Réalisé par : Imen SOUSSI Segmentation d’IRM multimodale de cerveau de souris par une approche de recalage multi-atlas   Master 2 de Recherche Images et Systèmes Réalisé par : Imen SOUSSI Responsables: Mme Adriana PERLES-BARBACARU M. Arnaud LE TROTER Mme Angèle VIOLA

Plan Imagerie préclinique L’imagerie du tenseur de diffusion Contexte Matériel et méthodes Résultats Discussion Conclusion et perspectives

IRM-pT2 Relaxométrie Carte T1 DTI (carte FA) Carte T2 Angio-IRM Carte T2* Carte de perméabilité IRM préclinique Techniques d’IRM = outils de la recherche biomédicale permettant l’étude anatomique, physiologique et fonctionnelle du cerveau. Applications précliniques très importantes pour la caractérisation de modèles murins de pathologies humaines. Nombre croissant de souches de souris génétiquement modifiées nécessitant un phénotypage anatomique, physiologique et fonctionnel par des techniques d’IRM quantitatives. Nécessité de développer d’outils de segmentation rapides et précis: contrairement à l’homme il existe peu de d’outils de segmentation, et aucun ne remporte l’adhésion de la communauté. ml g-1min-1 2.5 x 10-3 mm2 s-1 IRMf (Bold) IRM de diffusion (carte ADC) Carte de perfusion Carte métabolique

L’imagerie du tenseur de diffusion Principe de la diffusion Valeurs propres de diffusivité Corps calleux Ventricules Représentation des directions de diffusion de l’eau dans les fibres de la substance blanche (A) Direction des fibres de la substance blanche. (B) Ellipsoïde représentative des six directions de diffusion des molécules d’eau dans les fibres de la substance blanche. λ1, λ2, λ3 sont les valeurs propres de diffusivité. ε1, ε2, ε3 les vecteurs propres.

L’imagerie du tenseur de diffusion Cartes DTI S0 MD FA S0 : Image DTI qui présente un contraste similaire à l’IRM pT2 anatomique. MD : Diffusivité Moyenne (moyenne des valeurs propres de diffusivité λ1, λ2, λ3). FA: Fraction d’anisotropie.

Destruction de la myéline Contexte FA Etudes précliniques de maladies du système nerveux central: (Malaria cérébrale, encéphalite auto-immune expérimentale … ) => anomalies cérébrales: morphologiques microstructurales. Mesure des paramètres quantitatifs dans des régions d’intérêt (faisceaux de substance blanche) Nécessité de segmenter des structures cérébrales sur les IRM du Tenseur de Diffusion (DTI). Fraction d’Anisotropie Diffusivité moyenne Souris saine Destruction de la myéline Souris malade

Quantification des paramètres de diffusion Problématique Corps Calleux Capsule interne Segmentation¹ multi-atlas Ventricules IRM pT2 Tractus optiques Nerfs trijumeaux Correction des distorsions Quantification des paramètres de diffusion Cartes DTI S0 FA MD ¹ Ma D, Cardoso M, Modat M, Powell N, Holmes H, et al. (2012) Multi Atlas Segmentation applied to in vivo mouse brain MRI. in : MICCAI 2012 Workshop on Multi-Atlas Labeling. Nice.

Objectifs Segmentation automatique des structures d’intérêt dans les cartes DTI dans le but de mesurer des paramètres quantitatifs Correction de distorsions Recalage non-linéaire des IRM pT2 sur les cartes DTI Distorsion entre IRM pT2 et cartes DTI Passage en transparence des IRM pT2 et carte MD Segmentations initiales projetées sur la carte S0

Matériel et Méthodes

Matériel Base de données: acquisitions pT2 et DTI in vivo 7 souris du groupe contrôle (souris saines: 4 CBA/J et 3 C57BL/6) 2 souris à un stade précoce de la malaria cérébrale (CBA/J) 1 souris à un stade avancé de la malaria cérébrale (CBA/J) Pipeline de segmentation d’IRM pondérées en T2: Script de segmentation: ( Brain mask + 6 Parcelles: nerfs optiques, nerfs trijumeaux, commissures antérieures, corps calleux, capsules internes et ventricules). Multi-atlas CRMBM-24: Atlas composé de 12 templates symétrisés d’IRM cérébrales anatomiques pT2 2D axiales. Exemple de parcelles Langages de programmation: Python et Shell (implémentation du pipeline et des sous-scripts) Toolbox: ANTS 2, NiftyReg : opérations de recalage et de fusion FSL, BTK: Traitement des données ² Advanced Normalization Tools (ANTs) developed by Brian Avants and supported by other researchers and developers at PICSL and other institutions.

Sélection automatique des coupes IRM pT2 et DTI Sélection des coupes Sélection automatique des coupes IRM pT2 et DTI

Processus de recalage non-linéaire ² Advanced Normalization Tools (ANTs) developed by Brian Avants and supported by other researchers and developers at PICSL and other institutions. 3 Avants et al. Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurodegenerative brain. Med Image Anal 2008.

Construction de carte hybride Création d’une carte « hybride » par combinaison linéaire de la diffusivité moyenne et de la fraction d’anisotropie. Obtenir un contraste qui se rapproche le plus de celui de l’IRM pT2 𝛼 +𝛽 = MD FA Carte hybride

Méthodes Stratégie 1: Correction des distorsions par un recalage non-linéaire

Stratégie 1: Correction des distorsions par un recalage non-linéaire Moyennes non locales Recalage non-linéaire Evaluation de la segmentation R R-1 3 Avants et al. Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurodegenerative brain. Med Image Anal 2008.

Métriques d’évaluation VP : Vrai Positif. Nombre de voxels de l’objet qui ont été bien segmentés. FP : Faux positif. Nombre de voxels du fond faussement identifiés comme faisant partie de la segmentation (sur-segmentation). FN: Faux Négatif. Nombre de voxels de l’objet faussement identifiés comme faisant partie du fond (sous-segmentation). DICE = 0 : pas de recouvrement, DICE = 1 : recouvrement parfait

Résultats Stratégie 1: Correction des distorsions par un recalage non-linéaire

Exemple représentatif de la correction des distorsions MD + ROIs recalées

Evaluation de la stratégie de correction des distorsions N = 10 souris

Méthodes Stratégie 2: Segmentation multi-atlas

Stratégie 2: Segmentation multi-atlas DTI 2D Labels Cartes hybrides Multi-atlas 2D DTI Labels propagés R-10 R-1i R-18 R0 Ri Evaluation de la segmentation Fusion des labels Carte hybride de l’image à segmenter R8 Leave one out cross validation

Fusion des labels STAPLE 4: construit une estimation probabiliste de la vraie segmentation d’une image à partir d’une collection de segmentations. mesure le niveau de performance de chaque générateur de segmentation. STEPS 5: version étendue de STAPLE évalue la similarité locale entre les images en utilisant le coefficient de corrélation normalisée localement (LNCC) utilise les champs aléatoires de Markov (MRF : Markov Random Field) pour ajouter de la cohérence spatiale. 4 Warfield et al. 2004. Simultaneous truth and performance level estimation (STAPLE): an algorithm for the validation of image segmentation. IEEE Transactions on Medical Imaging. 5 Cardoso et al. STEPS: Similarity and Truth Estimation for Propagated Segmentations and its application to hippocampal segmentation and brain parcelation. Med Image Anal 2013.

Résultats Stratégie 2: Segmentation multi-atlas

Comparaison des méthodes de fusion STAPLE vs STEPS STAPLE STEPS Segmentations manuelles Cartes de Fraction d’anisotropie (coupes axiales)

Evaluation des méthodes de fusion STAPLE vs STEPS

Comparaison des différentes stratégies

Discussion

Discussion Correction des distorsions par un recalage non-linéaire (Difféomorphismes symétriques): Recalage nécessitant un paramétrage spécifique pour chaque coupe , sujet …. L’utilisation des difféomorphismes symétriques s’adapte bien avec les données utilisées et assure une convergence en un temps rapide ce qui évite les distorsions locales. Segmentation multi atlas: Amélioration de la précision de la segmentation pour presque toutes les structures à l’exception de commissure antérieure (petite structure, souvent mal contrastée) Moins sensible à la variation de segmentation de coupe en coupe et de sujet en sujet

Conclusions et perspectives L’utilisation du Multi-atlas DTI améliore la précision de segmentation et offre une robustesse vis-à-vis de la variabilité interindividuelle. Outil automatique de segmentation des images DTI in vivo  analyse quantitative des paramètres DTI dans l’étude de la malaria cérébrale Perspectives: Optimisation des paramètres de recalage ou de fusion. Enrichissement du Multi-atlas DTI (souches, âges, genre, stades de la maladie). Utilisation de métriques complémentaires au DICE pour la validation de la segmentation (FP,FN). Comparer la performance de notre atlas par rapport à des atlas mono-souche.

Merci de votre attention

Annexe 1 Tenseur de diffusion Le tenseur de diffusion est représenté par la matrice D. Dxx, Dyy, et Dzz correspondent aux coefficients de diffusion dans les directions principales x, y et z. La matrice est symétrique, ce qui signifie que Dxy = Dyx, Dzx = Dxz et Dzy = Dyz. Le tenseur de diffusion est déterminé en appliquant au minimum les gradients de diffusion dans 6 directions.

Annexe 2 Tenseur de diffusion CC: Cross Correlation MI : Mutual Information PR: Deprecated Cross Correlation