Collection Mémoires et thèses électroniques
AccueilÀ proposNous joindre

Chapitre 3 Segmentation de la prostate sur des images de tomodensitométrie

Table des matières

La curiethérapie de la prostate utilisant des implants permanents est un traitement appliqué depuis de nombreuses années. Par contre, on peut réellement dire que cette technique a pris son envol à la fin des années soixante avec le début de l’utilisation des sources 125I. À cette époque, l’imagerie étant moins développée, l’insertion des aiguilles était uniquement guidée par la sensibilité du médecin à détecter le changement de résistance des tissus. Il était aussi fort difficile avant l’arrivée de l’imagerie par tomodensitométrie, d’évaluer la dose donnée aux organes entourant la prostate. Les techniques d’imagerie actuelles permettent de planifier, implanter et suivre plus efficacement et avec plus de visibilité le processus d’implantation des sources pour la curiethérapie de la prostate. Cette technique a vraiment atteint sa vitesse de croisière avec l'arrivée du guidage sous US au début des années 80 qui permet un guidage précis et efficace de l’intervention.

La curiethérapie de la prostate ne s’adresse pas nécessairement à tous les patients. Des organismes comme l’American Brachytherapy Society (ABS)[33] ainsi que la European Society for Therapetic Radiology and Oncology (ESTRO)[34] ont émis des lignes directrices à cet effet. Les deux organismes s’entendent pour énoncer une série de critères généraux permettant d’exclure d’emblée un patient. Ces critères sont :

Le deuxième critère a été établi puisque dans le cas où il y a eu une récession récente de la prostate, il peut être difficile d’établir le volume de celle-ci pour la planification ou encore il peut être difficile de protéger les organes à risque. Le troisième critère diverge un peu d’un organisme à l’autre sur le volume maximal. L’idée de base derrière ce critère est de s’assurer que la prostate sera totalement accessible par voix transpérinéale. Dans le cas où la prostate est trop grosse, certaines parties seront inaccessible dû à la présence des os pubiens. Plusieurs mesures permettent de quantifier l’avancement et l’étendue du cancer. La mesure de la concentration PSA (prostate-specific antigen) dans le sang est un indicateur de l’avancement du cancer.Le score de Gleason permet d’évaluer le caractère malin des cellules cancéreuses à partir d’une analyse au microscope. Le stade est une mesure empirique basée sur l’étendue du cancer. Le niveau T1 et T2 est un cancer palpable par touché rectal, mais qui est toujours uniquement à l’intérieur de la prostate. Le IPSS (International Prostate Symptom Score) est basé sur un questionnaire portant sur les sensations urinaires du patient. Le débit urinaire du patient est aussi pris en considération par le facteur Qmax. Les niveaux acceptables pour une curiethérapie selon l’ABS et l’ESTRO sont regroupés au Tableau 8.

La segmentation de la prostate dans tous les modes d’imagerie représente un défi de taille considérant le peu de contraste présent dans l’image. Particulièrement, dans le cas de la tomodensitométrie, même la segmentation manuelle représente un défi important. Il n’en demeure pas moins qu’au cours des années, plusieurs chercheurs ont développé différentes méthodes de segmentation automatique ou semi-automatique de cet organe.

L’imagerie transrectale 3D a permis d’augmenter grandement la qualité des images de la prostate. La proximité de la sonde avec l’organe permet une plus grande définition de la bordure. La nature 3D des images permet de bénéficier d’une plus grande quantité d’information pour la réalisation de la segmentation. Les modèles déformables de différentes natures sont des techniques largement répandues pour accomplir ce travail.

Bien que l’acquisition génère des images permettant de traiter la prostate en 3D, une bonne part des méthodes de segmentation semi-automatique se basent sur la segmentation de la prostate une tranche à la fois, ce qui revient à une segmentation 2D. Tout d'abord, Ladak et coll.[35] proposent une méthode de segmentation 2D basée sur une initialisation par quatre points définis sur le contour de la prostate par l’utilisateur. Ces points définissent grossièrement les extrémités de la prostate en 2D. Par la suite, le contour est ajusté à la forme de la prostate en utilisant les dynamic discrete contours développés par Lobregt et Viergever [36]. Une autre approche de segmentation 2D, proposée par Ying Zhang et coll.[37], utilisent plutôt les contours actifs proposés par [3]. Cette méthode est appliquée après l’utilisation de filtres permettant de réduire le bruit dans les images d’ultrasons. Ding et coll.[38] font une segmentation de toutes les tranches dans le volume pour obtenir une surface 3D complète. Ils propagent les contours sur chacune des tranches afin de les utiliser comme contour initial pour la méthode de déformation de Ladak et coll.[35]. Un principe similaire est utilisé par Wang et coll.[39] pour segmenter chaque tranche. Par contre dans ce cas on permet à l’utilisateur d’arrêter le processus afin de corriger un contour produit par l’algorithme. Ceci évite de propager l’erreur de segmentation sur les autres tranches. Cette erreur est un problème important lorsqu’il est question de propager les contours entre les tranches. Ding et coll.[40] proposent d’ajouter une contrainte de continuité entre les tranches. Cette contrainte est basée sur un modèle autorégressif.

Plusieurs auteurs ont aussi utilisé une autre approche afin d’initialiser les contours entre les tranches. Par exemple, un modèle a priori de la prostate. Betrouni et coll. [41] se basent sur une série de contours créés manuellement. Ils appliquent une analyse en composantes principales afin de déterminer les axes de variations majeurs de la dimension du contour. Ce modèle est ensuite utilisé pour initialiser les contours pour la déformation sur chaque tranche. Hodge et coll. [42] utilisent un point distribution model (PDM) pour décrire la forme a priori de la prostate. Une autre méthode permettant de calculer un modèle de la prostate est utilisée par Shen et coll. [43]. Il utilise une série de filtres de Gabor pour l’analyse de différents jeux de contours d’entraînement. La description du modèle est basée sur la position de la sonde d’échographie. L’utilisation de contours d’entraînement peut aussi permettre de créer une fonction level sets qui pourra guider la segmentation par cette méthode. Il s’agit de la stratégie utilisée par Yang et coll. [44] qui permet de segmenter la prostate à travers un cube 3D. Ghanei et coll. [45] utilisent aussi une approche de segmentation 3D. Ils déforment une surface créée à partir d’un modèle a priori de la prostate. Cette déformation est guidée par une force interne liée à la continuité de la courbure et à une force externe dirigée par une série de filtres step expansion matching restoration développés par Raghunath Rao et coll.[46]. Cette force externe permet de faire l’appariement entre le modèle et la forme extraite de l’image.

La majorité des techniques précédentes se basent sur l’utilisation du gradient et ainsi que sur la variation de l’intensité dans l’image. Certains auteurs se sont plutôt basés sur la description de la texture des images de la prostate. Kachouie et coll. [47] proposent de décrire la texture de la prostate à partir du Local binary patterns. Cette description de texture permet de créer un seuillage dans l’image. Ils utilisent ensuite les level sets afin de segmenter le contour de la prostate. Richard et coll. [48] utilisent plutôt les micro texture masks développés par Laws [49]. Cette analyse de texture est fournie à un algorithme de regroupement qui permet de faire une sélection de régions. Des contraintes spatiales sont ensuite appliquées aux différentes régions afin d’éviter l’emballement de l’algorithme. Finalement, Zhan et Shen[50] utilisent plutôt une méthode d’analyse de texture basée sur un groupe d’images d’entraînement décrivant la texture des images de la prostate.

Les contours adaptatifs sont des méthodes très répandues pour la segmentation de la prostate. Cependant, plusieurs auteurs ont développé des méthodes utilisant d’autres approches. Par exemple, Shaba et coll. [51] utilisent une méthode basée sur des opérations morphologiques simples. Un estimateur de Kalman est utilisé pour distinguer les bordures de la prostate du reste de l’image. Le traitement se complète par un algorithme de logique floue permettant d’accentuer des tons de gris par une analyse locale. D’autres auteurs ont plutôt utilisé les superellipses afin de modéliser la forme de la prostate. Entre autres, Gong et coll. [52] utilisent une superellipse qui est ajustée au contour de la prostate à l’aide d’une technique basée sur la minimisation de l’aire. L’auteur souligne que la capacité des superellipses à modéliser la prostate repose sur la capacité des algorithmes à définir une forme globale.

La segmentation de la prostate sur les images ultrasons 3D n’est pas au cœur de l’approche proposée dans cette thèse. Il nous semblait tout de même intéressant de présenter plusieurs approches déjà utilisées dans d’autres modes d’imagerie. Dans la prochaine section, nous nous intéresserons plus à fond aux méthodes qui ont été développées pour la segmentation sur les images de résonance magnétique et de tomodensitométrie.

La segmentation de la prostate sur des images de tomodensitométrie et de résonance magnétique a fait l’objet de beaucoup moins de travaux que la segmentation sur les images d’ultrasons présentées à la section précédente. Cela résulte probablement du nombre plus limité d’appareils et de la plus grande nouveauté des techniques.

Pasquier et coll. [53] ainsi que Betrouni et coll. [54] ont adapté aux images IRM une méthode préalablement développée pour la segmentation des images d’ultrasons 3D [38]. Cette méthode se base d’abord sur la création d’un modèle de la prostate et d’une analyse en composantes principales permettant de définir les zones de variations maximales des dimensions de l’organe. L’ajustement du modèle se fait par un simulated annealing algorithm [55]. La méthode proposée par Klein et coll. [56] utilisent aussi un modèle a priori de la prostate basé sur une série d’images atlas. La segmentation se fait en trois temps. Ils calculent d’abord une mise en registre pour les images atlas avec le groupe d’images à segmenter. Par la suite, ils calculent le meilleur appariement possible en comparant les mesures de similarité mutuelles entre le modèle et le résultat de la segmentation. Finalement, ils appliquent une légère déformation du résultat de segmentation pour l’ajustement final. Maryam et coll. [57] segmentent la prostate à partir d’une étude approfondie de l’orientation du flot dans l’image. Ils appliquent d’abord un filtre permettant de normaliser l’intensité de l’image. Par la suite, la direction du gradient de l’image est calculée sur l’ensemble de la surface. L’étape suivante débute par une intervention de l’utilisateur qui doit identifier le tour et le centre de la prostate par quatre points. Finalement, ils utilisent un filtre 3x3 pour extraire le contour de la prostate en analysant les changements de direction du flot. Allen et coll. [58] utilisent une méthode de segmentation basée sur les niveaux de gris présents dans l’image. Cette méthode requiert d’abord une segmentation manuelle de l’image produisant un histogramme de l’intensité de l’image contenant trois maximums distincts. Une triple gaussienne est ajustée sur l’histogramme permettant de calculer des probabilités conditionnelles pour chaque classe d’intensité. Un modèle point discrete model (PDM) est créé à partir de segmentations manuelles. Ce modèle est ajusté de façon probabiliste sur chacune des classes de l’histogramme.

Le domaine de la fusion d’images médicales est particulièrement vaste. Les applications permettent le plus souvent d’ajouter de l’information qui n’est pas présente dans un seul mode d’imagerie. Dans le cadre de la présente revue de littérature, nous nous limiterons principalement aux applications et aux méthodes concernant les traitements reliés à la prostate. Nous insisterons particulièrement sur les méthodes utilisant des images d’ultrasons transrectales 3D (TRUS).

L’approche la plus classique de fusion et la plus répandue consiste à fusionner directement les images. Pour le cas de la prostate, cette fusion permet d’accroître le contraste, particulièrement dans la région de l’apex. Fei et coll. [61] fusionnent des images d'IRM et de CT en utilisant une approche multi-résolutions. La méthode d’appariement des images est basée sur un coefficient de corrélation obtenu à partir de l’information mutuelle des deux groupes d’images. Wang et Xiao [62] réalisent la fusion en utilisant aussi une méthode multi échelle. Par contre dans ce cas, la décomposition en plusieurs niveaux est réalisée par une méthode de décomposition en ondelettes. La seconde étape de cette méthode consiste à segmenter les sous-niveaux afin de déterminer des correspondances entre les images.

Dans certaines situations, la fusion n’est pas utilisée pour l’augmentation de l’information dans l’image lors d’un diagnostic. Davis et coll. [63] s’en servent plutôt pour analyser le mouvement et la déformation de la prostate pour la radiothérapie adaptative. Ils extraient d’abord des marqueurs facilement reconnaissables tels que les os du bassin. À partir de cette information, ils créent un champ vectoriel basé sur la méthode de déformation de patron de Christensen et coll. [64]. Le champ est ensuite minimisé par une méthode de moindres carrés. La fusion finale sera basée sur une composition des déformations rigides et non-rigides. Taylor et coll. [65] utilisent aussi des repères anatomiques pour la mise en registre des images. Ils se basent principalement sur la position de l’urètre. La fusion se fait tranche par tranche en utilisant une analyse en composantes principales.

Il est aussi possible d’aligner les images à partir de marqueurs artificiels. Tutar et coll. [66] exploitent la position des sources implantées dans la prostate pour fusionner des images de fluoroscopie et d’ultrasons. Les sources sont détectées à la fois sur les images d’ultrasons et de fluoroscopie. Par la suite, celles-ci sont appariées une à une afin de déterminer la transformation de repère entre les deux modalités. Gong et coll. [67] utilisent une méthode similaire. Par contre, les essais ont été réalisés uniquement sur un fantôme. Une autre approche se base sur l’utilisation d’un repère artificiel. Steggerda et coll. [68] ont réalisé simultanément la tomodensitométrie et l’ultrason transrectal 3D d’un fantôme de la prostate. L’avantage de cette méthode est la position connue de la sonde d’échographie dans les deux images. Ils utilisent alors la position de la sonde pour mettre en registre les deux types d’images.

Toutes les méthodes présentées précédemment s’intéressent à la fusion directe des images. Daanen et coll. [69] s’intéresse plutôt à la fusion du résultat de la segmentation. Il segmente à la fois la prostate sur les images d’IRM et d’échographie et par la suite ce sont les contours qui sont mis en registre afin d’améliorer la segmentation de l’apex de la prostate.

L’identification de la position des sources radioactives sur différents modes d’imagerie est essentielle pour le suivi post-opératoire ou encore pour différentes méthodes de fusion. Plusieurs auteurs se sont attaqués à ce problème. La fluoroscopie est utilisée dans un très grand nombre de méthodes automatiques d’extraction des sources. Tubic et coll. [70] extrait la position des sources à partir d’un seuillage automatique. Le seuil est calculé à l’aide d’une méthode d’entropie bidimensionnelle. Ils font ensuite une analyse de moments pour chacune des régions afin de diviser les sources qui pourraient être en superposition. Su et coll. [71] utilisent une méthode comparable. Par contre, la discrimination des sources se fait d’abord par la surface de chaque région détectée. Par la suite, le nombre de sources dans chaque région est compté à partir d’une analyse basée sur les axes majeurs. Les sources peuvent aussi être détectées sur les images de tomodensitométrie. Liu et coll. [72] proposent une segmentation basée sur un seuil empirique. Chacune des régions est ensuite étudiée afin de déterminer le nombre de sources qu’elles renferment. La position de chaque source est déterminée en étudiant l’aire pondérée de la région selon les trois axes. La méthode présentée par Holupka et coll. [73] se base plutôt sur une transformée de Hough en trois dimensions. Ils débutent par un seuillage de l’image ce qui produit une série de régions. Ces régions sont ensuite analysées à l’aide d’une transformée de Hough elliptique. La détection des sources directement dans les images de CT peut être masquée par la présence d’artéfacts métalliques. Pour cette raison Tubic et Beaulieu [74] proposent plutôt de détecter les sources sur le sinogramme. Les sources apparaissent alors sur les images comme une courbe sinusoïdale. Ils utilisent ensuite un détecteur de courbe pour localiser les sources dans cette image.

Les images de résonance magnétique ont aussi été utilisées pour faire la détection des sources. Lee et coll. [75] proposent de segmenter les sources à partir d’un seuillage. Ils étudient chacune des régions comme un volume et appliquent un seuil sur la taille maximale de celui-ci. Ils divisent ensuite les volumes restants en fonction de leur taille pour déterminer le nombre de sources pour chaque volume.

Le dernier mode d’imagerie est l’ultrason transrectal 3D (TRUS). Les sources radioactives sont beaucoup moins visibles sur ce type d’images. Pour cette raison, les auteurs Wei et coll. [76] et Ding et coll.[77] limitent la région de recherche à la position de l’insertion des aiguilles d’implantation. Ils utilisent une soustraction des images avant et après l’insertion de l’aiguille pour extraire la zone de recherche. Les sources seront ensuite recherchées dans cette zone précise. Ding utilise notamment le fait que les sources doivent apparaître sur au moins deux tranches consécutives pour considérer une détection comme étant acceptable.

La revue de littérature précédente a permis de mettre en évidence plusieurs méthodes permettant de faire la segmentation automatique ou semi-automatique de la prostate sur des images d’échographie. Il existe par contre peu de méthodes permettant d’effectuer ce type de segmentation sur des images de tomodensitométrie. La méthode proposée dans cette thèse vise à réaliser une segmentation automatique de la prostate sur des images de tomodensitométrie afin de produire un contour préliminaire qui sera corrigé par un médecin. Cette méthode se base sur l’utilisation des données cliniques recueillies tout au long du traitement du patient. Ces données seront décrites à la prochaine section.

L’échographie est une méthode d’imagerie qui est utilisée depuis de nombreuses années dans le domaine médical. Celle-ci consiste à émettre des ondes ultrasonores et d’acquérir ensuite l’écho qui revient vers la sonde. Cet écho sera modifié en fonction de la nature des tissus qui sont traversés par l’onde sonore. Ces variations dans l’écho permettent la création d’une image en ton de gris décrivant les structures internes. Le premier avantage de cette méthode est qu'elle est peu invasive, car elle ne comporte aucun marqueur à administrer au patient et n’expose pas le patient à la radiation. Un autre avantage non négligeable est son faible coût. Au cours des années, des appareils d’échographie ont été spécialisés pour la prise d’images d’organes particuliers. C’est le cas de l’échographie transrectale. Il s’agit d’une sonde d’échographie qui est insérée dans le rectum du patient afin de s’approcher au maximum d’organes comme la vessie ou la prostate. Ceci permet d’obtenir des images de meilleure qualité. L’échographie transrectale peut être réalisée à partir d’une sonde robotisée permettant ainsi de produire des images 3D. La sonde est montée sur mécanisme qui est asservi par un ordinateur permettant de connaître en tout temps la position du plan d’échographie. Un tel système permet de prendre une série d’images en éventail résultant en un cube d’images 3D. La Figure 39 présente une photographie de la sonde transrectale utilisée tandis que la Figure 40 présente un schéma de la prise d’images en éventail.

Le cube d’images 3D peut ensuite être coupé à l’endroit voulu pour observer une coupe de l’organe imagé. La Figure 41 montre un exemple de coupe.

Le protocole clinique de curiethérapie de la prostate en vigueur à l’Hôtel-Dieu de Québec se divise en trois parties. La première est l’étape de planification. À cette étape, le radio-oncologue utilise l’échographie transrectale pour obtenir des images de la prostate. Le radio-oncologue identifie la prostate, mais aussi les organes à protéger soient la vessie, l’urètre et le rectum. Pour ce faire, il trace le contour des organes sur chacune des tranches. À partir de ces informations, le logiciel (SPOT-PRO de Nucletron BV, Neetherland) de planification sera en mesure de calculer la position des sources à implanter afin d’irradier au maximum la prostate tout en protégeant les organes à risque.

La deuxième phase est l’intervention au bloc opératoire. Les sources d’iode 125 sont insérées dans la prostate. Le radio-oncologue insère chacune des aiguilles dans la prostate en se guidant sur l’image d’échographie. Par la suite, il branche chacune des aiguilles sur le chargeur qui s’occupe de déposer les sources à la bonne position à l’intérieur de l’aiguille. Le médecin retire finalement les aiguilles. L’intervention se termine en s’assurant que les contours qui ont été tracés au début de l’intervention sont toujours conformes aux contours de la prostate.

La dernière étape du protocole consiste à faire le suivi de l’intervention environ trente jours après celle-ci. Ce suivi vise à s’assurer que la prostate ait été correctement irradiée au cours du traitement. Le radio-oncologue réalise le suivi à partir d’images de tomodensitométrie. Ces images permettent de voir à la fois la prostate et les sources qui ont été implantées. Le médecin trace sur chacune des coupes le contour de la prostate et un dosimétriste s’occupe d’identifier la position des sources sur les images. À partir de ces informations, le calcul de dose sera refait afin de s’assurer de l’irradiation complète de la prostate. La Figure 44 présente un résumé schématique des différentes étapes du protocole clinique.

La segmentation de la prostate sur les images de tomodensitométrie n’est pas une tâche simple à réaliser. Il s’agit en fait d’une tâche où les humains ont peine à effectuer un travail reproductible. La principale cause est le faible contraste entre le contour de la prostate et les organes voisins. Ceci est particulièrement vrai pour les extrémités de la prostate. La méthode proposée s’appuie sur les informations cliniques recueillies au cours du protocole de curiethérapie.

La Figure 45 présente les données d’entrées et de sortie de l’algorithme. Les deux premières entrées proviennent de la cueillette de données au cours de l’intervention. Il s’agit tout d’abord des contours tracés sur l’échographie juste avant la sortie du patient du bloc opératoire. La deuxième entrée comprend les positions des sources dans la prostate, établies par le système. Les images de CT prises 30 jours après l’intervention à l’étape de suivi post-opératoire constituent la troisième entrée. Ces images sont utilisées à deux fins. Dans un premier temps, elles permettent d’extraire les positions de sources au jour 30. Dans un deuxième temps, ces images servent de support pour les contours qui seront produits en sortie par l’algorithme et permettront la déformation des contours pour en raffiner la forme.

L’algorithme se divise en 3 principales étapes. La première consiste à extraire les positions des sources au jour 30 directement sur les images de tomodensitométrie. Cette étape vient compléter l’ensemble des données de base de l’algorithme. La seconde étape projette et positionne les contours d’échographie sur les images de tomodensitométrie. Finalement, la troisième étape déforme les contours projetés sur les images de tomodensitométrie afin d’adapter le contour à la forme réelle de la prostate. Ces trois étapes seront décrites en détail dans les prochaines sections.

L’extraction des positions de sources sur les images de tomodensitométrie est une partie essentielle de l’algorithme. Ces positions serviront à établir une relation qui permettra de modifier la taille et la position des contours d’échographie pour les adapter aux images de tomodensitométrie.

Les sources apparaissent sur les images comme des taches blanches comme le montre la Figure 47. Cette apparence leur est donnée par les réflexions sur le cylindre de titane qui englobe les sources. Ce phénomène s’accompagne aussi de différents artéfacts en forme d’étoile autour des sources. Ceci provient d’une aberration de l’algorithme de reconstruction des images (backprojection algorithm) qui ne prévoit pas objet qui absorbe autant les rayons x. L’algorithme recherche des régions d’une certaine taille ayant une intensité proche de la saturation. Lors de ce traitement, de fausses détections peuvent survenir. Certains phénomènes biologiques tels que des calcifications provoquent des taches qui peuvent s’apparenter à des sources dans l’image. Une région d’intérêt sera déterminée pour limiter au maximum les fausses détections. Finalement, un filtrage éliminant d’autres types de fausse détection sera appliqué.

La zone de recherche est dictée par la position anatomique de la prostate. Celle-ci se retrouve encadrée par les os du bassin. Ces os sont facilement visibles sur les images de CT. La première étape consiste à détecter les os du bassin sur chacune des images de CT. L’intensité des images de tomodensitométrie occupe une plage dynamique de 0 à 255. Les os du bassin étant une région très dense, ils apparaîtront comme des régions très saturées dans l’image. On applique une détection des régions basées sur un seuil sur l’image d’intensité. Le seuil a été fixé empiriquement à 230. On conserve uniquement les régions ayant une aire supérieure à 1000 pixels. Les os sont des régions avec un contraste important dans l’image. La segmentation n’est pas dépendante aux seuils empiriques qui ont été choisis. On applique ensuite un opérateur de fermeture [86] afin d’éliminer les trous qui pourraient se trouver au sein des régions correspondant aux os. L’opération de fermeture provoque la fusion de plusieurs régions nécessitant l’utilisation à nouveau d’une croissance de région pour obtenir un résultat final sur les régions associées aux os. Les régions ayant une aire supérieure à 4000 pixels sont éliminées. Nos expériences ont démontré que les trois seuils précédents sont adéquats pour un très large éventail d’images et qu’ils influencent peu les résultats de détection des os. Le contour bleu de la Figure 48 présente un exemple de résultat de détection des os du bassin sur une image de tomodensitométrie.

Une fois la détection des os complétée, il reste à extraire la région correspondant aux os du bassin. Nous poserons l’hypothèse que la prostate se situe à peu près au centre de l’image. À partir de ce centre, l’algorithme balaye circulairement sur 360 degrés afin de déterminer une série de points sur le contour de l’os qui formeront la région d’intérêt. Le balayage est effectué par incrément de 15 degrés. L’algorithme de la Figure 49 choisi chaque point du contour de la région d’intérêt en minimisant la distance entre le centre et le contour pour chaque échantillonnage.

L’incrément choisi provoque un faible échantillonnage de la position des contours des os, mais celui-ci est suffisant pour déterminer une zone de recherche fiable comme le montre le contour en bleu de la Figure 50. Une fois la zone de recherche déterminée, il est possible de passer à l’étape de détection des sources.

Les sources sont détectées en appliquant tout d’abord des opérateurs d’ouverture et de fermeture [86] utilisant un disque de 5 pixels de diamètre afin d’obtenir des régions compactes sans trous. Par la suite une détection de région basée sur un seuil de 230 est appliquée sur l’image entière. Comme les régions correspondant aux sources sont relativement petites, on rejette les détections ayant une aire supérieure à 200 pixels. Le centre de masse pour chacune des régions est calculé afin d’obtenir un point de référence unique pour chacune d’elles. En utilisant cette information, on conserve uniquement les régions qui sont situées à l’intérieur de la zone de recherche. La dernière étape de l’algorithme consiste à extraire les pixels correspondant au contour de chacune de régions de sources. Cette opération est réalisée par l’Équation 26 où A est l’image originale et B est un masque de dilatation circulaire de diamètre 1.

Ceci produit un contour mince autour de la région. Cette information sera utilisée dans une étape subséquente de l’algorithme.

Cet algorithme est appliqué sur chacune des tranches de tomodensitométrie. La plus grande concentration de sources étant au centre de la prostate, plusieurs images dans les extrémités n’auront aucune détection. L’algorithme complet produira en sortie un nuage de source comme celui de la Figure 52.

Cette méthode de détection des sources donne de bons résultats et s’est montrée robuste pour l’ensemble des jeux d’images pour laquelle elle a été testée. Des essais ont été réalisés sur 16 cas pour un total de 458 images. La Figure 51 présente un résultat de détection. On peut remarquer qu’un point de détection (cercles verts) peut représenter plusieurs sources. Les articles de Tubic et coll. [87,88] présentent une méthode pour obtenir un décompte précis du nombre de sources sur des images de fluoroscopie en étudiant chacune des régions pour extraire le nombre exact de sources. Nous avons considéré que cette précision n’était pas nécessaire pour les étapes subséquentes de notre algorithme. La Figure 52 présente le nuage de sources qui a été détecté pour toutes les images d’un patient. On remarque plusieurs détections alignées en z comme le montrent les différents groupes encerclés en rouge sur la Figure 52. Dans la majorité des cas, une même source peut apparaître sur deux à trois images puisque le protocole d'imagerie produit des tranches consécutives de 2.5 mm d'épaisseur. Les sources mesurant 4.5 mm de longueur, on pourrait voir celles-ci apparaître sur trois tranches dans le cas où elles sont perpendiculaires au plan des images CT. Les statistiques globales sur le nuage de sources sont utilisées dans les étapes subséquentes, nous n’avons pas jugé essentiel de filtrer les détections multiples des sources selon z afin d’éliminer les détections apparaissant sur plusieurs tranches.

Suite à la détection des sources sur les images de CT, toutes les données d’entrée sont maintenant disponibles pour le calcul des transformations nécessaires à la projection des contours d’échographie sur les images de tomodensitométrie.

Les données d’entrée se divisent en deux groupes. Le premier groupe, les contours et les positions de source au jour 0, sont situés dans le repère du système d’échographie de la compagnie Nucletron. Dans le cas du deuxième groupe, les sources détectées sur les images de CT, le repère est donné par le tomodensitomètre Siemens Somatom Emotion. Il n’existe aucune relation connue entre ces deux repères. L’œdème prostatique suite à l’intervention est aussi en phénomène non négligeable à considérer dans le calcul de la transformation. Le phénomène d’enflure et de résorption de celui-ci au cours des 30 jours suivant l’intervention influence le volume de la prostate. Bien que ce phénomène ait fait l’objet de nombreuses publications [89-94], il demeure encore mal connu. On sait par contre qu’il n’existe aucune garantie que la prostate retrouvera son volume initial après 30 jours suivant l’intervention. Il est donc impossible de prendre pour acquis que la taille des contours d’échographie sera la même une fois ceux-ci projetés sur les images de CT. Par contre, on peut émettre l’hypothèse que les sources implantées à l'intérieur de la prostate bougent avec celle-ci et suivront la même déformation. Une dernière caractéristique des contours d’échographie les rend incompatibles directement avec les images de CT. L’échographie transrectale provoque une déformation de la prostate due à la poussée de la sonde sur l’organe ce qui résulte en une forme de fève.

La stratégie de base pour l’ajustement des contours d’échographie sur les images de CT repose sur l’utilisation des sources comme marqueurs pour l’alignement des contours. Dans plusieurs applications de fusion d’images, on implante au patient des marqueurs qui sont visibles dans les deux modes d’imagerie. Il est ensuite possible d’aligner les deux images à partir de la position de ces marqueurs. Dans le cas présent, il ne s’agit pas de marqueurs dédiés à l’alignement. Par contre, puisque l’on connaît la position des sources dans le premier mode d’imagerie et dans le second, ceci nous permet d’estimer la transformation pour établir le positionnement des contours sur les images de CT. Il faut également résoudre le problème du facteur d’échelle. Celui-ci peut à la fois être dû au facteur d’échelle des repères des appareils et à l’œdème qui provoque une variation de volume. Nous posons l’hypothèse que la variation d’échelle du groupe de contours est cohérente avec la variation d’échelle du nuage de sources. Celle-ci se base sur le fait que les sources implantées dans la prostate sont solidaires de l’organe et subiront la même déformation. Cette hypothèse permet d’estimer un facteur d’échelle pour les contours à partir du facteur d’échelle présent entre le nuage des positions d’implantations des sources au jour 0 et le nuage de sources détectées sur les images de CT.

La Figure 54 présente le processus complet pour adapter les contours d’échographie au jour 0 sur les images de tomodensitométrie. Le processus débute par le filtrage des sources détectées sur les images de tomodensitométrie. Ce filtrage permet d’éliminer les fausses détections qui pourraient affecter le positionnement et l’échelle des contours. Il permet d’éliminer les sources qui sont trop loin du groupe et d’obtenir un nuage compact. On projette l’ensemble des sources dans un même plan. On calcule la distance entre le centre de gravité de ce groupe de sources 2D et chacune des sources. Le seuil sur la distance est calculé à partir de l’Équation 27 où d est la distance entre la source et le centre de gravité du nuage.

Cette étape de filtrage permet d’éliminer les fausses détections qui pourraient être dues à des calcifications ou à des détections en bordure des os. Les transformations peuvent ensuite être calculées.

Dans un premier temps, le facteur d’échelle est estimé en comparant les dimensions en x, y et z des deux nuages. Les contours d’échographie au jour 0 sont ensuite redimensionnés à partir de ce facteur. Dans un deuxième temps, la translation est calculée afin de replacer les contours dans le repère de l’image de CT. Cette position est déterminée à partir du centre du nuage de sources détectées sur les images de tomodensitométrie et le centre des contours qui ont été redimensionnés à l’étape précédente. La dernière étape consiste à interpoler en z les contours finaux qui seront projetés sur les images de CT.

Le volume de la prostate engendré par la série de contours est une surface discrète. Rien n’indique que les tranches d’échographie seront alignées avec les tranches de CT. On superpose d’abord le volume engendré par les contours d’échographie sur le nuage de sources détectées sur les images de CT. Pour chaque position en z des images de CT on calcule un contour inter-tranche comme le montre le schéma de la Figure 55.

L’interpolation est réalisée à partir des contours de part et d’autre de la position courante en z. On réalise alors une interpolation linéaire entre les deux contours. À cette étape, on identifie aussi les sources qui appartiennent à la nouvelle tranche interpolée. Cette identification est réalisée en déterminant les sources autour de la position en z dans un intervalle correspondant à la distance entre deux images de tomodensitométrie (2.5 mm). Cette information sera utilisée plus tard dans l’algorithme.

Le résultat final de cette partie de l’algorithme consiste en une série de contours projetés sur chacune des images de CT. Ces contours sont en fait ceux dessinés par le radio-oncologue au bloc opératoire et ajustés en taille et en position (par rapport aux sources) pour les images de CT.

La Figure 56 présente un exemple de résultat produit par l’algorithme. Il s’agit d’un résultat où l’algorithme a réalisé une segmentation qui est proche de celle qui aurait été faite par un radio-oncologue. Par contre lorsque nous avons étendu les essais à un plus grand nombre de cas, il s’est avéré que l’algorithme produisait des contours qui pouvaient souvent être loin de ce qu’aurait tracé un radio-oncologue. Un premier facteur influence le positionnement du contour. Quelques cas se sont présentés où les sources étaient extrêmement concentrées dans une région de la prostate sur les images de CT. Le positionnement des contours étant directement lié à la position des sources ceci provoquait un biais dans le calcul de la translation. De façon plus majeure, deux facteurs influencent le calcul du facteur d’échelle. Le premier est l’effet de la sonde sur la forme de la prostate. Comme discuté précédemment, la sonde d’échographie provoque une déformation de la prostate. Celle-ci étant absente lors de la prise des images de tomodensitométrie, la prostate n’est donc pas déformée. Cette forme est donc toujours présente sur les contours lorsqu’ils sont projetés sur les images de CT bien que la prostate ne soit pas déformée. Le deuxième facteur, qui est sûrement le plus important, est la difficulté de prévoir le volume final de la prostate. La résorption de l’œdème étant un phénomène biologique très variable, il est difficile de tracer une règle donnant le facteur d’accroissement du volume de la prostate. Ainsi, il est difficile d’établir une règle générale sur l’influence de cet aspect sur le facteur d’échelle.

À cette étape de l’algorithme, nous sommes en mesure d’obtenir des contours sur chacune des tranches de tomodensitométrie. Ces contours ont été jugés trop différents des contours qu’aurait tracés un radio-oncologue. Une étude objective de cette constatation sera présentée au chapitre 4. Considérant les problèmes énoncés à la section précédente, nous devons trouver une solution afin d’adapter les contours directement sur les images de tomodensitométrie.

La méthode présentée dans cette section permet de déformer chacun des contours en se basant sur les contraintes de l’image. La Figure 57 présente les grandes étapes de la déformation des contours. La première étape vise à s’assurer que les sources se retrouvent totalement à l’intérieur du contour initial. Par la suite, on applique une première déformation par les contours actifs. Une première étape de lissage est ensuite appliquée sur l’ensemble de la surface. Une fois cette étape complétée, les contours sont soumis à une seconde vague de déformation et de lissage avec un nouveau jeu de paramètres. On arrive finalement aux étapes de finition. On choisit le meilleur contour pour représenter la base de la prostate. L’étape finale effectue, un lissage en 2D sur chacun des contours afin de présenter un contour parfaitement lisse.

Cette étape se base sur l’hypothèse que les sources se trouvent en grande majorité à l’intérieur de la prostate. Dans le cas où des sources se retrouvent à l’extérieur de la prostate, elles seront éliminées par le filtrage du nuage de sources qui en assure la compacité en éliminant les détections isolées autour du nuage. Cet algorithme sera appliqué à chacun des contours du volume à partir du centre vers les extrémités.

La Figure 58 présente la stratégie de déplacement et de déformation des contours basée sur les sources. La première partie consiste à tenter de déplacer le contour sur l’image pour que toutes les sources soient à l’intérieur de celui-ci. On détermine d’abord les sources se trouvant à l’extérieur du contour. Pour chacune de ces sources, on détermine le point le plus près du contour. À partir de ce point on calcule un vecteur que l’on applique sur l’ensemble des points du contour pour le déplacer afin d’inclure cette source. Chacune des sources est individuellement soumise à cette méthode une seule fois. Après avoir tenté d’inclure chacune des sources, on évalue à nouveau si toutes les sources sont à l’intérieur du contour. Dans le cas où il reste des sources à l’extérieur, on passe à la stratégie suivante. Celle-ci consiste à déformer le contour pour inclure chacune des sources à l’intérieur. Pour toutes les sources à l’extérieur, on déplace le point du contour le plus près sur la position de la source. On inclut ainsi toutes les sources à l’intérieur du contour. Cette procédure donne parfois aux contours des formes qui sont loin de la forme de la prostate. Par contre dans la grande majorité des cas cette méthode procure un contour qui est plus près du contour désiré. La Figure 59 présente un exemple de contour ayant subi une déformation qui l’a rendu irrégulier. Dans ces situations l’étape suivante corrige la forme du contour pour la rendre plus régulière.

L’objectif du déplacement et de la déformation du contour basée sur les sources est d’obtenir le meilleur contour initial. Par la suite, ils seront déformés par la méthode des contours actifs.

L’étape d’atténuation des sources est rendue nécessaire à cause de l’importante variation de gradient engendré par celles-ci. Initialement, nous avons tenté d’appliquer la déformation par les contours actifs directement sur les images initiales. Nous avons rapidement constaté que les sources exerçaient une attraction importante sur le contour. Dans plusieurs cas, ceci faussait le résultat. La Figure 60 présente un contour en bleu qui a été déformé par les contours actifs. L’important gradient causé par la source dans le cercle rouge a créé une discontinuité parasite sur le contour. Il s’agit d’un exemple probant de la nécessité de réduire l’intensité des sources.

La stratégie adoptée pour la résolution de ce problème a été d’éliminer les sources dans les images. Lors de la détection des sources, nous avons conservé la région correspondant à chacune d’elles. Pour chaque source, nous étudions la région avoisinante afin de déterminer l’intensité moyenne. On recherche dans l’image une zone ayant une intensité moyenne similaire à celle de la région à combler. Cette recherche est effectuée par un seuillage de l’image d’intensité. On extrait un morceau de la zone d’intensité similaire de la même taille que la région de la source à combler. On appose finalement ce morceau sur la région correspondant à la source. L’étape finale consiste à appliquer un lissage sur le pourtour de la source afin d’atténuer la transition.

La Figure 61 présente un résultat d’atténuation des sources. L’ensemble des sources a été atténué. Par contre dans l’image b, il est toujours possible de distinguer la présence de sources (cercle rouge Figure 61b) due principalement aux artéfacts en étoile. Suite à nos expérimentations, nous avons observé que ce faible contraste influençait peu la déformation Cette méthode convenait à nos besoins.

À la prochaine section, nous décrirons l’algorithme complet de déformation des contours de la prostate sur les images de tomodensitométrie.

Les contours actifs ont été présentés au chapitre 1. Cette technique est largement répandue pour la segmentation d’images médicales. Ceux-ci sont particulièrement bien adaptés au problème abordé ici. Il n’en demeure pas moins que les images de tomodensitométrie de la prostate posent un important défi même pour les contours actifs.

Le principal défi des images de tomodensitométrie de la prostate est le faible contraste qu’on y retrouve dans plusieurs régions de l’image. Dans ce contexte, on peut diviser la prostate en trois tiers selon l’axe z. Le tiers du centre est sûrement la partie la plus facile à segmenter puisque l’on y retrouve un contraste plus important entre la prostate et les organes environnants. Dans le cas des deux autres tiers, le contraste devient beaucoup moins perceptible. On peut considérer que, pour certaines parties de contour, le contraste est totalement absent. À ces endroits, il n’existe aucune information directe dans l’image pour estimer la position de l’organe.

Lors de la réalisation manuelle des contours, le radio-oncologue fait appel à toute une panoplie de connaissances afin de tracer ce contour sans l’aide de contraste dans l’image. Il utilise d’abord sa compréhension anatomique de l’image. Il est en mesure de distinguer la position de muscles, ce qui lui permet de déduire la position de la prostate. De plus, il peut utiliser le regroupement perceptuel et la fermeture de contours pour déterminer la forme de la prostate à partir de la forme des autres structures voisines. Finalement, le médecin utilise aussi beaucoup la continuité entre les coupes en z pour tracer son contour. Il est difficile d’appliquer directement toutes ces méthodes de travail à un algorithme. Il serait hasardeux de tenter de détecter la position d’un muscle peu visible dans l’image et par la suite d’en déduire la position de la prostate. Par contre, certaines méthodes sont utiles. Elles seront appliquées dans le contexte de l’utilisation des contours actifs.

Plusieurs techniques utilisées par les radio-oncologues peuvent être incluses dans l’approche des contours actifs. La première repose sur la forme de la prostate. Celle-ci est toujours très continue et ne comporte aucune variation importante de courbure. À partir de cette information, les paramètres de première et de seconde dérivées des contours actifs sont ajustés pour n’accepter que de faibles variations. La Figure 63 montre un exemple d’image avec un faible contraste. Les parties en rouge comportent un meilleur contraste que les parties en vert et servent de points d’ancrage pour le contour. À partir de ces points d’ancrage, les contraintes de continuité et de courbure produisent une forme régulière proche de celle de la prostate pour les parties en vert où il y a peu de contraste. L’algorithme est aussi en mesure d’utiliser la continuité de la surface en 3D pour guider la segmentation. Ceci sera pris en compte lors de la déformation par les contours actifs, mais surtout grâce à l’opération de lissage de la surface.

La déformation des contours se fait en débutant par le contour central (Figure 64) et s’étend ensuite du centre vers les deux extrémités.

Cette séquence a été choisie puisque l’algorithme débute par le contour central qui est la plupart du temps le plus facile à déformer. Ceci est d’ailleurs l’endroit où l’on retrouve le meilleur contraste. Il sera donc plus facile de déterminer le contour réel de la prostate uniquement à partir des informations de l’image.

Les contours de part et d’autre du centre de la prostate sont ensuite déformés en utilisant un jeu de paramètres qui varieront linéairement de façon décroissante du centre vers les extrémités. Cette variation linéaire permet de tenir compte principalement de l’affaiblissement du contraste vers les extrémités de la prostate. Des paramètres trop grands aux extrémités provoquent une déformation erratique du contour. La Figure 65 présente de processus de déformation de chacun des contours situés de chaque côté du contour central.

Ce processus prend en entrée le contour d’échographie pour la tranche courante ainsi que le contour de la tranche précédente obtenue à partir de la tranche centrale. Le contour précédent est utilisé pour calculer le facteur de redimensionnement du contour courant afin d’obtenir une surface lisse. Il est calculé à partir de l’Équation 28 où P est un paramètre calculé de manière linéaire dans un intervalle prédéfini.

Le contour projeté sur le CT est déformé à partir du facteur de redimensionnent et sera utilisé comme contour initial pour les contours actifs.

Les contours actifs sont ensuite utilisés pour déformer le contour initial sur chacune des tranches. Au chapitre 1, deux stratégies concernant le calcul des forces de l’image ont été explicitées. La méthode utilisée pour cette déformation est celle du gradient multi-échelles. Cette méthode nous permet à la fois d’obtenir une augmentation des régions intenses du gradient tout en conservant une attraction du contour sur une bonne distance. Le gradient étant faible à plusieurs endroits dans l’image, il était important d’augmenter l’importance des creux afin de créer de solides points d’ancrage pour le contour. Les forces internes du contour sont données par les première et seconde dérivées discrètes. Une dernière force a été utilisée pour la déformation. Il s’agit de la force d’expansion ou de contraction du contour tel que définie au chapitre 1. Cette force est destinée uniquement à l’expansion ou à la contraction du contour. Il est donc facile d’ajuster ce paramètre pour obtenir une vitesse de contraction ou d’expansion voulue. La déformation par les contours actifs comporte six paramètres présentés au Tableau 9.

La première colonne présente les intervalles dans lesquels chacun des paramètres varie selon la tranche courante pour la première étape de déformation. Cette méthode permet d’influencer la progression de la déformation et ainsi de contraindre plus fortement certaines forces. Par exemple, l’importance du gradient est diminuée lorsque l’on s’approche de l’extrémité de la prostate. Il s’agit d’une mesure essentielle au bon fonctionnement de l’algorithme considérant la faible intensité du gradient dans les extrémités de la prostate. Une trop grande importance accordée au gradient provoque un emballement du contour qui se met à croître ou décroître de façon erratique.

Le processus de déformation est appliqué sur tous les contours. On obtient une nouvelle série de contours plus représentatifs de la forme réelle. Il peut survenir lors de la déformation qu’un ou plusieurs contours présentent une forme erratique sur une certaine partie de leur périmètre. Pour pallier à ce problème, l’étape suivante utilise l’information 3D afin d’effectuer un lissage de la surface.

Le lissage de la surface 3D consiste à utiliser l’information contenue dans l’ensemble de la surface pour corriger la forme des contours 2D. La prostate étant un organe mou et s’apparentant à un ellipsoïde, l’opération de lissage se base sur l’hypothèse que la surface de la prostate est lisse. On utilisera une série de paraboles pour lisser l’ensemble de la surface. Les paraboles assurent que la courbure sera de même signe selon l’axe z.

La Figure 66 présente le processus complet de lissage. Celui-ci débute par un alignement des contours de façon radiale tel que nous l’avons proposé dans [29]. Il est réalisé en échantillonnant l’ensemble des contours avec une série de rayons comme le montre la Figure 67.

L’algorithme utilise le centre moyen du groupe de contour comme point central pour les rayons. Le nombre de rayons est déterminé par l’utilisateur selon la précision voulue. Dans le cas de notre application, nous avons choisi empiriquement 40 rayons ce qui offrait une précision suffisante pour le lissage de la surface. Cette opération a pour effet de donner le même nombre de points à chacun des contours et de les aligner verticalement. Il est maintenant possible d’ajuster une parabole sur chacun des groupes de points verticaux (selon l’axe z). On calcule ensuite la distance entre chaque point du groupe et la parabole. On recalcule les nouveaux points du groupe à partir d’une distance moyenne entre chaque point et la parabole. Cette méthode permet d’atténuer les déformations importantes tout en conservant la forme de la prostate.

Ces paraboles ne seront pas ajustées sur tous les groupes de points. Un paramètre permet de déterminer un intervalle angulaire sur lequel sera appliqué le lissage. Cette option a été ajoutée afin de tenir compte de la forme particulière de la prostate. Expérimentalement, nous avons déterminé que lorsque le lissage était appliqué sur l’ensemble de la surface la forme du bas de la prostate n’était pas conforme à la surface réelle de la prostate. À cet endroit la courbure de la surface a tendance à s’inverser et à créer une forme légèrement concave vers l’intérieur. Le lissage avait tendance à créer une forme convexe. Nous avons donc déterminé qu’à cet endroit nous obtenions de meilleurs résultats avec les contours déformés par les contours actifs non lissés.

La

Figure 68 présente le résultat d’une surface qui a été lissée par l’algorithme. Il est aisé de remarquer que la surface présente un nombre important de discontinuités. Par contre, dans le cas de la surface de la Figure 68b, l’algorithme a produit une surface lisse qui se rapproche beaucoup plus de la surface réelle de la prostate.

Le lissage de la surface en 3D a un effet direct sur les contours de chacune des tranches en 2D. La Figure 69 en est un excellent exemple. Le contour en rouge est celui qui a été produit directement par la déformation par les contours actifs. Celui en vert est le résultat de l’opération de lissage. Dans plusieurs cas, il survient une déformation erratique du contour actif dû à la présence d’un fort gradient dans une région donnée de l’image. Le contour est alors attiré vers cette région, ce qui produit une discontinuité dans la surface. Par l’utilisation de l’information 3D via le lissage de la surface, il est possible de corriger ce genre de problème et d’obtenir un contour beaucoup plus proche de celui de la prostate.

En se référant à la Figure 57 présentant le processus général d’ajustement des contours, une particularité apparaît pour les blocs de déformation et de lissage de la surface. Il existe deux paires de blocs de déformation et de lissage consécutifs. Les opérations de déformation seront appliquées deux fois successivement avec des jeux de paramètres différents. Lors de la première déformation, on appliquera des paramètres beaucoup moins contraignants sur le contour afin de le forcer à se déplacer. Une opération de lissage est ensuite appliquée pour corriger les erreurs majeures de déformation qui auraient pu survenir sur quelques contours. Une seconde opération est appliquée avec des paramètres plus contraignants afin de faire un ajustement final sur le gradient du contour de la prostate. Une dernière opération de lissage permet de mieux adapter le contour à la forme réelle de la prostate. L’opération de lissage 3D par les paraboles ne tient pas compte dans la majorité des cas de la forme concave au bas de la prostate. La nouvelle application des contours actifs permettra de mieux suivre le contour présent sur l’image. La dernière colonne du Tableau 9, présente les paramètres des contours actifs pour la seconde déformation. Il est à remarquer que ceux-ci ne sont pas donnés sous forme d’intervalle. Lors de la deuxième déformation, les paramètres sont constants pour toutes les tranches puisque l’on cherche une déformation beaucoup plus fine du contour.

Cette section présente les résultats obtenus pour la segmentation de la prostate en utilisant l’algorithme décrit aux sections précédentes. De nombreux résultats intermédiaires ont été présentés dans chacune des parties de la section précédente. Nous présenterons des résultats pour les deux grandes étapes soit la projection des contours d’échographie sur les images de CT et les contours finaux après les étapes de déformation. Nous utiliserons comme référence les contours produits par des médecins lors de l’étude de validation qui fera l’objet du prochain chapitre. Lors de celle-ci des médecins ont tracé les contours de la prostate sur les images CT pour une série de patients. Ceci fournit une série de contours de comparaison nous permettant de valider le travail accompli. La variabilité entre les médecins pouvant être importante, nous utiliserons deux points de comparaison. Le premier sera le contour moyen pour l’ensemble des médecins. Le second sera ce que nous appellerons l’intervalle de désignation des contours. On crée cet intervalle en calculant le contour le plus grand et le plus petit. Pour chaque point du contour, le point le plus loin et le plus près du centre sont déterminés afin de former les contours extrêmes. Ces deux références nous permettront d’apprécier pour chacune des étapes la segmentation réalisée automatiquement.

L’étape de projection des contours d’échographie sur les images de CT permet aux médecins de bénéficier de l’information acquise sur les images d’ultrasons pour guider la segmentation sur les images de CT.

Pour apprécier la qualité de la segmentation, il est nécessaire d’analyser celle-ci selon les trois axes. Les images nous donnent la segmentation dans les axes x et y tandis que les tranches nous donnent la segmentation en z. La segmentation en z est déterminée de façon finale à l’étape de projection des contours sur chaque tranche. Pour sa part, la segmentation en x et y sera affectée par les étapes de déformation subséquentes. La qualité de cette segmentation est liée au nombre de contours et à leur position en z. Le Tableau 10 présente les résultats de la segmentation en z réalisée par l’algorithme et par les médecins pour tous les patients. Dans la majorité des cas, le nombre de contours produits par l’algorithme et les médecins ne sont pas égaux. On observe une différence moyenne de -0.33. Les deux dernières colonnes du tableau nous renseignent sur l’alignement des contours. Il est à noter que si le nombre total de contours n’est pas exactement le même pour les médecins et l’algorithme, ceci entraînera automatiquement des valeurs différentes de 0 dans les dernières colonnes du tableau.

Les écarts obtenus à cette étape sont explicables par plusieurs raisons. Premièrement, rien ne garantit que le médecin tracera autant de contours sur le CT qu’il en a tracé sur l’échographie. Les modes d’imagerie étant différents, il est possible que le médecin soit en mesure d’observer une partie de la prostate sur l’échographie et non sur le CT. Deuxièmement, les extrémités de la prostate sont les parties les plus difficiles à tracer dû au manque de contraste. Cette difficulté est à la fois présente pour les médecins et pour l’algorithme, ce qui provoque une grande incertitude dans la comparaison.

Nous avons tout de même tenté de corriger les résultats obtenus par l’algorithme et d’arriver à un résultat comparable à celui des médecins en ajoutant ou retranchant des tranches à notre volume. Cette avenue a toute fois été abandonnée considérant que la position des sources est la seule référence fiable que nous ayons pour aligner les contours d’échographie. Cette information étant déjà utilisée pour faire l’alignement de base, il est impossible de s’en servir à nouveau pour le valider.

Les Figure 70 à Figure 73 présentent le résultat de projection des contours d’échographie sur les images de CT pour l’ensemble des tranches de deux patients. Les Figure 70 et Figure 71 pour le patient 25 et les Figure 72 et Figure 73 pour le patient 3. Les images de cette section présentées en mosaïque sont reprises à plus haute définition en annexe. Aux Figure 70 et Figure 72, on retrouve trois différents contours sur les images. Le contour vert est celui qui a été produit par l’algorithme. Les contours en bleu sont les plus petits contours produits par les médecins tandis que les contours en rouge sont les plus grands.

Les Figure 70 et Figure 71 présentent un exemple de résultat où les contours d’échographie à eux seuls n’ont pas produit une segmentation adéquate de la prostate. On remarque particulièrement la forme du contour sur les images onze à quatorze. Celui-ci est extrêmement déformé par la sonde d’échographie. La sonde n’étant pas présente sur le CT, le contour projeté est très distant du contour réel de la prostate. Le résultat présenté aux Figure 70 et Figure 71 représentent le cas qui nécessitait le plus l’ajout d’une étape supplémentaire de déformation du contour suivant le gradient de l’image. D’un autre côté le résultat présenté aux Figure 72 et Figure 73 est beaucoup plus près des contours tracés par les médecins. Dans la grande majorité des cas, le contour se retrouve à l’intérieur de l’intervalle de segmentation des médecins. Dans ce cas l’étape de déformation des contours apporte peu d’améliorations sur la qualité de la segmentation.

La majorité des résultats de segmentation s’apparentent aux résultats du patient 25. Afin d’améliorer la qualité de la segmentation, il a donc été nécessaire d’ajouter une étape de déformation des contours basée sur le gradient de chacune des images. Les résultats de cette étape seront présentés à la prochaine section.

Les résultats de cette étape constituent les contours finaux de l’algorithme. Une déformation a été appliquée sur les résultats de la section précédente afin de les adapter au gradient de l’image. Cette étape était nécessaire puisque dans une proportion importante, la projection des contours d’échographie seule ne fournissait pas une segmentation acceptable. Dans cette section nous présenterons les résultats après déformation pour les deux mêmes patients qu’à la section précédente.

À partir des Figure 74 etFigure 75, il est possible d’apprécier l’amélioration de la segmentation. Le résultat est particulièrement évident pour le patient 25 présenté à la Figure 74. À la section précédente, nous avions relevé une déformation liée à la sonde sur les images onze à quatorze. Cette déformation a été totalement éliminée et le contour s’apparente maintenant au contour moyen des médecins en bleu. L’effet du gradient a replacé le contour sur la bordure réelle de la prostate. La Figure 75 propose le même résultat, mais cette fois pour le patient 3. Pour ce patient, les contours ont subi peu de déformations considérant la qualité des contours initiaux.

Les Figure 76 et Figure 77 permettent l’évaluation visuelle de l’amélioration de la segmentation réalisée par l’étape de déformation. Celle-ci présente le contour d’échographie projeté sur les images de CT, le contour après la déformation et finalement le contour moyen des médecins. Dans le cas du patient 25 (Figure 76), l’amélioration est évidente, particulièrement pour les images onze à quatorze. Par contre dans le cas du patient 3 (Figure 77) on remarque une faible modification des contours ce qui confirme que la segmentation initiale était proche du contour réel de la prostate.

© Geoffroy Rivet-Sabourin, 2009