L’analyse et le traitement d’images IRM cérébrales

François Rousseau, Nicolas Passat

To cite this version:

François Rousseau, Nicolas Passat. L’analyse et le traitement d’images IRM cérébrales. Techniques
de l’Ingénieur, 2014, pp.MED900. �hal-01694405�

HAL Id: hal-01694405

[Link]
Submitted on 31 Jan 2018

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
L’analyse et le traitement d’images
IRM cérébrales
Analysis and Processing of Brain MR Images

par François ROUSSEAU

Chargé de Recherche CNRS
ICube, Université de Strasbourg / CNRS, Strasbourg, France

Nicolas PASSAT
Professeur des Universités
CReSTIC, Université de Reims Champagne-Ardenne, Reims, France

Résumé :
L'imagerie par résonance magnétique (IRM) est couramment employée pour observer le
cerveau humain, tant à des fins cliniques que de recherche. Toutefois, les images IRM, en
raison de leur complexité spectrale et sémantique, restent difficiles à analyser par un expert
humain qui a alors besoin d'une assistance informatique. Cet article décrit les principales
solutions proposées pour traiter, analyser et modéliser l'information portée par les images
cérébrales en IRM. Il présente également des avancées liées à des modalités récentes.

Abstract :
Magnetic Resonance Imaging (MRI) is frequently used for visualising the human brain, both
for clinical and research purposes. However, due to their spectral and semantic complexity,
MRI images of the brain are difficult to analyse. The human expert then need computer-based
assistance. This article describes the main solutions that have been proposed for processing,
analysing and modeling the information carried by brain MRI images. It also focuses on new
advances related to recent modalities.

Mots-clés / Keywords :
Type de mots-clés Français Anglais

Domaines technologiques Informatique, biophysique Computer science, biophysics

Secteurs d’activités Imagerie médicale, logiciel Medical imaging, software

Caractéristiques du contenu Panorama Survey

1
Sommaire

Introduction
1 Modalités et prétraitements
1.1 Modalités IRM

1.2 Correction de mouvement

1.3 Correction d’intensité

1.4 Réduction de bruit

2 Extraction de connaissances
2.1 Extraction des structures anatomiques

2.2 Extraction du réseau vasculaire cérébral

2.3 Estimation du connectome

3 Génération de modèles anatomiques

3.1 Recalage d’images

3.2 Modélisation de l’évolution cérébrale

3.3 Estimation de modèles vasculaires

Conclusion

2
Introduction
L'imagerie par résonance magnétique (IRM) constitue l'une des modalités les plus
fréquentes en imagerie médicale, au même titre que l'imagerie par rayons X ou
l'imagerie échographique. L'IRM associe les avantages de ces dernières modalités,
sans toutefois pâtir de leurs faiblesses. Elle fournit en effet un haut niveau de
résolution spatiale et spectrale, sans induire de radiation nocive pour les patients, ni
nécessiter (dans la plupart des cas) l'injection de produit de contraste.

Grâce à ces qualités, l'IRM est devenue la modalité d'acquisition d'images privilégiée
pour la plupart des examens médicaux liés à des affections cérébrales. Dans ce
contexte, des séquences d'acquisition spécifiques ont été progressivement
développées afin de répondre à des besoins liés à des structures anatomiques ou
pathologiques particulières (réseaux vasculaires, tumeurs, etc.) pour le diagnostic, le
suivi ou le traitement des patients. Désormais, les scanners IRM constituent un
équipement standard dans les centres hospitaliers.

Pour les mêmes raisons d'efficacité et de sécurité, l'IRM constitue un remarquable

outil de recherche pour l'étude in-vivo du cerveau humain. Là encore, des séquences
d'acquisition spécifiques permettent de progresser dans la compréhension de la
structure du cerveau, de son développement (maturation cérébrale chez le fœtus et
le jeune enfant) et de son évolution (dégénérescence liée au vieillissement) mais
aussi dans la compréhension de son fonctionnement, tant sur le plan physiologique
que cognitif.

Les utilisateurs d'images IRM se trouvent toutefois confrontés à plusieurs défis, liés à
la nature et au contenu de ces images. La première difficulté dérive des progrès
constants accomplis par les constructeurs de scanners IRM. Les images
bidimensionnelles ont désormais laissé la place à des images 3D, voire 4D (images
en espace et en temps). Les volumes d'information deviennent alors tels que leur
analyse par le seul œil humain n'est plus possible. La résolution des images croît
également, atteignant désormais des valeurs sous-millimétriques. Cette finesse de
détails, associée à la très haute complexité anatomique du cerveau humain aboutit à
une seconde difficulté, liée à l'analyse sémantique des images IRM, qui – si elle
repose sur l'expertise humaine – ne peut plus désormais se passer d'une assistance
informatique.

Dans ce contexte, des approches de traitement et d'analyse d'images sont

développées afin d'aboutir à des outils informatiques, et notamment logiciels,
capables d'assister les experts médicaux et les chercheurs dans leur utilisation des
images IRM. En particulier, les problématiques considérées sont multiples, allant du
signal jusqu'à la sémantique des images. Il convient tout d'abord de rendre les
images acquises en IRM plus aisément lisibles, en les débarrassant au mieux
d'artéfacts visuels dus aux modalités physiques de leur acquisition (cf. section 1). Par
ailleurs, il est nécessaire de permettre ou de faciliter l'analyse de ces images, par
l'extraction des structures d'intérêt (cf. section 2). Enfin, à un plus haut niveau
d'analyse, il convient de pouvoir formaliser, regrouper et fusionner les informations
extraites de ces images, afin d'aboutir à des modèles de connaissance toujours plus
complets du cerveau humain (cf. section 3).

Cet article, propose un tour d'horizon des principales réponses apportées à ces trois
familles de problèmes. Outre la description d'approches générales désormais
considérées comme des gold standards, des exemples d'approches plus récentes

3
viennent également illustrer les dernières innovations liées à des modalités en pleine
expansion, telles que l'IRM périnatale, l'IRM angiographique, ou encore l'IRM de
diffusion.

1 Modalités et prétraitements
1.1. Modalités IRM

Le phénomène de résonance magnétique nucléaire (RMN) a été mis en évidence

par Rabi en 1938. Quelques années plus tard, Purcell et Bloch définissent les bases
des mécanismes de détection RMN. Ces découvertes, qui valurent à leurs auteurs
l'obtention des prix Nobel de physique en 1944 et 1952, sont à l'origine du
développement de l'imagerie par résonance magnétique (IRM). Cette imagerie, qui
donne accès à l'observation de structures internes, a commencé à être appliquée au
domaine médical dès le début des années 1970 [1]. Dès lors, des progrès constants
ont été réalisés, aboutissant notamment au développement de modalités permettant
l'acquisition d'images tridimensionnelles (3D) des organes internes chez l'homme.
Des modalités d'IRM spécifiques, basées sur les mêmes principes physiques, sont
aujourd'hui dédiées à des applications telles que la visualisation des tissus
cérébraux, des vaisseaux sanguins, de l'organisation fibreuse du cerveau, etc.

Principes généraux de la RMN

Les tissus vivants sont majoritairement composés de molécules d'eau, et notamment

d'atomes d'hydrogène. Leurs noyaux, formés d'un unique proton sont électriquement
chargés. Ils possèdent également une propriété dite de spin, assimilable au fait qu'ils
puissent tourner sur eux-mêmes (précession). Du fait de leur charge et de leur
mouvement, ils possèdent ainsi un moment magnétique, qui leur est propre par
comparaison aux autres atomes.

Lorsqu'un échantillon de tissu est soumis à un champ magnétique B0, les moments
magnétiques de chaque atome d'hydrogène tendent progressivement à s'aligner
avec ce champ. La résultante M de ces moments possède, à l'équilibre, une
composante normale à B0 nulle, et une composante non nulle suivant B0. A une
échelle macroscopique, M se comporte également comme un moment magnétique.
Ainsi, si l'on perturbe l'état d'équilibre du système en appliquant par exemple une
impulsion magnétique B1 perpendiculaire à B0, l'aimantation M se mettra à précesser
autour de B0 à une fréquence spécifique. C'est ce mouvement de précession qui est
détecté lors d'une expérience de RMN [P2880].

Formation d'images en IRM

L'acquisition d'images en IRM s'appuie sur ce principe. Concrètement, la génération

d'une image 3D d'un sujet est réalisée en codant les trois directions principales de
l'espace dans le domaine fréquentiel (espace de Fourier). L'application d'un faible
gradient d'intensité sur B0 permet notamment d'allouer, à chaque coupe du volume
observé, une fréquence de précession spécifique. Au sein de cette coupe, observée
par une excitation magnétique sélective, un codage de l'espace en phase achève de
discriminer les différents points de l’espace spatial (voxels).

Dans un scanner IRM [2], les antennes électromagnétiques travaillent en émission –

lors de l'application d'une impulsion qui perturbe l'équilibre du système – mais
également en réception – lors de la récupération du signal fourni par le volume

4
observé lors de son retour à l'équilibre. Trois paramètres peuvent notamment être
observés lors de la phase d'acquisition. Le premier paramètre est l'intensité du
signal, qui est directement liée à la densité en noyaux d'hydrogène au sein des
échantillons observés. L'image obtenue par la prise en compte de ce paramètre est
appelée image en densité de protons. Les deux autres paramètres sont plus
directement liés aux phénomènes de relaxation qui font tendre M vers sa position
d'équilibre. En particulier, la composante tangentielle de M suivant B0 tend à revenir
vers sa valeur initiale avant perturbation, tandis que sa composante normale tend à
s'annuler. Le premier phénomène est nommé relaxation longitudinale ; le second,
relaxation transversale. Dans un cas comme dans l'autre, la loi de
croissance/décroissance est régie par une exponentielle temporelle impliquant un
paramètre de relaxation, nommé T1 dans le premier cas et T2 dans le second. La
mesure de ces temps de relaxation aboutit à deux modalités spécifiques, qui
fournissent des images dites pondérées en T1 et en T2.

Imagerie des tissus cérébraux

Ces trois modalités d'images possèdent des propriétés spécifiques. Elles permettent
notamment la discrimination de tissus via des contrastes plus ou moins prononcés.
On peut notamment visualiser le liquide céphalorachidien (LCR), la matière grise
(MG) et la matière blanche (MB) (cf. figure 1). Sur la base de cette discrimination,
différentes structures du cerveau peuvent également être identifiées : hémisphères,
cervelet, ventricules, corps calleux, etc. Si l'observation de ces seules structures est
parfois suffisante pour analyser certaines affections (par exemple l'hydrocéphalie, qui
se traduit par un volume anormal de LCR dans les ventricules), d'autres affections
requièrent la caractérisation spécifique de tissus, par exemple tumoraux ou
nécrosés.

Il est à noter que ces modalités sont désormais aussi employées afin d'observer le
cerveau de fœtus in utero. De telles acquisitions peuvent être motivées par un
contexte clinique, mais aussi être réalisées dans le cadre de la recherche sur la
maturation cérébrale (cf. section 3.2). L'IRM in utero, si elle s'appuie sur les mêmes
modalités que l'IRM chez l'adulte, présente certaines spécificités. Premièrement, les
résolutions atteintes sont généralement moindres, à cause des mouvements
éventuels du fœtus, qui interdisent une acquisition 3D complète. Par comparaison
avec les images obtenues chez l'adulte, les contrastes obtenus, notamment, en
pondération T1 et T2 sont différents chez le fœtus, au regard des variations de
myélinisation au cours de la maturation cérébrale.

Figure 1 – Coupes d'IRM de cerveau chez l'adulte. De gauche à droite : IRM

5
pondérée en T1, en T2 et en densité de proton.

Imagerie des vaisseaux : angiographie par résonance magnétique

Le codage d'un volume 3D en fréquence et en phase requiert, par définition,

l'immobilité des tissus observés. Dans ce cadre, tout mouvement du sujet aboutit à
l'apparition d'artéfacts dans l'image reconstruite. Les mouvements induits par le
déplacement des flux sanguins sont aussi la cause de l'apparition de tels artéfacts.
Cette propriété a été progressivement mise à profit pour développer des modalités
d'imagerie spécifiquement dédiées à la visualisation des réseaux vasculaires
cérébraux, et notamment du sang circulant. De telles modalités sont employées pour
le diagnostic d'affections cérébrovasculaires telles que les sténoses, anévrysmes, ou
malformations artérioveineuses.

Le principe général de ces modalités, dites d'angiographie par résonance

magnétique (ARM) [3], consiste à éliminer le signal induit par tous les tissus
stationnaires – classiquement observés en IRM T1, T2 ou par densité de protons –
pour ne visualiser que les mouvements du flux sanguin dans la lumière des
vaisseaux. Deux principales stratégies sont employées pour ce faire (cf. figure 2). La
première, dite angiographie par temps de vol, consiste à saturer magnétiquement
une coupe bidimensionnelle épaisse du cerveau, puis à laisser y pénétrer un volume
de sang « frais » non-saturé, avant de réaliser une acquisition de la coupe. Seul ce
sang non-saturé fournit alors une réponse magnétique et donc un signal dans l'image
résultante. La seconde modalité, plus globale et moins anisotrope, dite angiographie
par contraste de phase, consiste à s'appuyer sur le déphasage entre le moment
magnétique du sang en mouvement, et le moment magnétique des tissus
stationnaires à l'instant de la lecture du signal. L'existence d'un lien de linéarité entre
ce déphasage et la distance parcourue par le sang fournit ainsi une image de
vitesse.

Figure 2 – Vues sagittales d'ARM (projection d'intensité maximale). A gauche : ARM

par temps de vol (résolution semi-millimétrique). A droite : ARM par contraste de
phase (résolution millimétrique).

Imagerie des fibres : IRM de diffusion

Si le sang induit – à une échelle macroscopique – un mouvement des molécules

d'eau qui le composent, les molécules d'eau composant les tissus vivants sont aussi
animées de mouvements – cette fois microscopiques – du fait de l'agitation
thermique. Ces mouvements aléatoires aboutissent à une diffusion isotrope des
molécules d'eau en l'absence d'obstacles. Au sein du cerveau, des barrières

6
biologiques sont néanmoins susceptibles de venir faire obstacle à ces mouvements.
Dans ce cas, la diffusion devient anisotrope. De même que l'imagerie par contraste
de phase permet de déterminer la vitesse du flux sanguin, des modalités d'imagerie
analogues permettent d'évaluer l'anisotropie de cette diffusion. De telles modalités
sont appelées IRM de diffusion [4]. Par comparaison avec l'imagerie angiographique
par contraste de phase, elles nécessitent d'appliquer des impulsions beaucoup plus
brèves et plus intenses, afin de capter des mouvements plus subtils que ceux du
sang. Au demeurant, ces acquisitions doivent être réalisées dans un nombre de
directions plus élevé, afin de pouvoir construire en chaque voxel de l'image un
modèle de la diffusion locale, qui fournit une information sur l'anisotropie éventuelle
et les directions de diffusion privilégiées. Ces modalités permettent notamment
d'étudier la structure microscopique de tissus cérébraux tels que la matière blanche,
qui s'organise en structures fibreuses (cf. figure 3).

Figure 3 – Coupes axiales d’images de diffusion chez l’adulte. De gauche à droite :

image b=0, puis 4 images pondérées en diffusion (avec b=1200 s.mm2) suivant 4
directions de l’espace.

Nota : Cette section, qui se concentre sur les principes généraux de l'IRM, fait abstraction de plusieurs sujets, qui mériteraient
en eux-mêmes un article dédié. Parmi ces sujets non abordés, on peut notamment citer la conception de séquences
spécifiques d'IRM (séquence dites d'écho de gradient, séquences EPI (IRM Echo Planar), etc.), ou encore certaines modalités
présentant un intérêt dans des cadres d'étude particuliers, par exemple l'IRM fonctionnelle.

1.2. Correction de mouvement

Les sources d’artéfacts présents dans les images IRM sont multiples. Cependant, les
mouvements du patient en sont la cause la plus fréquente. L’IRM est une modalité
relativement lente par rapport au scanner X ou à l’échographie. Le temps d’un
examen varie typiquement entre 30 et 90 minutes. Ainsi, les problèmes liés aux
mouvements sont particulièrement présents en pédiatrie (fœtus et nouveau-né), chez
les patients animés de mouvement difficilement contrôlables ou chez les personnes
âgées. Les mouvements du patient perturbant l’acquisition des données peuvent être
d’ordre physiologique (respiration, battements cardiaques) ou physique. Les
distorsions résultantes peuvent induire un coût financier important et un inconfort du
patient, dus à la répétition des acquisitions, voire à la nécessité d’anesthésie. Elles
peuvent aussi affecter la pertinence du diagnostic, si la qualité des images n’est pas
suffisante. Ces artéfacts apparaissent aussi bien en imagerie anatomique qu’en
imagerie de diffusion, fonctionnelle ou encore spectroscopique. Les mouvements du
patient peuvent notamment induire des modifications des valeurs des images en
chaque voxel, et ainsi fausser leur interprétation. La correction des mouvements
demeure ainsi un problème récurrent en IRM.

L’intensité des artéfacts liés au mouvement dépend de la durée des séquences IRM
utilisées. Plus la séquence est longue, plus le risque de présence d’artéfacts dans
les images est élevé. Afin de limiter l’influence du mouvement du sujet pendant

7
l’acquisition, plusieurs solutions sont employées. Tout d’abord, l’utilisation de
séquences d’imagerie rapides permet le « gel » du mouvement et une réduction de
la durée de l’examen IRM. La contrepartie de cette accélération de l’acquisition peut
être une baisse de la résolution des images (notamment avec les séquences de type
single-shot) ou l’apparition de distorsions géométriques (pour les séquences EPI par
exemple). Le développement d'appareils IRM utilisant des antennes multi-éléments a
permis une réduction significative du temps d’acquisition (environ 50%) en routine
clinique. La reconstruction des images peut également se faire à partir d’acquisitions
partielles de l’espace de Fourier. Actuellement, de nombreux travaux de recherche
s’orientent dans cette direction en se fondant sur le cadre théorique de l’acquisition
comprimée (compressive sensing) qui permet de retrouver la solution la plus
parcimonieuse d’un système d’équations linéaires sous-déterminé [5].

Parmi les stratégies les plus employées pour réduire les artéfacts de mouvement
dans les images IRM, on peut citer par exemple l'anesthésie du sujet (qui est
généralement une solution peu souhaitable), l’apnée dans le cas d’examens
abdominaux ou une synchronisation cardiaque ou respiratoire (au détriment d’un
allongement de la durée de l’examen). Il apparaît ainsi que les mouvements d’ordre
physiologique peuvent être partiellement maîtrisés par des techniques de
synchronisation. Dans le cas de l’imagerie cérébrale, les perturbations
physiologiques sont liées aux pulsations du réseau vasculaire et se situent donc à
l’échelle du voxel. La source principale d’artéfacts de mouvement en IRM cérébrale
est le mouvement physique de la tête. Dans ce contexte, l’hypothèse généralement
faite concerne la nature de ce mouvement. Il est notamment modélisé par une
transformation affine (translation, rotation, échelle, cisaillement) :

(1) y(t) = A(t) . x

où A(t) est une matrice dont les coefficients varient avec le temps, et x représente la
partie imagée (qui ne dépend pas du temps). On peut noter que si les images ne
subissent pas de distorsion géométrique et que le cerveau est supposé rigide, c'est-
à-dire s'il ne se déforme pas au cours de l’acquisition, alors la matrice A ne contient
que 6 paramètres variables (translation et rotation). Cette formulation peut également
s’étendre aux cas de mouvements non-rigides [6]. L’estimation de la matrice A peut
s’effectuer pendant ou après l’acquisition. On parle alors de correction prospective
ou de correction rétrospective.

Correction prospective

Le principe des méthodes prospectives est de maintenir une relation spatiale

constante entre l’objet imagé et le champ de vue IRM, même en présence de
mouvements. Ces techniques sont fondées sur l’utilisation d’un dispositif de suivi en
temps réel permettant d’adapter le système d’imagerie aux mouvements du patient
[7]. On parle dans ce contexte de techniques d’acquisition adaptatives. Il existe trois
types d’approches permettant d’obtenir une estimation du mouvement du patient en
temps réel : les échos navigateurs, les navigateurs images et les capteurs externes.

Le principe des échos navigateurs est d’acquérir de façon répétée une même partie
de l’espace de Fourier et de quantifier le mouvement (translation et rotation) de
l’objet en mesurant les rotations et les changements de phase dans cet espace. Une
deuxième façon d’estimer le mouvement en temps réel est d’utiliser des images
basse résolution, appelées navigateurs images, acquises en environ 100ms. Pour
chaque nouvelle acquisition, le mouvement peut alors être estimé par rapport à ces

8
images basse résolution en effectuant un recalage entre les données. Enfin, les
systèmes optiques (systèmes laser ou caméras optiques) sont indépendants des
séquences IRM et nécessitent généralement le placement de marqueurs sur la tête
du patient.

Une fois le mouvement estimé à partir des données fournies par le système de suivi,
le plan de coupe peut être modifié à chaque acquisition en ajustant les gradients et
les paramètres radio-fréquence de l’IRM. Ces ajustements sont spécifiques à chaque
scanner IRM. Les avantages des méthodes rétrospectives sont l’échantillonnage
adéquat de l’espace de Fourier et la disponibilité immédiate des images après
l’examen.

Correction rétrospective

Concernant l’imagerie cérébrale, les techniques de correction en post-traitement sont

actuellement très efficaces et versatiles. Le principe de ces méthodes consiste à
estimer le mouvement à partir de l’ensemble des données (redondantes) acquises
puis à reconstruire une image 3D. L’estimation du mouvement se fait a posteriori de
l’acquisition par des techniques de recalage d’images (cf. section 3.1). Dans ce
contexte, l'une des techniques les plus répandues en clinique comme en recherche
est la méthode PROPELLER (periodically rotated overlapping parallel lines with
enhanced reconstruction) [8]. Elle repose sur l’acquisition des données (pour chaque
coupe 2D) en effectuant des rotations autour de l’origine de l’espace de Fourier. La
redondance des acquisitions au centre de cet espace permet d’estimer le
mouvement du patient. Cette approche a ensuite été étendue aux images 3D [9].

La flexibilité de formalisme des approches rétrospectives a permis par exemple de

développer des techniques itératives de reconstruction reposant sur l’utilisation de
multiples acquisitions orthogonales (axiales, coronales et sagittales) [10]. A partir des
données originellement acquises, une première estimation de l’image 3D est
effectuée. Le mouvement de chaque coupe est alors estimé par rapport à cette
image 3D. Une fois l’estimation du mouvement affinée, une nouvelle image 3D est
reconstruite. Ce processus itératif prend fin lorsqu’un critère de convergence sur les
paramètres de mouvement est atteint. Cette technique itérative, couplée à des
approches de super-résolution, a permis d’obtenir des résultats prometteurs pour la
reconstruction d’images fœtales in utero [11] (cf. figure 4).

9
Figure 4 – Visualisation triplanaire (axiale, sagittale, coronale) d’une image IRM
fœtale basse-résolution (en haut) et la reconstruction 3D correspondante (en bas).

1.3. Correction d’intensité

L'un des artéfacts entachant les images IRM est la non-homogénéité en intensité
(également appelé biais en intensité). Il se caractérise par une modification (variant
lentement dans l’espace) des intensités des tissus. Ce type d’artéfacts se retrouve
également dans d’autres modalités comme la microscopie ou l’échographie. Un
même tissu peut alors avoir des intensités différentes en fonction de sa localisation
spatiale dans l’image (cf. figure 5). Les causes de cette hétérogénéité en intensité
peuvent être classées en deux catégories. La première catégorie concerne le
scanner IRM lui-même, et inclut par exemple l’hétérogénéité du champ statique B0
ou la non-linéarité des gradients (cf. section 1.1). Ces sources d’artéfacts peuvent
être globalement corrigées de façon prospective, en appliquant des procédures de
calibrage ou en modifiant les séquences d’acquisition [12]. La deuxième catégorie de
sources d’artéfacts en intensité est liée à l’objet à imager, et comprend notamment la
position (et l’orientation) de la tête dans l’IRM, la différence de susceptibilité
magnétique des tissus, ainsi que les hétérogénéités des antennes en réception de la
radio-fréquence. Les distorsions introduites dépendent donc du patient et ne peuvent
être corrigées de façon prospective. Il est alors nécessaire de développer des
méthodes de corrections rétrospectives à partir d’une modélisation mathématique
des artéfacts observés dans les images.

1
0
Figure 5 – Illustration du biais en intensité sur une coupe axiale d’une image
pondérée en T1. De gauche à droite : image originale, biais estimé, image corrigée.

Bien que cet effet de biais puisse modifier les intensités de l’image de 20 à 30%, cela
n’a pas de réel impact sur l’interprétation visuelle des données. En revanche, les
méthodes de traitement d’images telles que la segmentation (cf. section 2) et le
recalage (cf. section 3.1) y sont fortement sensibles. La correction des artéfacts
d’hétérogénéité en intensité apparaît ainsi comme un point clef de la chaîne de
traitements des images IRM cérébrales. Il a notamment été montré que ce type
d’artéfacts diminue sensiblement les performances des méthodes d’estimation
d’atrophie cérébrale [13] ou de segmentation. La figure 6 illustre notamment l’impact
des artéfacts de biais en intensité sur l’estimation de l’atrophie cérébrale obtenue par
une méthode de recalage non rigide. Dans cet exemple, le biais présent dans les
intensités des images introduit un biais important dans l’estimation du volume
cérébral.

Figure 6 – Illustration de l’effet du biais en intensité sur l’estimation de l’atrophie

cérébrale. De gauche à droite : image originale, biais simulé, image corrompue
(uniquement en intensité), pourcentage de modification volumique estimé à l’aide
d’un algorithme de recalage (alors qu’aucune modification géométrique n’est
appliquée sur l’image originale).

Correction d’intensité rétrospective

De nombreuses méthodes de correction rétrospective du biais en intensité ont été

proposées ces dix dernières années [14]. Une hypothèse commune à toutes les
approches concerne la forme du biais, à savoir une fonction spatiale qui varie de
façon très lisse (cf. figure 5). La modélisation la plus commune considère un biais
multiplicatif (cf. [15], pour des alternatives de modélisation). Ce modèle est bien
adapté aux hétérogénéités des antennes de réception radio-fréquence. Ainsi, le
modèle de formation d’images IRM généralement utilisé est le suivant :

(2) yi = bi . xi + ni
avec yi l’image observée, bi le biais en intensité, xi l’image non dégradée que l’on
souhaite retrouver et ni le bruit présent dans les observations. La correction du bruit
dans les images IRM cérébrales sera abordée dans la section suivante.

Il existe quatre grandes classes de méthodes de correction de biais en intensité: 1)

les méthodes de filtrage ; 2) les méthodes par estimation de surface ; 3) les
approches par histogramme ; et 4) les approches par segmentation.

L’hypothèse sous-jacente des méthodes de filtrage est que le biais en intensité est
un artéfact basse fréquence et qu’il peut être séparé des données « image »,
considérées comme hautes fréquences. Cependant, cette hypothèse n’est pas valide
dans la plupart des cas. Ainsi le chevauchement fréquentiel du biais en intensité et
des tissus cérébraux limite la faisabilité de ce type d’approche.

1
1
Dans les approches par estimation de surface, on fait l’hypothèse que le biais en
intensité peut être modélisé par une surface paramétrique lisse (typiquement des
polynômes d’ordre faible ou des splines). La surface peut être estimée à partir de
points d’intérêt appartenant au même tissu, ou à partir de gradients de l’image
calculés dans des zones homogènes. La principale limitation de ces approches
concerne la détermination des points d’intérêt ou des zones uniformes permettant
une estimation efficace du biais en intensité présent dans les images.

Les techniques par analyse d’histogramme reposent sur très peu d’a priori et sont de
fait souvent automatiques et adaptées pour une grande variété d’images. L'une des
méthodes les plus populaires en IRM cérébrale est N3 (nonparametric nonuniformity
normalization) [16]. Dans cette méthode, le biais est considéré comme un filtre
passe-bas. L’estimation du biais (modélisé par des splines) s’effectue alors
itérativement, en maximisant le contenu haute fréquence des tissus cérébraux. En se
fondant sur un principe similaire, le biais en intensité peut être estimé en minimisant
l’entropie de l’image corrigée [17].

La dernière classe de méthodes repose sur un cadre de segmentation des images

(cf. section 2.1). La correction de biais en intensité étant une étape cruciale pour
obtenir une segmentation des tissus précise, il apparaît intéressant de coupler ces
deux étapes de traitement. Il est alors nécessaire d’estimer conjointement le biais
dans les images et une partition de l’image (c'est-à-dire une segmentation des tissus
cérébraux). Dans ce cas, l’intensité d’un tissu est supposée constante. Ainsi, l’image
est modélisée par une fonction constante par morceaux. Les approches les plus
populaires sont les techniques de mélange de gaussiennes et les approches par c-
moyennes floues. De plus, il est généralement supposé que le biais est indépendant
des tissus cérébraux. Ainsi, il est possible d’enrichir le modèle multiplicatif en
relâchant cette hypothèse.

Limitations actuelles

La limitation principale des méthodes de correction de biais en intensité concerne la

modélisation utilisée, et donc l’hypothèse principale sur la forme du biais. En effet,
une structure cérébrale n’a pas nécessairement une apparence constante dans une
image IRM. Ce phénomène de variations d’intensité au sein d’un même tissu
cérébral est notamment présent lors de maladies neuro-dégénératives et au cours de
la maturation cérébrale. En effet, dans ce dernier cas, l’apparence du cerveau dans
les images IRM est complètement modifiée en l’espace de quelques mois.
L’hypothèse de variation spatiale lente dans l’image du biais en intensité ne permet
alors pas une estimation efficace de ces artéfacts. Enfin, la présence du biais est
dépendante de la force des champs magnétiques. Ainsi, l'un des défis actuels
concerne la mise en place de techniques robustes pour le traitement d’images IRM à
haut champ (7 Tesla ou plus).

1.4. Réduction de bruit

En IRM, le signal acquis dans l’espace de Fourier est entaché d’un bruit additif qui
suit une distribution gaussienne. Dans le cas d’une acquisition effectuée sur une
grille cartésienne uniforme de l’espace de Fourier, le bruit demeure gaussien après
l’application de la transformée de Fourier. Le signal IRM est un signal complexe
(avec une composante réelle et une composante imaginaire) ; cependant, l’image

1
2
IRM visualisée correspond généralement à une image de magnitude (racine carrée
de la somme des deux composantes au carré). Ce passage d’un signal complexe à
une image de magnitude transforme la nature du bruit qui suit alors une distribution
de Rice. Celle-ci est décrite par l’équation suivante :

(3) p(yi | µ, σ) = yi / σ2 exp( -( yi2+ µ2)/(2 σ2)) I0(yi µ / σ2)u(yi)

où yi est la valeur observée, µ et σ sont les paramètres du niveau de bruit, I0 est la
fonction de Bessel modifiée de première espèce et d’ordre zéro.

Ainsi, on peut remarquer que l’amplitude du bruit dépend du signal sous-jacent. Les
algorithmes de réduction dédiés aux images IRM doivent prendre en compte la
nature ricienne de ce bruit. Cependant, il est également connu que lorsque le rapport
signal sur bruit est important (typiquement supérieur à 3), la distribution de Rice peut
être approchée par une distribution de Gauss. Ainsi, les nombreux algorithmes de
réduction développés dans le cas Gaussien peuvent être appliqués sur des images
IRM avec des résultats satisfaisants.

Le problème de la réduction de bruit dans les images dépasse largement le cadre du

traitement des images IRM [P2880]. Nous aborderons par la suite quelques
algorithmes communément appliqués aux images IRM sans toutefois prétendre à
une quelconque exhaustivité pour ce vaste domaine de recherche.

Les méthodes de réduction de bruit dépendent souvent de plusieurs paramètres,

dont notamment une estimation de l’écart-type du bruit. Celle-ci est primordiale car si
cet écart-type est sur-estimé, alors le lissage appliqué à l’image sera trop important
et des détails risqueront d’être supprimés. L’estimation de ce paramètre se réalise en
général sur une zone uniforme de l’image. En IRM, c’est typiquement le fond noir qui
est utilisé pour estimer l’écart-type du bruit. Cela nécessite alors une étape de
segmentation ou de détection du fond. Une autre approche consiste à utiliser une
technique d’estimation robuste (comme les pseudo-résidus [18]) permettant de
s’affranchir de l’hypothèse d’uniformité.

La réduction de bruit dans les images peut être abordée par l’utilisation des
méthodes d’ondelettes [19], de filtres anisotropes ou des filtres de voisinage
permettant la conservation des contours de l’image. Parmi ces approches, SUSAN
(smallest univalue segment assimilating nucleus) est une méthode connue car
faisant partie du logiciel FSL (FMRIB Software Library) [20]. Cette méthode repose
sur une première étape de détection de contours dans l’image, avant de réaliser une
réduction de bruit par pondération des points de l’image.

Ce type d’approches a été étendu récemment dans [21] en considérant non plus une
pondération dépendant des intensités des points de l’image mais une pondération
calculée à partir de patches (ou blocs) de l’image. Ce principe simple de réduction de
bruit a permis le développement de nombreux algorithmes de débruitage très
performants, notamment pour les images IRM [22]. L’image débruitée est calculée à
partir de l’équation suivante :

(4) xi = Σj w(i,j)yj / Σj w(i,j)

où w(i,j) est une fonction de pondération des observations définie à partir de distance
entre patches de l’image observée y.

Cette méthode, appelée « moyenne non-locale » se fonde sur la redondance

d’information présente dans l’image à débruiter. Il s’agit alors de trouver des

1
3
exemples de patches dans l’image permettant une meilleure estimation de l’intensité
du pixel courant. La performance des méthodes reposant sur ce principe tient au
choix de la fonction de pondération. En effet, l’approche par moyenne non-locale
peut être interprétée comme un problème de régression. Le choix de la pondération
apparaît alors crucial pour obtenir une estimation la plus robuste possible.
L’utilisation de statistiques robustes tend à rapprocher l’algorithme des moyennes
non-locales de celui des approches parcimonieuses « basées patches » proposées
récemment. La figure 7 illustre le résultat des méthodes décrites précédemment
appliquées à une image IRM pondérée en T1.

Figure 7 – Illustration de techniques de réduction de bruit. A : image originale, B :

image débruitée avec SUSAN, C : image débruitée avec les moyennes non-locales,
D : différence entre A et B et E : différence entre A et C. Une technique de réduction
de bruit est d’autant plus efficace que l’image de différence est similaire à une image
de bruit pur.

2 Extraction de connaissances
2.1 Extraction des structures anatomiques

Le cerveau humain est un organe complexe, qui se compose non seulement de

différentes catégories de tissus, mais également d'un nombre important de structures
dont la taille, la forme et la fonction sont variables. Passées les problématiques de
correction (cf. sections 1.2, 1.3 et 1.4), le premier défi à relever pour réaliser l'analyse
d'images IRM du cerveau consiste à extraire ces structures en minimisant les erreurs
commises en termes de faux positifs (détections erronées) et faux négatifs
(omissions erronées).

Les structures cérébrales les plus couramment étudiées sont différentiables en

fonction de leur dimensionnalité. La plupart peuvent être considérées comme
tridimensionnelles (par exemple, les ventricules cérébraux, qui s'organisent en
volumes liquides au cœur du cerveau) ; d'autres sont de nature bidimensionnelle (par
exemple, le cortex, qui forme une surface épaisse enveloppant les hémisphères
cérébraux) ; certaines peuvent quant à elle être considérées comme des structures
unidimensionnelles. Ces dernières – incluant les vaisseaux sanguins et les réseaux

1
4
fibreux – s'avèrent les plus difficiles à extraire, et font notamment l'objet de
discussions spécifiques en sections 2.2 et 2.3. Dans cette section, nous présentons
plus généralement les grandes stratégies d'extraction relatives aux structures bi- et
tridimensionnelles.

L'extraction des structures cérébrales peut s'interpréter suivant deux paradigmes : la

segmentation, qui vise à partitionner le contenu de l'image en deux régions
contenant respectivement une structure anatomique d'intérêt et le reste de l'image ;
et la classification, qui vise à allouer à chaque voxel de l'image une étiquette choisie
parmi un nombre de classes sémantiques arbitraire. En analyse d'images médicales,
la frontière entre segmentation et classification est toutefois poreuse, et l'on
rencontre fréquemment des paradigmes intermédiaires, tels que la
multisegmentation [23] (cf. figure 8) qui vise à segmenter de manière concurrente
plusieurs structures anatomiques.

Figure 8 – Multisegmentation obtenue à partIr d'une image IRM pondérée en T1. De

gauche à droite : MG, MB et LCR (ventricules latéraux).

Principes fondamentaux

L'extraction des structures cérébrales repose, dans un premier temps, sur des
méthodologies « classiques » de segmentation et de classification [24][25][26, ch. 1].
La première information utilisée est évidemment le signal propre à chaque tissu dans
l'image. Sur la base de cette connaissance, les méthodes développées peuvent se
décliner en trois familles principales.

Les méthodes basées sur l'intensité du signal visent à caractériser les différents
tissus en fonction de leur signal (valeur, texture) dans l'image IRM. Dans ce contexte,
les principales approches proposées sont des approches de classification, souvent
développées dans des variantes « floues » afin de gérer notamment les effets de
volume partiel. Parmi les approches les plus classiques, on peut citer celles basées
sur les modèles de mélanges gaussiens, où la distribution du signal de chaque tissu
est représentée par une loi normale. La segmentation s'apparente donc à un
problème de détermination des jeux de paramètres θk de chacune des distributions
(moyenne, variance, etc.) à partir de la loi de mélange

(5) f(y ; θ,π) = Σk πk.f(y ; θk)

où y est la valeur de l'image en chaque point, et πk les proportions assignées à

chaque classe. L'estimation de ces paramètres est souvent réalisée par un
algorithme de type espérance-maximisation. Par ailleurs, des approches de type c-
moyennes floues [27] sont aussi fréquemment employées pour caractériser les trois
principaux types de tissus (MG, MB, LCR). De telles approches sont par ailleurs
suffisamment versatiles pour permettre de gérer simultanément les tâches de

1
5
segmentation/classification, et celles de prétraitement des images, à savoir la
correction du biais et du bruit [28] (cf. sections 1.3 et 1.4).

Les méthodes basées sur les contours visent, quant à elles, à détecter les transitions
entre différentes zones, en supposant que les variations de signal associées
traduisent une frontière entre deux structures ou familles de tissus. De nombreux
filtres de base [H3608] s'appuyant notamment sur les propriétés différentielles [AF55]
de l'image, permettent de mettre en évidence, puis de tirer parti de ces phénomènes
de saillance dans l'image. Ils peuvent notamment être mis à profit dans le cadre de
méthodes à base de modèles déformables [29] ou de segmentation par ligne de
partage des eaux [30].

Enfin, de manière duale, les méthodes basées sur les régions, cherchent à détecter
les zones homogènes dans les images, en supposant que les régions connexes
maximales correspondent à des structures anatomiques d'intérêt. Ces méthodes se
déclinent suivant des variantes monotones (décroissantes : region splitting, ou
croissantes : region merging, region growing [31, ch. 2]) ou non monotones (split and
merge).

Stratégies spécifiques et connaissances a priori

Les structures cérébrales présentent de nombreuses spécificités, qui permettent de

développer des méthodes d'extraction plus riches et robustes, par l'intégration
d'éléments de connaissance a priori de différentes natures.

Ces connaissances peuvent être de nature géométrique. A titre d'exemple, dans le

cas de la segmentation du cortex, le recours à des méthodes de segmentation à
base de modèles déformables [29] est motivé, d'une part, par la nature
bidimensionnelle de la surface corticale. D'autre part, les propriétés d'épaisseur et de
courbure du cortex peuvent être mises à profit afin d'enrichir l'énergie à minimiser
dans ce contexte par des termes de régularisation qui viennent compléter les termes
d'attache aux données liée à des approches de type contours.

Ces connaissances peuvent également être de nature topologique. Ainsi, dans le

cadre de la classification du cerveau en différents tissus, il est possible d'impliquer
des contraintes qui garantissent la préservation de l'intégrité de certaines structures
(par exemple leur connexité), et la cohérence des relations d'adjacence entre elles
[32]. Le cas d'utilisation le plus fréquent de telles contraintes topologiques porte sur
la segmentation du volume intra-crânien en matières grise et blanche, et liquide
céphalorachidien, ou bien sur la seule segmentation du ruban cortical, dont la
topologie peut être préservée tout au long du processus de segmentation, ou bien
corrigée a posteriori.

Plus généralement, ces connaissances peuvent enfin être de nature relationnelle et

morphologique. En effet, la connaissance globale de la position, de la forme et des
relations spatiales entre les différentes structures cérébrales peut permettre de
s'appuyer sur des a priori forts, modélisés sous forme d'atlas et venant guider des
procédures de segmentation ou de classification. De tels atlas (cf. section 3.3)
peuvent prendre des formes très variables, allant de cartes de probabilités, utilisées
dans des schémas de segmentation markovien [33], jusqu'à des cartes « dures »,
utilisées dans des schémas de segmentation par transport d'atlas et modèles
déformables [34]. Au cours des dernières années, des approches dites « multi-
atlas » ont notamment été développées, afin de permettre la segmentation des

1
6
structures cérébrales à partir de plusieurs sources d'information, notamment par le
biais de paradigmes collaboratifs entre classifieurs [35].

Au delà de cet aperçu général – dont le développement mériterait à lui seul un article
dédié – nous présentons, dans les deux sections suivantes, des travaux plus
spécifiquement liés à l'analyse des structures anatomiques unidimensionnelles, qui
présentent des propriétés rendant leur extraction particulièrement délicate.

2.2 Extraction du réseau vasculaire cérébral

Le réseau vasculaire cérébral est complexe à plusieurs titres. Il se compose d'une

part de deux sous-réseaux, artériel et veineux, dont la séparation n'est pas
visuellement évidente. Au demeurant, ces sous-réseaux se composent de vaisseaux
de tailles variables, allant d'artères et veines de plusieurs millimètres de diamètre à la
base du crâne, jusqu'à des vaisseaux à la limite de la résolution des images, dans
les parties les plus distales. Enfin, le réseau vasculaire cérébral est topologiquement
complexe, puisque son organisation n'est pas arborescente, par opposition à
d'autres réseaux (coronaires ou hépatiques, par exemple). Cette complexité est
amplifiée par la nature des modalités IRM, qui visualisent les mouvements sanguins,
et omettent donc potentiellement des vaisseaux où le déplacement sanguin est
globalement nul, par exemple au niveau d'anastomoses, ou dans le cas de flux
turbulents.

Principales approches de segmentation.

Depuis le début des années 1990, et l'apparition des premières images

angiographiques 3D, les principales approches de traitement d'images ont été
expérimentées afin de tenter de segmenter efficacement les réseaux vasculaires
cérébraux [36][31, ch. 6] (cf. figure 9). Aujourd'hui encore, aucune de ces méthodes
ne permet d'extraire, de manière totalement fiable ni totalement automatique, ces
structures complexes. Le recours à des post-traitements manuels et/ou à des
stratégies interactives, reste ainsi toujours d'actualité.

Au demeurant, au regard de la nature unidimensionnelle des réseaux vasculaires,

certaines approches semblent plus adaptées à cette problématique que d'autres. A
titre d'exemple, les approches à base de modèles déformables [29], qui sont conçues
pour extraire des structures de dimension n-1 dans des espaces de dimension n (et
dont la pertinence a été évoquée en section 3.1 pour le cortex) sont ici souvent
mises en échec. Au contraire, d'autres approches méthodologiques peuvent tirer
parti de la nature curvilinéaire de ces réseaux. Certaines, parmi les plus couramment
utilisées, sont décrites ci-après.

1
7
Figure 9 – Segmentation des structures vasculaires cérébrales (à l'échelle du
millimètre) à partir d'une image ARM par contraste de phase.

Extraction des vaisseaux par optimisation de chemins

Les vaisseaux peuvent être modélisés par leur axe médian, enrichi d'une information
sur leur épaisseur. L'extraction de ces axes médians peut alors faire l'objet de
procédures de recherche de chemins.

L'approche la plus simple consiste à initier cette recherche à partir d'un point et d'une
orientation, interactivement fournis par l'utilisateur, puis à détecter, de proche en
proche les points suivants de l'axe médian, dans un paradigme d'estimation-
correction. A chaque étape de ce processus itératif, dit de vessel tracking, un point
candidat est estimé à partir des connaissances antérieures. Cette information est
ensuite raffinée en prenant en compte l'intensité de l'image dans un voisinage
bidimensionnel localement orthogonal à l'orientation estimée. Cette approche
générale, utilisée avec succès sur des vaisseaux de grand diamètre (par exemple les
artères carotides) se heurte à une difficulté topologique, lorsqu'elle est appliquée au
niveau cérébral. En effet, pour un réseau complexe, elle doit s'appliquer
récursivement à chaque fois qu'une bifurcation est détectée. Si des solutions ont été
proposées pour gérer ces cas arborescents [37], leur robustesse ne permet pas
systématiquement de s'abstraire d'une interaction de l'utilisateur.

Afin d'éviter les difficultés induites par la localité de ces processus de vessel tracking,
des approches plus globales peuvent être mises en jeu. Les axes médians pouvant
être considérés comme les arêtes d'un graphe, et les bifurcations comme ses
sommets, il est notamment possible d'interpréter l'extraction d'un réseau vasculaire
comme celui d'un ensemble de chemins optimaux, dans un graphe valué issu de
l'image traitée. Dans ce cadre, des techniques classiques de recherche de chemin
peuvent être considérées [38]. Ces stratégies globales donnent des résultats
satisfaisants d'un point de vue topologique. La définition de la valuation considérée

1
8
sur le graphe induit par l'image reste néanmoins un problème qui fait encore l'objet
d'une étude soutenue. En effet, il convient non seulement de garantir la correction
structurelle des résultats, mais également leur correction géométrique (les axes
médians devant être centrés dans les vaisseaux), cette dernière contrainte étant par
définition antagoniste avec la minimalité des chemins, d'un point de vue spatial.

Extraction des vaisseaux par analyse différentielle

Alternativement à la modélisation d'une image angiographique comme un graphe

valué, il est possible de considérer cette image comme la discrétisée d'une fonction
continue. Les vaisseaux sanguins peuvent alors être détectés dans une telle fonction
au regard de leurs propriétés différentielles. En particulier, les propriétés
différentielles de second ordre ont été intensivement explorées afin de définir les
critères permettant de discriminer les structures linéaires de haute intensité.

Concrètement, il convient de calculer la matrice hessienne [AF55] de la fonction

considérée en chacun de ses points. Cette matrice symétrique, qui regroupe
l'ensemble des six dérivées secondes de la fonction, est diagonalisable. Ses valeurs
propres fournissent alors des informations sur l'éventuelle linéarité de la « forme » de
la fonction au point observé. En particulier, si la première valeur propre est faible,
tandis que les deux autres sont élevées, la fonction correspond localement à une
structure tubulaire, dont l'orientation est donnée par le premier vecteur propre.

Sur la base de ce principe, plusieurs mesures ont été empiriquement conçues afin de
caractériser explicitement les structures vasculaires. Ces mesures sont appelées
fonctions de vesselness. La plus couramment utilisée – malgré sa haute
paramétricité – a été proposée dans [39]. Outre cette paramétricité, une autre
difficulté réside dans le calcul des dérivées secondes de la fonction continue, alors
que les seules valeurs fournies sont celles d'une image discrète. Ceci est résolu par
application d'un noyau de convolution (généralement gaussien) sur l'image. En
particulier, des noyaux induits par plusieurs écart-types sont généralement
appliqués, permettant de traiter l'image à divers niveaux de résolutions, dans le
cadre de la théorie des espaces d'échelles [40], et assurant notamment la détection
de vaisseaux de différentes tailles de manière unifiée.

Une fois l'image traitée par analyse hessienne, les possibilités de segmentation sont
multiples, allant du simple seuillage de la fonction de vesselness obtenue, jusqu'à
des approches de plus haut niveau. En particulier, l'analyse hessienne a été couplée
avec des techniques diverses allant des modèles déformables jusqu'à des approches
de morphologie mathématique.

Extraction des vaisseaux par filtrage morphologique

Si les approches – non-linéaires – développées dans le cadre de la morphologie

mathématique [41][42][AF1515] peuvent être couplées avec les approches –
linéaires – développées en filtrage hessien, il est également possible de s'appuyer
sur des techniques de filtrage morphologique pur pour la segmentation des
structures vasculaires cérébrales. Dans ce contexte, deux familles d'approches ont
été développées.

La première s'appuie sur l'utilisation d'opérateurs connexes [42, ch. 7]

(méthodologiquement liés aux techniques de segmentation basés sur les régions, cf.
section 2.1) qui visent à générer des zones d'intérêt sans altérer le signal de l'image,

1
9
et en particulier sans générer de nouveaux contours, par opposition à des approches
requérant l'usage de termes de régularisation [29]. Parmi ces opérateurs connexes,
les plus adaptés à la segmentation des structures vasculaires sont les opérateurs à
base d'arbres de coupes (component trees), qui visent à extraire les structures
d'intensité localement maximale dans les images, sur la base d'attributs, ou par
recherche de coupes optimales [43]. Le principal avantage de ces approches est leur
capacité à s'appuyer sur des connexités non-standards, par exemple des connexités
de seconde génération [41, ch. 2], obtenues par pré-filtrage, et permettant
notamment de reconnecter symboliquement des structures vasculaires visuellement
déconnectées dans les images. De manière duale, la forte attache à l'image de ces
approches, fait qu'elles peuvent peiner à déconnecter les structures d'intérêt
éventuellement adjacentes à des artéfacts d'acquisition importants.

La seconde famille d'approches s'appuie sur la notion d'éléments structurants, et vise

notamment à définir leurs propriétés morphologiques afin de permettre une
modélisation correcte des structures vasculaires – hyper-intenses – et de leur
environnement – hypo-intense. Des solutions ont notamment été proposées, dans ce
cadre, par l'utilisation de la notion de transformée en tout-ou-rien à niveaux de gris
[42, ch. 15], qui utilise simultanément des couples d'éléments structurants, pour les
vaisseaux et le « fond » de l'image, respectivement. Si l'application d'un tel opérateur
est réalisable en des temps de calcul optimaux par rapport à la taille des images, la
principale difficulté se situe en amont, et concerne la détermination des paramètres
de ces éléments structurants. Des solutions ont été apportées dans ce cadre par
l'utilisation de connaissance a priori de haut niveau, notamment extraite d'atlas
vasculaires cérébraux (cf. sections 2.1 et 3.3).

2.3 Estimation du connectome

L’IRM de diffusion est une technique d’imagerie permettant la visualisation de la

diffusion des molécules d’eau in vivo. Le mouvement de ces molécules n’est pas
isotrope car contraint par les structures des tissus cérébraux (cf. section 1.1). Ainsi,
la mesure de la diffusion de l’eau permet indirectement d’obtenir des informations sur
la structure du cerveau, et notamment sur la géométrie des fibres nerveuses formant,
en partie, la matière blanche. L’analyse de ce réseau de connexions, appelé macro-
connectome structurel [44], ouvre de nouvelles perspectives sur la compréhension
du fonctionnement général du cerveau.

De l’IRM à la modélisation de la diffusion

Le signal de diffusion S mesuré en chaque voxel peut être décrit par l’équation
suivante [4] :

(6) S = S0 . exp(-TE/T2) . exp(-b D(o))

avec S0 le signal en l’absence de gradient de champ magnétique, TE est le temps
d’écho au bout duquel l’acquisition est réalisée, D(o) est la diffusion suivant la
direction o, et b est le degré de pondération en diffusion.

Ainsi, les données acquises en IRM de diffusion correspondent à une séquence

d’images 3D pondérées en diffusion, pour lesquelles les directions de diffusion
observées ainsi que les valeurs de b peuvent varier. L’échantillonnage des directions
de diffusion dans l’espace est un facteur important dans l’analyse de ces données.
En particulier, les séries de données d'IRM de diffusion contiennent souvent

2
0
plusieurs images 3D pondérées en diffusion. Il est alors possible d’estimer en
chaque voxel un propagateur de diffusion (c'est-à-dire la propagation moyenne d’un
ensemble de particules). De ce propagateur peuvent être déduites la fonction de
distribution des orientations de diffusion (d-ODF) et la fonction de distribution des
orientations des fibres (f-ODF) [45].

Le modèle de diffusion le plus communément utilisé est le tenseur de diffusion (ce

qui correspond à une hypothèse gaussienne de la diffusion). En chaque voxel, la
diffusion est modélisée par une matrice symétrique définie positive caractérisée par
six paramètres. De ce tenseur, il est alors possible d’extraire des informations
facilement interprétables comme le coefficient de diffusion apparent ou l’anisotropie
fractionnelle. C’est un modèle robuste utilisé en routine clinique. Cependant, sa
simplicité ne permet pas de rendre compte de géométries complexes telles que des
croisements de fibres par exemple. Ces croisements interviennent pourtant dans
environ 2/3 des voxels correspondant à la matière blanche. Pour pallier à ce
problème, de nombreux modèles de diffusion ont été proposés dans la littérature ces
dernières années : modèle multi-tensoriel, modèle Q-ball, tenseurs d’ordre supérieur,
etc. Ces modèles permettent de retrouver des croisements de fibres lorsque l’angle
entre les fibres est supérieur à 30 degrés.

Figure 10 – Visualisation des directions principales de diffusion estimées à partir

d’images IRM de diffusion anténatales.

Des voxels aux fibres

A partir des modèles de diffusion estimés en chaque voxel de l’image, il est possible
d’estimer, à une échelle macroscopique, les principaux faisceaux de la matière

2
1
blanche par des algorithmes de tractographie (cf. [46] pour un état de l’art complet de
ces techniques). Le principe généralement utilisé pour estimer ces faisceaux de
fibres consiste à partir d’un point du cerveau, puis à suivre de proche en proche la
direction principale de diffusion estimée localement en chaque voxel de l’image (cf.
Figure 10). L’algorithme s’arrête lorsque la trajectoire estimée sort d’une région
d’intérêt préalablement définie (typiquement un masque de la matière blanche ou un
masque obtenu à partir des valeurs élevées de l’anisotropie fractionnelle). Cette
approche permet l’estimation rapide (mais peu robuste) d’un tractogramme
(ensemble des fibres estimées). Des méthodes probabilistes ont été proposées par
la suite afin d’obtenir une meilleure robustesse de l’estimation du tractogramme
(notamment vis à vis du bruit dans les données et des croisements de fibres) au
détriment de la rapidité de l’algorithme (cf. Figure 11).

Figure 11 – Visualisation d’un tractogramme estimé à partir d’images IRM de

diffusion anténatales.

Enfin, une troisième approche consiste à estimer le tractogramme de façon globale

dans l’image, par une approche de type « problèmes inverses » [TE5235], en
minimisant une fonctionnelle d’énergie comportant un terme d’attache aux données
ainsi qu’un terme de régularisation. Ces algorithmes de tractographie globale
permettent une meilleure détection des fibres ainsi qu’une plus grande robustesse au
niveau des croisements des faisceaux, avec comme inconvénient un temps de calcul
possiblement prohibitif.

Des fibres au connectome

L’étude de l’ensemble du tractogramme estimé est délicate. En effet, de nombreux

2
2
traitements peuvent être nécessaires afin d’extraire des informations interprétables
de cet ensemble de fibres. Ainsi, il est nécessaire de développer des algorithmes
adéquats pour effectuer, par exemple : un regroupement automatique des fibres en
faisceaux ; une modélisation morphométrique des faisceaux de fibres ; une
parcellisation du cerveau à partir de la connectivité anatomique ; un recalage de ces
objets et une représentation compacte (par construction d’atlas par exemple), etc. De
plus, l’estimation de ces tractogrammes complexes (appelés également connectome)
a ouvert la voie à de nouvelles techniques d’analyse des données cérébrales,
notamment en utilisant des approches par analyse de graphes. Plusieurs études –
dont [47] – se sont intéressées à la définition de mesures caractérisant des réseaux,
telles que l’efficacité du réseau, le degré ou la « centralité » des nœuds, etc. La
comparaison des connectivités anatomiques et fonctionnelles est, en particulier,
maintenant possible.

Ainsi, il apparaît que l’IRM de diffusion puisse permettre, à terme, une meilleure
compréhension de la connectivité anatomique cérébrale in vivo et par là-même, la
mise en place de nouveaux biomarqueurs permettant un diagnostic précoce et un
meilleur pronostic de l’évolution de pathologies cérébrales. Cependant, il est
nécessaire de garder à l’esprit que l’analyse des images de diffusion demeure
difficile et que de nombreux problèmes restent à résoudre [48]. De plus, l’apparente
simplicité des traitements des données de diffusion (notamment par l’utilisation de
logiciels disponibles sur Internet) a parfois conduit à des interprétations erronées
[49]. Il convient donc de prendre la pleine mesure des capacités de cette modalité
d’imagerie tout en évitant des interprétations abusives.

3 Génération de modèles anatomiques

3.1 Recalage d'images

Le recalage joue un rôle essentiel pour le traitement et l'analyse d'images médicales,

et en particulier celui des IRM cérébrales. Son importance se justifie par la nécessité
de pouvoir mettre en relation des structures anatomiques particulières entre
différentes images. Le contexte dans lequel se pose la question du recalage n'est
pas unique. Selon que l'on s'intéresse à recaler des images d'un même sujet
(recalage intra-individu) ou de plusieurs (recalage inter-individu), et/ou des images
de même nature (recalage mono-modal) ou non (recalage multi-modal), les
méthodologies employées peuvent sensiblement différer. Il n'en demeure pas moins
que la problématique de fond reste la même, à savoir la détermination d'une fonction
de mise en correspondance entre les espaces de définition des différentes images
mises en jeu. Il convient de faire la distinction entre le recalage d'images, qui
s'attache à calculer de telles fonctions, et l'usage qui est fait de ces fonctions, par
exemple pour la segmentation et la classification d'images (cf. section 2), la fusion de
données [TE5230] ou encore la conception d'atlas numériques (cf. section 3.3).

Formulation du problème

Deux images y1 et y2 étant définies sur un espace (généralement 3D), le recalage de

y1 sur y2 vise à définir une fonction f associant à chaque point de l'espace de y1, un
point de l'espace de y2. La détermination de f s'appuie sur des attributs A relatifs à
ces images. Il convient en particulier de traiter préalablement y1 et y2 afin d'extraire
ces attributs. La détermination de f s'exprime alors comme un problème

2
3
d'optimisation visant à minimiser une fonction de coût E entre les images y1 et y2 au
regard de l'espace de déformation D autorisé pour f. Plus formellement, on cherche à
résoudre l'équation suivante

(7) f = arg minD E(A(y1),A(y2 o f))

Modèles de déformation

La forme que peut prendre la déformation f peut présenter des propriétés

géométriques – et donc des degrés de liberté – variables en fonction des hypothèses
sur les images et leur contenu. Les déformations les plus simples sont de nature
linéaire. On distingue d'une part les transformations rigides (6 degrés de liberté en
translations et rotations), qui nécessitent une forte corrélation anatomique et sont
donc principalement dédiées au recalage intra-individu ; et d'autre part les
transformations affines (12 degrés de liberté, les cisaillements étant aussi autorisés),
qui permettent un recalage inter-individu, mais avec une précision restreinte. Des
modèles linéaires par morceaux peuvent aussi être proposés. Ils s'appuient
généralement sur des repères anatomiques fortement invariants [50], tels que
certaines commissures cérébrales, afin de partitionner le volume traité, et donc les
transformations appliquées.

La variabilité inter-individu des structures cérébrales requiert en général une

souplesse plus importante pour f, et en particulier un nombre de degrés de liberté
bien supérieur à celui des déformations linéaires. Pour atteindre cet objectif, et
aboutir à des transformations dites non-rigides, le champ de déformation peut
s'exprimer sous une forme polynômiale, ou plus généralement prendre la forme
d'une combinaison de fonctions de base (par exemple, fonctions trigonométriques,
base d'ondelettes, base de fonctions B-splines, etc.). Dans de tels cas, le nombre de
degrés de liberté ainsi obtenus est élevé, et permet une représentation fine de f.

Stratégies d'optimisation

Dans le cas de transformations simples (notamment linéaires), il est envisageable de

résoudre l'équation (8) de manière exacte, c'est-à-dire de déterminer un optimum
global pour la fonction de coût considérée. Toutefois, dans le cas plus général – et
plus fréquent en IRM cérébrale – du recalage non-rigide, un compromis doit être
trouvé entre la précision de f et son temps de calcul. En tout état de cause, un
parcours exhaustif de l'espace des solutions étant irréalisable, il convient de trouver
un optimum local satisfaisant en un temps acceptable.

De manière simplifiée, il est possible de classer les méthodes d'optimisation

considérées en deux catégories [51]. Les méthodes d'optimisation discrète visent à
échantillonner l'espace de solutions, et généralement à guider la procédure de
recherche d'un optimum par les propriétés différentielles (gradient, hessien) des
attributs liés aux images. Dans ce contexte, la convergence vers un optimum global
n'est pas garantie. Alternativement, des méthodes d'optimisation non-déterministes
(par exemple, algorithmes génétiques, recuit simulé) permettent une exploration plus
efficace de l'espace, mais s’avèrent plus coûteuses en temps. Afin de palier ces
différents inconvénients, des approches d'optimisation hiérarchiques sont
fréquemment considérées. La hiérarchisation, qui vise à affiner la recherche à
mesure que l'on s'approche de la transformation f voulue, peut porter tant sur la
complexité et la finesse de la transformation que sur précision de l'image.

2
4
Recalage iconique vs. recalage géométrique

Au delà du modèle de transformation choisi, et de la stratégie d'optimisation mise en

œuvre, le choix de l'information utilisée afin de déterminer f s'avère cruciale.
L'équation (8) s'intéresse en effet moins aux images y1 et y2 qu'aux attributs qui en
ont été extraits. Il convient notamment de distinguer les attributs denses des attributs
géométriques. On parle de recalage iconique dans le premier cas, et géométrique
dans le second.

Les attributs denses s'appuient plus ou moins directement sur l'intensité de l'image
en chacun de ses points. Cette information peut faire l'objet de prétraitement (par
exemple une homogénéisation, voire une mise en correspondance dans le cas de
recalage entre différentes modalités), où de l'extraction de propriétés intrinsèques
(par exemple, des propriétés différentielles). Les données sont peu altérées,
garantissant ainsi un faible biais méthodologique. En contrepartie, le coût calculatoire
est généralement élevé, et la forte attache aux données réduit la robustesse de
l'optimisation face aux artéfacts (bruit, biais, etc.).

Les attributs géométriques sont extraits des images par des mécanismes plus lourds
(souvent une étape de segmentation). L'objectif est notamment de réduire l'espace
image, et de se focaliser sur des primitives de forte valeur sémantique, en général,
des points, courbes (sillons corticaux), ou surfaces (interface entre matières grise et
blanche) caractérisant des structures d'intérêt à mettre en correspondance. Si ces
techniques permettent de s'affranchir de problèmes, notamment liés à la multi-
modalité, et de réduire le coût calculatoire, un fort biais est toutefois induit non
seulement par le choix des primitives, mais également par la précision de leur
extraction.

Il est à noter que – outre des approches mixtes visant à coupler diverses
informations lors de recalages géométriques ou bien iconiques – ces deux familles
de méthodes ont également été croisées afin d'aboutir à des recalages hybrides
dans lesquels des primitives géométriques (par exemples des points d'amers) ont été
intégrés afin de contraindre des approches iconiques.

Difficultés et problèmes ouverts

Le recalage d'IRM cérébrales, malgré des progrès spectaculaires accomplis ces

dernières années, reste un domaine complexe, qui doit encore faire face à plusieurs
difficultés. En premier lieu, le problème du recalage est mal posé, au sens où le
nombre de degrés de liberté et la nature des images ne permettent généralement
pas d'aboutir à une solution unique. De nombreuses stratégies visent alors à guider
le calcul de f par ses propriétés intrinsèques, afin d'aboutir à un équilibre entre
attache aux données et contraintes de régularité. La définition de telles contraintes
reste néanmoins heuristique, et potentiellement sujette à erreur, par exemple dans le
cas du recalage entre images « saines » et « pathologiques ».

Une deuxième famille de problèmes dérive de la dualité continu/discret liées aux

images médicales. Ces images sont généralement définies sur une grille régulière, et
donc discrètes. Leur contenu correspond toutefois à une réalité continue. Au delà
des seuls problèmes d'échantillonnage, se pose notamment la question de la gestion
des propriétés topologiques de f. Dans le cas des IRM cérébrales, et hors affections
spécifiques (par exemple, tumeurs) la transformation f se doit d'être homéomorphe.
La bijectivité de f dans un espace continu peut être obtenue par intégration de

2
5
contraintes différentielles [52]. Son inversibilité, de même que la gestion entre
préservation topologique au niveau continu et discret restent des problèmes encore
assez largement ouverts.

Enfin, si les méthodes de recalage d'IRM cérébrales à contenu « dense » (par

exemple IRM T1, T2) aboutissent désormais à des résultats satisfaisants, dans des
paradigmes non-rigides, et jusqu'à des résolutions sous-millimétriques, la question
du recalage des images à contenu parcimonieux, et notamment les images
angiographiques [53] reste – malgré quelques travaux exploratoires – un champ de
recherche encore relativement vierge.

Nota : Le recalage d'images est un domaine extrêmement vaste, dont l'énumération exhaustive des seules problématiques –
même restreintes au cas de l'imagerie médicale – dépasse très largement le cadre de cette section. Le lecteur intéressé par ces
problématiques, et les principales stratégies développées, pourra se référer à l'état de l'art proposé dans [54]. Le lecteur plus
spécifiquement intéressé par les méthodologies répondant aux problématiques liées à l'imagerie médicale, pourra se référer à
l'état de l'art proposé dans [55], ainsi qu'à l'ouvrage de référence [56].

3.2 Modélisation de l’évolution cérébrale

L’IRM fournit une visualisation précise du cerveau in vivo, qui a permis de nombreux
progrès concernant la compréhension du fonctionnement de cet organe, mais
également pour le diagnostic et le pronostic de pathologies. Les travaux de
cartographie du cerveau à partir des images IRM se sont cependant très
majoritairement focalisés sur le cas du cerveau adulte, et ce sans prendre en compte
la dimension temporelle. Le cerveau évoluant au cours de la vie, il apparaît important
de l’étudier pleinement en quatre dimensions (les trois dimensions spatiales et la
dimension temporelle). Pour se faire, il est préférable d’effectuer des acquisitions
longitudinales (c'est-à-dire la même personne passant des examens IRM à des
temps différents). On peut citer, comme exemple phare d'une telle approche, l’étude
nord-américaine ADNI (Alzheimer’s disease neuroimaging initiative) pour laquelle
environ 800 personnes ont été suivies régulièrement lors d'examens IRM (couplés à
d'autres modes d'investigation). Comme son nom l’indique, cette étude multi-sites,
longitudinale et observationnelle porte sur la maladie d’Alzheimer et son évolution au
cours du temps, afin de découvrir notamment des biomarqueurs caractérisant cette
pathologie. Il est à noter que les données (dont les images IRM) collectées sont mise
à disposition de la communauté scientifique afin d’accroître l’effort de recherche sur
cette maladie.

Le développement d’un modèle temporel d’évolution (pathologique ou non) du

cerveau peut s’effectuer au niveau du voxel ou au niveau d’une région d’intérêt.
Dans les deux cas, l’objectif est d’estimer un modèle (paramétrique ou non) temporel
qui pourra être utilisé pour caractériser l’évolution d’un nouveau sujet (à l’instar des
courbes de taille et de poids du carnet de santé des enfants pour suivre leur
croissance). Le modèle au niveau du voxel permet d’obtenir une carte dense
temporelle moyenne (cf. figure 12). Ce type d’approche nécessite plusieurs étapes
de recalage : recalage temporel intra-individu et recalage inter-individu. Cette
dernière étape est particulièrement délicate (notamment pour capter les différents
degrés de variabilité anatomique au sein de l’ensemble des sujets considérés) car
des évolutions temporelles peuvent être gommées par les erreurs de recalage. Un
moyen de s’affranchir de cette étape de mise en correspondance à l’échelle du voxel
est de travailler sur des régions d’intérêt prédéfinies (ensemble de voxels ou paquets
de fibres par exemple [57]).

2
6
A l’opposé de ces études portant sur des pathologies particulières (ou plus
généralement sur la dégénérescence du cerveau), de nombreux travaux
s’intéressent maintenant au développement du cerveau, du stade fœtal jusqu’à
l’adolescence (et également au delà). Pour illustrer cet aspect, des études
temporelles sur la maturation du cerveau, détaillons l’approche proposée dans [58]
pour créer un atlas temporel du fœtus in utero. Dans ce type d’étude, il est difficile
d’obtenir des données longitudinales. Ainsi, le modèle temporel est estimé à partir
d’une collection d’images de fœtus différents acquises à des âges gestationnels
différents. La première étape de traitement consiste à estimer de façon précise une
mise en correspondance dense entre chaque sujet de la population. Cependant,
durant le développement in utero, le cerveau peut changer d’apparence dans les
images IRM, en raison de modifications de composition (notamment par la
myélinisation du cerveau et la migration des neurones). Le recalage se doit alors
d’utiliser des informations d’intensité dans les images mais également des cartes de
segmentation afin de lever les ambiguïtés potentielles dues au changement
d’apparence des tissus cérébraux. L’image moyenne estimée doit être le barycentre
des images considérées, c’est-à-dire que la somme des distances entre cette image
moyenne et chaque image de la population doit être nulle. Une fois les champs de
déformation calculés, le modèle spatio-temporel est estimé à l’aide d’un modèle
polynomial en chaque voxel. La figure 12 présente le résultat d’une telle estimation.
En utilisant ce type de procédure, il est également possible d’analyser le plissement
du cortex au cours du développement in utero. Ainsi, dans [59] il a été montré que
l’on pouvait retrouver les temps d’apparition des principaux sillons à partir d’une
analyse temporelle surfacique du cerveau.

Figure 12 – Illustration d’un atlas temporel fœtal estimé entre la 26ème et la 32ème
semaine d’aménorrhée.

En ce qui concerne l’étude du développement cérébral post-natal, il est plus aisé

d’acquérir des données longitudinales. Il est alors possible de modéliser les
trajectoires temporelles pour chaque sujet ainsi que pour l’ensemble d'un groupe
[60]. Les modèles non-linéaires à effet mixte permettent notamment de capturer la
dynamique temporelle du développement du cerveau pour différentes régions
d’intérêt.

De manière plus générale, l’étude des formes en vue de caractériser l’anatomie n'est
pas un concept récent [61]. Elle a toutefois abouti – par le biais des progrès
accomplis en informatique – à l'apparition d'une nouvelle discipline : l’anatomie
numérique (computational anatomy). Un point central de l’anatomie numérique
concerne la création d’atlas, c'est-à-dire un espace de coordonnées unique
permettant l’analyse de la variabilité anatomique (cf. section 3.3). Cependant, dans le

2
7
cas de l’analyse de la croissance, un tel espace de coordonnées n’est pas
nécessairement le plus adéquat. Les travaux présentés dans [62] permettent
d’illustrer ce point de vue. En effet, dans le cas d’études de la croissance, il apparaît
plus approprié de modéliser l’évolution temporelle par un ensemble de déformations
élémentaires afin de souligner la nature temporelle de la croissance. Ainsi, plutôt que
d’utiliser un système de coordonnées figé (cartésien ou polaire), il semble plus
opportun d’utiliser un système de coordonnées évoluant avec le temps, permettant
de refléter les changements anatomiques de l’objet d’étude. L’inconvénient de cette
modélisation concerne le fait que le système de coordonnées devient dépendant de
l’anatomie observée. Il est alors difficile de comparer les différents motifs de
croissance entre individus.

Les approches présentées jusqu’à présent permettent d’observer les changements

temporels sans toutefois pouvoir encore les expliquer. Dans ce but, il est nécessaire
de développer des modèles génératifs et de les confronter aux observations.
Prenons par exemple le cas du plissement cortical, déjà évoqué précédemment.
Même si ce phénomène a été largement étudié, plusieurs explications ont été
proposées sans que ses causes exactes ne soient clairement établies. Dans ce
contexte, il apparaît pertinent de développer des modèles génératifs du plissement
cortical pour confirmer – ou infirmer – les hypothèses émises. Plusieurs modèles
(tensions axonales, expansion corticale tangentielle, modèles de réaction-diffusion,
etc.) ont d'ores et déjà été étudiés mais il semble probable qu’un seul type de
modélisation ne puisse rendre compte complètement de ce phénomène complexe
[63]. Ainsi, l'une des perspectives de la modélisation temporelle du cerveau est de
permettre la confrontation des modèles génératifs avec les observations provenant
des images IRM.

3.3 Estimation de modèles vasculaires

La disponibilité d'un corpus de connaissances relatives aux structures anatomiques

est précieuse dans de nombreux domaines liés à l'analyse d'images IRM cérébrales.
La capacité à connaître la position d'une structure, sa forme et ses dimensions, ou
bien encore ses relations avec d'autres structures, est également à la base de
l'anatomie. C’est également dans ce contexte qu’intervient le concept (évoqué dans
la section précédente) d'anatomie numérique (computational anatomy) [64]. Une
attention particulière a notamment été portée au développement d'atlas numériques
dédiés à la modélisation des structures cérébrales [65].

Dans cette dernière section, nous nous intéressons plus spécifiquement aux atlas
vasculaires, dont la conception constitue un domaine de recherche émergent, mais
aux potentialités multiples [31, ch. 6], allant de l'assistance à la segmentation, à la
détection d'anomalies vasculaires, en passant par l'étiquetage des vaisseaux.

Peu de travaux se sont jusqu'à présent intéressés à cette problématique. Les

recherches pionnières dans le domaine ont ainsi été consacrées à l'étude de réseaux
vasculaires plus simples, et notamment le réseau coronarien. Les premiers atlas
obtenus ont par ailleurs pris la forme de modèles déterministes, modélisant ce
réseau sous la forme d'un graphe, et s'attachant donc à représenter des propriétés
structurelles, éventuellement enrichies d'informations géométriques, sans toutefois
prendre significativement en compte la variabilité inter-individu.

Modèles mono-sujet

2
8
Une première série de travaux, réalisés sur le cerveau à partir d'images IRM,
s'appuie sur ces mêmes paradigmes [66]. La conception d'un atlas vasculaire
cérébral repose alors sur une chaîne classique de traitement, incluant
successivement des phases de segmentation (cf. section 2.2), de classification ou
encore de quantification. Si de telles approches permettent d'obtenir un modèle
vasculaire très précis, en multipliant notamment les acquisitions relatives à un même
sujet, elles ne visent pas à prendre en compte la variabilité inhérente à une
population.

Afin de prendre en compte cette variabilité inter-individu, il convient non plus de

multiplier les acquisitions IRM relatives à un sujet, mais de traiter une masse de
données significative portant sur un groupe d'individus. Dans ce second paradigme,
la variabilité structurelle peut éventuellement être gérée par l'usage de
« catalogues » de variations anatomiques. Si cette vision combinatoire [67] permet
de gérer correctement la variabilité structurelle, elle ne suffit toutefois pas à prendre
en compte des variations spatiales ou quantitatives.

Modèles multi-sujet

Une seconde série de travaux s'est attachée à répondre à ces questions. Si le

recours à des techniques de segmentation, de classification ou de quantification
reste nécessaire, il convient désormais de prendre également en compte, d'une part
la nécessité de gérer la variabilité de position des structures anatomiques, et d'autre
part leur variabilité anatomique. La réponse à la première question requiert l'usage
de techniques de recalage (cf. section 3.1). La seconde a donné lieu à une série
d'enchères au cours des dix dernières années.

Les premiers atlas vasculaires mis en place ont pris la forme d'atlas de densité
vasculaire. Concrètement, de tels atlas sont formés par la fusion d'une série
d'images binaires, elles-mêmes obtenues par segmentation. Cette première stratégie
présente l'avantage de la simplicité, puisqu'elle ne s'appuie que sur deux traitements,
à savoir la segmentation des données angiographiques, puis leur recalage. Dans le
cas où les structures vasculaires considérées sont suffisamment simples (par
exemple un vaisseau donné, et non pas tout un réseau), l'atlas obtenu, bien que
représentant un modèle flou, suffit à capter certaines propriétés géométriques, telles
que la forme où le diamètre des vaisseaux [68]. Dans le cas de structures plus
complexes, les résultats obtenus ne fournissent qu'une information probabiliste sur la
présence potentielle d'un vaisseau en un point donné. La simplicité de l'information
portée permet de s'appuyer sur des techniques de recalage relativement robustes,
malgré la nature parcimonieuse des images IRM angiographiques [69].

Plus récemment, ces seules informations de densité vasculaire ont visé à être
enrichies par d'autres informations, liées notamment à la taille et à l'orientation des
vaisseaux [70]. La prise en compte de telles informations pose tout d'abord la
question de leur extraction. L'étape de segmentation doit alors s'enrichir de
traitements supplémentaires. Si les informations de taille et d'orientation peuvent être
extraites à partir des données segmentées, en s'appuyant sur une extraction des
axes médians des vaisseaux, par exemple par squelettisation [E6612], il est
également possible d'obtenir ces informations directement à partir des images,
notamment par des procédés d'analyse différentielle (filtrage hessien, cf. section
2.2). Outre la question de l'extraction de ces informations, se pose enfin celle de leur
fusion. Par opposition aux atlas précédemment cités, les atlas enrichis doivent
s'appuyer sur une fusion fine des données, et donc des recalages efficaces. Comme

2
9
il a déjà été discuté en section 3.1, les méthodes de recalage les plus sophistiquées
fournissent des résultats satisfaisants sur des données denses, mais pas encore sur
des données parcimonieuses, telles que les images angiographiques. Sous ces
hypothèses, il convient alors de coupler ces images avec des images
morphologiques, et de calculer les champs de déformation utiles au traitement sur
ces dernières. Lors de l'acquisition d'IRM angiographiques, de telles images
morphologiques sont généralement acquises (par exemple une IRM T1, couplée avec
une ARM TOF). D'autres modalités (telles que les ARM PC) fournissent, par
construction, une image morphologique, en plus de l'image de flux. La question du
recalage est ainsi généralement réglée grâce à ces acquisitions complémentaires.
Un exemple d'atlas vasculaire cérébral est fourni en figure 13.

Figure 13 – Exemple d'atlas vasculaire cérébral. De gauche à droite : image

morphologique moyenne utilisée comme référentiel anatomique ; carte de probabilité
de présence vasculaire ; carte de distribution veines/artères ; carte de distribution
des tailles de vaisseaux.

Vers des atlas cérébraux globaux

Les atlas vasculaires cérébraux fournissent désormais des informations relativement
fiables tant d'un point de vue quantitatif que structurel. La prochaine étape à franchir,
afin d'améliorer encore leur richesse et leur précision, consiste à prendre en compte
l'information vasculaire fournie par les images angiographiques, dans un contexte
anatomique plus global, en intégrant notamment les relations spatiales qui lient les
vaisseaux aux autres structures et tissus cérébraux dans le volume intracrânien. Des
travaux sur cette prise en compte des relations morpho-vasculaires ont d'ores et déjà
été engagés relativement à des structures vasculaires plus simples, notamment au
niveau des artères coronaires [71]. Afin de pouvoir aboutir à une prise en compte
efficace de ces relations au niveau cérébral, il convient de s'appuyer sur des
modèles mathématiques de relations spatiales floues [72]. Des travaux préliminaires
suivant cette piste [73] ouvrent la voie à la création d'atlas numériques du cerveau
non plus dédiés, mais globaux. De tels atlas, qui constituent la version numérique
des corpus de connaissances anatomiques recueillis manuellement au cours des
derniers siècles, sont l'une des finalités de l'analyse des images IRM cérébrales,
pour les décennies à venir.

Conclusion
Depuis son apparition, l’IRM a très largement et rapidement évolué et permet
désormais de visualiser in vivo de nombreuses caractéristiques du cerveau humain.
Comme il a été décrit, l’IRM autorise notamment l'observation des tissus mous
cérébraux, du système vasculaire, ainsi que de l’ensemble des principaux faisceaux
de fibres nerveuses, mais également (non décrits dans cet article) du spectre
chimique (lRM spectroscopique) ou du débit sanguin lié à l’activité cérébrale (IRM
fonctionnelle). Le développement de l’IRM est intrinsèquement lié à celui de

3
0
l’informatique, en premier lieu au regard de la reconstruction des images et de leur
visualisation. L’IRM est devenue une modalité incontournable pour l’étude du
cerveau, grâce aux méthodes informatiques de traitement et d’analyse d’images qui
permettent d’extraire de ces données des informations pertinentes pour l’étude du
fonctionnement cérébral.

De nombreux outils logiciels sont à présent mis à disposition gratuitement sur

Internet (cf. section « outils logiciels ») et permettent la mise en œuvre de chaînes de
traitement complètes d'images IRM (depuis la correction d’artéfacts jusqu’au
recalage en passant par la segmentation). Ainsi, il est maintenant possible de se
focaliser plus particulièrement sur l’information contenue dans les images, afin de
découvrir, par exemple, de nouveaux biomarqueurs ou d'améliorer notre
connaissance sur le cerveau, avec notamment la modélisation du réseau cérébral
anatomique et fonctionnel. Cependant, même s'il apparaît que la discipline du
traitement d’images IRM soit arrivée à maturité, de nouvelles problématiques
(comme nous avons pu le voir avec les études péri-natales et l’analyse du système
vasculaire) et de nouvelles séquences d’IRM mettent régulièrement au jour de
nouveaux défis dans ce domaine de recherche.

De plus, comme le montrent de récentes études en IRM de diffusion [49], l’apparente

simplicité de la mise en place d’une chaîne de traitement complète (notamment avec
les logiciels disponibles sur Internet) peut occulter la réelle complexité des données
et des algorithmes nécessaires à leur analyse. L'un des aspects fondamentaux
concernant la mise en place d’algorithmes de traitement d’images médicales est
l’incertitude sur les résultats fournis. Cette incertitude n’est pas nécessairement utile
(par exemple dans le cas de la séparation de deux ensembles de sujets), ou bien se
trouve parfois implicitement dans des données intermédiaires (tels que les atlas
probabilistes servant à la segmentation des images). Cependant, pour éviter des
interprétations parfois abusives ou erronées, il conviendrait de pouvoir la modéliser
afin de l’inclure dans la chaîne de traitement, et fournir un degré de confiance dans
les résultats obtenus. Le défi posé ici concerne alors une modélisation complète de
la chaînes pouvant contenir une dizaine d’algorithmes différents.

L’IRM permet une visualisation in vivo du cerveau à une échelle macroscopique. Le

développement de nouvelles machines à haut champ (7 Tesla ou plus) permet
toutefois d’entrevoir des études mésoscopiques à des résolutions d’images sous-
millimétriques. Dans ce contexte, les images IRM contiennent beaucoup plus de
détails pour lesquels les algorithmes employés couramment ne sont pas adaptés. Il
conviendra alors de redéfinir l’ensemble de la chaîne de traitement afin de l’adapter à
ces nouvelles données. De plus, alors que le spectre des informations fournies en
IRM ne cesse de croître, les approches actuelles ne permettent généralement pas le
traitement conjoint de toutes ces informations. Si l'on y ajoute d’autres modalités
telles que la TEP, l’EEG ou la MEG ou plus généralement des données « non-
images » liées à la cognition, à la génétique ou à l’environnement du sujet, il est
alors possible de prendre conscience de la complexité croissante liée à l’analyse de
ces données hétérogènes, qui permettent néanmoins d’espérer obtenir des vues
complémentaires sur le fonctionnement cérébral.

3
1
Pour en savoir plus

L’analyse et le traitement d’images

IRM cérébrales
par François ROUSSEAU
Chargé de Recherche CNRS
ICube, Université de Strasbourg / CNRS, Strasbourg, France

Nicolas PASSAT
Professeur des Universités
CReSTIC, Université de Reims Champagne-Ardenne, Reims, France

Sources bibliographiques

[1] LAUTERBUR P. – Image formation by induced local interactions: Examples employing

nuclear magnetic resonance. Nature, 242:190–191 (1973).
[2] WESTBROOK C. – Handbook of MRI Technique. Wiley (1999).
[3] CARR J. C., CARROLL T. J. – Magnetic Resonance Angiography. Springer (2012).
[4] JOHANSEN-BERG H., BEHRENS T. E. J. (Eds) – Diffusion MRI. Elsevier Academic
Press (2009).
[5] LUSTIG M., DONOHO D. L., SANTOS J. M., PAULY J. M. – Compressed sensing
MRI. IEEE Signal Processing Magazine, 25:72–82 (2008).
[6] BATCHELOR P. G., ATKINSON D., IRARRAZAVAL P., HILL D. L., HAJNAL J.,
LARKMAN D. – Matrix description of general motion correction applied to multishot
images. Magnetic Resonance in Medicine, 54:1273–1280 (2005).
[7] MACLAREN J., HERBST M., SPECK O., ZAITSEV M. – Prospective motion correction
in brain imaging: A review. Magnetic Resonance in Medicine, 69:621–636 (2013).
[8] PIPE J. G. – Motion correction with PROPELLER MRI: Application to head motion and
free-breathing cardiac imaging. Magnetic Resonance in Medicine, 42:963–969 (1999).
[9] PIPE J. G., ZWART N. – Turboprop: Improved PROPELLER imaging. Magnetic
Resonance in Medicine, 55:380–385 (2006).
[10] ROUSSEAU F., GLENN O., IORDANOVA B., RODRIGUEZ-CARRANZA C.,
VIGNERON D. B., BARKOVICH J. A., STUDHOLME C. – Registration-based approach
for reconstruction of high-resolution in utero fetal MR brain images. Academic Radiology,
13:1072–1081 (2006).
[11] KIO K., HABAS P. A., ROUSSEAU F., GLENN O. A., BARKOVICH A. J.,
STUDHOLME C. – Intersection based motion correction of multislice MRI for 3-D in utero
fetal brain image formation. IEEE Transactions on Medical Imaging, 29:146–158 (2010).
[12] MARQUES J. P., KOBER T., KRUEGER G., VAN DER ZWAAG W., VAN DE
MOORTELE P.-F., GRUETTER R. – MP2RAGE, a self bias-field corrected sequence for
improved segmentation and T1-mapping at high field. NeuroImage, 49:1271–1281 (2010).
[13] SHARMA S., NOBLET V., ROUSSEAU F., HEITZ F., RUMBACH L., ARMSPACH
J.-P. – Evaluation of brain atrophy estimation algorithms using simulated ground-truth data.
Medical Image Analysis, 14:373–389 (2010).
[14] VOVK U., PERNUS F., LIKAR B. – A review of methods for correction of intensity
inhomogeneity in MRI. IEEE Transactions on Medical Imaging, 26:405–421 (2007).
[15] PRIMA S., AYACHE N., BARRICK T., ROBERTS N. – Maximum likelihood
estimation of the bias field in MR brain images: Investigating different modelings of the

3
2
imaging process. MICCAI, Proceedings, LNCS, 2208:811–819 (2001).
[16] SLED J. G., ZIJDENBOS A. P., EVANS A. C. – A nonparametric method for automatic
correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging,
17:87–97 (1998).
[17] VIOLA P. A. – Alignment by Maximization of Mutual Information. PhD Thesis, MIT,
(1995).
[18] GASSER T., SROKA L., JENNE-STEINMETZ C. – Residual variance and residual
pattern in nonlinear-regression. Biometrika, 73:625-633 (1986).
[19] MALLAT S. – A Wavelet Tour of Signal Processing, Third Edition: The Sparse Way.
Academic Press (2008).
[20] SMITH S. M., BRADY J. M. – SUSAN–A new approach to low level image processing.
International Journal of Computer Vision, 23:45–78 (1997).
[21] BUADES A., COLL B., MOREL J. M. – A review of image denoising algorithms, with
a new one. Multiscale Modeling & Simulation, 4:490–530 (2005).
[22] COUPÉ P., YGER P., PRIMA S., HELLIER P., KERVRANN C., BARILLOT C. – An
optimized blockwise nonlocal means denoising filter for 3-D magnetic resonance images.
IEEE Transactions on Medical Imaging, 27:425–441 (2008).
[23] DOKLÁDAL P., BLOCH I., COUPRIE M., RUIJTERS D., URTASUN R., GARNERO
L. – Topologically controlled segmentation of 3D magnetic resonance images of the head by
using morphological operators. Pattern Recognition, 36:2463–2478 (2003).
[24] WITHEY D., KOLES Z. – A review of medical image segmentation: Methods and
available software. International Journal of Bioelectromagnetism, 10:125–148 (2008).
[25] SHARMA N., AGGARWAL L. – Automated medical image segmentation techniques.
Journal of Medical Physics, 35:3–14 (2010).
[26] EL-BAZ A., ACHARYA U. R., LAINE A., SURI J. (Eds.) – Multi Modality State-of-
the-Art Medical Image Segmentation and Registration Methodologies. Springer (2011).
[27] BEZDEK J. C., EHRLICH R., FULL W. – FCM: The fuzzy c-means clustering
algorithm. Computers & Geosciences, 10:191–203 (1984).
[28] CALDAIROU B., PASSAT N., HABAS P. A., STUDHOLME C., ROUSSEAU F. – A
non-local fuzzy segmentation method: Application to brain MRI. Pattern Recognition, 44:
1916–1927 (2011).
[29] SETHIAN J. A. – Level Set Methods and Fast Marching Methods: Evolving Interfaces
in Computational Geometry, Fluid Mechanics, Computer Vision, and Materials Science.
Cambridge University Press (1999).
[30] VINCENT L., SOILLE P. – Watersheds in digital spaces: An efficient algorithm based
on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence,
13: 583–598 (1991).
[31] DOUGHERTY G. (Ed.) – Medical Image Processing: Techniques and Applications.
Springer (2011).
[32] PHAM D., BAZIN P.-L., PRINCE J. – Digital topology in brain imaging. IEEE Signal
Processing Magazine, 27:51–59 (2010).
[33] BRICQ S., COLLET C., ARMSPACH J.-P. – Unifying framework for multimodal brain
MRI segmentation based on Hidden Markov Chains. Medical Image Analysis, 12:639–652
(2008).
[34] BAZIN P.-L., PHAM D. L. – Topology-preserving tissue classification of magnetic
resonance brain images. IEEE Transactions on Medical Imaging, 26:487–496 (2007).
[35] ALJABAR P., HECKEMANN R. A., HAMMERS A., HAJNAL J. V., RUECKERT D. –
Multi-atlas based segmentation of brain images: Atlas selection and its effect on accuracy.
NeuroImage, 46:726–738 (2009).
[36] LESAGE D., ANGELINI E. D., BLOCH I., FUNKA-LEA G. – A review of 3D vessel
lumen segmentation techniques: Models, features and extraction schemes. Medical Image
Analysis, 13:819–845 (2009).
[37] FLASQUE N., DESVIGNES M., CONSTANS J.-M., REVENU M. – Acquisition,

3
3
segmentation and tracking of the cerebral vascular tree on 3D magnetic resonance
angiography images. Medical Image Analysis, 5:173–183 (2001).
[38] DIJKSTRA E. W. – A note on two problems in connexion with graphs. Numerische
Mathematik, 1:269–271 (1959).
[39] FRANGI A. F., NIESSEN W. J., VINCKEN K. L., VIERGEVIER M. A. – Multiscale
vessel enhancement filtering. MICCAI, Proceedings, LNCS, 1496:130–137 (1998).
[40] LINDEBERG T. – Scale-Space Theory in Computer Vision. The Springer International
Series in Engineering and Computer Science (1993).
[41] SERRA J. (Ed.) – Image Analysis and Mathematical Morphology, II: Theoretical
Advances. London: Academic Press (1988).
[42] NAJMAN L., TALBOT H. (Eds.) – Mathematical Morphology: From Theory to
Applications. ISTE/John Wiley & Sons (2010).
[43] DUFOUR A., TANKYEVYCH O., NAEGEL B., TALBOT H., RONSE C.,
BARUTHIO J., DOKLÁDAL P., PASSAT N. – Filtering and segmentation of 3D
angiographic data: Advances based on mathematical morphology. Medical Image Analysis,
17:147–164 (2013).
[44] VAN ESSEN D. C., UGURBIL K. – The future of the human connectome. NeuroImage,
62:1299–1310 (2012).
[45] MINATI L., WĘGLARZ W. P. – Physical foundations, models, and methods of
diffusion magnetic resonance imaging of the brain: A review. Concepts in Magnetic
Resonance Part A, 30A:278–307 (2007).
[46] LAZAR M. – Mapping brain anatomical connectivity using white matter tractography.
NMR in Biomedicine, 23:821–835 (2010).
[47] HAGMANN P., CAMMOUN L., GIGANDET X., MEULI R., HONEY C. J., WEDEEN
V. J., SPORNS O. – Mapping the structural core of human cerebral cortex. PLoS Biology,
6:e159 (2008).
[48] JONES D. K., CERCIGNANI M. – Twenty-five pitfalls in the analysis of diffusion MRI
data. NMR in Biomedicine, 23:803–820 (2010).
[49] JONES D. K., KNÖSCHE T. R., TURNER R. – White matter integrity, fiber count, and
other fallacies: The do's and don'ts of diffusion MRI. NeuroImage, 73:239–254 (2013).
[50] TALAIRACH J., TOURNOUX P. – Co-planar Stereotaxic Atlas of the Human Brain. 3-
Dimensional Proportional System: An Approach to Cerebral Imaging. Thieme-Stratton Corp
(1988).
[51] RAO S. S. – Engineering Optimization: Theory and Practice. John Wiley & Sons, 4th
Edition (2009).
[52] NOBLET V., HEINRICH C., HEITZ F., ARMSPACH, J.-P. – Retrospective evaluation
of a topology preserving non-rigid registration method. Medical Image Analysis, 10:366–384
(2006).
[53] AYLWARD S. R., JOMIER J., WEEKS S., BULLITT E. – Registration and analysis of
vascular images. International Journal of Computer Vision, 55:123–138 (2003).
[54] ZITOVÁ B., FLUSSER J. – Image registration methods: A survey. Image and Vision
Computing, 21:977–1000 (2003).
[55] MAINTZ J. B., VIERGEVER M. A. – A survey of medical image registration. Medical
Image Analysis, 2:1–36 (1998).
[56] HAJNAL J. V., HILL D. L. G., HAWKES D. J. – Medical Image Registration. CRC
Press (2001).
[57] LEBEL C., GEE M., CAMICIOLI R., WIELER M., MARTIN W., BEAULIEU C. –
Diffusion tensor imaging of white matter tract evolution over the lifespan. NeuroImage,
60:340–352 (2012).
[58] HABAS P. A., KIM K., CORBETT-DETIG J. M., ROUSSEAU F., GLENN O. A.,
BARKOVICH A. J., STUDHOLME C. – A spatiotemporal atlas of MR intensity, tissue
probability and shape of the fetal brain with application to segmentation. NeuroImage,
53:460–470 (2010).

3
4
[59] HABAS P. A., SCOOT J. A., ROOSTA A., RAJAGOPALAN V., KIM K., ROUSSEAU
F., BARKOVICH A. J., GLENN O. A., STUDHOLME C. – Early folding patterns and
asymmetries of the normal human brain detected from in utero MRI. Cerebral Cortex, 22:13–
25 (2011).
[60] SADEGHI N., PRASTAWA M., FLETCHER P. T., VACHET C., WANG B.,
GILMORE J. H., GERIG, G. – Multivariate modeling of longitudinal MRI in early brain
development with confidence measures. ISBI, Proceedings, 1388–1391 (2013).
[61] THOMPSON D. W., On Growth and Form, Cambridge University Press (1992).
[62] GRENANDER U., SRIVASTAVA A., SAINI S. – A pattern-theoretic characterization
of biological growth. IEEE Transactions on Medical Imaging, 26:648–659 (2007).
[63] BAYLY P. V., TABER L. A., KROENKE C. D. – Mechanical forces in cerebral cortical
folding: A review of measurements and models. Journal of the Mechanical Behavior of
Biomedical Materials, sous presse.
[64] GRENANDER U., MILLER M. I. – Computational anatomy: An emerging discipline.
Quarterly of Applied Mathematics, 56:617–694 (1998).
[65] THOMPSON P. M., WOODS R. P., MEGA M. S., TOGA A. W. –
Mathematical/computational challenges in creating deformable and probabilistic atlases of the
human brain. Human Brain Mapping, 9:81–92 (2000).
[66] NOWINSKI W., VOLKAU I., MARCHENKO Y., THIRUNAVUUKARASUU A., NG
T., RUNGE V. – A 3D model of human cerebrovasculature derived from 3T magnetic
resonance angiography. NeuroInformatics, 7:23–36 (2009).
[67] HALL P. – On the addition and comparison of graphs labeled with stochastic variables:
Learnable anatomical catalogs. Journal of Combinatorial Optimization, 5:43–58 (2004).
[68] NAEGEL B., PASSAT N., RONSE C. – Grey-level hit-or-miss transforms–Part II:
Application to angiographic image processing. Pattern Recognition, 40:648–658 (2007).
[69] CHILLET D., JOMIER J., COOL D., AYLWARD S. R. – Vascular atlas formation
using a vessel-to-image affine registration method. MICCAI, Proceedings, LNCS, 2878:335–
342 (2003).
[70] PASSAT N., RONSE C., BARUTHIO J., ARMSPACH J.-P., MAILLOT C. – Magnetic
resonance angiography: From anatomical knowledge modeling to vessel segmentation.
Medical Image Analysis, 10:259–274 (2006).
[71] LORENZ C., VON BERG J. – A comprehensive shape model of the heart. Medical
Image Analysis, 10:657–670 (2006).
[72] BLOCH, I. – Fuzzy spatial relationships for image processing and interpretation: A
review. Image and Vision Computing, 23:89–110 (2005).
[73] DUFOUR A., TANKYEVYCH O., TALBOT H., RONSE C., BARUTHIO J., PASSAT
N. – Morphology-based cerebrovascular atlas. ISBI, Proceedings, 1198–1202 (2013).

À lire également dans nos bases

BLOCH I. – Morphologie mathématique et traitement d'images. [AF1515], Application des

mathématiques (2012).
BLOCH I., MAÎTRE H. – Fusion en traitement d'images : spécificités et approches
numériques. [TE5230], Traitement du signal : bases théoriques (2002).
BOLON P., CHEHIKIAN A. – Analyse d'image. Traitements de bas niveau. [H3608],
Technologies logicielles et architecture des systèmes (1999).
DEMOMENT G., IDIER J., GIOVANNELLI J.-F., MOHAMMAD-DJAFARI A. –
Problèmes inverses en traitement du signal et de l'image. [TE5235], Le traitement du signal et
ses applications (2001).
LINO D., RANDÉ B. – Calcul différentiel.[AF55], Mathématiques fondamentales : analyse
(1997).
PINOLI J.-C. – Mathématiques pour le traitement et l'analyse des images binaires. [E6612],
Optique photonique (2002).

3
5
PLATZER N., DALLERY L. – Résonance magnétique nucléaire – Aspects théoriques.
[P2880], Techniques d'analyse (2006).
TORRÉSANI B. – Méthodes mathématiques pour le traitement des signaux et des images.
[P2880], Mathématiques pour l'ingénieur (2011).

Supports numériques

Néant

Outils logiciels

Slicer 3D (version pour Windows, Mac et Linux), [Link] USA.

BrainVisa (version pour Windows, Mac et Linux), [Link] IFR49,
CEA/SAC/DSV/I2BM/NeuroSpin, Gif Sur Yvette, France.
FSL (version pour Mac et Linux), [Link] Oxford, Angleterre.
SPM – Statistical Parametric Mapping (toolbox pour Matlab), Wellcome Trust Center for
Neuroimaging, [Link] Londres, Angleterre.
Freesurfer (version pour Mac et Linux), [Link] Athinoula A. Martinos
Center for Biomedical Imaging, Charlestown, USA.
LONI Pipeline (version pour Windows, Mac et Linux), [Link]
Laboratory of Neuro Imaging, Los Angeles, USA.
MedINRIA (version pour Windows, Mac et Linux), [Link] INRIA, France.

Sites Internet

NITRC : « The source for neuroimaging tools and resources ». [Link]

ADNI: Alzheimer’s disease neuroimaging initiative. [Link]
HCP : Human Connectome Project. [Link]
MICCAI Challenges : Grand Challenges in Medical Image Analysis. [Link]
[Link]
BrainWeb: Simulated brain database. [Link]
IBSR: Internet brain segmentation repository. [Link]
NIREP: Non-rigid Image Registration Evaluation Project. [Link]

Événements

Congrès international annuel : ISMRM – International Society for Magnetic Resonance in

Medicine. [Link]
Congrès international annuel : MICCAI – Medical Image Computing and Computer Assisted
Intervention. [Link]
Congrès international annuel : ISBI – International Symposium on Biomedical Imaging.
[Link]
Congrès international annuel : OHBM – Organization for Human Brain Mapping.
[Link]

Normes et standards

3
6
Néant

Réglementation

Néant

Brevets

Néant

Annuaire

Néant

Données statistiques et économiques

Néant

3
7