Segmentation des images TEP/CT pour la quantification de volume de lésions, particulièrement pour le lymphome

Segmentation of PET/CT images for volume quantification of oncological lesions

• Auteur / Autrice : Eloise Grossiord
• Direction : Laurent Najman, Michel Meignan
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/07/2013; Soutenance le 13/10/2017
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Partenaire(s) de recherche : Equipe de recherche : A3IS - Algorithme, Architecture, Analyse et Synthèse d'Image

Mots clés

Mots clés libres

Lymphome

Tep/tdm

Segmentation hiérarchique

Arbre de coupes

Apprentissage par forêts aléatoires

Lymphoma

Pet/ct

Hierarchical segmentation

Component-tree

Random forest

Résumé

L'imagerie de Tomographie par Emission de Positons (TEP) au 18F-FDG est essentielle pour le cancer du lymphome car elle permet la détection des tumeurs et la quantification de leur activité métabolique. L'imagerie TEP fournit en effet des informations métaboliques (ou fonctionnelles). Dans ce contexte, une méthode de segmentation fiable et reproductible est une nécessité. Du fait des propriétés spatiales et spectrales de la modalité TEP, les méthodes couramment utilisées reposent sur l'information d'intensité, et sont principalement des méthodologies de seuillage local, généralement fixe, relatif ou adaptatif. Ainsi, ces méthodes requièrent une forte interaction avec l'utilisateur. Cette tâche, sujettes à de fortes variabilités inter et intra-praticiens, peut devenir fastidieuse et chronophage dans le cas du lymphome où les tumeurs sont non seulement multiples mais également localisées à divers sites dans l'organisme. Ainsi l'automatisation de la détection des tumeurs peut permettre de réduire cette variabilité et faciliter/accélérer l'analyse des examens par les praticiens. De plus, quelques méthodes reposent également sur l'intégration d'à priori anatomiques permettant d'améliorer le processus de segmentation. Aussi nous proposons de tirer parti de ces deux stratégies pour proposer une méthodologie de segmentation automatique qui englobe un paradigme simple, reposant sur l'information d'intensité et le seuillage, et la capacité d'intégration d'informations additionnelles à priori, provenant de l'expertise clinique. Pour cela, nous proposons d'utiliser le cadre des représentations hiérarchiques des images pour l'élaboration de nos algorithmes, celles-ci sont particulièrement adaptées non seulement pour la représentation en 3D d'images où les structures d'intérêt correspondent à des extrema d'intensité, mais également pour le développement de stratégies interactives et en temps réel. Nous avons dans un premier temps basé notre représentation hiérarchique d'arbre de coupes sur la modalité TEP car c'est la modalité de référence pour les cliniciens pour la détection tumorale, le staging et l'évaluation thérapeutique. Nous l'avons combiné à une analyse dans l'espace des formes pour permettre l'intégration d'informations additionnelle telle que des descripteurs de forme. Performantes sur les tumeurs thoraciques, la présence résistante des organes physiologiquement fixant dans nos résultats nous ont orienté vers l'utilisation combiner des modalités PET et TDM, offrant des informations complémentaires au sein d'une structure de graph de coupes. L'association du graph de coupes avec l'analyse dans l'espace de forme a permis le traitement efficace des images multi-valuées. Et plus particulièrement, dans le cas du lymphome, cette combinaison à permis la discrimination effective des hyperfixations pathologiques des hyperfixations physiologiques. La troisième partie de la thèse a consisté à consolider la description tumorale faite au sein de l'arbre des coupes, par une approche par apprentissage sur forêts aléatoires sur un ensemble de caractéristiques, de types différents (intensité, forme et texture) calculés conjointement sur les deux modalités (TEP et TDM). Nous avons validé nos methodologies sur des images cliniques de patients traités pour le cancer du lymphome. Les résultats ont été comparés à une segmentation locale par seuillage relatif réalisé par un expert.

18F-FDG PET is essential in lymphoma imaging for detecting tumours and evaluating their metabolic activity. Indeed, PET imaging provides functional or metabolic information. In that context, an accurate and reliable segmentation method is essential. Due to spatial and spectral information of PET images, most segmentation methods rely on intensity-based strategies, mainly local fixed, relative, or adaptive thresholdings. Thus, these methods require an important user interaction. This process can be laborious and user-dependant for lymphomas where lesions are numerous and located in multiple site of the body. Hence, an automated tumours detection would reduce user variability and facilitate clinical analysis. Besides, recent methods also propose to integrate anatomical priors to improve the segmentation process. Thus, our purpose is to propose a segmentation strategy combining the advantages of both approaches : the ability to rely on simple and real-time interaction paradigms, based on intensity and thresholding; and the ability to embed anatomical priors, from clinical expertise, that improve the accuracy of segmentation. To reach that goal, we propose for the first time to consider the morphological hierarchy paradigm for designing PET-oriented connected operators. We propose to use the notion of component-tree as a hierarchical data-structure, not only it is well-fitted for handling 3D images where the structures of interest correspond to extremal intensity values but also for developing interactive and real-time segmentation methods. First, we propose to use the component-tree for performing PET segmentation, as PET imaging is considered as the modality of choice by clinicians for tumour detection, staging and response to treatment evaluation. We combined the component-tree with a recently introduced notion of shaping to embed additional information such as shape descriptors. Providing satisfying results on the segmentation of tumours, the remaining presence of hyperfixating organs drived us to the combined use of PET/CT modalities, providing complementary information in the same structure of component-graph. We described how component-graphs and shaping can be associated for the effective processing of multivalued images. In the case of lymphomas, this association enabled the effective discrimination between pathological and physiological hyperfixations. Finally, we enriched the tumour description, computed along the nodes, using a machine learning approach of random forests on a set of characteristics of different types (intensity features, shape descriptors and textural characteristics) jointly computed on both modalities (PET and TDM). We validate our methology on phantom images and on 3D PET exams of patients treated for lymphoma, where results are compared with expert’s segmentation of local relative thresholding, showing the interest of proposed approaches and accuracy of obtained results.