La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Benoit Scherrer Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat Préparée dans les laboratoires TIMC, GIN et LIG Collaboration Florence Forbes,

Présentations similaires


Présentation au sujet: "Benoit Scherrer Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat Préparée dans les laboratoires TIMC, GIN et LIG Collaboration Florence Forbes,"— Transcription de la présentation:

1 Benoit Scherrer Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat Préparée dans les laboratoires TIMC, GIN et LIG Collaboration Florence Forbes, INRIA Segmentation des tissus et des structures sur les IRM cérébrales : agents markoviens locaux coopératifs et formulation bayésienne.

2 /51 Introduction Imagerie par résonance magnétique (IRM) Permet lobservation avec une résolution fine de lanatomie Modalité dimagerie médicale peu invasive Met en évidence les tissus mous Adaptée pour létude du cerveau Acquisition IRM Données brutes ( issue des mesures physiques) Reconstruction 3D de limage INTERPRETATION DE LIMAGE 2 B. Scherrer, 12/12/2008 Explosion de la quantité dinformation générée Interprétation automatique des IRM cérébrales : un enjeu majeur

3 /51 Introduction : la segmentation Parmi les outils dinterprétation : la segmentation des IRM cérébrales But : attribuer à chaque voxel une étiquette de classe parmi K classes 3 B. Scherrer, 12/12/2008 IRM Pondérée T1 Segmentation des tissus Description de la matière contenue dans les voxels. matière blanche (MB), matière grise (MG), liquide céphalo-rachidien (LCR) Segmentation des structures Description selon des régions anatomiques connues. Noyaux caudés, putamen, thalamus, hypocampe, amygdale, … La segmentation : différents buts

4 /51 Application à lINSERM U836 4 B. Scherrer, 12/12/2008 IRM Anatomique 3D Volume de Voxels IRM Fonctionnelle Reconstruction fine 3D du Cortex Projection des données IRMf Dépliage du Cortex. Cartes Planes. Contexte de la thèse : Projet de Cartographie des Aires Visuelles chez lHomme Segmentation des tissus Matière grise (MG) Segmentation des structures différencier MG du cortex et des structures La segmentation : un maillon crucial dans la chaînes dinterprétation Doit être aussi robuste et fiable que possible

5 /51 Difficulté de la segmentation dIRM Nécessite des modèles mathématiques adaptés 5 B. Scherrer, 12/12/2008 Images IRM perturbées par de nombreux artéfacts Inhomogénéité Bruit Variation de lintensité pour un même tissu Inhérent à toute mesure physique Effet de volume partiel, faible contraste, Taille des données (acquisition 256x256x256 : 16 millions de voxels) La segmentation : un problème difficile Enjeux et difficulté dune segmentation robuste illustrés par lintérêt croissant porté sur la segmentation Source : PubMed Requête : medical AND image AND (segmentation OR classification OR labeling)

6 /51 Segmentation non supervisée 6 B. Scherrer, 12/12/2008 Orientée contours Modèles déformables Explicites (snakes) Implicites (level sets) Recalage datlas Morphologie mathématique bas niveau Gradient Morphologique Ligne de partage des eaux Ascendants Descendants Ascendants Descendants Opérateurs différentiels Seuillage Croissance de région Classification SEGMENTATION Paramétrique Non Paramétrique Mélange de lois Champ de Markov Probabiliste Déterministe Mean-shift K-Mean Fuzzy C-Mean Approches hybrides Approches probabilistes Cadre statistique formel bien posé Modélisent lincertitude dans lattribution des classes Intègrent naturellement des connaissances a priori (modèles de bruit, dinhomogénéité, localisation des structures, …) Modélisation de problèmes couplés (distributions jointes) Inférence naturelle et rigoureuse dalgorithmes destimation Champs de Markov : robuste au bruit Orientée régions

7 /51 La segmentation des IRM 7 B. Scherrer, 12/12/2008 Méthode par atlas : recalage global en prétraitement Segmentation tissus et structures : des tâches considérées indépendantes Pourtant : une structure est composée dun tissu Segmentation tissus Approche probabiliste : estimation de modèles dintensités Classiquement dans la littérature Segmentation des structures Les distributions dintensité se recouvrent largement Requiert lintroduction dinformation a priori Modélisation globale de lintensité des tissus Requiert lestimation dun champ dinhomogénéité (biais) Recalage datlas ou description floue de lanatomie

8 /51 Objet de cette thèse 8 B. Scherrer, 12/12/2008 Casser la logique traditionnelle globale du calcul Localité pour mieux refléter les propriétés locales de limage (estimation des modèles, recalage) Distribuer des processus destimation locale autonomes, Introduire des modalités de régulation entre estimations locales Considérer différents a priori pour segmenter les structures Relations spatiales et recalage datlas Coupler les modèles Segmentation des tissus, segmentation des structures et construction de connaissances anatomiques Régulariser et contraindre les modèles dans leur convergence Modélisation markovienne de la segmentation Régulariser létiquetage Introduire différent niveaux de régularisation Enjeux de cette thèse

9 /51 Plan 9 B. Scherrer, 12/12/2008 Première approche : modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures Seconde approche : formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des interactions Estimation du modèle Evaluation LOCUS LOCUS B Conclusion et perspectives Seconde approche : formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des interactions Estimation du modèle Evaluation LOCUS LOCUS B Conclusion et perspectives Première approche : modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures

10 /51 Segmentation markovienne de limage 10 B. Scherrer, 12/12/2008 ObservationsEtiquettes La segmentation Terme dattache aux données, basé sur les intensités Terme de régularisation Champ externe Connaissance a priori Segmentation markovienne Par définition : Corrélation spatiale entre les voxels régularisation robuste au bruit Réaliser la segmentation : maximiser selon z la probabilité Utilisation dalgorithmes de type EM (Expectation Maximization)

11 /51 Agent markovien local 11 B. Scherrer, 12/12/2008 Paradigme multi-agents : (calcul distribué) Agent = processus de calcul qui sexécute de manière autonome et interagit Quatre comportements : Coopération : contribution des accointances au modèle local Coordination : agit sur lenchaînement des comportements Définition : Situé dans limage, ancré sur un territoire Estimation coopérative des paramètres dun champ de markov local Agent markovien local:

12 /51 Segmentation des tissus 12 B. Scherrer, 12/12/2008 Partitionnement du volume en sous-volumes Définition dun AML par sous-volume AML spécialisé tissus : AML-T Segmentation en trois classes : LCR, MG, MB Accointances : agents voisins Forces de lestimation locale modélisée dans un SMA Première force Seconde force Sous-volumes «faciles» à segmenter : convergence rapide Libère des ressources pour traiter les autres zones Meilleure représentation des distributions dintensité locales Robuste aux inhomogénéités sans modélisation explicite dun biais

13 /51 Bonne représentation des classes permettant une estimation fiable des modèles Peu local, sensible aux inhomogénéités B. Scherrer, 12/12/2008 Compromis localité / fiabilité de lestimation Meilleure localité, robuste aux inhomogénéités Sous représentation des classes pour assurer la fiabilité de lestimation 13 Sous-volumes avec 40x40x40 voxels (64000 voxels) Sous-volumes avec 10x10x10 voxels (1000 voxels) Suffisament local (robustesse aux inhomogénéités) Assurer la validité des modèles locaux dans la littérature : validité assurée par redondance dinformation Mécanismes de régularisation des modèles locaux

14 /51 B. Scherrer, 12/12/2008 Segmentation des tissus 14 Mécanismes de coopération Assurer la cohérence globale des modèles locaux Calcul dun modèle dintensité moyen dans le voisinage Si nécessaire, correction du modèle local combinaison linéaire du modèle estimé et du modèle moyen Calcul dun modèle dintensité par voxel (splines cubiques, méthode du Krigeage) Assure des variations lente entre agents voisins Modélise les inhomogénéités dans les sous-volumes Paradigme multi-agents Cadre adapté pour réaliser ces mécanismes de coopération Model checking Model correction Model interpolation

15 /51 Initialisation Mode sommeil Diffusion dinformation Model Checking Agent Global Ensemble dAML-T Met à jour les probabilités Met à jour les paramètres Model Checking avec le voisinage Model Correction Model Interpolation Stabilisé ? B. Scherrer, 12/12/2008 Algorithme EM Local & Coopératif 15

16 /51 B. Scherrer, 12/12/ Segmentation des structures Définition dun AML spécialisé structure (AML-S) par structure Segmentation en deux classes structure et non structure Groupes daccointances Dun AML-T Dun AML-S Segmentation coopérative des tissus et structures

17 /51 Relations génériques et stables fournies par un anatomiste Relations de distance, dorientation et de symétrie Prend en compte la nature générale de cette connaissance Fournie une carte de localisation floue de la structure dans le volume FUSION Relation de distanceRelation dorientation EX : Noyau caudé Relations spatiales Description de lanatomie via des relations spatiales floues « Le noyau caudé droit est à moins de 5mm de la corne frontale droite » « le thalamus droit est en dessous de la corne frontale droite» etc… Traduction de la connaissance via des cartes 3-D floues B. Scherrer, 12/12/

18 /51 Champ de Markov local à deux classes M l pour chaque structure l : Champ externe Intégration dune connaissance a priori basée sur la CLF Segmentation coopérative des tissus et structures B. Scherrer, 12/12/ La carte de localisation floue : Fournit le territoire de lagent (Localisation dynamique, via un simple seuil) Est intégrée dans le champ de markov local Notation Champ externe

19 /51 Segmentation coopérative des tissus et structures B. Scherrer, 12/12/ LOCUS : Synthèse Régularisation de létiquetage

20 /51 Plan 20 B. Scherrer, 12/12/2008 Première approche : Modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures Seconde approche : Formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des intéractions Estimation du modèle Evaluation LOCUS LOCUS B Conclusion et perspectives Evaluation LOCUS LOCUS B Conclusion et perspectives Seconde approche : formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des interactions Estimation du modèle

21 /51 Cadre théorique formel Coopération exprimée via une modélisation jointe Introduction dun atlas statistique pour segmenter les structures Recalage de latlas pas un prétraitement mais couplé à la segmentation Seconde approche proposée B. Scherrer, 12/12/ Motivations Mécanismes de coopérations «ad-hoc» Intuitifs mais quid de la convergence ? Certain nombre de seuils Relations spatiales : information très générale Difficile de décrire un grand nombre de structures Seconde approche proposée :

22 /51 Composants du modèle Etiquettes des tissus : dans 3 classes Etiquettes des structures : dans (L+1) classes (L structures + fond). Le tissu de la structure l est noté T l. Intensités : N voxels dans le volume, K=3 classes de tissus, L structures Connaissance a priori sur les structures (atlas probabiliste) Données Modèles dintensités locaux de paramètres 22 B. Scherrer, 12/12/2008 Paramètres de recalage. Paramètres θ Données manquantes z (couplées) Problème à données manquantes couplées Trouver z=(t, s) en estimant θ=(R,ψ) à partir de y

23 /51 Estimation dun problème à données manquantes 23 B. Scherrer, 12/12/2008 Formulation fonctionnelle de EM maximisation alternée selon q et θ de : lensemble des distributions de probabilité sur z Mise à jour itérative : EM en deux étapes Etape E : Etape M : (Interprétation de EM de type Maximization-Maximization)

24 /51 Interprétation fonctionnelle de EM 24 B. Scherrer, 12/12/2008 Cas dun problème à données manquantes couplées Structure complexe de z=(t,s) issue du couplage Etape E non calculable en pratique Approximation de type Variational EM : résolution sur une classe restreinte de distributions de probabilité Celles qui se factorisent :, Mise à jour itérative : EM en trois étapes Pas nécessaire de spécifier ou pour segmenter Seulement Ne fait intervenir que ces probabilités conditionnelles

25 /51 Modélisation markovienne & décomposition 25 B. Scherrer, 12/12/2008 ? Energie dun champ de Markov Terme dattache aux données Décomposition Bayes : Les probabilités conditionnelles, et sont aussi des champs de Markov Modélisation markovienne avec : Interactions intra- champ Interactions inter- champs Interactions au niveau du terme dattache aux données Formulation des intéractions ?

26 /51 Formulation des interactions 26 B. Scherrer, 12/12/2008 Interactions intra-champ Interactions entre étiquettes Terme classique dinteraction spatiale des champ de Markov Connaissance a priori sur le recalage Amplitudes et orientations «typiques» des déformations Interactions entre modèles dintensités locaux Interaction markovienne spatiale entre les modèles dintensité locaux

27 /51 Formulation des interactions 27 B. Scherrer, 12/12/2008 Interactions inter-champs Interactions tissus- structures Favorise laccord entre information tissu et structure Non utilisé Interactions de t,s avec les paramètres de recalage Favorise les configurations où une structure est alignée sur son atlas (Pohl, 2006) Interactions via le terme dattache aux données Traduit laccord entre les informations tissus et structures dans lattache aux données Mélange des modèles dintensité Favorise le tissu de la structure Favorise une structure composée du tissu

28 /51 Recalage et estimation du modèle 28 B. Scherrer, 12/12/2008 Estimation dans le cadre Variational EM Fournit lexpression des mises à jour à chaque étape EM en quatre étapes Nature du recalage de latlas Requiert une déformation globalement non linéaire Recalage global élastique : coûteux, grand nombre doptima locaux Recalage local affine : profite du caractère local de linformation Modélisation du problème Fournit les expressions de, et Espace de lAtlasEspace de limage Déformation locale Transformation globale affine Alignement approximatif Transformations locales affines Capturent la déformation résiduelle pour chaque structure

29 /51 M-ψ-Step Mise à jour des modèles dintensité locaux cohérents Initialisation Segmentations 29 B. Scherrer, 12/12/2008 Estimation du modèle E-T-Step Mise à jour les cartes de probabilité tissus M-R-Step Mise à jour des paramètres de recalage affine local E-S-Step Mise à jour les cartes de probabilité structures Convergence Distrib. Gaussienne de moyenne et de précision : Maximisation avec une méthode numérique (Powell) Implémenté dans le paradigme multi-agents

30 /51 Video 30 B. Scherrer, 12/12/2008

31 /51 Plan 31 B. Scherrer, 12/12/2008 Première approche : modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures Seconde approche : formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des interactions Estimation du modèle Evaluation LOCUS LOCUS B Conclusion et perspectives Evaluation LOCUS LOCUS B Conclusion et perspectives

32 /51 Evaluation de LOCUS-T 32 B. Scherrer, 12/12/2008 Bruit, Inhomogénéité Paramètres dacquisition… Segmentation Simulation EVALUATION QUANTITATIVE Evaluation quantitative : simulation avec BrainWeb Mesure de Similarité Coefficient de Dice :

33 /51 Evaluation quantitative de LOCUS-T 33 B. Scherrer, 12/12/2008 Evaluation de LOCUS-T, comparaison à FAST et SPM5 Pour différents niveaux de bruit et dinhomogénéité Temps moyen de calculs SPM5 ( recalage datlas + modèle de bruit + modèle de biais) : ~14min FAST ( champ de Markov + modèle de biais ) : ~ 8min LOCUS-T (champ de Markov locaux + régularisation): ~4min

34 /51 Evaluation qualitative de LOCUS-T 34 B. Scherrer, 12/12/2008 Image réelle à 3 Tesla LOCUS-TSPM5FAST Image avec une très forte inhomogénéité (antenne de surface) SPM5FASTLOCUS-T

35 /51 Evaluation de LOCUS-T : robustesse 35 B. Scherrer, 12/12/2008 Robustesse au paramètre de taille des sous-volumes Robustesse aux paramètres de correction de modèle Image BrainWeb avec 5% de bruit et 40% dinhomogénéité

36 /51 Comportements intéressants 36 B. Scherrer, 12/12/2008 Proportion moyenne pour différentes positions dans le volume du nombre ditérations nécessaires à la convergence Calculé sur huit segmentations dimages BrainWeb (bruit: 3%, 5%, 7%, 9% ; inh. : 20%, 40%) Interprétation Faible nombre ditérations à la périphérie Classes sous-représentées ; correction de modèle Grand nombre ditérations entre 40mm et 80mm Région du cortex, zone de faible contraste avec volume partiel Sadapte à la complexité locale de limage

37 /51 Evaluation de LOCUS-TS 37 B. Scherrer, 12/12/2008 Segmentation des structures : évaluation quantitative Trois structures segmentées manuellement sur BrainWeb par trois experts Utilisation de STAPLE pour calculer une référence Evaluation pour différents niveaux de bruit et dinhomogénéité Coefficient de Dice Amélioration relative entre première et dernière convergence

38 /51 Evaluation de LOCUS-TS 38 B. Scherrer, 12/12/2008 Evaluation qualitative sur images réelles Illustration de la coopération tissus - structures

39 /51 Evaluation de la seconde approche LOCUS B 39 B. Scherrer, 12/12/2008 Evaluation de LOCUS B -T Approximativement équivalent à LOCUS-T (temps, performances) Focalise sur lévaluation de LOCUS B -TS et LOCUS B -TSR Evaluation quantitative sur BrainWeb - LOCUS B -TS et LOCUS B -TSR Avec la référence de trois structures segmentées manuellement LOCUS B -TSLOCUS B -TSR Amélioration relative

40 /51 Evaluation quantitative de LOCUS B 40 B. Scherrer, 12/12/2008 Illustration pour le noyau caudé Le recalage de latlas saméliore localement avec LOCUS B -TSR.

41 /51 Evaluation quantitative de LOCUS B 41 B. Scherrer, 12/12/2008 Evaluation quantitative sur IBSR v2 Comparaison Nécessite lintroduction dun a priori H(R) sur le recalage ?

42 /51 Evaluation qualitative de LOCUS B 42 B. Scherrer, 12/12/2008 Comparaison LOCUS B -T, LOCUS B -TS, LOCUS B -TSR LOCUS B -T LOCUS B -TS LOCUS B -TSR

43 /51 Evaluation qualitative de LOCUS B 43 B. Scherrer, 12/12/2008 Recalage initial artificiellement perturbé (LOCUS B -TSR) SegmentationAtlas Evolution du recalage et de la segmentation des structures :

44 /51 Evaluation qualitative de LOCUS B 44 B. Scherrer, 12/12/2008 LOCUS B -TSLOCUS B -TSR Image pathologique Habituellement : approche locale fortement perturbée Cas particulier :

45 /51 Plan 45 B. Scherrer, 12/12/2008 Première approche : modélisation multi-agents (LOCUS) Segmentation markovienne Segmentation des tissus Segmentation coopérative des tissus et structures Seconde approche : formulation bayésienne jointe (LOCUS B ) Modélisation couplée Formulation des interactions Estimation du modèle Evaluation LOCUS LOCUS B Conclusion et perspectives Evaluation LOCUS LOCUS B Conclusion et perspectives

46 /51 Publications scientifiques 46 B. Scherrer, 12/12/2008 B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Fully Joint Bayesian Model for MR Brain Scan Tissue and Subcortical Structure Segmentation, MICCAI 2008 « Young Scientist Award » dans la catégorie Segmentation B. Scherrer, M. Dojat, F. Forbes, C. Garbay, LOCUS: LOcal Cooperative Unified Segmentation of MRI Brain Scans, MICCAI 2007, Brisbane, Springer-Verlag Berlin, 2007, B. Scherrer, M. Dojat, F. Forbes, C. Garbay, MRF Agent Based Segmentation: Application to MRI Brain Scans, AIME 2007, Amsterdam, Springer-Verlag Berlin, 2007, Y.Kabir, M.Dojat, B.Scherrer, F.Forbes, C.Garbay, Multimodal MRI segmentation of ischemic stroke lesions, in the Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and biology Society (EMBC), Lyon, 2007 B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Une Approche SMA pour la Segmentation Markovienne des Tissus et Structures Présents dans les IRM Cérébrales, JETIM, Alger, Novembre 2006 B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Segmentation Markovienne Distribuée et Coopérative des Tissus et Structures Présents dans des IRM Cérébrales, RFIA, Tours, 2006 Articles de conférence avec comité de lecture

47 /51 Publications scientifiques 47 B. Scherrer, 12/12/2008 B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Agentification of Markov Model Based Segmentation: Application to MRI Brain Scans, Artificial Intelligence in Medicine (AIM) Article pour IEEE Transactions on Medical Imaging en période de revue Article sur les travaux plus récent (modèle couplé dans le cadre bayésien) à soumettre Workshop GDR STIC-Santé, Intégration dinformations anatomiques a priori dans un cadre Markovien : Application aux IRM cérébrales, Paris, Mai 2007, Articles de journaux Autres B. Scherrer, M. Dojat, F. Forbes, C. Garbay, Distributed and Cooperative Markovian Segmentation of Tissues and Structures in MRI Brain Scans, Human Brain Mapping, Florence, 2006 Résumés

48 /51 Conclusion 48 B. Scherrer, 12/12/2008 Pose les bases de lapproche locale distribuée et coopérative Localité et régularisation Estimation locale : mécanismes de régularisation des modèles locaux Robuste aux inhomogénéités sans modélisation dun terme de biais Limite lintroduction da priori trop contraignant Modélisation multi-agents : comportement opportuniste des agents Segmentation markovienne robuste au bruit et temps de calcul faible Sadapte à la complexité locale de limage Coopérations tissus – structures et régularisation Coopération des segmentations tissus et structures intuitive Régularisation des niveaux de connaissance Utilisation des relations spatiales pour décrire les structures Fonctionne pour neuf structures, mais information trop générale ? Première approche LOCUS

49 /51 Seconde approche LOCUS B Définition dun cadre statistique unifié élégant Modélisation via une unique distribution jointe Modélisation markovienne et décomposition permettant didentifier explicitement les interactions Véritable couplage segmentation des tissus – segmentation des structures – recalage – correction des modèles dintensités locaux Conclusion 49 B. Scherrer, 12/12/2008 Soucis de localité Estimation locale des modèles dintensité Régularisation des modèles locaux via modélisation markovienne Recalage local affine de latlas de structures Estimation guidée par le modèle Cadre bayésien rigoureux Algorithme EM en quatre étapes

50 /51 Evaluation Tissus : comparables aux meilleurs outils, faibles temps de calcul Structures : segmentation de 17 structures, bonnes performances Apport du couplage segmentation – régularisation – recalage Conclusion et perspectives 50 B. Scherrer, 12/12/2008 Force du cadre unifié mis en place : nombreuses possibilités dextensions Introduction dun a priori sur le recalage Prise en compte du volume partiel [Santago et Gage, 1993] Extension à la multi-modalité Partitionnement adapté du volume Estimation de la taille des sous-volumes cubiques, ou partitionnement non cubique Couplage : ajout de nouvelles variables Extraction du cerveau, segmentation des lignes de sillons, dépliage du cortex Extension aux données pathologiques Problème de la représentation spatiale de la classe « lésion » Estimation du nombre de classes dans chaque sous-volume (critère BIC) Estimation couplées « tissus sains » et « lésion » Cadre rigoureux très ouvert pour de futurs travaux

51 /51 Merci de votre attention, 51 B. Scherrer, 12/12/2008

52 /51 Conclusion Local combined tissue and structure segmentation via a fully bayesian joint model Several levels of interactions 1) Spatial dependencies between labels robustness to noise 2) Spatial dependencies between local models robustness to nonuniformity without any bias field modeling 3) Relationships (cooperation) between tissues and structures labels A way to take into account nonuniformity due to tissue properties Time efficient Future work Includes combined EM local affine atlas registration Adaptive partitioning of the volume Local approach for pathological MRI ? 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – B. Scherrer, 12/12/2008

53 /51 Demonstration 1 Bayes 2-variables case: This result can be extend to the n-variables case 53 B. Scherrer, 12/12/2008

54 /51 BrainWeb Gold Standard 54 B. Scherrer, 12/12/2008

55 /51 IBSR V1 55 B. Scherrer, 12/12/2008

56 /51 IBSR V1 56 B. Scherrer, 12/12/2008

57 /51 IBSR V2 57 B. Scherrer, 12/12/2008

58 /51 IBSR V2 58 B. Scherrer, 12/12/2008

59 /51 Recalage local affine 59 B. Scherrer, 12/12/2008 (erreur manuscrit eq 5.22 p.86)

60 /51 BrainWeb Gold Standard 60 B. Scherrer, 12/12/2008

61 /51 Spatial relations 61 B. Scherrer, 12/12/2008

62 /51 Comportements intéressants 62 B. Scherrer, 12/12/2008 Sadapte à la complexité locale de limage Nombre ditérations pour chaque agent Comportement : Agent 1 : Bonne représentation des classes na pas besoin de corriger son modèle Agent 2 : Peu de voxels une correction de modèle puis convergence rapideAgent 3 : modèle local et modèle moyen en compétition trouve un compromis Agent 4 : Convergence assez rapide mais prise en compte de la modification des voisins

63 /51 Modeling of structure intensity models & feedback Modeling of tissue intensity models & feedback Bayesian joint modeling 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – External Field Introduction of a priori knowledge of a statistical atlas Modeling of structure intensity models Relations between the 3 MRFs : For a voxel of a structure l, favor the tissue composing l t s θ MRF on local parameters MRF on tissue labels MRF on structures labels External Field 63 B. Scherrer, 12/12/2008

64 /51 titre 64 B. Scherrer, 12/12/2008

65 /51 Un maillon crucial dans de nombreuses chaînes dinterprétation 65 B. Scherrer, 12/12/2008 La segmentation des IRM : applications Applications cliniques Calcul du volume des structures suivi de lévolution de maladie dégénératives (Parkinson, Alzeimer, Huntington, …) Reconstruction 3D planification dinterventions neurochirurgicales, simulation, aide per-opératoire… Différenciation des tissus insérer des connaissances spécifiques dans les modèles biomécaniques Applications en neurosciences Comparaison des segmentations mise en évidence de différences anatomiques (Voxel Based Morphometry) Reconstruction 3D du cortex support pour la projection des activations de lIRM fonctionnelle. Doit être aussi robuste et fiable que possible

66 /51 Introduction : la segmentation des IRM IRM Pondérée T1 Segmentation des tissus Description de la matière contenue dans les voxels. matière blanche (MB), matière grise (MG), liquide céphalo-rachidien (LCR) Segmentation des structures Description selon des régions anatomiques connues. Noyaux caudés, putamen, thalamus, hypocampe, amygdale, … Segmentation de lésions Description des voxels appartenant à des lésions. Sclérose en plaque, accident vasculaire cérébral, tumeur, … La segmentation : différents buts 66 B. Scherrer, 12/12/2008 IRM pathologiques :

67 /51 Segmentation coopérative des tissus et structures B. Scherrer, 12/12/ Mécanismes de coopération Modèles dintensités des structures fournis par les tissus Retour de la segmentation des structures sur les tissus Segmentation des tissus et des structures sont couplées Saméliorent mutuellement Mécanismes de coordination Initialisation : système ventriculaire segmentée avec morphologie mathématiques Mise à jour de la segmentation dune structure mise à jour des agents de Convergence dun agent structure Activation des agents de Convergence dun agent tissu Activation des agents de

68 /51 Formulation des interactions 68 B. Scherrer, 12/12/2008 Interactions entre étiquettes Terme classique dinteraction spatiale des champ de Markov Interactions entre modèles dintensités locaux Interaction markovienne spatiale entre les modèles dintensité locaux (seulement sur les moyennes) Connaissance a priori sur le recalage Amplitudes et orientations «typiques» des déformations Travaux actuels : pas de base dapprentissage Interactions intra-champs

69 /51 Formulation des interactions 69 B. Scherrer, 12/12/2008 Interactions tissus – structures Favorise laccord entre information tissu et structure Interactions inter-champs Interactions de t, s avec les paramètres de recalage Favorise la configuration ou une segmentation structure est alignée sur son atlas Autre terme :

70 /51 Formulation des interactions 70 B. Scherrer, 12/12/2008 Interactions via le terme dattache aux données Traduit laccord entre les informations tissus et structures Si alors pas dinformation structure Si tissu et tissu de la structure en accord Sinon, si désaccord Equivalent à :

71 /51 Estimation du modèle 71 B. Scherrer, 12/12/2008 Estimation dans le cadre Variational EM Fournit lexpression des mises à jour des paramètres des Gaussiennes Fournit lexpression des mises à jour des paramètres de recalage

72 /51 Estimation du modèle 72 B. Scherrer, 12/12/2008

73 /51 B. Scherrer, 12/12/2008 Segmentation des tissus 73 Comportements dun AML-T et mécanismes de coordinations Calcul dun premier modèle dintensité local Estimation coopérative des paramètres du champ de Markov local Mode sommeil Construit une connaissance issue des structures

74 /51 B. Scherrer, 12/12/2008 Segmentation des tissus 74 Mécanismes de coordination au démarrage Paradigme multi-agents Cadre adapté pour réaliser ces mécanismes de coordination Ordonnancement non synchrone des agents

75 /51 Evaluation qualitative de LOCUS B 75 B. Scherrer, 12/12/2008 Comparaison LOCUS B -T, LOCUS B -TS, LOCUS B -TSR Evolution de la segmentation des structures : LOCUS B -TS LOCUS B -TSR Segmentation finale de LOCUS B -TS vs LOCUS B -TSR

76 /51 Modélisation markovienne & décomposition 76 B. Scherrer, 12/12/2008 A priori markovien sur les étiquettes tissus Comment t est distribué selon s et θ A priori markovien sur les étiquettes structures Comment s est distribué selon t et θ A priori markovien sur les paramètres locaux dintensité Assure la cohérence spatiale entre modèles voisins Synthèse de la décomposition

77 /51 Estimation du modèle 77 B. Scherrer, 12/12/2008 Modélisation du problème Fournit les expressions de, et Estimation dans le cadre Variational EM Fournit lexpression des mises à jour à chaque étape : Après calcul… décomposition standard dun champ de Markov dépendant de litération précédente (champ externe + correlation + attache aux données) Fournit lexpression des mises à jour des paramètres des Gaussiennes Fournit lexpression des mises à jour des paramètres de recalage


Télécharger ppt "Benoit Scherrer Thèse co-encadrée par Mme Catherine Garbay et M. Michel Dojat Préparée dans les laboratoires TIMC, GIN et LIG Collaboration Florence Forbes,"

Présentations similaires


Annonces Google