Projet de spécialité - Recalage d'images médicales de poumon en inspiration/expiration

De Ensiwiki
Aller à : navigation, rechercher

Projet de spécialité 2020 suivi par Matthieu Chabanas

Equipes de 2 à 3 étudiants, pas de limite sur le nombre d'équipes.

Contexte

Le recalage d'images (image registration) consiste à trouver une transformation géométrique T, rigide ou non, reliant deux images A et B. L'objectif est de trouver les paramètres de T minimisant la différence entre les images T(A) et B. Une introduction est par exemple disponible ici (un cours de 3A).

Ce projet s'intéresse à recaler des images médicales de poumon acquises en fin d'inspiration et en fin d'expiration. Ceci est utile par exemple pour la compréhension du mécanisme de respiration ou le suivi de tumeurs lors de séances de radiothérapies.

Le projet sera co-encadré par Pablo Alvarez, post-doctorant travaillant sur la modélisation biomécanique des déformations du poumon et des techniques de recalage d'images dans un contexte de guidage chirurgical (avec d'autres données). Soutenance de thèse le 9 novembre 2020 pour celles et ceux qui seraient intéressé.e.s.

Données

Les données de ce projet consistent en 60 examens de type scanner tomodensitométrique (CT) de 30 patients, soit deux volumes par patient en fin d'inspiration et fin d'expiration. Des points remarquables (landmarks) ont aussi été identifiés dans les images pour quantifier l'erreur de recalage.

Ces données ont récemment été utilisées dans le cadre du Grand Challenge "Learn2Reg Registration Challenge" de la conférence MICCAI2020. Elles sont disponibles ici (Task 2). Dans un tel challenge, plusieurs équipes proposent des méthodes qui sont comparées entre elles et éventuellement à une référence. Les prix cette année étaient une carte GPU de course et du $cash. Dans le cadre de ce projet de spé, les prix seront plutôt des Carambars et toute notre estime...


Méthodes

Les objectifs de ce projet sont de proposer et d'évaluer une ou plusieurs méthodes de recalage CT/CT du poumon. Plusieurs types de méthodes et aspects pourront être évalués parmi:

  • extraction de caractéristiques remarquables (e.g. SIFT) et recalage géométrique de ces caractéristiques
  • recalage basé sur l'intensité des images (NCC, Information mutuelle)
  • combinaisons de méthodes, multi-échelles, ...
  • gestion des images tronquées?
  • gestion des discontinuités: glissements entre lobes pulmonaires et le long de la cage thoracique
  • approches deep learning? Pourquoi pas, même si les méthodes apprentissage sont délicates à utiliser pour du recalage et restent à ce jour moins performantes que des approches classiques.

La manipulation des images, les traitements de base (filtrage, masques) et l'implantation du recalage se feront en Python ou C++, au choix. La librairie Elastix sera notamment utilisée pour le reccalage (sa documentation est du reste une bonne introduction au recalage d'images).


Objectifs

Les objectifs de ce projet sont:

  1. battre Pablo.
  2.  et en vrai, il s'agit de trouver des améliorations pour répondre au mieux au problème. Ensuite, elles seront intégrées dans notre notre méthode afin de, pourquoi pas, participer à une prochaine édition du challenge?