Contribution des fonctions de croyance à la segmentation d’images tomodensitométriques thoraciques en radiothérapie conformationnelle

Contribution of the belief functions theory in the segmentation of thoracic CT images in case of conformational radiotherapy.

• Auteur / Autrice : Peng Zhang
• Direction : Isabelle Gardin, Patrick Vannoorenberghe
• Type : Thèse de doctorat
• Discipline(s) : Physique. Traitement du signal et traitement des images
• Date : Soutenance en 2006
• Etablissement(s) : Rouen

Mots clés

Mots clés contrôlés

Radiothérapie conformationnelle

Théorie de Dempster-Shafer

Traitement d'images -- Techniques numériques

Résumé

La segmentation d’images est un processus visant à décomposer une image en un ensemble de régions. Compte tenu de l’importance de l’imagerie en médecine, il existe de nombreuses applications à la segmentation. L’une d’entre elles est la délinéation des organes à risque et du volume tumoral en radiothérapie conformationnelle. Cependant, la problématique de la segmentation d’images est complexe en raison de la diversité des méthodes d’imagerie et des tissus biologiques à segmenter, du faible contraste parfois rencontré et de la présence de bruit. Compte tenu de cette diversité, nous présentons dans cette thèse l’étude, la conception et le développement d’outils de segmentation d’images TomoDensitoMétriques (TDM) à visée de radiothérapie conformationnelle. La contribution essentielle de ce travail repose sur l’application de la théorie des fonctions de croyance à la segmentation d’images TDM thoraciques. La méthode est nommée « étiquetage crédibiliste ». Pour permettre l’intégration d’informations contextuelles, nous proposons de prendre en considération les corrélations spatiales entre voxels dans la modélisation des données par la fusion d’informations provenant du voisinage. Chaque voxel est considéré comme une vision particulière, qui apporte ainsi une information partielle, complétée ou confirmée par les voxels voisins de la coupe et des coupes voisines. L’intérêt majeur des fonctions de croyance est la gestion de données incertaines et imprécises telles que les niveaux de gris en imagerie médicale, mais également la définition d’un cadre mathématique permettant la fusion d’information provenant de plusieurs sources, ici les voxels voisins. S’appuyant sur cette méthode, nous avons développé le logiciel SIPEC, pour Segmentation d’Image Par Etiquetage Crédibiliste, permettant la délinéation du contour du patient, la segmentation des poumons et du canal médullaire. Nous avons comparé ce logiciel avec le logiciel clinique ECLIPSETM (VARIAN v7. 1. 3) sur 30 séries d’images TDM thoraciques. Les résultats montrent que les outils de segmentation proposés en clinique reposent sur une algorithme beaucoup plus simple et rapide que SIPEC (par exemple, la durée moyenne pour la segmentation automatique des poumons : ECLIPSE (3 minutes) vs SIPEC (10 minutes)), mais au détriment de la qualité de la segmentation. De ce fait, le nombre (par exemple, le nombre de retouches moyen des poumons : ECLIPSE (43) vs SIPEC (5)) et l’importance des retouches sont bien moindres avec le logiciel SIPEC qu’avec le logiciel clinique. Il en résulte une durée totale de segmentation des 3 volumes comparable entre les 2 outils (ECLIPSE (23 minutes) vs SIPEC (20 minutes)), avec l’avantage majeure pour SIPEC d’être automatique et de nécessiter peu de retouches ultérieures. Par ailleurs la durée du traitement devrait suivre l’amélioration de l’algorithme et la rapidité des horloges processeurs. Les perspectives de ce travail sont nombreuses. La technique de segmentation pourrait être appliquée à d’autres modalités d’imagerie (IRM, TEP,. . . ), mais également à l’imagerie multimodalité (TEP-TDM ou autre) en s’appuyant, ici, sur la modélisation de la fusion d’information multimodalité.

Image segmentation is a process aiming at partitioning an image into several regions. Taking into account the importance of the imagery in medicine, there are many applications of the segmentation. One of them is the delineation of the organ at the risk and tumoral volume in conformational radiotherapy. However, the problems of image segmentation are complex due to the diversity of the imagery methods and biological tissues to segment, the weak contrast sometimes met and the presence of noise. Considering this diversity, we present in this thesis study, design and development of the tools for segmentation of Computed Tomography (CT) images aiming for conformational radiotherapy. The essential contribution of this work rests on the application of the belief functions theory in the segmentation of thoracic CT images. The method is named ''credibilist labeling''. To integrate the contextual information, we propose to take into account the space correlations between voxels in the data modeling by fusion of the information coming from the neighbors. Each voxel is considered as a particular vision, which brings thus partial information, supplemented or confirmed by the neighborhood voxels of the slice or the neighborhood slices. The major interest of the belief functions is it’s capacity to deal with uncertainty and imprecise data such as the grey levels in medical imagery, but also the definition of a mathematical frame allowing the fusion of information coming from several sources, here the neighborhood voxels. Based on this method, we developed the software SIPEC, for Segmentation d’Image Par Etiquetage Crédibiliste, allowing delineation of the patient’s contour, segmentation of the lungs and the spinal canal. We compared this software with clinical software ECLIPSETM (VARIAN v7. 1. 3) on 30 sets thoracic CT images. The results show that the tools proposed in clinic for segmentation rest on an algorithm much simpler and rapid than SIPEC (for example, the mean duration for the automatic segmentation of the lungs: ECLIPSE (3 minutes) vs. SIPEC (10 minutes)), but with the detriment of segmentation quality. So the number (for example, the mean manual corrections number for the lungs: ECLIPSE (43) vs. SIPEC (5)) and the importance of the manual corrections are quite less with software SIPEC than with the clinical software. It results the comparable total duration for segmentation of 3 volumes between the 2 tools (ECLIPSE (23 minutes) vs. SIPEC (20 minutes)), with the major advantage for SIPEC: being automatic and requiring few manual corrections. In addition, the treatment duration could be improved by ameliorating the algorithm and the speed of the processor. The prospects for this work are numerous. The segmentation technique could be applied to other imagery methods (MRI, PET…), but also to the multimodality imagery (PET-CT or other) by modeling the fusion of multimodality information.