Présentation
EnglishRÉSUMÉ
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’articleAuteur(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.
DOI (Digital Object Identifier)
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
Présentation
5. Estimation de la transformation géométrique
Recaler une image sur une image de référence revient finalement à résoudre le problème d'optimisation consistant à rechercher la transformation ( étant l'espace de recherche des transformations), qui minimise une certaine fonction de coût E :
Nous proposons dans un premier temps une classification des différentes méthodes permettant de résoudre ce problème d'optimisation. Puis, nous décrivons différentes approches hiérarchiques permettant d'améliorer l'efficacité des méthodes d'optimisation. Enfin,...
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
Estimation de la transformation géométrique
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
-
Fusion en traitement d'images : spécificités et approches numériques.
ANNEXES
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 PAGECet 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