Un ensemble de données 3D issu d’une tomodensitométrie (TDM) ou d’une imagerie par résonance magnétique (IRM) représente généralement un grand nombre de structures anatomiques différentes. Pour visualiser ou traiter une structure spécifique, il faut savoir quels voxels lui appartiennent. La division du volume de l’image en différentes régions correspondant à des objets anatomiques réels s’appelle la segmentation.
La segmentation automatique des images médicales constitue un défi majeur depuis des décennies. Si de nombreuses approches fonctionnent bien pour des modalités, des paramètres d’imagerie et des structures anatomiques spécifiques, il n’existe toujours pas de solution générale et robuste. Étonnamment, cela vaut même pour l’IA moderne. Bien que ces systèmes se soient révélés très efficaces pour des tâches apparemment similaires, telles que le dépistage diagnostique par imagerie, ils peinent à traiter les millions de voxels qui doivent souvent être classés, et surtout à pallier le manque de données d’apprentissage de haute qualité annotées par des experts. Une solution pratique s’impose donc.
Méthodes
Le principe fondamental du paradigme de segmentation interactive consiste à associer des opérations simples mais rapides effectuées par l’ordinateur aux capacités de reconnaissance inégalées de l’observateur humain [1]. Les résultats sont immédiatement visualisés sur des vues 3D et des images de coupe orthogonales, de sorte qu’ils puissent être corrigés ou affinés lors de l’étape suivante.
Classification
Les régions sont initialement définies à l’aide de seuils d’intensité inférieurs et supérieurs. À cette fin, un expert marque une région typique de l’organe cible sur une ou plusieurs images en coupe. Quelques traits approximatifs suffisent généralement. Il est également possible de marquer les régions qui ne doivent pas être incluses. Après une analyse statistique des échantillons, tous les voxels du volume qui se situent dans la plage d’intensité obtenue sont regroupés et représentés sous la forme d’un masque tridimensionnel coloré.
Composants connexes et morphologie mathématique
Dans le cas des tissus mous issus d’une tomodensitométrie (TDM) ou d’une IRM, on observe généralement de nombreux objets situés dans la même plage d’intensité. Ceux-ci ont tendance à être reliés par de minces ponts présentant des valeurs d’intensité similaires, souvent le long des contours des objets.
Pour séparer davantage ces structures, on utilise une combinaison d’une analyse des composantes connectées en 3D et d’opérations morphologiques en 3D :
- Analyse des composantes connectées : toutes les parties du masque qui sont connectées dans l’espace 3D sont représentées dans une même couleur, tandis que les autres parties reçoivent des couleurs différentes. La composante souhaitée est sélectionnée en cliquant dessus, ce qui en fait le nouveau masque, tandis que les autres composantes sont écartées.
- Érosion : la couche la plus externe de voxels du masque est retirée, ce qui permet de l’amincir quelque peu et d’éliminer les petits ponts. L’analyse des composantes connectées et l’érosion sont appliquées de manière répétée jusqu’à ce que l’objet cible soit isolé.
- Dilatation : l’objet cible retrouve sa forme d’origine grâce à une dilatation répétée, ce qui permet de rajouter les couches précédemment érodées.
Grâce à cette approche, la segmentation de structures plus volumineuses, telles que le cerveau à partir d’une IRM, ne prend généralement que quelques minutes.
Logique des tampons
De plus, divers tampons 3D sont disponibles et peuvent être utilisés pour stocker des masques intermédiaires et les combiner à l’aide d’opérations telles que les fonctions ET, OU ou NON au niveau des voxels.
Édition 3D
Dans certains cas, il est nécessaire de séparer des structures anatomiques qui ne présentent absolument aucune différence sur les images radiologiques, comme des circonvolutions voisines ou des zones d’irrigation sanguine. Pour ces cas, des outils d’édition de volume sont disponibles.
Classification multispectrale
Le paradigme de segmentation interactive convient également aux images non scalaires, telles que les données en couleur du Visible Human Project. Dans ce cas, la classification basée sur des plages d’intensité est étendue à une classification dans l’espace colorimétrique RVB [2].
La procédure fonctionne de manière similaire à celle utilisée pour les images en niveaux de gris, où les structures d’intérêt sont initialement marquées par un expert. Cependant, au lieu de valeurs d’intensité, ce sont des tuples RVB qui sont pris en compte. Ceux-ci forment généralement un cluster de forme ellipsoïdale, en raison de la corrélation entre les composantes de couleur. Ce cluster est approximé par un ellipsoïde paramétré.
Applications
La segmentation interactive fournit non seulement des étiquettes d’objets pour chaque voxel, mais aussi, respectivement, des seuils d’intensité ou des ellipsoïdes de couleur pour chaque objet segmenté. Grâce à notre algorithme de visualisation, ces données permettent une visualisation 3D avec une précision inférieure au voxel, ce qui donne lieu à des rendus 3D extrêmement détaillés et précis.
Le paradigme de segmentation interactive a été implémenté dans le système de visualisation VOXEL-MAN et utilisé pour tous nos projets depuis 1992. Il a également été intégré à l’application VOXEL-MAN My Cases, lancée en 2016, qui a permis de segmenter entièrement des cas cliniques importés dans les simulateurs de formation virtuels VOXEL-MAN.
Références
- Karl Heinz Höhne, William A. Hanson: Interactive 3D segmentation of MRI and CT volumes using morphological operations. Journal of Computer Assisted Tomography 16 (2), 1992, 285-294.
Thomas Schiemann, Ulf Tiede, Karl Heinz Höhne: Segmentation of the Visible Human for high-quality volume-based visualization. Medical Image Analysis 1 (4), 1997, 263-271.