Célia AEPLY (Encadrant : Matthieu CHABANAS) : Détection de la résection de tumeurs sur images échographiques

De Ensiwiki
Aller à : navigation, rechercher

Introduction

Lors d'une opération de tumeurs au cerveau, des acquisitions échographiques de la résection sont effectuées afin de permettre au chirurgien de voir s'il lui reste de la matière à exciser ou non. Dans ce contexte, nous traitons donc des images échographiques de cerveau avec tumeurs. Nous disposons de plusieurs acquisitions échographiques du cerveau d'un patient durant une opération mettant en évidence la résection effectuée par le chirurgien.


Mon travail est de segmenter en 3D la résection de la tumeur durant l'opération chirurgicale. Pour cela, j'ai utilisé des techniques de traitements d'imagerie médicale déjà existantes (ThresHolding, Classification, Croissance de région, ... ) mais j'ai également développé des méthodes propres au contexte.

Pour cela, j'ai utilisé des techniques de traitements d'imagerie médicale déjà existantes (Thresholding, Classification, Croissance de région, ... ) le but étant de trouver la procédure d'enchaînements de traitements optimale pour segmenter la tumeur.

Contexte

Lieu

J'ai fait mon sujet d'Introduction à la Recherche en Laboratoire dans le laboratoire TIMC-IMAG (Techniques de l'Ingénierie Médicale et de la Complexité - Informatique, Mathématiques et Applications, Grenoble) .J'ai été accueillie par Matthieu Chabanas et Fanny Morin au sein du département GMCAO (Gestes Médico-Chirurgicaux Assistés par Ordinateur).


Ce sujet d'introduction à la recherche vient compléter une petite partie de la thèse de Fanny Morin dont le sujet est Simulations non linéaires pour le guidage per-opératoire en neurochirurgie. Son but est de modéliser et simuler les déformations des tissus cérébraux durant une opération chirurgicale afin de pouvoir donner des outils de visualisation aux chirurgiens.

Contexte d'application

Image IRM pré opératoire(gauche) du cerveau d’un patient et image échographique (droite) per opératoire de la réction de la tumeur durant une opération chirurgicale

Lors d'une opération chirurgicale du cerveau, le chirurgien cherche à réséquer la tumeur du cerveau du patient. Le point délicat est de réussir à retirer tous les tissus malades et de ne pas toucher aux tissus sains, le cerveau étant un organe vital.

Les tumeurs ne se distinguent pas particulièrement de la matière grise, il est donc difficile de savoir quand arrêter d'enlever de la matière. Pour cela, le chirurgien a à sa disposition des images pré-opératoires : des scanners IRM du cerveau du patient. Comme on peut le voir sur la Figure ci dessus,l'avantage des images IRM est qu'elles sont très nettes, on distingue bien la tumeur qui est d'une autre couleur que le cerveau.


Cependant pour effectuer des scanners IRM, il est nécessaire de respecter tout un protocole d'hygiène et de sécurité que les chirurgiens ne peuvent pas se permettre lors d'une opération de la boîte crânienne. Reste à leur disposition un autre outil moins efficace mais bien plus simple d'utilisation : les images échographiques (image de droite de la Figure).


Données

Histogramme de niveaux de gris de la première image ́echographique


Sur l'histogramme, en abscisse, on trouve les 255 différents niveaux de gris et en ordonnée la fréquence à laquelle ils sont présents dans l'image. Dans cette image, tout ce qui ne constitue pas de matière organique (air ou extérieur de l'image) est en noir et a pour valeur 0.

La matière organique prend elle différents niveaux de gris plus proches du noir que du blanc comme on peut l'observer sur le graphique.


Le premier pic à 0 correspond à tous les pixels noirs. La deuxième bosse de l'histogramme correspond donc à la matière grise. De 5 à 30 , on a un premier pic qui correspond à la matière la plus foncée vers le bas de l'image. De 30 à 100 , on a des intensités plus faibles qui correspondent à la tumeur.

Objectif

Segmentation de la résection (droite) et image échographique (gauche)

Mon travail est de segmenter les images échographiques pour en sortir un modèle en 3D du trou creusé par le chirurgien. Je dois appliquer une série de traitements pour avoir une image binarisée en 3D qui est à 1 là ou la tumeur a été réséquée et qui est à 0 tout ailleurs.

Pour ce faire je me suis d'abord renseignée sur ce qui existait déjà dans la littérature.

Il est important de préciser que mon but était de comprendre et d'utiliser les méthodes existantes pour segmenter des images échographiques. L'enjeu est de trouver l'enchaînement optimal de traitements d'image permettant d'avoir une image binarisée dans un temps (de calcul) raisonnable et avec une interaction avec l'utilisateur minimale. Ces deux derniers points n'étant pas fixés, c'est à moi d'explorer toutes les possibilités et de rendre compte ensuite des méthodes que l'on peut conserver ou bien abandonner et sur quels critères.

Traitement d'Imagerie Médicale

Diagramme des opérations effectuées en traitement d'imagerie médicale

La segmentation en imagerie médicale repose sur la méthode de Croissance de Région. Cette méthode nécessite d'appliquer des prétraitements à l'image pour pouvoir détecter la région qui nous intéresse.Dans ce contexte nous nous intéressons à la détection de noir et donc du premier pic de l'histogramme de la Figure Histogramme de niveaux de gris de la première image ́echographique . Ensuite, éventuellement, on peut appliquer un post processing si la segmentation à la suite de la croissance de région n'est pas satisfaisante.

Le but du pré processing est de partitionner l'image en deux groupes (ou plus selon les cas) en fonction des différents niveaux de gris. Il en existe plusieurs qui sont utilisables sur le logiciel de traitement d'imagerie médicale ITKSnap : Thresholding (filtre passe haut), Edge Attraction et Classification.

Méthodes

Comparaison des pré processing

Dans un premier temps, j'ai testé tous les pré processing afin de cibler les problèmes rencontrés. J'ai effectué une batterie de tests sur un jeu de données pour les différentes méthodes sans prendre en compte les informations liées au contexte. Chaque image 3D est traitée seule, sans tenir compte du pas temps de temps auquel elle a été prise et des autres images.


Segmentation d’une image avec un Thresholding

Cependant, aucun des pré processing déjà existants utilisés seuls ne suffisent à segmenter la résection dans la plupart des cas.

Cas limites

Le premier problème auquel j'ai été confrontée et la mauvaise qualité des images et la difficulté même à l'œil nu de déterminer où la segmentation devait s'arrêter.

En effet sur la Figure ci dessous, on ne sait pas quelle segmentation (verte ou rouge),il est difficile de discerner à l'oeil nu la résection. Il y a une ambigüité sur la canal sur la gauche. Il n'est pas logique que le chirurgien creuse dans cette direction mais il parait assez gros pour appartenir à la résection.

Sur l'image de gauche, on a l'image de départ. Sur celle du milieu, j'ai effectué une segmentation manuelle de la forme minimale et sur l'image de droite, une segmentation maximale.

Segmentation manuelle d’un coupe de la résection de la tumeur

Avec n'importe quel pré processing, détaillé dans le section précédente, la croissance de région finissait par sortir via ce canal commme on peut le voir sur la Figure ci dessous.

Pré Processing propres au contexte

masque
Application du masque de la tumeur et du filtre passe haut du noir pur
Masque de l'image par la tumeur

En voyant la croissance de région déborder vers les tissus sains, je me suis dit que nous pouvions restreindre l'image à la tumeur.


Si les images sont bien recalées dans le même référentiel, logiquement la résection que le chirurgien effectue de ne dépasse pas le volume de la tumeur. Or, Fanny MORIN a déjà segmenté la tumeur en 3D. Un nouveau pré processing que j'ai pu effectuer est donc le masque de la tumeur.


Il faut aussi prendre en compte que lorsque le chirurgien opére le patient du cerveau, il exerce des pressions sur les tissus. Il peut donc y avoir un décalage entre la modélisation de la tumeur et l'endroit où se trouve la résection. Pour cela, on dilate la tumeur avant d'effectuer la projection sur les images ultra sons. Ensuite, pour tous les pixels de l'image US de la résection : si le pixel appartient à la tumeur alors on ne fait rien; sinon, le pixel est mis à 255 (blanc).

Mise à blanc du pur noir

Une autre idée qui nous est venue en voyant la croissance de région débordant même au dessus du crâne était de restreindre encore l'image à la tumeur seule. En effet, le noir au dessus d'une image échographique est à 0 partout alors que le noir qui nous intéresse dans la résection n'est pas un "pur noir" dans le sens où les valeurs minimales sont 2 ou 3. Un autre pré processing que nous appliquons alors est un filtre passe haut mettant tous les pixels ayant comme valeur initiale 0 (noir) à 255 (blanc). Ainsi, on réduit encore la région d'intérêt.

Classification

Après avoir réduit notre région d'intérêt, il s'avère que le pré processing utilisé en imagerie médicale le plus efficace est la Classification. En effet, la zone qui nous intéresse est le noir de la résection et en ayant masqué le noir autour de l'image la classification fonctionne bien. Il faut lui indiquer de prendre en compte (paramètre modifiable dans ITKSnap) 3 pixels voisins dans la classification automatique.


Suite à cela, nous avons deux possibilités pour initialiser les 3 classes, soit on met un pixel dans chacune des régions soit on délimite le contour. La première méthode est facile d'utilisation et peut s'automatiser mais n'est pas efficace dans tous les cas. La deuxième méthode est moins automatisable mais c'est le meilleur processus qui permet de segmenter de manière satisfaisante la résection dans le cadre de mes recherches.

Segmentation de la résection sur un ancien cas limite avec la nouvelle méthode


Les autres pré processing gagnent moins en efficacité que la classification car ici on a réduit le nombre de différents de clusters. Le Thresholding reste cependant assez efficace car, de même, il ne reste pas beaucoup de niveaux de gris proche de 0. La méthode Edge Attraction n'apporte rien de plus qu'avant.

Conclusion

Diagramme des traitements de la solution finale retenue pour segmenter la résection

Résumé

Dans de projet de recherche j'ai commencé par chercher dans la littérature ce qui existait en segmentation d'image ultra-sons. Après avoir testé tous les traitement d'image classiques appliqués en imagerie médicale, je me suis confrontée à des problèmes propres au contexte. J'ai alors développé des pré processing qui font référence aux données du contexte. Le processus de segmentation finale le plus efficace est détaillé dans la Figure ci dessus.

Discussion et perspective

Le processus défini est le plus efficace mais n'est pas fonctionnel tout le temps. Il existe de cas où la segmentation n'est pas satisfaisante notamment par exemple dans le cas d'une mauvaise reconstruction de l'image.


Aussi, la méthode de classification que j'utilise est la plus efficace mais n'est pas très indépendante, cependant en effectuant l'initialisation avec un seul pixel, on pourrait imaginer plus tard automatiser cette détection en sélectionnant les valeurs de l'histogramme des niveaux de gris.

Documents

Rapport

Fichier:Rapport aeplyc.pdf

Slides

Fichier:Slides aeplyc.pdf