Article

1 - FORMALISATION GÉNÉRALE DU PROBLÈME

2 - CHOIX DES ATTRIBUTS

  • 2.1 - Approches géométriques
  • 2.2 - Approches iconiques
  • 2.3 - Approches mixtes

3 - DISTANCE INTER-IMAGE

4 - TRANSFORMATION GÉOMÉTRIQUE D'UNE IMAGE

5 - ESTIMATION DE LA TRANSFORMATION GÉOMÉTRIQUE

  • 5.1 - Méthodes d'optimisation
  • 5.2 - Approches hiérarchiques
  • 5.3 - Complexité algorithmique

6 - SENSIBILITÉ AU BRUIT ET AUX VALEURS ABERRANTES

7 - VISUALISATION ET VALIDATION

8 - CONCLUSION

Article de référence | Réf : MED910 v1

Recalage d'images médicales

Auteur(s) : Vincent NOBLET, Christian HEINRICH, Fabrice HEITZ, Jean-Paul ARMSPACH

Date de publication : 10 nov. 2013

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

Le recalage est une étape essentielle dans nombre de chaînes de traitements d'images médicales. L'objectif est d'estimer une transformation géométrique permettant la superposition spatiale des structures anatomiques ou fonctionnelles présentes dans chacune des images. Les méthodes de recalage se distinguent par la nature de l'information extraite, afin de guider la mise en correspondance, par le critère de similarité permettant de quantifier la ressemblance entre deux images, ainsi que par le modèle de déformation et la stratégie d'optimisation permettant d'estimer les paramètres de ce modèle.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

Medical Image Registration

Registration is an essential step in a large number of processing chains for medical images. The objective is to estimate a geometric transformation allowing for the spatial superposition of anatomical or functional structures present in each image. Registration methods are distinguished by the nature of the extracted information in order to guide the mapping process, by the similarity criterion which allows for quantifying the similarity between two images, as well as the deformation model and the optimization strategy which allows for estimating the parameters of this model.

Auteur(s)

  • Vincent NOBLET : Ingénieur de recherche - ICube, université de Strasbourg, CNRS, Strasbourg, France

  • Christian HEINRICH : Professeur des universités - ICube, université de Strasbourg, CNRS, Strasbourg, France

  • Fabrice HEITZ : Professeur des universités - ICube, université de Strasbourg, CNRS, Strasbourg, France

  • Jean-Paul ARMSPACH : Ingénieur de recherche - ICube, université de Strasbourg, CNRS, Strasbourg, France

INTRODUCTION

Une des problématiques majeures en imagerie médicale est l'analyse et le traitement de plusieurs images dans un référentiel commun. Le placement dans un référentiel commun, connu sous le nom de recalage ou de mise en correspondance spatiale ou de normalisation spatiale, ou encore parfois de fusion d'images permet la superposition spatiale des structures anatomiques ou fonctionnelles présentes dans chacune des images. Cet article a pour but de donner au lecteur une vue d'ensemble des différents aspects relatifs à la mise en correspondance d'images médicales.

La fusion d'images désigne, sur un autre plan, la combinaison d'informations hétérogènes issues de plusieurs sources afin d'améliorer la connaissance de l'objet observé ou la prise de décision [TE 5 230].

Le recalage est une étape essentielle dans nombre de chaînes de traitements d'images médicales et ses applications sont nombreuses. Deux contextes applicatifs peuvent être distingués : le recalage intra-individu qui met en jeu des images provenant d'un même sujet et le recalage inter-individu qui met en correspondance des images provenant de sujets différents ou d'un sujet et d'un modèle de référence, appelé communément « atlas ». Le recalage intra-individu requiert généralement la détermination d'une transformation géométrique simple, caractérisée par un faible nombre de paramètres, par exemple une transformation rigide ou affine. Il est notamment utilisé pour la fusion d'images de modalités différentes, pour la détection et le suivi d'évolution de lésions ou de tumeurs, pour la mesure de modifications géométriques de certaines structures anatomiques (atrophie, hypertrophie, déplacement, suivi et caractérisation des mouvements cardiaques et respiratoires, etc). Le recalage inter-individu nécessite bien souvent l'estimation de transformations, qualifiées de « non rigides » ou de « déformables », ayant un nombre beaucoup plus important de degrés de liberté. Ses applications sont principalement la construction et l'utilisation d'atlas probabilistes, par exemple pour la segmentation automatique par transport d'un modèle a priori ou pour l'analyse statistique de variations anatomiques ou fonctionnelles, normales ou pathologiques, au sein d'un groupe d'individus. Le recalage peut par ailleurs aussi être utilisé pour la correction de distorsions géométriques dans les images.

La nature des images à mettre en correspondance peut être très diverse et conditionne grandement le choix de la méthode de recalage à utiliser. Il est possible de mettre en correspondance des images provenant d'une même modalité (recalage monomodal) ou de modalités différentes (recalage multimodal). La nature des modalités considérées (IRM, médecine nucléaire, échographie, scanner X...) ainsi que le type d'organe imagé (cerveau, os, abdomen, coeur, thorax...) a par ailleurs une influence sur le choix de la méthode. La dimensionnalité des images considérées est aussi à prendre en compte : il est possible de recaler des images 2 D sur des images 2 D, des images 2 D sur des images 3 D, des images 3 D sur des images 3 D, ou bien encore de considérer des séries temporelles d'images (3 D + t) ou des images multivaluées (c'est-à-dire, à chaque pixel ou voxel de l'image sont associées plusieurs valeurs).

Dans un premier temps, nous formalisons de manière générale la problématique du recalage. Ensuite, nous discutons du choix de l'information à considérer pour guider le recalage (§ 2), puis des critères permettant de quantifier la distance entre deux images (§ 3). Une quatrième partie est consacrée aux différents modèles permettant de déformer une image. L'estimation de la transformation géométrique est abordée dans une cinquième partie. Puis, nous évoquerons la sensibilité des méthodes de recalage au bruit et aux valeurs aberrantes. Nous décrivons enfin des méthodes permettant de visualiser le résultat d'un recalage et d'en valider la qualité. Enfin, la fiche documentaire propose une liste de références bibliographiques destinée aux lecteurs désireux d'approfondir l'un ou l'autre des points abordés et quelques logiciels de recalage d'images disponibles sur Internet y sont énumérés.

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

state of the art   |   deformation model   |   similarity criterion

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-med910


Cet article fait partie de l’offre

Technologies pour la santé

(131 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Version en anglais En anglais

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Technologies pour la santé

(131 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - AMIT (Y.) -   A nonlinear variational problem for image matching.  -  SIAM Journal on Scientific Computing, 5(1), p. 207-224 (1994).

  • (2) - ARSIGNY (V.), PENNEC (X.), AYACHE (N.) -   Polyrigid and polyaffine transformations : a novel geometrical tool to deal with non-rigid deformations – Applications to the registration of histological slices.  -  Medical Images Analysis, 9(6), p. 507-523, déc. 2005.

  • (3) - ASHBURNER (J.), ANDERSSON (J.), FRISTON (K.) -   Image registration using a symmetric prior – in three dimensions.  -  Human Brain Mapping, 9(4), p. 212-225 (2000).

  • (4) - ASHBURNER (J.), FRISTON (K.J.) -   Nonlinear spatial normalization using basis functions.  -  Human Brain Mapping, 7, p. 254-266 (1999).

  • (5) - ASHBURNER (J.), FRISTON (K.) -   Voxel-based morphometry – The methods.  -  NeuroImage, 11, p. 805-821 (2000).

  • (6) - ASHBURNER...

DANS NOS BASES DOCUMENTAIRES

ANNEXES

  1. 1 Logiciels

    1 Logiciels

    Logiciels de recalage d'images médicales

    AIR (Automated Image Registration) : https://www.nitrc.org/projects/air/

    FSL (the FMRIB Software Library) : http://www.fmrib.ox.ac.uk/fsl/

    HAMMER : https://www.rad.upenn.edu/sbia/software/index.html

    ITK (Insight Segmentation and Registration Toolkit) : http://www.itk.org/

    Medipy : http://www.code.google.com/p/medipy/

    MRIWarp : https://idoimaging.com/programs/225

    SPM (Statistical Parametric Mapping) : http://www.fil.ion.ucl.ac.uk/spm/

    ANTS (Advanced Normalization Tools) : http://www.picsl.upenn.edu/ANTS/

    Elastix : https://www.elastix.org/

    HAUT DE PAGE

    Cet article est réservé aux abonnés.
    Il vous reste 92% à découvrir.

    Pour explorer cet article
    Téléchargez l'extrait gratuit

    Vous êtes déjà abonné ?Connectez-vous !


    L'expertise technique et scientifique de référence

    La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
    + de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
    De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

    Cet article fait partie de l’offre

    Technologies pour la santé

    (131 articles en ce moment)

    Cette offre vous donne accès à :

    Une base complète d’articles

    Actualisée et enrichie d’articles validés par nos comités scientifiques

    Des services

    Un ensemble d'outils exclusifs en complément des ressources

    Un Parcours Pratique

    Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

    Doc & Quiz

    Des articles interactifs avec des quiz, pour une lecture constructive

    ABONNEZ-VOUS