Unité de Traitement d’Images Médicales É quipe Signal Image

1. Unité de Traitement d’Images MédicalesÉquipe Signal Image Localisation :Pôle Imagerie du CHU d’Angers Actions principales de l’unité Analyse d’images biomédicales  Aide au diagnostic Codage d’images biomédicales (compression et tatouage)

2. Analyse d’images biomédicales Objectifs : - Mise en œuvre de processus d’analyse (segmentation, recalage) automatiques, fiables et robustes pour une utilisation en routine clinique.  Complexité algorithmique  Interface graphique - Quantification de paramètres cliniques pour une prise de décision objective de pathologies subtiles. Collaborations - CHU d’Angers : Pr. Le Jeune, Pr. Jallet, Pr. Aubé, Pr. Furber, Pr. Calles… - General Electric Healthcare (financement de 2 thèses). - Service Commun d’Analyses Spectroscopiques de l’Université d’Angers.

3. Analyse d’images biomédicales Etude du mouvement intra-myocardique via l’IRM marquée  Mesure de paramètres anatomiques et fonctionnels du VG Localisation précise des contours du myocarde (analyse texturale) Suivi des tags par contours actifs après prétraitement de type diffusion anisotrope fondé sur un formalisme informationnel

4. Analyse d’images biomédicales Fusion non supervisée d’images cardiaques TEP, IRM  Fusion d’informations complémentaires via la TDM (couplée à la TEP) Anatomiques (IRM) et Fonctionnelles (TEP) - Recalage global par modèle 3D - Recalage iconique IRMt1/IRMt2, IRMt1/TEPt1 (information mutuelle) TDM IRM TEP Acquisitions synchronisées sur l’ECG  Fusion de séquences d’images  Permet de localiser les territoires qui restent viables dans le post-infarctus récent

5. Analyse d’images biomédicales Transformation globale Fusion non supervisée d’images cardiaques TEP, IRM Thèse de Xavier Baty Construction d’un modèle 3D du cœur IRM et CT Recalage local TEP/IRM

6. Analyse d’images biomédicales Quantification de la graisse abdominale en IRM Etude du syndrome métabolique  Risque de pathologie cardiaque  Risque de pathologie hépatique Critères officiels : Tour de taille, Glycémie, Triglycéride / Cholestérol, Pression Artérielle Rapport VAT/SAT Diagnostic précoce des patients à risque

7. Analyse d’images biomédicales Quantification de la graisse abdominale en IRM Segmentation automatique par classification floue : C-Means généralisé Image originale Classification floue

8. Analyse d’images biomédicales Quantification de la fibrose hépatique sur des images histologiques Classification automatique sur composante couleur Classification floue : classes d’ambiguïté Espaces couleur Classification floue 32,25% Evaluation du % de fibrose Seuillage manuel 32,5%

9. Codage d’images biomédicales Contexte : Évolution de l’imagerie médicale sous forme numérique  Augmentation des images acquises (imagerie 3D, imagerie rapide….)  Compression irréversible Résoudre les problèmes d’archivage et de transmission des images dans les PACS  Evaluation des dégradations Pas de modification de l’information diagnostique  Sécurisation des données des dossiers médicaux électroniques  Watermarking ou Tatouage d’image Insertion d’annotation dans l’image source  Authentification Insertion d’une signature de l’image source  Intégrité

10. Compression d’images médicales Application des normes de compression en imagerie médicale : IRM cardiaque : 256*256*8 bits (zoom) Image originale JPEG TC=60:1 JPEG2000 TC=60:1 IRM abdomen : 512*512*16 bits (zoom) Image originale JPEG2000 TC=10:1 JPEG2000 TC=40:1

11. Évaluation subjective en imagerie médicale Protocoles d’évaluation subjective en imagerie médicale Généralités - Standardisation de la procédure d’évaluation pour éviter les biais statistiques  Conditions proches des conditions utilisées en routine clinique Séances effectuées en double aveugle et sans limite de temps - Actions non autorisées : zoom, changements de contraste et de luminosité  Facteurs non reproductibles propres à l’expert pouvant biaiser l’analyse - Ordre aléatoire de lecture des images pour réduire l’effet contextuel - Experts : au moins 3 radiologues seniors spécialisés dans l’analyse des images évaluées Experts motivés par le sujet de la compression - Séance préalable d’entraînement  Accord sur les critères à évaluer, l’échelle d’évaluation, les conditions de lecture Analyse de la fidélité diagnostique - Sélection d’un échantillon représentatif de la pathologie (30 pathologiques, 30 sains) - Sélection des pathologies - Potentialité à présenter différents degrés de subtilité - Potentialité à être influencées par les dégradations du système de compression  Méthodologie ROC

12. Évaluation subjective en imagerie médicale Analyse de la qualité de critères diagnostiques Définition précise  Critères diagnostiques à évaluer (propres à l’organe étudié) Échelle de notation (propre aux spécificités du système d’acquisition) Exemple en radiologie thoracique

13. Évaluation subjective en imagerie médicale Analyse de la qualité de critères diagnostiques Analyse de la corrélation entre les observations Analyse graphique de la corrélation entre - expert1 et expert2 sur images originales  Analyse inter-observateurs - expert1T1 et expert1T2 sur images originales  Analyse intra-observateur - expert1 sur images originaleset expert1 sur images compressées (TC)  Analyse de la qualité des images compressés Comparaison des coefficients de corrélation Coefficient de corrélation de Lin Degré d’appartenance à une droite identité Estimation par la technique du bootstrap Distribution non gaussienne et/ou faible taille de l’échantillon

14. Analyse des filtres Fréquence de coupure -0,5dB Évaluation objective en imagerie médicale Définition de critères corrélés au MOS HVM (Przelaskowski) V1 : Erreur moyenne - V2 : Erreur max V3, V4 et V5 : F1, F4 et F5 de PQS (Picture Quality Scare) V6 : 2  Définition des i par régression linéaire Analyse fréquentielle : FFT en coordonnées polaires  Information radiale : Mise en évidence du filtrage passe bas

15. Originale Ondelettes JPEG TC = 60:1 TC = 20:1 Évaluation objective en imagerie médicale Analyse de la modification de paramètres à sémantique clinique Exemple sur le cœur : Analyse de type Bland et Altman

16. Codage d’images biomédicales La base de données MeDEISA