- Je souhaite tout d’abord remercier mon encadrant de stage, Thierry Delzescaux, pour m’avoir accueilli au sein de l’équipe, pour son soutien tout au long du stage, sa disponi- bilité, et ses conseils nombreux et éclairés.. - Je tiens à remercier Muriel Visani, mon encadrant de l’université de La Rochelle, pour le suivi et les relectures du rapport au cours de mon stage.. - 2 État de l’art 5. - 3.3.3 Résolution de la grille de points de contrôle. - 3.3.5 Les positions de la grille de points de contrôle. - 35 4.1.3 Impact de la dimension de la grille de points de contrôle. - 36 4.1.5 Impact des différentes positions de la grille de points de contrôles . - utilisées pour estimer la transformation élastique (FFD) de l’une à l’autre.. - Par conséquent, une étape de prétraitement sera nécessaire pour extraire et ré-étiqueter les structures correspondantes de l’atlas en respectant ces valeurs avant de passer à étape d’évaluation. - 3.4 Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMIRegister s’occupe de l’initialisation de positionnement de l’IRM par rapport à la photographie . - La commande AimsThreshold est utilisée pour extraire les structures d’intérêt à partir de l’Atlas/la seg- mentation manuelle. - 25 3.5 On calcule d’abord les sous-échantillonnages de l’IRM et de la photographie. - 28 4.1 Résultat de l’expérimentation : F = (2, 2, 2. - 38 4.6 Impact de la position de la grille des points de contrôle : Bien que le. - J’ai travaillé dans l’équipe de traitement de l’image bioPICSEL 3 , une équipe de re- cherche multidisciplinaire qui se compose d’informaticiens et de biologistes, dont le travail se focalise sur la mise en place de stratégies d’analyse des images acquises par les biolo- gistes, avec l’objectif de faciliter leur interprétation et l’accès aux informations pertinentes.. - Le travail de ce stage consiste à optimiser les paramètres d’une implémentation de l’algo- rithme de recalage élastique FFD (3D) afin d’améliorer la qualité des estimations calculées.. - Pour cela, il est nécessaire, dans un premier temps, d’acquérir une bonne connaissance de l’infrastructure logicielle existante (2.6) au sein de l’équipe et de comprendre le fonc- tionnement de l’algorithme de recalage non-linéaire FFD étudié (2.5). - Dans un deuxième temps, il est indispensable de mettre en œuvre un outil permettant d’évaluer quantitati- vement les performances de l’algorithme de recalage et de réaliser une série de tests afin d’optimiser les paramètres de cette méthode. - 2 État de l’art. - Ces espèces sont largement utilisées dans les laboratoires car leur vitesse de reproduction est assez rapide (de l’ordre de quelques semaines), ce qui fait que ces modèles sont facilement utilisables dans de nombreuses études exploratoires. - Pour les études plus poussées et à fort potentiel de découverte, les biologistes sont amenés à utiliser les primates du fait qu’ils sont anatomiquement plus proches de l’Homme. - Lebenberg 2010) désigne toute technique mise en œuvre pour obtenir une image de l’organisme d’un sujet étudié après l’euthanasie de celui-ci. - Les tests biologiques mis en place en dehors de l’organisme. - L’imagerie post mortem présente néanmoins un inconvénient majeur qui est que l’on obtient une seule observation du sujet étudié car elle requiert l’euthanasie de l’animal. - De plus, le fait de découper et de monter les tissus sur des lames de verre entraîne la perte de la cohérence tridimensionnelle des coupes et la déformation locale des coupes du fait des contraintes mécaniques de coupe et de l’utilisation de produits de marquage.. - Déformations primaires Ce genre de déformation apparaît souvent dans l’étape de prélèvement, après l’extraction de l’organe (le cerveau par exemple) de son environnement naturel que constitue le crâne. - Un point caractéristique de ces déformations est qu’elles n’ont pas les mêmes effets sur les différentes parties de l’échantillon. - Cela signifie que les coupes ne concervent pas leur géométrie initiale avant la coupe de l’organe.. - Imagerie par Résonance Magnétique (IRM) est une technique d’imagerie médicale permettant d’obtenir des vues 2D ou 3D de l’intérieur du corps de façon non invasive et qui repose sur les propriétés magnétiques des noyaux atomiques que l’on met en in- teraction avec un champ magnétique extérieur. - Ces derniers permettent de localiser la position d’où a eu lieu l’émission et de connaître la concentration du traceur en chaque point de l’organe. - Ce type de modalité est produit en prennent la photographie du plan de coupe de l’organe avant chaque coupe. - De plus, comme chaque photographie est réalisée avant la coupe, les déformations locales y sont très limitées, c’est pour cela que le volume photographie obtenu par l’em- pilement de chaque photographie donne une courbure très proche de l’original bien que des déformations primaires ce soient déjà produites. - Cette étape peut être réalisée automatiquement à l’aide des processus déjà développés dans BrainVISA (le module BrainRAT - développé par l’équipe traitement de l’image de MIRCen).. - Avec x est un vecteur de N dimensions qui représente la coordonnée d’un élément de l’image (pixel/voxel), M est une matrice quelconque de taille NxN et t est un vecteur de translation de N dimensions. - Un point à souligner est que ce type de transformation donne une modification globale de l’image de test (de manière linéaire).. - Cette technique consiste, dans un premier temps, à rechercher un champ de déplacement optimal de certaines régions dans l’image de test vers celles de l’image de référence les plus similaires (estimées par une mesure de similarité, le coefficient de corrélation – (2.5.3)).. - La transformation linéaire estime seulement une transformation globale et simple de l’image test I t . - La déformation résultante va contrôler la forme de l’objet et produire une transformation «lisse» (smooth) et continue.. - Z } le domaine du volume de l’image . - Cette opération est itérée en augmentant la résolution de la grille de points de contrôle (multi-échelle). - Où I r et T ( I t ) sont les intensités moyennes de l’image de référence et de l’image de test recalée. - Dans le cas de recalage d’images multimodales, il n’existe pas une relation linéaire entre les intensités mais plutôt une relation statistique qui peut être représentée par l’information mutuelle, un critère basé sur la mesure de l’entropie (de Shannon-Wienner). - La convergence optimale de l’algorithme de recalage n’assure pas que les images soient correctement recalées. - Pour cela, il nous faut d’abord, pour chaque structure dans l’image de test dite segmentation test S t , extraire une segmentation correspondante (de l’image de référence) dite segmentation de référence S r . - Quant à Φ, l’optimisation consiste à satisfaire en même temps : (i) la maximisation de l’information mutuelle des images à recaler M I ( I r , T ( I t. - Augmenter la résolution de la grille de points de contrôle Augmenter la résolution de l’image. - Jusqu’à ce qu’on atteigne la résolution fine de l’image. - — Fournit des outils de traitement de l’image nécessaires pour traiter ces données (segmentation, recalage, analyse, etc.).. - Jusqu’à présent, l’évaluation du recalage FFD était le plus souvent réalisée de manière qualitative à l’aide de l’outil de visualisation Anatomist en fusionnant les volumes après le recalage. - (i) La première étape est de mettre en œuvre un outil d’évaluation quantitative de l’algorithme en utilisant le critère DICE (Dice, 1945) comme critère d’évaluation. - Ces volumes d’intérêt peuvent être utilisés pour évaluer le recalage FFD en calculant le recouvrement avec les structures correspondantes de l’atlas-IRM. - Une fois que les paramètres optimaux auront été déterminés, une intervention directe dans le code de l’algorithme pourra-être envisagée pour proposer des améliorations de performance de la méthode de recalage FFD. - L’IRM et la photographie sont uti- lisées pour estimer la transformation élastique (FFD) de l’une à l’autre. - Ce sont des données d’un cerveau de souris récupérées à partir de l’internet (Dorr et al., 2008) qui se composent d’une IRM et d’un atlas segmenté à partir de celle-ci (figure 3.1).. - Ces données sont disponibles à MIRCen (même souche de souris que pour l’IRM) qui contient un volume photographique (acquisition photographique lors de l’étape de coupe au cryostat, avant chaque coupe) et une segmentation manuelle de structures d’intérêt (réalisée par une biologiste). - Par conséquent, une étape de prétraitement sera nécessaire pour extraire et ré-étiqueter les structures correspondantes de l’atlas en respectant ces valeurs avant de passer à étape d’évaluation.. - (ii) La transformation affine 2 est par la suite calculée afin d’estimer le recalage global de l’IRM sur la photographie. - (iii) Enfin, l’estimation du recalage FFD 3 est effectuée pour capturer les déformations locales des structure internes de l’IRM.. - Notons que chaque itération utilise le résultat de l’étape précédente dans son calcul et à chaque étape, on a une augmentation importante du nombre de degrés de liberté des transformations. - Deuxièmement, le recalage estimé est appliqué sur chaque structure d’intérêt (3.1.2) qui est extraite à partir de l’Atlas. - Figure 3.4 – Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMIRegister s’occupe de l’ini- tialisation de positionnement de l’IRM par rapport à la photographie . - Le premier problème qu’on rencontre lors qu’on travaille avec les données en pleine résolution est que le processus de l’estimation du recalage FFD est très couteaux en terme de temps de calcul. - Avec les données décrites dans la section 3.1, si l’on lance ce processus sur une machine de 16 processeurs (de 2.4 GHz chacun) et de 16 Go de mémoire, le temps nécessaire pour le réaliser peut durer jusqu’à 3,5 jours de calcul. - Le résultat de l’expérimentation sera détaillé dans la section 4.1.1.. - Figure 3.5 – On calcule d’abord les sous-échantillonnages de l’IRM et de la photographie qui sont par la suite utilisés pour l’estimation du recalage. - D’abord, le score Dice est calculé sur les structures de l’Atlas et leur correspondantes de la segmentation manuelle (sans aucune transformation appliquée). - Les transformations sont par la suite estimées l’une après l’autre, à la fin de chaque estimation, la transformation estimée est appliquée sur chaque structure de l’Atlas pour obtenir une version recalée de celle-ci. - La grille de points de contrôle peut être considérée comme le paramètre le plus important de l’algorithme car il représente le nombre de degrés de liberté de la transformation. - Ainsi, le nombre de points sur chaque axe dépend également de la dimension de l ’ image . - i t avec d x, d y , d z sont les dimensions en x,y et z de l’image. - Normalement, la grille de points de contrôle se positionne sur l’origine (0,0,0) du ré- férentiel de l’image IRM et se cale sur les bords de l’image 3D. - s x , s y, s z ) la dimension et la taille de voxel de l’image IRM . - À noter que M 0 est appliquée dans le référentiel de l’image IRM. - Dans l’étape de l’estimation du recalage FFD, l’initialisation (transformation rigide et affine) produit une autre matrice de transformation M B M . - Notons que pour chaque expérimentation, les étapes indépendantes sont calculées en parallèle à l’aide une grille de calcul (baptisée Titan) qui se compose de 128 unités de calcul (processeurs de 3.06 GHz chacun) et de 251.6 Gb de mémoire.. - En revanche, si l’on regarde sur le temps de l’estimation, on trouve une baisse très importante en fonction de la diminution de la résolution des images (de 42 heures à quelques heures). - 4, 4, 3 ) donne un bonne compromis entre la qualité de l’estimation et le temps de calcul (environ 4 heures - on obtient ainsi un gain de 90% en terme de temps de calcul sans perte de qualité du DICE).. - (a) La courbe à gauche représente la variation du score DICE de chaque structure en fonction de différents sous-échantillonnages de l’IRM et de la photographie. - Figure 4.1 – Résultat de l’expérimentation : F. - Cette expérimentation a pour but de vérifier le bon fonctionnement de l’algorithme de recalage FFD. - 4.1.3 Impact de la dimension de la grille de points de contrôle. - Avec le sous-échantillonnage de l’IRM obtenu dans la première expérimentation, on obtient un ensemble de grilles à tester comme suit. - Cette expérimentation a pour l’objectif de tester la sensibilité de l’algorithme de recalage par rapport au contraste de la photographie (la référence). - Par contre, sur celles de petite taille, le choix d’une bonne combinaison nous permet d’améliorer le recalage (il y a un fort changement de contraste dans le corps calleux droit), par exemple sur le corps calleux, on note qu’il y a une variation importante du score DICE entre les deux côtés : 10% sur le gauche et 30% sur le droit, cela signifie que le recalage sur les petites structures est un peu sensible au changement de la contraste de l’image de référence.. - 4.1.5 Impact des différentes positions de la grille de points de contrôles. - Une vérification d’exactitude et d’efficacité de l’implémentation est nécessaire. - La première question qui se posait lors de l’analyse du sujet était. - Bien que cela puisse nous aider à améliorer le processus de recalage, il n’est pas très flexible dans l’exploitation des données dont la résolution change en fonction de l’objectif de leur utilisation.. - L’expérimentation montre que le changement de contraste de l’image de référence (les combinaisons de composantes de couleurs RVB) a peu d’impact sur le recalage FFD.. - La grille de points de contrôles est le paramètre le plus important de l’algorithme de recalage FFD parce qu’elle représente à la fois le nombre de degrés de liberté de la transformation et la complexité de calcul. - (i) La résolution de la grille de points de contrôle définit le nombre de degrés de liberté de la transformation. - De plus, une grille de points de contrôle trop dense par rapport à la dimension de l’image propose également un risque de sur-estimer des déformations qui peuvent diminuer la qualité de recalage. - (10, 10, 10)) n’est pas toujours optimale, en fonction de la dimension de l’image de test, une répartition raisonnable des points de contrôle ( G. - Comme notre implémentation de l’algorithme travaille avec une grille uniforme, il est donc difficile à trouver une bonne distribution des points pour toutes les structures.. - recherche de la grille optimale en utilisant des NURBS (Nonuniform Rational B-Splines).. - Les dispositifs matériaux disponible à MIRCen (les machines multi-processeurs, la grille de calcul, etc.) sont idéals pour la parallélisation de l’algorithme. - Du côté logiciel, cette dernière peut être réalisé en reconstruisant l’implémentation actuelle de l’algorithme à l’aide du protocole MPI qui nous permet de calculer séparément et en même temps les calculs indépendants . - Grâce à la parallélisation, le gain qu’on obtient lors de l’estimation du recalage sera important en terme de temps de calcul.. - 2010, ‘Automatisation et optimisation de l’analyse d’images anatomo- fonctionnelles de cerveaux de souris par Atlas numérique 3D’. - Sciences et Technologies de l ’ Information des Télécommunications et des Systèmes ".