Nouveaux algorithmes de reconstruction 3D
Gilles ANDRE1,
Samuel MERRAN 2,
Angel OSORIO 1
_______
|
LIMSI-CNRS (1) |
FMP (2) |
Les travaux menés dans le cadre des activités de recherche en imagerie médicale du LIMSI, ont conduit à la réalisation d’un système informatique d’analyse et de traitement des données médicales avec inclusion d’un opérateur humain dans la boucle de traitement. Partant d’images DICOM, le système permet la génération assistée par ordinateur, à partir des choix du praticien, d’une forme volumique réelle.
Cette génération de représentations tridimensionnelles est actuellement assurée par deux types dalgorithmes de reconstruction 3d mettant en uvre des techniques de segmentation de type frontière (i.e. : ” contours actifs “) et de type régions (i.e. : ” croissance de régions “).
Les techniques de segmentation citées visent à regrouper les éléments dune image ayant une propriété commune (leur niveau de gris, leur appartenance à une frontière définie par un maximum local du gradient ).
La segmentation de type ” croissance de régions ” a pour objectif le regroupement des points adjacents de limage qui possèdent un attribut scalaire ou vectoriel homogène. Elle recherche les zones homogènes en niveau de gris de limage.
Cette méthode de segmentation conduit à isoler des régions homogènes dans le sens dune propriété radiologique et conduit à une partition de limage en régions connexes telles que leur union conduit à la reconstruction de limage originale. Les voxels de limage sont regroupés selon un double critère dhomogénéité et dadjacence en sappuyant sur une coopération de tous les points appartenant à une même région.
La méthode proposée donne des résultats radiologiquement acceptables pour des images complexes et des objets connexes de taille raisonnable (bronches, tronc portal, etc.). Pour des objets plus volumineux nayant pas pour principale caractéristique dêtre homogènes en niveau de gris, la technique de segmentation par ” contours actifs ” est beaucoup plus adéquate (foie, poumons, rate, etc.).
La seule difficulté de cette technique de segmentation est destimer correctement la densité de limage au voisinage du front de propagation de la propriété dappartenance. Lalgorithme proposé est basé sur la mise à jour continue des contraintes de propagation afin de permettre larrêt de lévolution des frontières dans les limites souhaitées : si les conditions de propagation sont mal mises à jour, soit le volume reconstruit est plus petit que la forme à déterminer, soit le volume reconstruit déborde et se propage à la totalité de limage.
Lalgorithme de ” croissance de régions ” comporte les étapes suivantes:
-
- identification dune région d’intérêt sur une coupe et sélection par lutilisateur dun voxel appartenant à lobjet à reconstruire. Le niveau de gris de ce voxel sert à définir la ” densité ” du volume à reconstruire ainsi que son critère dappartenance,
- propagation horizontale de la propriété dappartenance, calcul du gradient local, re-évaluation du critère dappartenance. Les paramètres de cet algorithme sont mis à jour tout au long de lexécution et permettent de reconstruire au mieux les formes tridimensionnelles.
- création dun nouveau front de propagation, propagation verticale de la propriété dappartenance,
- répétition des opérations 2 et 3 jusquà ce quaucune modification ne se produise plus.
La segmentation dimages radiologiques utilisant cette méthode de croissance de régions permet dobtenir des résultats très acceptables en terme de précision. Cependant, comme toute technique de segmentation informatique, elle trouve ses limites en fonction des caractéristiques intrinsèques des formes reconstruites.
La méthode proposée doit être considérée comme complémentaire des méthodes du type ” contours actifs “. En effet, quand il sagit de reconstruire des formes de petite taille (lésions, nodules, etc.) elle est rapide et non dépendante de lopérateur. Dans le cas de volumes plus importants (poumons, foie) elle conduit à des temps de calcul supérieurs à ceux des autres méthodes.