Normalisation des données

Présentation au sujet: "Normalisation des données"— Transcription de la présentation:

1 Normalisation des données
Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal 1

2 Qu’est-ce la normalisation ?
Localisation du voxel = localisation anatomique Avec des valeurs d’intensité exactes

3 Terminologie de la normalisation
Estimation de la transformation : trouver la matrice de transformation (pas de resampling) Resampling : on applique la transformation estimée La normalisation signifie la combinaison des 2 Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,

4 Principes de la normalisation
Nous devons comprendre: Transformations spatiales Interpolation Fonctions de similitude Recherche / Optimisation Résolution multiple Espace standard

5 Transformations spatiales
Pour aligner les images, il faut les transformer Il y a beaucoup de types de transformation Les degrés de liberté décrivent la transformé partiellement Par exemple : Corps rigide (6df) Affine (12df) Rigide en parties (6df par partie) Non-linéaire (fluide, élastique, spline, etc.)

6 Transformations à corps rigide
6 degrés de liberté en 3D Inclut: 3 Rotations 3 Translations Utilisées pour co-registration ou pour correction du mouvement intra-sujet

7 Transformations affines
12 degrés de liberté en 3D Transformation linéaire Inclut: 3 Rotations 3 Translations 3 « Scalings » 3 Skews / Shears Utilisé pour des normalisations sujet-standard (e.g. Talairach)

8 Transformations non-linéaires
Plus que 12 degrés de liberté Peuvent être locales Quelques contraintes: Rigide en partie Fonctions de base (e.g. Splines) Fluide Utilisé pour une normalisation inter-sujet de bonne qualité

9 Normalisation non-linéaire
T = rotation, « scaling », translation D = Transformation de plus grand ordre, exige déformation locale

10 Espace Stéréotaxique Basé sur des points de repère anatomiques (commissures antérieure et postérieure) Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e.g. thalamotomie, pallidotomie) Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3-Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988

11 Repère AC-PC commissure postérieure Ligne AC-PC commissure antérieure
VAC

12 Espace stéréotaxique J Talairach & P Tournoux,
Co-planar stereotaxic atlas of the human brain, Georg Thieme, 1988

13 Espace stéréotaxique

14 La variabilité anatomique reste
Atlas de Talairach et Tournoux, 1988 Variabilité du sulcus central de 20 sujets

15 Données non registrées
Images courtesy A. Zijdenbos, MNI

16 Données registrées

17 Normalisation en espace stéréotaxique
Avantages pour l’imagerie anatomique et structurelle Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc. Permet de moyenner entre sujets pour augmenter le SNR Permet l’utilisation de masques spatiales pour des analyses post-traitement (e.g. des hypothèses basées sur l’anatomie) Permet d’utiliser des classifications spatiales Permet d’utiliser des modèles anatomiques (segmentation) Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis

18 Normalisation en espace stéréotaxique
Advantages for functional imaging: Avantages pour l’imagerie fonctionelle Fournit une structure conceptuelle pour l’analyse 3D automatisée à travers tous les sujets Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites... Extrapole les résultats à la population en large Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet Augmente le nombre de degrés de liberté permis dans un modèle statistique Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu

19 Atlas stéréotaxique Talairach
Inconvénients pour l’imagerie fonctionelle Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!) Ignore les différences entre les hémisphères droit et gauche Séparation des tranches variable, jusqu’à 4mm Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3D

20 Espace stéréotaxique Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur Fournit une structure conceptuelle pour l’analyse 3D complètement automatisée à travers tous les sujets L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach

21 Histoire des modèles anatomiques du MNI
ICBM152 non-linéaire Average 305 Colin27 MNI 250 ICBM 152 Cerveau Jacob 1992 1993 1996 1998 2001 2004

22 Cerveau moyen MNI 250 Evans, A.C., Collins, D.L., Milner, B. (1992). An MRI-based stereotaxic atlas from 250 young normal subjects. Society Neuroscience Abstracts. 18: 408

23 Normalisation manuelle

24 MNI 250 Pour : 250 sujets représente la population moyenne
Peut être utilisée comme cible de normalisation Contre : Normalisation manuelle (variable) Ne couvre pas complètement le haut de la tête et le cervelet Manque de détail cortical N’a jamais été rendu publique

25 Average 305 du MNI Pour : Normalisation automatique 305 sujets
Plus de contraste Utilisé comme cible de normalisation MRITOTAL Disponible publiquement avec mni_autoreg Contre : Ne couvre pas complètement le haut du cerveau et le cervelet Manque de détail cortical Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2):

26 Colin 27 Pour : Contre : Normalisation automatique 1 sujet, 27 scans
S/N et C/N très grands Détail anatomique très beau Peut être utilisé comme cible de normalisation Disponible publiquement avec mni_autoreg Contre : Un seul sujet – même si normal, peut être un outlier Ne représente pas la variabilité de la population Holmes, C., Hoge, R., Collins, D.L., Woods, R., Toga, A.W. (1998).Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2):

27 Atlas Jacob Un seul sujet
Dessiné manuellement (Noor Kabani, 96 structures) Même si normal, peut être un « outlier » Ne représente pas la variabilité de la population « Basis for SPAM Atlas in Talairach Daemon »

28 Moyenne ICBM 152 Moyenne T1 Moyenne PD Moyenne T2
Mazziotta et al. (2001). A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc I and B Biol Sci. 356:

29 ICBM 152 – Groupes de tissus
Moyenne MG Moyenne CSF Moyenne MB

30 ICBM 152 Pour : Normalisation linéaire automatique 152 sujets
Meilleur contraste Couvre toute la tête Modèles T1/T2/PD et MG/MB/CSF Utilisé comme cible de normalisation MRITOTAL Disponible publiquement avec mni_autoreg, SPM2, FSL Contre : Manque de détail cortical

31 ICBM 152 non-linéaire Pour: Normalisation automatique
Meilleur contraste Couvre la tête au complet Utilisé comme cible de normalisation MRITOTAL Détail cortical signifiant Contre: ?

32 Modèles stéréotaxiques
Moyenne linéaire 305 ICBM 152 linéaire Colin 27 linéaire ICBM 152 non-linéaire

33 Normalisation d’images
Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template) mritotal: crée la matrice de transformation .xfm Transformation : « Resample » d’après les paramètres de transformation déterminés e.g. mincresample ou resample_tal: applique la transformation aux données

34 Quelle est la matrice ? M11 M12 M13 M14 M21 M22 M23 M24
Il y a deux types « d’output » d’une normalisation Image transformée (réorientée) Matrice de transformation La matrice de transformation est sauvegardée en tant que matrice 4x4 M14, M24, M34 sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling Ceci est sauvegardé en nom dufichier.mat par le GUI, et spécifié par l’option –omat dans la ligne de commande M11 M12 M13 M14 M21 M22 M23 M24 M31 M32 M33 M34

35 Interpolation Trouve les valeurs d’intensité entre les points de la grille

36 Interpolation Trouve les valeurs d’intensité entre les points de la grille

37 Interpolation Trouve les valeurs d’intensité entre les points de la grille Différents types incluent Voisin le plus proche Trilinéaire Sinc Spline Méthode espace k

38 Interpolation Trouve les valeurs d’intensité entre les points de la grille Différents types incluent Voisin le plus proche Trilinéaire Sinc Spline Méthode espace k

39 Interpolation Voisin le plus proche Trilinéaire Sinc
Affecte la précision des analyses à venir Important pour l’imagerie quantitative Peut affecter la largeur des artéfacts

40 Fonctions de similitude
Mesure la validité de l’alignement Cherche la valeur maximale Plusieurs variétés principales

41 Fonctions de similitude
Important: « allowable image modalities »  Moins important: détails Moindres carrés Même modalité (paramètres de séquence exacts) Corrélation normalisée Même modalité (peut changer le contraste et l’intensité) Rapport de corrélation N’importe quelle modalité RM Information mutuelle N’importe quelle modalité (incluant CT, TEP, etc.) Information mutuelle normalisée

42 Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple: trouve le meilleur angle de rotation Essai 1: angle = -45 degrés

43 Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 2 : angle = -15 degrés

44 Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 3 : angle = 0 degrés

45 Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 4 : angle = +30 degrés

46 Optimisation Après N essais

47 Maximums locaux et globaux
L’exemple précédent était facile Mais c’est plus difficile en pratique parce que : Une dimension par degré de liberté Il est difficile de discerner entre le maximum global et le maximum local Maximum global Maximum local

48 Initialisation La position de départ est importante pour la stratégie recherche/optimisation locale Doit être dans la zone de capture Zone de capture pour un maximum global

49 Multi résolutions Pourquoi utiliser des résolutions plus basses ?
Calculs plus rapides 8mm – 80 mille calculs 1mm – 40 millions de calculs Pas sensible aux structures subtiles Progressivement améliore la résolution pendant la normalisation

50 Méthodes de normalisation linéaire
Talairach  Talairach et Tournoux MRITOTAL  Collins AIR  Woods SPM  Friston, Ashburner FSL  Smith, Jenkinson

51 Normlisation Linéaire : mni_autoreg et MRITOTAL
PAT Méthode : Axe de transformation principal Corrélation de données floues à fwhm de 16mm Corrélation de données floues à fwhm de 8mm Corrélation de données « gradient magnitude » de 8mm Optimisation « simplex » Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2):

52 AIR: Automated Image Registration
Interpolate reslice image onto reference image Compute/minimize intensity ratio for common area Successively finer subsampling. Every 81st, 27th, 9th, 3rd\voxel Errors ~ 1-2mm Intra + inter modality registration Woods, R.P., Cherry, S.R., Mazziotta, J.C. (1992). Rapid automated algorithm for aligning and reslicing PET images. Comput Assis Tomog. 16: - Woods, R.P., Mazziotta, J.C., Cherry, S.R. (1993). MRI-PET registration with automated alogirhm. Comput Assis Tomog. 17:

53 SPM : Statistical Parametric
Déterminer la transformation spatiale qui minimise la somme carré entre une image et une combinaison linéaire de une ou plusieurs templates Commence avec une normalisation affine afin que la grandeur et la position de l’image correspondent Suivi par un warping non-linéaire afin de correspondre à la forme générale du cerveau Utilise une structure Bayesienne pour maximiser simultanément les lissages des warps J. Ashburner, FIL, London

54 FSL Normalisation accomplie avec FLIRT
FMRIB’s Linear Image Registration tool Optimisation à résolutions multiples En utilisant différentes positions de départ Objectifs de fonctions multiple Pour s’occuper de la normalisation inter- et intra- modalité La normalisation stéréotaxique est accomplie en utilisant l’atlas des volumes MNI (moyenne ICBM152 linéaire)

55 Problèmes de normalisation : quelle méthode ?
Différentes optimisations veut dire différentes forces

56 Quoi faire s’il n’y a pas de modèle pour mes données??
Modèles spécifiques à des populations particulières

57 Bâtir un modèle spécifique à une population

58 Idée de NeuroLens Pourquoi normaliser des données fonctionnelles sur un ‘template’ anatomique ?  Création d’un template T2* Visualisation du processus d’optimisation !

59 Remerciements et références
Louis Collins, Montreal Neurological Institute Andrew Janke, FSL & FreeSurfer Course, fMRIb, Oxford FIN Prochain cours: IRM anatomique Remerciements: Cécile Madjar, Kristina Martinu