longitudinales).

Since the early 1980's the medical use of Magnetic Resonance Imaging (MRI) has revolutionized the understanding and the follow-up of various neurological diseases. Brain MRI has a major impact on the diagnosis and the choice of therapeutical strategies regarding multiple sclerosis (MS), dementia, epilepsy, and brain tumors. Our goal was to design automatic software techniques for the processing and the analysis of brain images, acquired with conventional MRI sequences in clinical routine. The resulting algorithms were applied in the clinical context of the quantitative follow-up of cerebral MS lesion load. Our work focused on the segmentation of 3D MR images, for quantification and visualization of brain parenchyma, cerebrospinal fluid and MS lesions. An unsupervised, 3D and adaptive segmentation algorithm was designed. This algorithm integrates a spatial regularization constraint through the use of Gibbs-Markov random fields to account for the piecewise contiguity of brain tissues. Multiple MRI sequences (registered, if necessary) can be used as input. The algorithm does not need any initialization and estimates the optimal number of tissue classes (cluster validation). Other algorithms were introduced using multi-resolution approaches and pyramidal data structures for the segmentation of the intracranial cavity and for the correction of MR intensity in homogeneity. Finally, these algorithms were validated on different MR sequences and systems, on healthy volunteers and patients with MS, followed with multiple acquisitions in time (serial data).