EP1440413A1 - Dispositif et methode de traitement d'image pour detection de lesions evolutives - Google Patents

Dispositif et methode de traitement d'image pour detection de lesions evolutives

Info

Publication number
EP1440413A1
EP1440413A1 EP02803429A EP02803429A EP1440413A1 EP 1440413 A1 EP1440413 A1 EP 1440413A1 EP 02803429 A EP02803429 A EP 02803429A EP 02803429 A EP02803429 A EP 02803429A EP 1440413 A1 EP1440413 A1 EP 1440413A1
Authority
EP
European Patent Office
Prior art keywords
model
image
time
temporal
sets
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP02803429A
Other languages
German (de)
English (en)
Inventor
Nicholas Ayache
Grégoire Malandain
David Rey
Jonathan Stoeckel
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institut National de Recherche en Informatique et en Automatique INRIA
Original Assignee
Institut National de Recherche en Informatique et en Automatique INRIA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from FR0113192A external-priority patent/FR2830961B1/fr
Application filed by Institut National de Recherche en Informatique et en Automatique INRIA filed Critical Institut National de Recherche en Informatique et en Automatique INRIA
Publication of EP1440413A1 publication Critical patent/EP1440413A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Definitions

  • the invention relates to image processing, especially medical.
  • Image processing makes it possible in particular to compare images with one another. According to certain current techniques, the images are compared two by two. Other techniques make it possible to compare the images of a series. Depending on the context, different categories of problems arise to make the images comparable, as we will see.
  • medical images can be analyzed temporally and automatically so as to establish a detection of zones with pathological evolution.
  • Automatic temporal analysis techniques are particularly used to provide aid in the diagnosis of a patient.
  • the performance of the temporal and automatic analysis techniques currently used is limited, in particular in the case of the detection of areas with pathological evolution.
  • these techniques are ill-suited for example to quantify a posteriori the effect of drugs administered in the case of therapeutic trials. More generally, it involves detecting, from one image to another, fine changes in areas with pathological changes. It's about being able to do it over time-spaced shots, and also on a phenomenon in progress, that is to say the beginning of which has not been observed.
  • the present invention comes to improve the situation.
  • the invention relates to an image processing device, comprising:
  • each data item comprising a position component and an intensity component
  • pre-processing means for modifying the data sets so as to obtain geometrically and intensity-adjusted images
  • - comparative processing means suitable for examining sets of temporal sequences of image elements, in order to detect signs of variations therein.
  • the processing means comprise:
  • the invention relates to an image processing method comprising the following steps: a- receiving a time series of data sets representing comparable digital volume images, each data comprising a position component and an intensity component, b- modifying the data sets so as to obtain geometrically and intensity adjusted images,
  • the method comprises the additional steps c- adjusting a parametric model separately on at least some of the sets of temporal sequences of picture elements, which provides pairs of information of the kind: element image, time, d- isolate those of the pairs of information which are representative of a significant variation by statistical analysis.
  • FIG. 1a illustrates a computer device comprising an image processing device according to the prior art
  • FIG. 1b illustrates a computer device comprising an image processing device according to the invention
  • FIG. 2a represents a flowchart of the automatic image analysis method
  • FIG. 2b represents a detailed part of the flow diagram of FIG. 2a
  • FIG. 2c represents a detailed part of the flow chart of FIG. 2a according to a particular embodiment
  • FIG. 3a is a brain image representing an alternation of cubes of a first 3D image and of a second 3D image having a time bias with the first image
  • FIG. 3b is a brain image representing an alternation of cubes of the first 3D image of FIG. 3a and of the second corrected 3D image
  • FIG. 3c represents the histogram linked to FIG. 3a, this histogram representing the intensities of the first image with respect to the intensities of the second image,
  • FIG. 3d represents the histogram linked to FIG. 3b, this histogram representing the intensities of the first image with respect to the intensities of the second corrected image
  • FIG. 4a is a brain image representing a first 3D image
  • FIG. 4b is a brain image representing a second 3D image having a spatial offset and a time bias with the first image
  • FIG. 4c is a brain image representing the second 3D image of FIG. 4b whose spatial offset has been corrected
  • FIG. 4d is a brain image representing the second 3D image of FIG. 4c whose temporal bias has been corrected
  • FIGS. 5a, 5b, 5c, 5d, 5e, 5f are intensity profiles I evolving over time T from six selected brain points
  • FIG. 5g is an example of the parametric model with certain parameters
  • FIG. 5i is the average intensity profile model of FIG. 5h superimposed on the normalized discrete measurements
  • FIG. 5j is a discretization of the average intensity profile model of FIG. 5i
  • FIGS. 6a to 6f represent intensity profiles I on which the rise times are calculated
  • FIG. 7 is a schematic representation of the general linear model
  • FIG. 8 shows a distribution graph of the sizes of voxel groups according to the particular embodiment.
  • image processing in question requires pre-processing.
  • image preprocessing techniques are first applied to the images to be analyzed. These techniques, presented below, aim to make the images comparable to one another and to allow the analysis of these images.
  • the approximation of images generally requires two preprocessing operations. These operations allow normalization (or calibration) of the images in order to compare them. In medical imaging, these two pre-processing operations apply in the case of a comparison of images from patient acquisitions.
  • a first operation is a geometric registration of the images with respect to a reference image.
  • this registration can be rigid, that is to say that it does not change the shapes, or else refines, where it will modify the shapes either according to a certain number of degrees of freedom or a more general transformation .
  • these are generally three-dimensional images, the volume element of which is also called "voxel”. However, it can also be two-dimensional images.
  • the images can present "spatial bias” and “temporal bias”.
  • the image may have a “spatial bias”, that is to say that in some of the images there will be areas whose intensity will be greater, that is to say brighter (lighter) areas ) and areas whose intensity will be less important, that is to say areas that are less bright (darker).
  • This "spatial bias" can be treated, for example as described in:
  • Certain imaging techniques allow a calibration which can be described as absolute, in the sense that it is possible to find the same levels of brightness and contrast in images from examinations spaced several weeks apart, or even several months. This is the case in certain medical imaging techniques for example. Other techniques, which do not allow this absolute calibration, will therefore provide images tainted with a "temporal bias". This is the case, in particular, with nuclear magnetic resonance imaging (MRI) machines.
  • MRI nuclear magnetic resonance imaging
  • the invention aims in particular to improve the pre-processing of the temporal bias, this sub-characteristic of the invention has an interest as such and is capable of being claimed separately. This improvement is not the main characteristic of the invention, the latter relating more to the temporal, quantitative and automatic analysis of the images.
  • the automatic temporal analysis of medical images makes it possible to establish a posteriori a detection of zones with pathological evolution, for example in the case of lesions of multiple sclerosis. This detection is particularly useful for a posteriori monitoring of the effect of certain drugs on the body in the case of therapeutic trials.
  • Methods of temporal analysis of medical images have been proposed in the following works: - Patent EP 0 927 405 "Electronic image processing device for the detection of dimensional variations", Jose Calmon, Jean-Philippe Thirion,
  • This automatic temporal analysis technique makes it possible to detect areas with pathological evolution over a series of images of a patient.
  • this technique is limited to taking into account temporal information for each unit of volume considered (called voxel), for example the temporal intensity profile for each unit of volume.
  • a descriptive statistic application of mean, standard deviation
  • fuzzy logic are applied to this time information.
  • a display screen 1 for example a computer screen, is connected to an operating system 3, itself connected to an image processing device 5.
  • This device 5 comprises a data memory 6, a module preprocessing 8 and a comparative processing module 10.
  • the data memory 6 is suitable for storing data of image series in 3D, for example voxel data represented by a spatial position of spatial coordinates (x, y , z) for each voxel and an intensity I (x, y, z, t x ) at a given time t for each voxel.
  • j is an integer that can vary by 1 year, n being an integer representing the number of different instants at which 3D images of the same patient are acquired.
  • These series of 3D images can be series of images of the same patient taken using the MRI imaging technique. As the images are acquired at distant moments in time (a week or more), the patient does not take the same position.
  • images 4a and 4b respectively representing a first image acquired at a given instant and a second image acquired at a different instant having a spatial offset with respect to the first image 4a.
  • a coordinate (x, y, z) of a voxel of an image does not correspond to the same anatomical point on all the images of the series.
  • medical image acquisition techniques can introduce inhomogeneities in the image itself (spatial bias) or between the images acquired at different times (temporal bias) in each image and / or between the images d 'a series. This is illustrated by images 4a and 4c respectively representing a first image acquired at a given instant and a second image, acquired at a different instant, aligned with the first image but having a time bias with respect to the first image 4a.
  • the pre-processing module 8 is adapted to perform different pre-treatments:
  • FIG. 4c which represents the image 4b aligned in FIG. 4a
  • FIG. 4d represents the image 4c corrected with respect to FIG. 4a.
  • the comparative processing module 10 is suitable, after image pre-processing, for an automatic temporal analysis of the images, in particular brain images in the case of multiple sclerosis.
  • This module of comparative processing 10 is capable of operating according to one of the techniques of the works cited above.
  • FIG. 1b is an embodiment of the device according to the invention.
  • an image processing device 11 Associated with the display screen 1 and the operating system 3, an image processing device 11 comprises a data memory 16, a pre-processing module 18 and a comparative processing module 20.
  • the data memory 16 is able to store, for example in memory, for each 3D image formed of voxels of dimensions 1x1x3 mm, 54 sections of 2D images having as format 256 * 256.
  • the pre-treatment module 18 corresponds to the pre-treatment module 8 of the prior art.
  • the preprocessing module 18 includes a time bias correction function for MRI voxel intensities based on an algorithm allowing the correction of the joint histogram between two images. This histogram represents the intensities of one image compared to the intensities of the other.
  • the algorithm is based on the search for a regression line by the robust orthogonal least squares method, method developed in the publication "CRC Concise Encyclopedia of Mathematics", E. eisstein. CRC Press
  • the correction is obtained by applying the transformation thus found to the second image.
  • image 3a is formed of alternating cubes of a first 3D image of reference and a second image having a time bias with respect to the first reference image.
  • image 3c it represents the joint histogram corresponding to image 3a.
  • image 3b presents only a difference between the first reference image and the second corrected image, difference represented by cube B.
  • the 3d histogram corresponds to this image 3b representing a comparison between the reference image and the second corrected image.
  • the comparative processing module 20 comprises a modeling function 12 and a statistical analysis function 14.
  • the modeling function 12 is able to model a curve representing the intensity profile of voxels of evolving zones over time. This function is based on a parametric mathematical model which can represent the shape of the different intensity profiles.
  • the statistical analysis function 14 makes a statistical inference. According to this statistical inference, it is possible to determine clusters of points or voxels according to "significantly", in the statistical sense, a model of pathological evolution.
  • a second mode preferred embodiment is also described below.
  • such a curve typically includes a rising part and a falling part over time.
  • a semi-manual method is used to calculate an average asymmetric Gauss type curve model, as shown in FIG. 5g, by fixing the five parameters.
  • This average model will be indifferently designated as the average intensity profile model or the parametric average model.
  • the discrete temporal sequence of intensity values I (x, y, z, t t ) measured at certain points (x, y, z) of space is approximated at best.
  • an operator can select, on the previously corrected 3D images, a set of points corresponding to parts of progressive lesions.
  • FIGS. 5a to 5f illustrate six intensity profiles evolving over time from six selected points.
  • Profiles corresponding to a "rise time” of less than a week or more than ten weeks are rejected, not corresponding to an intensity profile considered to be pathological.
  • Profiles 6 e and 6 f are outliers and are therefore rejected.
  • the selected profiles are centered and standardized according to their respective maximum.
  • the average model is then calculated according to the normalized profiles and according to a classical least squares estimate.
  • the five parameters are calculated according to a least squares estimate using a Powell quadratic convergence method, presented in the following work: [1] - WH Press, SA Teukolsky, .T. Vetterling, andB.P. Flannery. Numerical Recipes. The Art of Computing. Cambridge University Press, 2nd edition, 1997.
  • FIG. 5i represents the average model superimposed on the normalized discrete measurements.
  • FIG. 5j represents a discretization of the average model obtained.
  • the general linear model makes it possible to search for the presence of the average model of intensity profile in any voxel of the image.
  • the general linear model is described in the following work:
  • each voxel is adjusted according to a general linear model as presented in appendix Ib.
  • Figure 7 illustrates this general linear model.
  • Each column of a vector of dimension nxx, x being an integer is composed of n components each referring to a discrete instant on the time scale ti.
  • Each column of a vector thus forms a profile of discrete values as a function of time.
  • the vector Y (dimension nxl) represents the original discrete data of the intensity profile of a given voxel.
  • the matrix X (dimension n ⁇ 2) is called the design matrix.
  • X has for co-health, as illustrated in figure 7, the discrete values of the average model of intensity profile, represented by the vector XI (dimension n ⁇ l), and a constant value over time, represented by the vector X2 (dimension nxl), to take into account the average intensity of the voxel over time ti.
  • the vectors X and Y are known.
  • the components ⁇ l and ⁇ 2 of the vector ⁇ (2 ⁇ l) respectively represent the adequacy variable of the average intensity profile model and of the reference level of the intensity profile of a given voxel.
  • the vector e represents the vector of the residue terms.
  • the vectors ⁇ represent the estimated parameters of the general linear model.
  • ⁇ 2 represents the residual variance estimated by the residual mean square.
  • the vector c defined in appendix Ic, makes it possible to choose the variable ⁇ 1 of the vector ⁇ .
  • the values of the variable ⁇ l are divided by the residual variance.
  • Voxels having significantly large values of t on the map of t obtained are selected when their value of t is greater than a selected threshold value Th. Among these selected voxels appear groups of neighboring voxels.
  • This theory makes it possible to determine the probability of obtaining groups of voxels of a certain size.
  • the groups of voxels having a very low probability of occurrence are considered to be "significant", that is to say, in the case of a search for pathological zones, these groups of voxels are likely to represent a progressive pathological zone . Thanks to this statistical analysis, we can associate a probability to the size of a set of neighboring voxels. Only the sets of neighboring voxels for which this probability of occurrence is sufficiently low are considered significant.
  • a very low probability of occurrence may be a probability of 0.01 for example.
  • the curves representing the intensity profile of voxels of changing zones over time are modeled by a chosen parametric model.
  • the parametric model of appendix I-a presenting an asymmetric Gauss curve with five parameters is chosen.
  • a parametric model is adjusted in each voxel on a temporal intensity profile such as those shown in Figures 5a to 5f.
  • the parameters of a model are determined for each voxel. It can be difficult to determine all the parameters of a model linked to an intensity profile at the same time.
  • These parameters are in fact estimated on a set of profiles normalized in time and in amplitude. Once these parameters have been set, the remaining parameters are evaluated for each voxel, such as for example the maximum amplitude pi, the minimum amplitude parameter p2, and the time parameter at peak p3.
  • FIGS 2a and 2b illustrate the automatic image analysis method according to the invention.
  • step 110 the 3D images of a patient over time are aligned with a reference image by rigid registration as previously explained.
  • a time correction is made on the 3D images, this correction concerns the intensity bias.
  • a spatial correction is possibly performed.
  • Steps 130 to 150 present general steps particularized by the flow diagram of FIG. 2b.
  • a parametric model of the asymmetric Gaussian type comprising 5 parameters is prepared in step 130 to model the intensity profiles of the voxels of the 3D images.
  • the parametric model is adjusted to the intensity profiles of the voxels of the 3D images in step 140.
  • one (or even several) map making it possible to determine the groups of significantly pathological voxels is developed in step 150
  • the pathological zones can be detected by statistical inference in step 160.
  • FIG. 2b more particularly illustrates steps 130 to 150 of the method.
  • a parametric average model is first developed according to a set of voxel intensity profiles.
  • this set of intensity profiles of voxels is chosen by an operator as being a set of profiles representative of voxels presenting progressive lesions.
  • the five parameters of the parametric average model are thus fixed.
  • the parameters of the general linear model are estimated in each voxel of the brain.
  • each intensity profile of a voxel presented in the form of a data vector is represented by a linear combination of the parametric average model, of a constant and of the residues.
  • step 152 a value calculation of t is performed for each voxel, that is to say that a card is obtained in t.
  • step 154 the map of t makes it possible to determine the groups of voxels having a value greater than a threshold value Th.
  • FIG. 2c more particularly illustrates steps 130 to 150 of the method according to a second embodiment.
  • a parametric model is chosen, for example that of appendix I-a.
  • this model is determined independently for each voxel of a series of patient images.
  • the parameters of the model are adjusted for each voxel. This makes it possible to obtain a model with specific parameters for each voxel.
  • At least one parameter can be determined according to an average carried out on a sample of voxels in order to reduce the time for calculating the other parameters for each voxel in step 242.
  • step 252 a permutation of the images is carried out on the series of images considered for which a particular parametric model has been determined for each voxel.
  • the permutation of these images is advantageously random. In this way, each image is randomly assigned to an instant in the series of images. More precisely, an identical permutation is applied to each voxel of each image to preserve the spatial correlation structure of the images.
  • a parametric model is then adjusted for each voxel as before.
  • a threshold t having an appropriate value is applied to at least one of the parameters determined previously for the voxels of the series of permutated images. In particular, this value t is applied for example to the maximum amplitude of the models obtained. Voxels exceeding this value t are detected as "out of threshold" voxels. Certain voxels outside neighboring threshold form groups of voxels whose size is then determined. The chosen value of t does not influence the validity of the statistics but the sensitivity of the results.
  • Steps 252 to 256 are repeated a given number of times, for example N times in step 257.
  • This integer is determined so as to correspond to correct computation time requirements and to have a good approximation of the distribution of the probabilities densities.
  • N can be equal to 10.
  • the significant sizes of the voxel groups outside the threshold are determined by the method described below.
  • the null hypothesis is verified when there is no coherent pathological evolutionary process.
  • the distribution of voxel group sizes makes it possible to detect an active lesion for the voxel group sizes having a probability of appearing smaller than a critical value under the null hypothesis. So at step
  • the significant voxel groups are determined by statistical inference.
  • Figure 8 illustrates a size distribution of voxel groups for swapped image series.
  • the bars represent the density obtained for each size of group of voxels calculated as the number of voxels per group. Density represents the number of groups of a given size divided by the total number of groups considered.
  • ta is 0.2 and ⁇ is 0.01.
  • the groups of significant voxels are larger than 10 voxels.
  • the improvement of the pre-processing of the temporal bias is a sub-characteristic of the invention which has an interest as such and which can be claimed separately.
  • the invention is not limited to the embodiment described above by way of example, it extends to other variants.
  • Other statistical studies can be carried out with different distribution tables.
  • the method can be applied without permutation of the images.
  • the invention also extends to other pathologies than multiple sclerosis.
  • ia f ( ⁇ ) P ⁇ . (exp (-g (xp 2 ) 2 ) + p 5
  • Ic t c ⁇ . ⁇ / ( ⁇ 2 .c T. (X T .X) " ⁇ 1/2 c)

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

L'invention concerne un dispositif de traitement d'images, avant une entrée pour recevoir une suite temporelle de jeux de données représentant des image numériques volumiques comparables, chaque donnée ayant une composante de position et une composante d'intensité, des moyens de pré-traitement (18) pour modifier les jeux de données afin d'obtenir des images recalées géométriquement et en intensité, et des moyens de traitement comparatif (20) pour examiner des jeux de suites temporelles d'éléments d'image et d'y détecter des signes de variations. Les moyens de traitement (20) comprennent une fonction de modélisation (12) pour ajuster un modèle paramétrique séparément sur certains des jeux de suites temporelles d'éléments d'image, pour obtenir des couples d'informations (élément d'image, temps) et une fonction d'analyse statistique (14) de ces couples d'informations pour isoler les couples d'informations représentatifs d'une variation significative.(Figure 1b).

Description

Dispositif et méthode de traitement d'image pour détection de lésions évolutives
L'invention concerne le traitement d'images, notamment médicales .
Le traitement d'images permet notamment de comparer des images entre-elles. Selon certaines techniques actuelles, les images sont comparées deux à deux. D'autres techniques permettent de comparer les images d'une série. Selon le contexte, différentes catégories de problèmes se posent pour rendre les images comparables, comme on le verra.
Ces comparaisons ont des applications très diverses, par exemple dans le domaine médical pour l'aide au diagnostic de pathologies. Dans le cas de la comparaison des images d'une série temporelle prises sur une période donnée, il est possible de détecter des zones à évolution pathologique.
Dans une application particulière du traitement d'images, par exemple dans le cas de lésions de sclérose en plaques, des images médicales peuvent être analysées temporellement et automatiquement de façon à établir une détection de zones à évolution pathologique. Des techniques d'analyses temporelles automatiques sont particulièrement utilisées pour fournir une aide au diagnostic d'un patient. La performance des techniques d'analyses temporelles et automatiques actuellement utilisées est limitée, notamment dans le cas de la détection des zones à évolution pathologique. Dans le domaine médical, ces techniques sont mal adaptées par exemple pour quantifier a posteriori l'effet de médicaments administrés dans le cas d'essais thérapeutiques. Plus généralement, il s'agit de détecter d'une image à une autre des évolutions fines dans des zones à évolution pathologique. Il s'agit de pouvoir le faire sur des prises de vues espacées dans le temps, et également sur un phénomène en cours, c'est-à-dire dont le début n'a pas été observé.
De façon générale, la présente invention vient améliorer la situation.
L'invention concerne un dispositif de traitement d'images, comprenant :
- une entrée pour recevoir une suite temporelle de jeux de données représentant des images numériques volumiques comparables, chaque donnée comprenant une composante de position et une composante d'intensité,
- des moyens de pré-traitement pour modifier les jeux de données de façon à obtenir des images recalées géométriquement et en intensité, et
- des moyens de traitement comparatif, propres à examiner des jeux de suites temporelles d'éléments d'image, afin d'y détecter des signes de variations.
Selon une caractéristique principale de l'invention, les moyens de traitement comprennent:
* une fonction de modélisation, capable d'ajuster un modèle paramétrique séparément sur certains au moins des jeux de suites temporelles d'éléments d'image, ce qui fournit des couples d'informations du genre: élément d'image, temps; et
* une fonction d'analyse statistique de ces couples d'informations, propre à isoler ceux des couples d'informations qui sont représentatifs d'une variation significative.
L'invention concerne un procédé de traitement d'images comprenant les étapes suivantes: a- recevoir une suite temporelle de jeux de données représen- tant des images numériques volumiques comparables, chaque donnée comprenant une composante de position et une composante d'intensité, b- modifier les jeux de données de façon à obtenir des images recalées géométriquement et en intensité,
Selon une caractéristique principale de l'invention, le procédé comprend les étapes complémentaires c- ajuster un modèle paramétrique séparément sur certains au moins des jeux de suites temporelles d'éléments d'image, ce qui fournit des couples d'informations du genre: élément d' image, temps , d- isoler ceux des couples d'informations qui sont représentatifs d'une variation significative par analyse statistique.
D'autres caractéristiques et avantages de l'invention apparaîtront à l'examen de la description détaillée ci-après, ainsi que des dessins annexés sur lesquels:
- la figure la illustre un dispositif informatique comprenant un dispositif de traitement d'image selon la technique antérieure,
- la figure lb illustre un dispositif informatique comprenant un dispositif de traitement d'image selon l'invention,
- la figure 2a représente un ordinogramme du procédé automatique d'analyse d'images,
la figure 2b représente une partie détaillée de l'ordinogramme de la figure 2a,
la figure 2c représente une partie détaillée de l'ordinogramme de la figure 2a selon un mode de réalisation particulier, - la figure 3a est une image de cerveau représentant une alternance de cubes d'une première image 3D et d'une deuxième image 3D ayant un biais temporel avec la première image,
- la figure 3b est une image de cerveau représentant une alternance de cubes de la première image 3D de la figure 3a et de la deuxième image 3D corrigée,
- la figure 3c représente l'histogramme lié à la figure 3a, cet histogramme représentant les intensités de la première image par rapport aux intensités de la deuxième image,
- la figure 3d représente l'histogramme lié à la figure 3b, cet histogramme représentant les intensités de la première image par rapport aux intensités de la deuxième image corrigée,
- la figure 4a est une image de cerveau représentant une première image 3D,
- la figure 4b est une image de cerveau représentant une deuxième image 3D ayant un décalage spatial et un biais temporel avec la première image,
- la figure 4c est une image de cerveau représentant la deuxième image 3D de la figure 4b dont le décalage spatial a été corrigé,
- la figure 4d est une image de cerveau représentant la deuxième image 3D de la figure 4c dont le biais temporel a été corrigé,
- les figures 5a, 5b, 5c, 5d, 5e, 5f sont des profils d'intensité I évoluant au cours du temps T de six points de cerveau sélectionnés, - la figure 5g est un exemple du modèle paramétrique avec certains paramètres,
- la figure 5h est un modèle moyen de profil d'intensité calculé selon entre autres les profils d'intensité des figures
5a à 5f,
- la figure 5i est le modèle moyen de profil d'intensité de la figure 5h superposé aux mesures discrètes normalisées,
- la figure 5j est une discrétisation du modèle moyen de profil d'intensité de la figure 5i,
- les figures 6a à 6f représentent des profils d'intensité I sur lesquels les temps de montée sont calculés,
- la figure 7 est une représentation schématique du modèle général linéaire,
- la figure 8 représente un graphe de distribution des tailles de groupes de voxels selon le mode de réalisation particulier.
De plus, la description détaillée est accompagnée de l'annexe I, dans laquelle est présenté un exemple de modèle paramé- trique, un exemple du modèle linéaire et le calcul de la variable de Student.
Les dessins contiennent, pour l'essentiel, des éléments de caractère certain. Ils pourront donc non seulement servir à mieux faire comprendre la description, mais aussi contribuer à la définition de l'invention, le cas échéant.
Le demandeur a déjà formulé des propositions dans EP 0927 405, EP 0 977 148 et EP 0 564 318. Différentes publications ont également été produites par le demandeur:
"New feature Points Based on Géométrie Invariants for 3D Image Registration", Jean-Philippe Thirion, International Journal of Computer Vision, 18(2) :121-137.
"Recalage d'images médicales par inférence statistique", Alexis Roche, Thèse de Doctorat, Université de Nice-Antipolis, janvier 2001.
"Etude de la symétrie bilatérale en imagerie cérébrale volumique", Sylvain Prima, Thèse de Doctorat, Université de Paris XI, mars 2001.
"Automatic Quantification of changes in the Volume of Brain Structures", Guillaume Calmon, Neil Roberts, Paul Eldridge and Jean-Philippe Thirion, First International Conférence on Médical Image Computing And Computer-Assisted Intervention- MICCAI'98, Lecture Notes in Computer Science 1496(1998), 964- 973.
"Automatic Détection and Segmentation of Evolving Processes in 3D Médical Images : Application to Multiple Sclerosis", David Rey, Gérard Subsol, Hervé Delingette et Nicholas Ayache, Information Processing in Médical Imaging-IPMI '99, Lectures Notes in Computer Science 1613(1999) 154-167.
"Using Continuum Mechanics Operators for Détection and Quantification of Evolving Processes in 3D Medicals Images", David Rey, Hervé Delingette, Gérard Subsol, Nicholas Ayache, EUROMECH'99, 1999, 185-188.
La performance des techniques d'analyses temporelles et automatiques actuellement utilisées est limitée, notamment dans le cas de la détection des zones à évolution pathologique. Dans le domaine médical, ces techniques ne permettent pas, a posteriori, de quantifier rigoureusement l'effet de médicaments administrés dans le cas d'essais thérapeutiques .
De façon générale, les traitements d'images en question nécessitent un pré-traitement. Pour permettre une analyse temporelle et automatique d'images, ces techniques de prétraitement d'images sont au préalable appliquées aux images à analyser. Ces techniques, présentées ci-après, ont pour objectif de rendre comparables les images entre-elles et de permettre l'analyse de ces images.
Le rapprochement d'images nécessite en général deux opérations de pré-traitement. Ces opérations permettent une normalisation (ou une calibration) des images afin de les comparer. Dans l'imagerie médicale, ces deux opérations de pré-traitement s'appliquent dans le cas d'un rapprochement d'images provenant d'acquisitions sur patients.
Une première opération est un recalage géométrique des images par rapport à une image de référence. Suivant les cas, ce recalage peut être rigide, c'est-à-dire qu'il ne change pas les formes, ou bien affine, où il modifiera les formes soit selon un certain nombre de degrés de liberté ou encore une transformation plus générale. Il convient d'observer au passage qu'il s'agit en général d'images tridimensionnelles, dont l'élément de volume est également appelé "voxel". Toutefois, il peut également s'agir d'images bidimensionnel- les.
Ainsi, on comprendra qu'il est très difficile d'obtenir la mise en correspondance exacte en volume d'une partie du corps d'un patient, par exemple son cerveau, d'un examen à un autre, sans un recalage préalable des images. De plus, la partie du corps examinée peut avoir légèrement évoluée dans sa forme. Les techniques de recalage rigide ou affine permettent de ramener toutes les images à une même géométrie de base. Un exemple d'une telle technique est décrit dans EP 0 977 148, déjà cité.
A côté de cela, les images peuvent présenter des "biais spatial" et "biais temporel". Ainsi, l'image peut présenter un "biais spatial", c'est-à-dire qu'il existera dans certaines des images des zones dont l'intensité sera plus important, c'est à dire des zones plus lumineuses (plus claires) et des zones dont l'intensité sera moins importante, c'est à dire des zones moins lumineuses (plus sombres).
Ce "biais spatial" peut être traité, par exemple de la manière décrite dans :
- "Etude de la symétrie bilatérale en imagerie cérébrale volumique", Sylvain Prima, Thèse de Doctorat, Université de Paris XI, mars 2001.
- "Automated Model-Based Bias Field Correction for MR Images of the Brain", K. Van Leemput, F. Maes, D. Vandermeulen, et P. Suetens, IEEE Transactions on Médical Imaging 18(10): 885- 896, 1999.
Reste le problème du "biais temporel", moins souvent abordé. Dans notre cas, on peut le définir comme le fait que l'échelle de gris varie d'une image à l'autre.
Certaines techniques d'imagerie permettent une calibration que l'on peut qualifier d'absolue, en ce sens qu'il est possible de retrouver les mêmes niveaux de luminosité, de contraste dans des images provenant d'examens espacés de plusieurs semaines, voire de plusieurs mois. C'est le cas dans certaines techniques d'imagerie médicale par exemple. D'autres techniques, qui ne permettent pas cette calibration absolue, vont donc fournir des images entachées d'un "biais temporel". C'est le cas, notamment, des machines d'imagerie par résonance magnétique nucléaire (IRM).
Une proposition pour tenter de corriger le "biais temporel" a été faite dans :
- "New variants of a method of MRI Scale Normalization", Laslo G.Nyul, Jayaram K.Udupa, Information Processing in Médical lmaging-IPMI'99, Lecture Notes in Computer Science 1613 (1999), 490-495.
Mais, quelle que soit la qualité de ces pré-traitements, l'existence d'un "biais temporel" rend particulièrement difficile le rapprochement automatique d'images prises de façon échelonnée sur plusieurs semaines ou plusieurs mois. C'est particulièrement gênant, pour suivre différentes affections, par exemple la sclérose en plaques. L'invention vise notamment à améliorer le pré-traitement du biais temporel, cette sous caractéristique de l'invention a un intérêt en tant que telle et est susceptible d'être revendiquée séparément. Cette amélioration n'est pas la principale caractéristique de l'invention, cette dernière se rapportant plutôt à l'analyse temporelle, quantitative et automatique des images .
D'autre part, l'analyse temporelle automatique des images médicales permet d'établir a posteriori une détection de zones à évolution pathologique, par exemple dans le cas de lésions de sclérose en plaques. Cette détection est particulièrement utile pour suivre a posteriori l'effet de certains médicaments sur l'organisme dans le cas d'essais thérapeutiques. Des méthodes d'analyse temporelle des images médicales ont été proposées dans les ouvrages suivants : - brevet EP 0 927 405 "Dispositif électronique de traitement d'images pour la détection de variations dimensionnelles", Guillaume Calmon, Jean-Philippe Thirion,
- "Automatic Quantification of changes in the Volume of Brain Structures", Guillaume Calmon, Neil Roberts, Paul Eldridge and Jean-Philippe Thirion, First International Conférence on Médical Image Computing And Computer-Assisted Intervention- MICCAI'98, Lecture Notes in Computer Science 1496(1998), 964- 973.
- "A Computerized Approach for Morphological Analysis of the Corpus Callosum", Chris Davatzikos, Marc Vaillant, Susan M. Resnick, Jerry L. Prince, Stanley Letovsky and R. Nick Bryan, Journal of Computer Assisted Tomography-JCAT, vol.20, pp 88- 97, 1996.
- "Automatic Détection and Segmentation of Evolving Processes in 3D Médical Images : Application to Multiple Sclerosis", David Rey, Gérard Subsol, Hervé Delingette et Nicholas Ayache, Information Processing in Médical Imaging-IPMI '99, Lectures Notes in Computer Science 1613(1999) 154-167.
-"Using Continuum Mechanics Operators for Détection and Quantification of Evolving Processes in 3D Medicals Images", David Rey, Hervé Delingette, Gérard Subsol, Nicholas Ayache, EUROMECH'99, 1999, 185-188.
Ces techniques permettent notamment de détecter et de quanti- fier les zones évolutives dans des séries d'images. Dans la plupart des cas, l'analyse est effectuée sur des couples d'images successives. Ainsi, ces techniques permettent d'effectuer une analyse à court terme de l'évolution des lésions pour aider au diagnostic immédiat du patient. Une méthode d'analyse temporelle automatique des images médicales a été proposée dans 1 Ouvrages suivant :
- "Exploring the discrimination power of the time domain for segmentation and characterization of active lésions in sériai MR", Guido Gerig, Daniel elti, Charles R.C. Guttmann, Alan CF. Colchester, Gabor Székely, Médical Image Analysis-MedIA, 4 (1) 31-42, 2000.
Cette technique d'analyse temporelle automatique permet sur une série d'images d'un patient de détecter des zones à évolution pathologique. Toutefois, cette technique est limitée à la prise en considération d'informations temporelles pour chaque unité de volume considérée (appelée voxel), par exemple le profil temporel d'intensité pour chaque unité de volume. Une statistique descriptive (application de moyenne, d'écart- type) ainsi qu'une logique floue sont appliquées à ces informations temporelles . Ces applications ne permettent pas de prendre en compte la dimension spatiale des zones à évolution pathologique.
On se réfère à la figure la décrivant l'état de l'art et aux figure 4a, 4b , 4c et 4d. Un écran de visualisation 1, par exemple un écran d'ordinateur, est relié à un système d'exploitation 3, lui-même relié à un dispositif de traitement d'image 5. Ce dispositif 5 comprend une mémoire de données 6, un module de pré-traitement 8 et un module de traitement comparatif 10. La mémoire de données 6 est adaptée pour stocker des données de séries d'image en 3D, par exemple des données de voxels représentés par une position spatiale de coordonnées spatiales (x, y, z) pour chaque voxel et une intensité I(x, y, z, tx) à un instant donné t pour chaque voxel. j est un entier pouvant varier de 1 a n, n étant un entier représentant le nombre d'instants différents auxquels des images 3D d'un même patient sont acquises. Ces séries d'images 3D peuvent être des séries d'images d'un même patient prises selon la technique de l'imagerie IRM. Comme les images sont acquises à des instants éloignés dans le temps (une semaine, voire plus), le patient ne prend pas la même position. Ceci est illustré par les images 4a et 4b représentant respectivement une première image acquise à un instant donné et une deuxième image acquise à un instant différent présentant un décalage spatial par rapport à la première image 4a. Ainsi, comme indiqué sur les figures 4a et 4b, une coordonnée (x, y, z) d'un voxel d'une image ne correspond pas au même point anatomique sur toutes les images de la série. De plus, les techniques d'acquisition d'images médicales peuvent introduire des inhomogénéités dans l'image elle-même (biais spatial) ou entre les images acquises à des instants différents (biais temporel) dans chaque image et/ou entre les images d'une série. Ceci est illustré par les images 4a et 4c représentant respectivement une première image acquise à un instant donné et une deuxième image, acquise à un instant différent, alignée sur la première image mais présentant un biais temporel par rapport à la première image 4a.
Aussi, comme vu précédemment, le module de pré-traitement 8 est adapté pour effectuer différents pré-traitements :
- aligner les images d'une série sur l'une des images prise en référence par un recalage (rigide, affine ou autre) comme présenté sur la figure 4c qui représente l'image 4b alignée sur la figure 4a,
- corriger éventuellement le biais spatial et le biais temporel selon des techniques exposées dans les ouvrages précédemment cités . La correction du biais temporel est présentée sur la figure 4d qui représente l'image 4c corrigée par rapport à la figure 4a.
D'autre part, le module de traitement comparatif 10 est adapté, après pré-traitement d'image, pour une analyse temporelle automatique des images, notamment des images de cerveau dans le cas de la sclérose en plaques. Ce module de traitement comparatif 10 est apte à fonctionner selon l'une des techniques des ouvrages précédemment cités.
Toutefois, ces techniques ne permettent pas une analyse statistique quantitative d'une série temporelle d' images. Une telle analyse permettrait de retrouver les zones correspondant à une évolution pathologique grâce à un calcul de probabilités. En particulier, ceci est indispensable pour mener une étude statistique rigoureuse de l'effet de médicaments administrés dans le cas d'essais thérapeutiques.
La figure lb est une réalisation du dispositif selon l'invention. Associé à l'écran de visualisation 1 et au système d'exploitation 3, un dispositif de traitement d'image 11 comprend une mémoire de données 16, un module de pré-traitement 18 et un module de traitement comparatif 20. La mémoire de données 16 est apte à stocker par exemple en mémoire, pour chaque image en 3D formée de voxels de dimensions 1x1x3 mm, 54 coupes d'images 2D ayant comme format 256*256. Le module de pré-traitement 18 correspond au module de pré-traitement 8 de la technique antérieure. Avantageusement, le module de pré-traitement 18 comprend une fonction de correction de biais temporel des intensités de voxels IRM basée sur un algorithme permettant la correction de l'histogramme conjoint entre deux images. Cet histogramme représente les intensités d'une image par rapport aux intensités de l'autre. L'algorithme est basé sur la recherche d'une droite de régression par la méthode des moindres carrés orthogonale robuste, méthode développée dans la publication "CRC Concise Encyclopedia of Mathematics" , E. eisstein. CRC Press LLC, Novembre 1998.
La droite de régression j=a.I+b est obtenue, J représentant l'intensité d'une première image, I l'intensité d'une deuxième image. La correction est obtenue en appliquant la transforma- tion ainsi trouvée à la deuxième image. Ainsi, l'image 3a est formée d'une alternance de cubes d'une première image 3D de référence et d'une deuxième image présentant un biais temporel par rapport à la première image de référence. Quant à l'image 3c, elle représente l'histogramme conjoint correspondant à l'image 3a. Par l'application de l'algorithme de correction de biais temporel, l'image 3b ne présente qu'une différence entre la première image de référence et la deuxième image corrigée, différence représentée par le cube B. L'histogramme 3d correspond à cette image 3b représentant une comparaison entre l'image de référence et la deuxième image corrigée.
Le module de traitement comparatif 20 comprend une fonction de modélisation 12 et une fonction d'analyse statistique 14. La fonction de modélisation 12 est apte à modéliser une courbe représentant le profil d'intensité de voxels de zones évoluti- ves au cours du temps. Cette fonction s'appuie sur un modèle mathématique paramétrique pouvant représenter la forme des différents profils d'intensité.
A partir de cette modélisation décrite plus loin, la fonction d'analyse statistique 14 procède à une inférence statistique. Selon cette inférence statistique, il est possible de déterminer des amas de points ou de voxels suivant "significative- ment", au sens statistique, un modèle d'évolution pathologique.
Ainsi, la fonction de modélisation 12 et la fonction d'analyse statistique 14 du module de traitement comparatif 20 sont présentés ci-dessous selon un premier mode de réalisation préférentiel illustré par les figures 5a à 5j, 6a à 6f et 7. Un second mode de réalisation préférentiel est également décrit plus loin.
Par exemple, pour la sclérose en plaques, une telle courbe comprend typiquement une partie montante et une partie descendante au cours du temps. Ainsi, il a été choisi de modéliser une courbe de Gauss asymétrique avec cinq paramètres comme présentée à l'annexe I-a.. Les paramètres de cette courbe représentent
- pi, un paramètre d'amplitude maximale,
- p2, un paramètre d'amplitude minimale, - p3, un paramètre de temps au pic,
- p4, un paramètre de largeur de référence et
- p5, un paramètre de dissymétrie.
Dans ce mode de réalisation, une méthode semi-manuelle est utilisée pour calculer un modèle moyen de courbe de type Gauss asymétrique, comme représenté en figure 5g, en fixant les cinq paramètres. Ce modèle moyen sera indifféremment désigné comme modèle moyen de profil d'intensité ou modèle moyen paramétrique. Par ce modèle moyen continu, la suite temporelle discrète de valeurs d'intensité I(x, y, z, tt) mesurées en certains points (x, y, z) de l'espace est approximee au mieux. Ainsi, un opérateur peut sélectionner, sur les images 3D préalablement corrigées, un jeu de points correspondant à des parties de lésions évolutives. Ainsi, les figures 5a à 5f illustrent six profils d'intensité évoluant au cours du temps de six points sélectionnés. Le "temps de montée", défini comme le temps que met l'intensité à passer de 5% de son maximum à son maximum, c'est-à-dire le temps entre la ligne verticale DM et le maximum d'intensité M sur les figures 6a à 6d, est calculé pour chaque profil. Les profils correspondant à un "temps de montée" de moins d'une semaine ou de plus de dix semaines sont rejetés, ne correspondant pas à un profil d'intensité considéré comme pathologique. Les profils 6e et 6f sont aberrants et sont donc rejetés. Les profils retenus sont centrés et normalisés selon leur maximum respectif. Le modèle moyen est alors calculé selon les profils normalisés et selon une estimation classique des moindres carrés. Les cinq paramètres sont calculés selon une estimation des moindres carrés utilisant une méthode de convergence quadratique de Powell, présentée dans l'ouvrage suivant : [1]- W. H. Press, S.A. Teukolsky, .T. Vetterling, andB.P.Flan- nery. Numerical Recipes. The Art of Computing. Cambridge University Press, 2nd édition, 1997.
Par exemple, dans une étude réalisée sur 54 profils extraits, 43 profils ont été retenus et le modèle moyen de profil d'intensité représenté sur la figure 5h a été calculé selon les profils d'intensité de ce jeu de points sélectionnés et selon la technique proposée ci-dessus. La figure 5i représente le modèle moyen superposé aux mesures discrètes normalisées . La figure 5j représente une discrétisation du modèle moyen obtenu .
La fonction d'analyse statistique est ensuite utilisée avec ce modèle moyen obtenu. Elle est répétée aux instants où on cherche les zones évolutives. Pour le cas de la sclérose en plaques, l'analyse statistique est appliquée à chaque instant discret tj avec j=l..n, n représente le nombre d'images prises à des instants différents pour chaque voxel. Le modèle général linéaire permet de rechercher la présence du modèle moyen de profil d'intensité en tout voxel de l'image. Le modèle général linéaire est décrit dans l'ouvrage suivant :
[2] R.S.J. Frackowiak, K.J. Friston, CD. Frith, R.J. Dolan, and J.C Mazziotta. Human Brain Function. Académie Press, 1997. Chaque voxel est ajusté suivant un modèle général linéaire comme présenté en annexe I-b. La figure 7 illustre ce modèle général linéaire. Chaque colonne d'un vecteur de dimension nxx, x étant un entier, est composée de n composantes faisant référence chacune à un instant discret sur l'échelle des temps ti. Chaque colonne d'un vecteur forme ainsi un profil de valeurs discrètes en fonction du temps. Ainsi, le vecteur Y (dimension nxl) représente les données discrètes d'origine du profil d'intensité d'un voxel donné. La matrice X (dimension nχ2) est appelée la matrice de conception. X a pour co po- santé, comme illustré sur la figure 7, les valeurs discrètes du modèle moyen de profil d'intensité, représenté par le vecteur XI (dimension nχl), et une valeur constante au cours du temps, représentée par le vecteur X2 (dimension nxl), pour prendre en compte l'intensité moyenne du voxel au cours du temps ti. Les vecteurs X et Y sont connus. Les composantes βl et β2 du vecteur β (2 χl) représentent respectivement la variable d'adéquation du modèle moyen de profil d'intensité et du niveau de référence du profil d'intensité d'un voxel donné. Le vecteur e représente le vecteur des termes de résidus. Les vecteurs β représente les paramètres estimés du modèle général linéaire.
L' inférence statistique permet de détecter les voxels voisins ayant un même comportement pathologique évolutif. Pour cela, on calcule pour chaque voxel une variable t, appelée variable de Student telle que définit en annexe I selon l'ouvrage [2] et l'ouvrage suivant :
-[3] D.J. Sheskin. Handbook of Parametric and Non-parametric Statistical Procédures. CRC Press, 1997. Une carte de t est dressée. Dans la formule du calcul de t, σ2 représente la variance résiduelle estimée par le carré moyen résiduel. Le vecteur c, défini en annexe I-c, permet de choisir la variable βl du vecteur β. Dans la formule de l'annexe I, les valeurs de la variable βl sont divisées par la variance résiduelle. En estimant que les résidus sont distribués selon une distribution gaussienne, les valeurs de t suivent une distribution de Student (appelée aussi une "distribution en t").
Des voxels présentant des valeurs significativement grandes de t sur la carte de t obtenue sont sélectionnés lorsque leur valeur de t est supérieure à une valeur seuil Th choisie. Parmi ces voxels sélectionnés apparaissent des groupes de voxels voisins.
L' inférence statistique utilise la théorie des champs aléatoires développé dans l'ouvrage [2] et dans l'ouvrage suivant : -[4] K.J. Worsley. Local maxima and the expected euler characteristic of excursion sets of χ2, f and t fields. Advances in Applied Probability, 26:13-42, 1994.
Cette théorie permet de déterminer la probabilité d'obtenir des groupes de voxels d'une certaine taille. Les groupes de voxels ayant une probabilité très faible d'occurrence sont considérés comme "significatifs", c'est-à-dire, dans le cas d'une recherche de zones pathologique, ces groupes de voxels sont susceptibles de représenter une zone pathologique évolutive. Grâce à cette analyse statistique, on peut associer une probabilité à la taille d'un ensemble de voxels voisins. Seuls les ensembles de voxels voisins pour lesquels cette probabilité d'occurrence est suffisamment faible sont considé- rés comme significatifs. Une probabilité très faible d'occurrence peut être une probabilité de 0,01 par exemple.
Afin de pouvoir appliquer la théorie des champs aléatoires, certaines hypothèses doivent être vérifiées : - l'homogénéité du bruit dans les images;
- une bonne représentation en treillis.
- l'indépendance temporelle du bruit;
- le bruit gaussien;
- l'homogénéité de la fonction de répartition de points effectifs.
Un second mode de réalisation est décrit ci-après. Ainsi, les courbes représentant le profil d'intensité de voxels de zones évolutives au cours du temps sont modélisées par un modèle paramétrique choisi. Dans cet exemple de réalisation, le modèle paramétrique de l'annexe I-a présentant une courbe de Gauss asymétrique avec cinq paramètres est choisi.
Ainsi, un modèle paramétrique est ajusté en chaque voxel sur un profil d'intensité temporel tel que ceux montrés sur les figures 5a à 5f. En d'autres termes, les paramètres d'un modèle sont déterminés pour chaque voxel. Il peut être difficile de déterminer en même temps l'ensemble des paramètres d'un modèle lié à un profil d'intensité. Ainsi, avantageusement, il est possible de fixer par exemple le paramètre de largeur de référence p4 et le paramètre de dissymétrie p5. Ces paramètres sont en effet estimés sur un ensemble de profils normalisés en temps et en amplitude. Une fois ces paramètres fixés, les paramètres restant sont évalués pour chaque voxel, comme par exemple l'amplitude maximale pi, le paramètre d'amplitude minimale p2 , et le paramètre de temps au pic p3. Les paramètres sont évalués au sens des moindres carré en utilisant la méthode de convergence quadratique de Powell présentée dans le référence suivante : - W. H.Press, S.A. Teukolsky, W.T. Vetterling, and B.P. Flannery. Numerical Recipes . The art of Scientific Computing. Cambridge University Press, 2nd édition, 1997.
Ainsi, on obtient différentes courbes d'intensités selon les voxels. Ce résultat amène à une analyse non linéaire dans ce cas.
Afin de déterminer la probabilité d'obtenir des groupes de voxels d'une certaine taille, une analyse statistique est appliquée.
Cette analyse statistique est décrite plus en détail ci-après en référence à la figure 2c.
Les figures 2a et 2b illustrent le procédé automatique d'analyse d'images selon l'invention.
A l'étape 110, les images 3D d'un patient au cours du temps sont alignées sur une image de référence par recalage rigide comme précédemment expliqué. A l'étape 120, une correction temporelle est effectuée sur les images 3D, cette correction concerne le biais d'intensité. Une correction spatiale est éventuellement effectuée. Les étapes 130 à 150 présentent des étapes générales particularisées par l'ordinogramme de la figure 2b. Ainsi, un modèle paramétrique de type Gaussien asymétrique comportant 5 paramètres est préparé à l'étape 130 pour modéliser les profils d'intensité des voxels des images 3D. De cette façon, le modèle paramétrique est ajuster sur les profils d'intensité des voxels des images 3D à l'étape 140. Ainsi, une (voire plusieurs) carte permettant de déterminer les groupes de voxels significativement pathologiques est élaborée à l'étape 150. Les zones pathologiques peuvent être détectées par inférence statistique à l'étape 160.
La figure 2b illustre plus particulièrement les étapes 130 à 150 du procédé.
A l'étape 132, un modèle moyen paramétrique est au préalable élaboré suivant un jeu de profils d'intensité de voxels. Selon une réalisation de l'invention, ce jeu de profils d'intensité de voxels est choisi par un opérateur comme étant un jeu de profils représentatifs de voxels présentant des lésions évolutives. Comme précédemment décrit, les cinq paramètres du modèle moyen paramétrique sont ainsi fixés. A l'étape 142, les paramètres du modèle général linéaire sont estimés en chaque voxel du cerveau. Ainsi, chaque profil d'intensité d'un voxel présenté sous forme d'un vecteur de données est représenté par une combinaison linéaire du modèle moyen paramétrique, d'une constante et des résidus.
A l'étape 152, un calcul de valeur de t est effectué pour chaque voxel, c'est-à -dire qu'on obtient une carte en t. A l'étape 154, la carte de t permet de déterminer les groupes de voxels présentant une valeur supérieure à une valeur seuil Th.
Par application de la théorie des champs aléatoires décrite dans l'ouvrage [4] cité ci-dessus, des groupes de voxels parmi ceux déterminés présentent une probabilité d'occurrence très petite et forment des groupes de voxels significatifs à l'étape 156. De cette manière sont détectées et modélisées les zones pathologiques probables. Cette inférence statistique permet de détecter des zones pathologiques significatives statistiquement en prenant en compte la structure spatiale et temporelle des séries d'images 3D.
La figure 2c illustre plus particulièrement les étapes 130 à 150 du procédé selon un second mode de réalisation.
A l'étape 232, un modèle paramétrique est choisi, par exemple celui de l'annexe I-a. Dans ce mode de réalisation, à l'étape 242, ce modèle est déterminé indépendamment pour chaque voxel d'une série d'images de patient. Ainsi, les paramètres du modèle sont ajustés pour chaque voxel. Ceci permet d'obtenir un modèle avec des paramètres particuliers pour chaque voxel.
Avantageusement, avant l'étape 242, au moins un paramètre peut être déterminé selon une moyenne réalisée sur un échantillon de voxels afin de diminuer le temps de calcul des autres paramètres pour chaque voxel à l'étape 242.
Une analyse statistique est ensuite effectuée des étapes 252 à 258. A l'étape 252, une permutation des images est effectuée sur la série d'images considérée pour laquelle un modèle paramétrique particulier a été déterminé pour chaque voxel. La permutation de ces images est avantageusement aléatoire. De cette façon, chaque image est affectée au hasard à un instant de la série d'images. Plus précisément, une permutation identique est appliquée à chaque voxel de chaque image pour préserver la structure de corrélation spatiale des images .
A l'étape 254, un modèle paramétrique est alors ajusté pour chaque voxel comme précédemment. A l'étape 256, un seuil t ayant une valeur appropriée est appliqué à au moins un des paramètres déterminés précédemment pour les voxels de la série d'images permutées. De manière particulière, cette valeur t est appliquée par exemple à l'amplitude maximale des modèles obtenus. Les voxels dépassant cette valeur t sont détectés comme étant des voxels "hors seuil". Certains voxels hors seuil voisins forment des groupes de voxels dont la taille est alors déterminée. La valeur choisie de t n'influence pas la validité des statistiques mais la sensibilité des résultats.
Les étapes 252 à 256 sont répétées un nombre donné de fois, par exemple N fois à l'étape 257. Cet entier est déterminé de manière à correspondre à des exigences de temps de calcul corrects et à avoir une bonne approximation de la distribution des probabilités de densités. Par exemple, N peut être égal à 10.
Après un nombre donné d'itérations, les tailles significatives des groupes de voxels hors seuil sont déterminées par la méthode décrite ci-après. Ainsi, on cherche à obtenir une distribution des tailles de groupes de voxels sous une hypothèse dite nulle. L'hypothèse nulle est vérifiée quand il n'existe aucun processus évolutif pathologique cohérent. La distribution des tailles de groupes de voxels permet de détecter une lésion évolutive pour les tailles de groupes de voxels ayant une probabilité d'apparaître plus petite qu'une valeur critique sous l'hypothèse nulle. Ainsi, à l'étape
258, les groupes de voxels significatifs sont déterminés par inférence statistique.
La figure 8 illustre une distribution de taille de groupes de voxels pour des séries d'images permutées. Ainsi, les barres représentent la densité obtenue pour chaque taille de groupes de voxels calculée en nombre de voxels par groupe. La densité représente le nombre de groupes d'une taille donnée divisée par le nombre total de groupes considérés. Dans l'exemple de la figure 8, t a pour valeur 0,2 et α a pour valeur 0,01. Dans cet exemple, les groupes de voxels significatifs ont une taille plus grande que 10 voxels.
L'hypothèse selon laquelle les images de la série sont échangeables permet de réaliser rigoureusement cette méthode statistique par permutations.
L'amélioration du pré-traitement du biais temporel est une sous caractéristique de l'invention qui a un intérêt en tant que telle et qui est susceptible d'être revendiquée séparément.
Bien entendu, l'invention n'est pas limitée à la forme de réalisation décrite précédemment à titre d'exemple, elle s'étend à d'autres variantes. Ainsi, on pourra utiliser d'autres modèles paramétriques. D'autres études statistiques peuvent être menées avec des tables de distribution différen- tes. Dans le second mode de réalisation, la méthode peut être appliquée sans permutation des images. L'invention s'étend également à d'autres pathologies que la sclérose en plaques.
Annexe I
i-a f (χ)=Pι.(exp(-g(x-p2)2)+p5
I-b Y=X.β+ ε
dim Y = n x 1 dim X = n x 2 dim β = 2 x 1 dim ε = n x 1
I-c t = c τ.β / (σ2.c T.(X T.X)"\ 1/2 c)
c=[l 0]τ

Claims

Revendications
1. Dispositif de traitement d'images, comprenant:
- une entrée pour recevoir une suite temporelle de jeux de données représentant des images numériques volumiques comparables, chaque donnée comprenant une composante de position et une composante d'intensité,
- des moyens de pré-traitement (8; 18) pour modifier les jeux de données de façon à obtenir des images recalées géométrique- ment et en intensité, et
- des moyens de traitement comparatif (10; 20), propres à examiner des jeux de suites temporelles d'éléments d'image, afin d'y détecter des signes de variations, caractérisé en ce que - les moyens de traitement (20) comprennent:
* une fonction de modélisation (12), capable d'ajuster un modèle paramétrique séparément sur certains au moins des jeux de suites temporelles d'éléments d'image, ce qui fournit des couples d'informations du genre: élément d'image, temps; et
* une fonction d'analyse statistique (14) de ces couples d'informations, propre à isoler ceux des couples d'informations qui sont représentatifs d'une variation significative .
2. Dispositif selon la revendication 1, caractérisé en ce que le modèle paramétrique est du type gaussienne asymétrique, comprenant un paramètre d'amplitude maximum, un paramètre d'amplitude minimum, un paramètre de temps au pic, un para- mètre de largeur de référence et un paramètre de dissymétrie.
3. Dispositif selon la revendication 2, caractérisé en ce que le modèle paramétrique comprend un modèle moyen dont les paramètres sont établis à partir de jeux de suites temporelles d'éléments d'image mesurés sur des zones pathologiques évolutives .
4. Dispositif selon la revendication 3, caractérisé en ce que lesdits paramètres du modèle moyen sont obtenus à partir de jeux de suites temporelles normalisées en temps et en ampli- tude.
5. Dispositif selon l'une des revendications 1 à 2, caractérisé en ce que la fonction de modélisation (12) comprend en outre un modèle linéaire général appliqué à chaque jeu de suites temporelles d'éléments d'image de façon à obtenir, pour chacun desdits jeux de suites, une combinaison linéaire d'au moins le modèle moyen (Xx) et une constante (X2) suivant un vecteur (β) comprenant au moins un premier et un deuxième coefficient.
6. Dispositif selon la revendication 5, caractérisé en ce que la fonction d'analyse statistique (14) comprend une opération du type T-test révélant des zones à évolution pathologique connexes où ledit premier coefficient est significativement différent de zéro.
7. Dispositif selon l'une des revendications 1 et 2, caractérisé en ce que la fonction de modélisation (12) comprend en outre d'ajuster au moins un modèle paramétrique pour au moins une suite temporelle d'élément d'image.
8. Dispositif selon la revendication 7, caractérisé en ce qu'au moins un paramètre du modèle est fixé à partir de jeux de suites temporelles d'éléments d'images normalisées en temps et en amplitude.
9. Dispositif selon la revendication 7, caractérisé en ce qu'au moins un paramètre du modèle est obtenu à partir du jeu de suite temporelle dudit élément d'image.
10. Dispositif selon la revendication 1 en combinaison avec l'une des revendications 7 à 9, caractérisé en ce que la fonction d'analyse statistique (14) comprend de répéter, pour au moins une suite dans un ordre temporel différent dudit élément d'image, la fonction de modélisation (12) comprenant d'ajuster un modèle paramétrique pour une suite temporelle d' élément d' image .
11. Dispositif selon la revendication 10, caractérisé en ce que la fonction d'analyse statistique (14) comprend la détermination de groupes d'éléments d'image voisins correspondant à des suites d'éléments d'image ayant au moins un des paramètres de leur modèle supérieur à un seuil donné, ces groupes d'éléments d'image voisins formant des zones patholo- giques évolutives d'une taille déterminée par la fonction d'analyse statistique.
12. Dispositif selon la revendication 11, caractérisé en ce que la fonction d'analyse statistique (14) comprend en outre une distribution desdites zones pathologiques évolutives suivant leur taille et une détermination de zones pathologiques évolutives significatives.
13. Dispositif selon l'une des revendications 3, 5 et 7, caractérisé en ce que la fonction de modélisation (12) comprend une fonction d'optimisation appliquée aux paramètres du modèle paramétrique.
14. Dispositif selon l'une des revendications précédentes, dans lequel le prétraitement comprend un recalage rigide, suivi d'une correction du biais temporel, caractérisé en ce que la correction du biais temporel comprend la construction d'un histogramme conjoint 3D des intensités d'images prises deux à deux.
15. Dispositif selon la revendication 14, caractérisé en ce que la correction du biais temporel comprend la construction d'une droite de régression sur ledit histogramme par une technique de moindres carrés orthogonale robuste.
16. Dispositif selon l'une des revendications 14 et 15, caractérisé en ce que la correction du biais temporel comprend la correction en conséquence de l'une des images par rapport à l'autre.
17. Procédé de traitement d'images, comprenant les étapes suivantes: a- recevoir une suite temporelle de jeux de données représentant des images numériques volumiques comparables, chaque donnée comprenant une composante de position et une composante d' intensité, b- modifier les jeux de données de façon à obtenir des images recalées géométriquement et en intensité, caractérisé en ce qu'il comprend les étapes complémentaires c- ajuster un modèle paramétrique (140) séparément sur certains au moins des jeux de suites temporelles d'éléments d'image, ce qui fournit des couples d'informations du genre: élément d'image, temps, d- isoler ceux des couples d'informations qui sont représenta- tifs d'une variation significative par analyse statistique (156).
18. Procédé selon la revendication 17, caractérisé en ce que le modèle paramétrique de l'étape c- est du type gaussienne asymétrique, comprenant un paramètre d'amplitude maximum, un paramètre d'amplitude minimum, un paramètre de temps au pic, un paramètre de largeur de référence et un paramètre de dissymétrie.
19. Procédé selon la revendication 18, caractérisé en ce que le modèle paramétrique de l'étape c- comprend un modèle moyen dont les paramètres sont établis à partir de jeux de suites temporelles d'éléments d'image mesurés sur des zones pathologiques évolutives.
20. Procédé selon la revendication 19, caractérisé en ce que lesdits paramètres du modèle moyen de l'étape c- sont obtenus à partir de jeux de suites temporelles normalisées en temps et en amplitude.
21. Procédé selon l'une des revendications 17 à 18, caractérisé en ce que l'étape c- comprend cl- appliquer un modèle linéaire général à chaque jeu de suites temporelles d'éléments d'image de façon à obtenir, pour chacun desdits jeux de suites, une combinaison linéaire d'au moins le modèle moyen et une constante suivant un vecteur comprenant au moins un premier et un deuxième coefficient (142).
22. Procédé selon la revendication 21, caractérisé en ce que l'étape d- comprend dl- appliquer aux couples d'information une opération du type T-test révélant des zones à évolution pathologique connexes où ledit premier coefficient est significativement différent de zéro ( 152 ) .
23. Procédé selon l'une des revendications 17 et 18, caractérisé en ce que l'étape c- comprend cl- ajuster au moins un modèle paramétrique pour au moins une suite temporelle d'élément d'image.
24. Procédé selon la revendication 23, caractérisé en ce que l'étape cl- comprend en outre de fixer au moins un paramètre de modèles à partir de jeux de suites temporelles normalisées en temps et en amplitude.
25. Procédé selon la revendication 23, caractérisé en ce que l'étape cl- comprend d'obtenir au moins un paramètre du modèle à partir du jeu de suite temporelle dudit élément d'image.
26. Procédé selon la revendication 17 en combinaison avec l'une des revendications 23 à 25, caractérisé en ce que l'étape d- comprend dl- répéter l'étape c- pour au moins une suite dans un ordre temporel différent dudit élément d'image.
27. Procédé selon la revendication 26, caractérisé en ce que l'étape d- comprend d2- déterminer des groupes d'éléments d'image voisins correspondant à des suites d'éléments d'image ayant au moins un des paramètres de leur modèle supérieur à un seuil donné, d3- déterminer la taille de zones pathologiques évolutives formées par ces groupes d'éléments d'image voisins.
28. Procédé selon la revendication 23, caractérisé en ce que l'étape d- comprend d4- distribuer lesdites zones pathologiques évolutives suivant leur taille, d5- déterminer les zones pathologiques évolutives significatives.
29. Procédé selon l'une des revendications 19, 21 et 23 caractérisé en ce que l'étape c- comprend d'optimiser les paramètres du modèle paramétrique.
30. Procédé selon l'une des revendications précédentes, dans lequel l'étape b- comprend d'effectuer un recalage rigide, suivi d'une correction du biais temporel, caractérisé en ce que l'étape b- comprend d'effectuer la correction du biais temporel par la construction d'un histogramme conjoint 3D des intensités d'images prises deux à deux.
31.Procédé selon la revendication 30, caractérisé en ce que l'étape b- comprend d'effectuer la correction du biais temporel par la construction d'une droite de régression sur ledit histogramme par une technique de moindres carrés orthogonale robuste.
32. Procédé selon l'une des revendications 30 et 31, caractérisé en ce que l'étape b- comprend d'effectuer la correction du biais temporel par la correction en conséquence de l'une des images par rapport à l'autre.
EP02803429A 2001-10-12 2002-10-04 Dispositif et methode de traitement d'image pour detection de lesions evolutives Withdrawn EP1440413A1 (fr)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
FR0113192 2001-10-12
FR0113192A FR2830961B1 (fr) 2001-10-12 2001-10-12 Dispositif et methode de traitement d'image pour detection de lesions evolutives
FR0115780A FR2830962B1 (fr) 2001-10-12 2001-12-06 Dispositif et methode de traitement d'image pour detection de lesions evolutives
FR0115780 2001-12-06
PCT/FR2002/003396 WO2003044719A1 (fr) 2001-10-12 2002-10-04 Dispositif et methode de traitement d'image pour detection de lesions evolutives

Publications (1)

Publication Number Publication Date
EP1440413A1 true EP1440413A1 (fr) 2004-07-28

Family

ID=26213217

Family Applications (1)

Application Number Title Priority Date Filing Date
EP02803429A Withdrawn EP1440413A1 (fr) 2001-10-12 2002-10-04 Dispositif et methode de traitement d'image pour detection de lesions evolutives

Country Status (4)

Country Link
US (1) US7822240B2 (fr)
EP (1) EP1440413A1 (fr)
FR (1) FR2830962B1 (fr)
WO (1) WO2003044719A1 (fr)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4375143B2 (ja) * 2004-07-06 2009-12-02 株式会社日立製作所 動画像符号化装置
FR2916883B1 (fr) * 2007-05-29 2009-09-04 Galderma Res & Dev Procede et dispositif d'acquisition et de traitement d'images pour la detection de lesions evolutives
FR2916875B1 (fr) * 2007-05-29 2009-09-04 Galderma Res & Dev Procede et dispositif d'acquisition et de traitement de donnees pour la detection de l'evolution dans le temps de lesions evolutives
FR2937758B1 (fr) 2008-10-27 2012-09-21 Techsia Procede et dispositif de traitement de signaux
US8886467B2 (en) 2008-10-27 2014-11-11 Schlumberger Technology Corporation Process and apparatus for processing signals
JP5775823B2 (ja) * 2009-01-13 2015-09-09 コーニンクレッカ フィリップス エヌ ヴェ 画像ベースの臨床試験評価
EP2387708B1 (fr) 2009-01-16 2019-05-01 New York University Caractérisation de particules en temps réel automatisée et vélocimétrie tridimensionnelle avec microscopie vidéo holographique
US20130315448A1 (en) * 2012-03-28 2013-11-28 Evan Fletcher Systems and methods for measuring longitudinal brain change incorporating boundary-based analysis with tensor-based morphometry
WO2014093376A1 (fr) * 2012-12-10 2014-06-19 The Cleveland Clinic Foundation Fusion d'images à compensation automatisée pour une déformation de cerveau
EP3068298B1 (fr) * 2013-11-15 2025-11-05 New York University Émission parallèle à auto-étalonnage par empreinte numérique par résonance magnétique dynamique de spin
US10983041B2 (en) 2014-02-12 2021-04-20 New York University Fast feature identification for holographic tracking and characterization of colloidal particles
JP6264949B2 (ja) * 2014-03-05 2018-01-24 富士ゼロックス株式会社 画像処理装置及びプログラム
WO2016077472A1 (fr) 2014-11-12 2016-05-19 New York University Empreintes colloïdales pour matériaux mous à l'aide d'une caractérisation holographique totale
WO2017048960A1 (fr) 2015-09-18 2017-03-23 New York University Détection et caractérisation holographiques de grosses particules d'impureté dans des suspensions épaisses de précision
WO2017139279A2 (fr) 2016-02-08 2017-08-17 New York University Caractérisation holographique d'agrégats de protéines
US10670677B2 (en) 2016-04-22 2020-06-02 New York University Multi-slice acceleration for magnetic resonance fingerprinting
JP6595729B2 (ja) * 2016-06-29 2019-10-23 コーニンクレッカ フィリップス エヌ ヴェ 医療画像における変化検出
US10692279B2 (en) * 2017-07-31 2020-06-23 Quantum Spatial, Inc. Systems and methods for facilitating making partial selections of multidimensional information while maintaining a multidimensional structure
US12197187B2 (en) * 2019-06-26 2025-01-14 Hewlett-Packard Development Company, L.P. Geometrical transformations in additive manufacturing
US12555041B2 (en) * 2019-07-31 2026-02-17 BioSymetrics, Inc. Methods, systems, and frameworks for debiasing data in drug discovery predictions
US11543338B2 (en) 2019-10-25 2023-01-03 New York University Holographic characterization of irregular particles
US11948302B2 (en) 2020-03-09 2024-04-02 New York University Automated holographic video microscopy assay
JP7551336B2 (ja) * 2020-05-21 2024-09-17 キヤノン株式会社 情報処理装置、情報処理方法、およびプログラム
US11941825B2 (en) * 2021-10-28 2024-03-26 Canon Medical Systems Corporation Method and apparatus for registering image volumes
US12369861B2 (en) * 2022-06-03 2025-07-29 BioSymetrics, Inc. Methods, systems, and frameworks for debiasing data in drug discovery predictions
US12572865B2 (en) 2022-12-27 2026-03-10 International Business Machines Corporation Automatic and dynamic adaptation of hierarchical reconciliation for time series forecasting

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4755792A (en) * 1985-06-13 1988-07-05 Black & Decker Inc. Security control system
US5068890A (en) * 1986-10-22 1991-11-26 Nilssen Ole K Combined signal and electrical power distribution system
US5991028A (en) * 1991-02-22 1999-11-23 Applied Spectral Imaging Ltd. Spectral bio-imaging methods for cell classification
US5546472A (en) * 1992-08-07 1996-08-13 Arch Development Corp. Feature guided method and apparatus for obtaining an image of an object
DE69332042T2 (de) * 1992-12-18 2003-01-02 Koninklijke Philips Electronics N.V., Eindhoven Ortungszurückstellung von relativ elastisch verformten räumlichen Bildern durch übereinstimmende Flächen
US5617861A (en) * 1994-02-16 1997-04-08 Huntington Medical Research Institutes Magnetic resonance spectral analysis of the brain for diagnosis of clinical conditions
US6123919A (en) * 1994-04-08 2000-09-26 The Trustees Of Princeton University Magnetic resonance imaging using hyperpolarized noble gases
JP3192318B2 (ja) * 1994-05-20 2001-07-23 松下電工株式会社 無線式情報伝送システム
ATE187824T1 (de) * 1994-10-24 2000-01-15 Fisher Rosemount Systems Inc Vorrichtung, die einen zugang zu feldgeräten in einem verteilten steuerungssystem gestattet
DE19525682A1 (de) * 1995-07-14 1997-01-16 Basf Ag Verfahren zur Herstellung von Diarylethanen
US5848054A (en) * 1996-02-07 1998-12-08 Lutron Electronics Co. Inc. Repeater for transmission system for controlling and determining the status of electrical devices from remote locations
US5848121A (en) * 1996-10-28 1998-12-08 General Electric Company Method and apparatus for digital subtraction angiography
US5859891A (en) * 1997-03-07 1999-01-12 Hibbard; Lyn Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning
US6243571B1 (en) * 1998-09-21 2001-06-05 Phonex Corporation Method and system for distribution of wireless signals for increased wireless coverage using power lines
US6778817B1 (en) * 1998-12-01 2004-08-17 Phonex Corporation Method and system for combining wireless phone jack and RF wireless communications
US6397288B1 (en) * 1999-09-03 2002-05-28 Xid Wireless Technology Inc Rf PC interface
US6653932B1 (en) * 1999-09-29 2003-11-25 Skyworks Solutions, Inc. System and method for achieving wireless communications coverage in a local area
CA2634667A1 (fr) * 1999-11-01 2001-05-10 Arthrovision, Inc. Evaluation de la progression d'une maladie au moyen de l'imagerie par resonance magnetique
US6492897B1 (en) * 2000-08-04 2002-12-10 Richard A. Mowery, Jr. System for coupling wireless signals to and from a power transmission line communication system
US6822946B1 (en) * 2000-08-24 2004-11-23 Motorola, Inc Wireless bridge for a broadband network
FR2831002B1 (fr) * 2001-10-16 2004-01-02 Victor Kossikouma Agbegnenou Systeme de communication polyvalent sans fil
US7346332B2 (en) * 2002-01-25 2008-03-18 Ksc Industries Incorporated Wired, wireless, infrared, and powerline audio entertainment systems
US7113763B2 (en) * 2002-06-03 2006-09-26 Nokia Corporation Bluetooth access point and remote bluetooth modules for powerline based networking
US20040198236A1 (en) * 2002-08-30 2004-10-07 Scott Paine Wireless telephone jack
US20050076149A1 (en) * 2002-12-04 2005-04-07 Macphy Technologies, Inc. Method and apparatus for providing broadband wireless access services using the low voltage power line
US6972688B2 (en) * 2003-01-28 2005-12-06 Gateway Inc. Power supply with modular integrated networking
US7065350B2 (en) * 2003-03-28 2006-06-20 Sony Corporation Apparatus and method for communicating a wireless data signal in a building
TW200501624A (en) * 2003-05-14 2005-01-01 Digitaldeck Inc Infrared signal distribution and management system and method
JP2005073141A (ja) * 2003-08-27 2005-03-17 Toshiba Corp データ伝送装置および電源制御方法
US7092693B2 (en) * 2003-08-29 2006-08-15 Sony Corporation Ultra-wide band wireless / power-line communication system for delivering audio/video content

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO03044719A1 *

Also Published As

Publication number Publication date
WO2003044719A1 (fr) 2003-05-30
US20050141757A1 (en) 2005-06-30
US7822240B2 (en) 2010-10-26
FR2830962B1 (fr) 2004-01-30
FR2830962A1 (fr) 2003-04-18

Similar Documents

Publication Publication Date Title
WO2003044719A1 (fr) Dispositif et methode de traitement d'image pour detection de lesions evolutives
Roy et al. Magnetic resonance image example-based contrast synthesis
Manjón et al. Diffusion weighted image denoising using overcomplete local PCA
Ullmann et al. Automatic labeling of vertebral levels using a robust template‐based approach
Ahmad et al. Edge sharpness assessment by parametric modeling: application to magnetic resonance imaging
Lemieux et al. Automatic segmentation of the brain and intracranial cerebrospinal fluid in T1‐weighted volume MRI scans of the head, and its application to serial cerebral and intracranial volumetry
Gago et al. An end-to-end framework for intima media measurement and atherosclerotic plaque detection in the carotid artery
Carone et al. ICA-based denoising for ASL perfusion imaging
CN111537931A (zh) 快速磁共振多参数成像方法和装置
US11887298B2 (en) Fluorescence lifetime imaging using deep learning
FR2884013A1 (fr) Systeme et procede d'amelioration d'images volumetriques
Goldfryd et al. Deep semi-supervised bias field correction of Mr images
Rachmadi et al. Limited one-time sampling irregularity map (LOTS-IM) for automatic unsupervised assessment of white matter hyperintensities and multiple sclerosis lesions in structural brain magnetic resonance images
EP4314854B1 (fr) Procédé d'atténuation du bruit d'images résultant d'acquisitions multiples par résonance magnétique
Pinon et al. One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities
Olson et al. Optimization of q-space sampling for mean apparent propagator MRI metrics using a genetic algorithm
Prastawa et al. Automatic segmentation of neonatal brain MRI
Darıcı et al. A comparative study on denoising from facial images using convolutional autoencoder
FR2943156A1 (fr) Procede d'elaboration d'un dispositif de prediction, utilisation, support de stockage d'information et appareil correspondants.
US20220349972A1 (en) Systems and methods for integrated magnetic resonance imaging and magnetic resonance fingerprinting radiomics analysis
Poojary et al. A novel approach for bone age assessment using deep learning
Wang et al. Rapid and automatic detection of brain tumors in MR images
US8224048B2 (en) Computer implemented method for correction of magnetic resonance images
Avants et al. Sparse unbiased analysis of anatomical variance in longitudinal imaging
Hou et al. A fast and automatic method to correct intensity inhomogeneity in MR brain images

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20040410

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR IE IT LI LU MC NL PT SE SK TR

AX Request for extension of the european patent

Extension state: AL LT LV MK RO SI

RIN1 Information on inventor provided before grant (corrected)

Inventor name: STOECKEL, JONATHAN

Inventor name: AYACHE, NICHOLAS

Inventor name: MALANDAIN, GREGOIRE

Inventor name: REY, DAVID

17Q First examination report despatched

Effective date: 20100726

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20180501