Segmentation automatique des lésions de sclérose en plaques sur des études longitudinales d'IRM multi-séquences
Résumé
La sclérose en plaques (SEP) est une maladie inflammatoire auto-immune du système nerveux central. Des marqueurs cliniques sont utilisés aujourd'hui pour le diagnostic et pour l'évaluation thérapeutique. Cependant ces marqueurs sont subjectifs et sujets à une grande variabilité intra- et inter-observateur. L'imagerie par résonance magnétique (IRM) devient donc un examen complémentaire indispensable pour une meilleure compréhension de la maladie. Dans le but d'automatiser un processus long et fastidieux pour le neuroradiologue et le neurologue, nous proposons de segmenter de façon automatique les lésions de SEP au cours du temps dans des séquences longitudinales d'IRM multimodales. Dans un premier temps, nous modélisons le caractère spatio-temporel des distributions d'intensités des tissus sains dans un cadre statistique. Puis, nous estimons les paramètres de ce modèle de façon robuste. Dans le même temps, nous détectons les lésions comme étant des données atypique de ce modèle. Enfin, des connaissances a priori sur la forme des lésions en SEP et leurs manifestations en IRM sont introduites pour " filtrer " les régions pertinentes parmi les données atypiques. La méthode est validée quantitativement en utilisant des données avec vérité terrain (le simulateur BrainWeb). Puis l'algorithme est testé sur des données cliniques, trois modalités (T1 avec injection de gadolinium, T2 et densité de proton), quatre à cinq acquisitions au cours du temps selon le protocole. Des mesures quantitatives de similarité ont montré trois avancées majeures. Premièrement, l'utilisation d'une approche multi séquences donne de meilleurs résultats qu'une approche mono séquence. Deuxièmement, l'utilisation d'une approche longitudinale améliore la segmentation. Troisièmement, comparé aux méthodes de segmentation classiques sans réjection de données atypiques, notre algorithme donne de meilleurs résultats. Enfin, sur les données cliniques, notre méthode donne des résultats très prometteurs. Notre prochaine étape sera de validé quantitativement la segmentation sur données cliniques grâce à la segmentation manuelle d'un expert.