Segmentation de structures cérébrales par ensembles de niveau en compétition et commande floue Cybèle Ciofolo Paris, 9 juin 2005 Thèse encadrée par Christian Barillot IRISA / CNRS, équipe VisAGeS

2/23 Paris, 9 juin 2005 Objectifs  Quoi ? Segmenter des structures anatomiques pour répondre à un problème médical réel –hémisphères et cervelet : localisation du sillon calcarin et délinéation des aires visuelles –structures internes : zones de stimulation électrique  Quelles conditions ? Structures non identifiables partir de leurs niveaux de gris uniquement  Comment ? Utilisation d’un atlas et de la connaissance d’experts pour localiser les structures

3/23 Paris, 9 juin 2005 Plan  Objectifs  Contexte  Commande floue  Ensembles de niveau  Commande floue pour les ensembles de niveau  Applications : –segmentation des hémisphères et du cervelet –segmentation de structures internes  Amélioration : construction de l’atlas par analyse de forme

4/23 Paris, 9 juin 2005 Contexte  Cerveau : structures très complexes, présentant des circonvolutions  Ensembles de niveau : –Prise en compte du voisinage, régularisation –Changements de topologie autorisés –Utilisation en 3D

5/23 Paris, 9 juin 2005 Principe  Définition des cibles, attribution d’un contour par cible  Contours en évolution simultanée, les termes de la vitesse ont des rôles bien définis  Direction de propagation privilégiée déterminée automatiquement par un système de commande floue

6/23 Paris, 9 juin 2005 Commande floue  Un exemple concret : la machine à laver « Si le linge est très sale et que son poids est moyen, alors la durée de la lessive sera longue» Degré d’appartenance Poids (kg) 0 1 très léger léger lourd très lourd moyen 0 1,5 3 4,5 6 7,5

7/23 Paris, 9 juin 2005 Commande floue –d’un ensemble de mesures fournies par des capteurs et caractérisées en langage naturel –d’un ensemble de règles de décision établies par des experts Degré d’appartenance Poids (kg) 0 1 légerlourdtrès lourdmoyen 01,534,567,5 très léger  En résumé, c’est la combinaison dans le but de prendre une décision sur une variable de commande

8/23 Paris, 9 juin 2005 Ensembles de niveau  Principe général … avec une vitesse dépendant de la probabilité d’avoir franchi la frontière de l’objet que l’on souhaite segmenter A partir d’une position initiale … … un contour évolue … F

9/23 Paris, 9 juin 2005 Ensembles de niveau Idée : englober le contour dans une fonction  de dimension supérieure Propagation de la fonction  Ensemble de niveau 0 de la fonction 

10/23 Paris, 9 juin 2005 Ensembles de niveau  Quelques détails sur la vitesse d’évolution F F  Elle dépend –de l’intensité (niveaux de gris) de l’image –de la forme du contour (courbure) –de facteurs extérieurs choisis par l’utilisateur

11/23 Paris, 9 juin 2005 Commande floue pour les ensembles de niveau  Mesures –distribution d’intensité du volume traité –forme du contour –données provenant d’un atlas –proximité des autres contours

12/23 Paris, 9 juin 2005 Commande floue pour les ensembles de niveau  Décision : valeur des termes de la vitesse g : fonction d’arrêt, P T : probabilité d’avoir franchi la frontière de la structure à segmenter, : direction privilégiée de propagation du contour,  : pondération de la courbure,  : courbure

13/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Quelles données ? –2 bases de 18 sujets, IBSR et GIS –Atlas : la vérité terrain du sujet 1 pour la base IBSR, le fantôme du MNI pour la base GIS

14/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Quelles règles de décision floue ? –Si un contour concurrent est trop proche du contour courant, alors la direction de propagation privilégiée du contour est celle qui s’éloigne du contour concurrent (répulsion). –Sinon  la distance à la cible du contour est assez grande alors la direction de propagation privilégiée du contour est celle qui minimise cette distance.  si la distance à la cible du contour est petite alors l’évolution du contour ne tient compte que des niveaux de gris et de la forme du contour.

15/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Résultats (base GIS) Résultat de l’évolution du contour initialisé par des parallelépipèdes situés dans chacune des structures

16/23 Paris, 9 juin 2005 Application : segmentation des hémisphères et du cervelet  Résultats (base IBSR) LH SLH RRH SRH RC SC R S R : résultat, T : vérité

17/23 Paris, 9 juin 2005 Application : segmentation de structures internes du cerveau  Quelles données ? –Base IBSR uniquement –Atlas : vérité terrain du sujet 1

18/23 Paris, 9 juin 2005 Application : segmentation de structures internes du cerveau  Résultats (base IBSR) Th. STh. RNC SNC RPa. SPa. RPu. S Pu. R S Md (mm)

19/23 Paris, 9 juin 2005 Amélioration : construction de l’atlas par analyse de forme  Modèle de forme : Analyse en Composantes Principales sur la base segmentée Forme moyenne : étiquette Modes de variations : états flous de la distance à l’étiquette

20/23 Paris, 9 juin 2005 Amélioration : construction de l’atlas par analyse de forme  Résultats Th. STh. S2NC SNC S2Pa. SPa. S2Pu. S Pu. S2 S Md (mm)

21/23 Paris, 9 juin 2005 Conclusion  Adaptation d’un système de commande floue pour régler automatiquement les paramètres d’évolution d’un contour  Application : segmentation simultanée de plusieurs structures avec des contours en concurrence  Perspectives : –raffinement des résultats sur les structures internes en adaptant mieux la classification –Application à d’autres structures : segmentation du cortex

22/23 Paris, 9 juin 2005 Références  Ensembles de niveau J. A. Sethian. Level Set Methods and Fast Marching Methods. Cambridge University Press,  Commande floue B. Bouchon-Meunier. Traitement de données complexes et commande en logique floue. Hermès Science Publications,  Atlas D. L. Collins et. al. Multimodality Imaging - Design and Construction of a Realistic Digital Brain Phantom. IEEE Transactions on Medical Imaging, 17( 3),  Publications personnelles C. Ciofolo, C. Barillot, Segmentation with Competitive Level Sets and Fuzzy Control. Information Processing in Medical Imaging, Glenwood Springs, USA, C. Ciofolo. Atlas-based segmentation using level sets and fuzzy labels. 7 th international conference on Medical Image Computing and Computer Assisted Intervention, Saint-Malo, France, 2004.

23/23 Paris, 9 juin 2005 Merci de votre attention