EP3523778A1 - Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient - Google Patents

Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient

Info

Publication number
EP3523778A1
EP3523778A1 EP17777294.4A EP17777294A EP3523778A1 EP 3523778 A1 EP3523778 A1 EP 3523778A1 EP 17777294 A EP17777294 A EP 17777294A EP 3523778 A1 EP3523778 A1 EP 3523778A1
Authority
EP
European Patent Office
Prior art keywords
lung
histogram
threshold
images
image
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Withdrawn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
EP17777294.4A
Other languages
German (de)
English (en)
Inventor
Guillaume CHASSAGNON
Marie-Pierre REVEL
Stéphane CHEMOUNY
Amandine RENÉ
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.)
Assistance Publique Hopitaux de Paris APHP
Universite Paris Cite
Intrasense SA
Original Assignee
Assistance Publique Hopitaux de Paris APHP
Universite Paris Descartes
Intrasense SA
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
Application filed by Assistance Publique Hopitaux de Paris APHP, Universite Paris Descartes, Intrasense SA filed Critical Assistance Publique Hopitaux de Paris APHP
Publication of EP3523778A1 publication Critical patent/EP3523778A1/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Withdrawn legal-status Critical Current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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/30061—Lung

Definitions

  • the present invention relates to a method and a device for treating at least one image of a given part of at least one lung.
  • the method according to the invention finds application in the monitoring of pathologies that induce diffuse dilation of the bronchi of the lungs. STATE OF THE ART
  • Cystic fibrosis is the most common inherited genetic disorder of the Caucasian population with an incidence of 1/4500. The life expectancy of patients has increased significantly since its description in 1938, now reaching a little over 40 years and, to date, the population of adults with cystic fibrosis is higher than that of children. Respiratory disease remains the most important cause of death. While the lungs of affected patients are almost free at birth, the increase in the viscosity of bronchial secretions causes their accumulation in the airways and the formation of mucous plugs, or mucoid impactions. Infections, and in particular chronic Pseudomonas aeruginosa infection, favored by defective mucociliary clearance, maintain and aggravate mucoid impactions and bronchial inflammation.
  • An object of the invention is to overcome at least one of the above drawbacks.
  • Segmentation of the cutting image (s) of the given part of the lung to produce a characteristic histogram of the pulmonary density of the given part of the lung, using the voxels of the cutting image or images, each voxel being associated at a given lung density,
  • the fact of making the threshold depend not only on the mode of the histogram but also on the standard deviation of the data of the histogram makes it possible to take into account the variations of the "spreading" of the histogram, these variations being related to the degree of inspiration). This makes it possible to increase the correlation between the automatic score obtained on the basis of this threshold and the FEV1 of the patient considered, and consequently the reliability of the automatic score.
  • FIG. 1 schematically represents an image acquisition and processing system according to one embodiment of the invention.
  • Figure 2 shows three histograms of pulmonary density relating to a patient with ordinate the number of voxels.
  • FIG. 3 is a flowchart of steps of an automatic image processing method according to one embodiment of the invention.
  • FIG. 4 is a correlation curve between the evolution of an automatic score making it possible to qualify the bronchial attack obtained by an automatic image processing method according to one embodiment of the invention, and the evolution of the expiratory volume in 1 second (FEV1) corresponding.
  • Figure 5 shows two pulmonary density histograms relating to a patient.
  • FIG. 6 is a curve of evolution over time of the value of dilation scores calculated for different patients by means of a treatment method according to a first embodiment of the invention
  • FIG. 7 is a curve of evolution over time of the value of dilation scores calculated for different patients by means of a treatment method according to a second embodiment of the invention.
  • a system comprises an image acquisition device 1 of a lung, and an image processing device 2.
  • the image acquisition device 1 is known from the state of the art; these measures
  • 1 is for example an X-ray scanner or a magnetic resonance imaging device (RM).
  • RM magnetic resonance imaging device
  • the image processing device 2 is configured to process images acquired by the device 1.
  • the image processing device 2 comprises a communication interface 4 with the acquisition device 1, a segmentation module 6, a processor 8, and a memory 10.
  • the communication interface 4 is adapted to receive images acquired by the acquisition device 1.
  • This communication interface 4 is for example wired or wireless type (Wi-Fi, etc.).
  • the devices 1 and 2 form two internal components of a single device.
  • the segmentation module 6 is configured to analyze the content of images provided by the acquisition device 1 and to extract certain information.
  • the segmentation module 6 is for example configured to run the Myrian® computer program or the Syngo.via® program, known from the state of the art. Other alternative segmentation programs known from the state of the art can be used by the segmentation module 6.
  • the processor 8 is configured to perform calculations based on such information.
  • the memory 10 is adapted to store images or calculation data produced by the segmentation module 6 and / or the processor 8.
  • the device 1 acquires at least one image of at least a given portion of at least one lung of a patient.
  • the one or more images have been acquired during inspiration of the patient. It will be seen in the following that this increases the reliability of the output data of the process.
  • the images are in section with a certain thickness; the images differ according to the cutting thickness considered for the images.
  • the images show all of the two lungs, or show one or more lobes of the lungs.
  • the images are of the tomodensitometric type. Alternatively, it could be used for the invention an MRI.
  • Each image received is typically in grayscale.
  • a pixel or voxel close to black is representative of a portion of the lung shown in this image which is sparse.
  • a pixel or voxel close to white is representative of a portion of the lung represented in this image which is very dense.
  • the plurality of 2D images forms a three-dimensional image comprising a plurality of voxels, each voxel relating to an elemental volume of the lung represented by the images.
  • each voxel of the plurality of images has a gray level; a voxel close to black is representative of an elementary volume of the lung which is not very dense, and, on the other hand, a voxel close to white is representative of a very dense elementary volume of the lung.
  • the segmentation module 6 segments the plurality of images it receives, so as to produce, on the basis of these images, a histogram characteristic of the lung density from the plurality of images.
  • the histogram is a curve taking on the abscissa a pulmonary density, expressed in units on the Hounsfield scale (UH), and on the ordinate a number of voxels.
  • the histogram indirectly enumerates, for each gray level represented in the image, the number of voxels of the plurality of images having this gray level.
  • FIG. 2 Three examples of characteristic pulmonary density histograms are shown in Figure 2. These three histograms correspond to three pluralities of images acquired in a patient without lung disease who had 3 scanners at 1 year intervals (CT1, CT2 and CT3). .
  • the modes associated with these three histograms are respectively -899 HU, -888 HU and -868 HU.
  • the histogram mode also called the dominant value, is the pulmonary density of the histogram associated with the largest number of voxels in this histogram. This mode is therefore indicative of the gray level that comes up most frequently in the plurality of images.
  • the mode is determined by the segmentation module 6 or the processor 8.
  • the processor calculates a pulmonary density threshold based on one or more characteristics of the histogram.
  • a first feature used by the method is the mode of the histogram.
  • the pulmonary density threshold may also depend on the standard deviation of the density values of the histogram which is a second characteristic used by the method.
  • the threshold is for example calculated as follows by the processor 8:
  • the threshold thus makes it possible to separate the voxels of the histogram into 2 groups.
  • N is in a range from 0 to 4 and the threshold is a high threshold. Very preferably, N is in a range from 1 to 3.
  • the threshold When N is strictly positive, the threshold is therefore a density value which is shifted to the right on the histogram; when N is strictly negative, the threshold is therefore a density value which is shifted to the left on the histogram and the threshold is a low threshold. In both cases, this threshold is therefore associated with a number of voxels less than the maximum of the histogram.
  • it is considered N positive and a lung volume whose density is located above this threshold.
  • This proportion of too dense lung which is a reflection of the proportion of sick lung, is obtained through the use of a personalized threshold calculated on the properties of the histogram of each examination.
  • This personalized threshold responds to the main problem encountered in CT quantification, which is the variability of the distribution of pulmonary densities according to the degree of inspiration, making the use of non-personalized thresholds inefficient.
  • the processor then calculates a ratio between the lung volume having a defined lung density relative to the calculated threshold and a total lung volume shown by the image.
  • the processor also determines, from the images of the lung, a lung volume having a lung density greater than or less than the calculated threshold.
  • the processor can count the total number of voxels in the part of the histogram to the right of the calculated threshold, and multiply this number by the elemental volume of a voxel.
  • the processor further determines a total volume of the lung shown by the plurality of images.
  • the processor can count the total number of voxels counted in the histogram, and multiply this number by the elementary volume of a voxel.
  • the processor then calculates a bronchial dilation score from the total volume and lung volume having a lung density greater than or less than the calculated threshold.
  • the calculated score is stored in the memory 10.
  • the score is calculated as follows:
  • score is calculated as follows: score
  • the development cohort is a multicenter cohort of patients followed longitudinally (at least 2 available examinations per patient, 40 scanners analyzed in total) with pre- and post-drug scans (ivacaftor) effective for the treatment of these patients with particular mutation: the G551 D mutation of the CFTR gene involved in cystic fibrosis.
  • the objective was to verify that the clinical and functional improvement under treatment was also observed with the dilation score obtained by the image processing method described above.
  • the second cohort is an independent mono-centric cohort corresponding to a group of patients evaluated at the Cochin hospital in Paris in 2013, as part of their follow-up every 2 years (53 patients).
  • FEV1 force expiratory volume in 1 second
  • FEV1 is a reference standard, recommended by both the Food and Drug Administration and the European Medicine Agency, to estimate the severity of CF in clinical research protocols.
  • Thresholds according to other embodiments of the invention, depending both on the mode of the histogram and also on the standard deviation of the data of the histogram
  • Table 1 also lists the correlation coefficient between the Brody I score and FEV1 (line 1 1).
  • the threshold depend on parameters specific to the person being examined, namely the mode and advantageously the standard deviation or standard deviation of the histogram, therefore makes it possible to take into account inter-patient variations (variations related to the degree of inspiration of patients) and variations in technical parameters.
  • the automatic score obtained on the basis of such an adaptive threshold remains correlated with FEV1. over time, even if the patient inspires differently or if the previously mentioned technical parameters change.
  • the fact of making the threshold depend not only on the mode of the histogram but also on the standard deviation of the data of the histogram makes it possible to take into account the variations of the "spreading" of the histogram, these variations being related to the degree of inspiration). This makes it possible to further increase the correlation between the automatic score obtained on the basis of this threshold and the FEV1.
  • Table 1 illustrates that the value of the correlation coefficients between the different bronchial dilation scores according to the embodiments of the invention (line 10) and the FEV1 are close to the correlation values between the Brody II score and FEV1 (line 1 1), regardless of the segmentation program used.
  • the automatic score obtained by the implementation of the image processing method described above is of equivalent relevance to that of the Brody II score, but much simpler to obtain than the latter.
  • Table 2 below does not study the correlation of instantaneous scores with FEV 1, as in Table 1, but the correlation of the variation of these same scores ( ⁇ score) over a 19-month follow-up period in average, with the change in FEV1 over the same period.
  • FIG. 4 there is a curve showing the correlation between the evolution of an automatic score obtained by the image processing method according to one embodiment of the invention and the evolution of FEV1.
  • Figure 5 shows two histograms relating to the same patient, but produced by the segmentation module 6 from images acquired respectively while the patient inspires, and while the patient expires. It can be seen that these two histograms are different. In particular, the histogram obtained from the inspiration images has a lower standard deviation than the histogram obtained from the expiration images.
  • the images are preferably acquired while the patient is inhaling. This makes it possible to improve the correlation between the automatic score obtained and the FEV1.
  • the segmentation implemented by the segmentation module and the calculations performed by the processor can be performed on the basis of a single image.
  • the score may also depend on coefficients associated with the segmentation program used. It turns out that the histograms produced by different segmentation programs are not perfectly identical; therefore, such coefficients can further increase the correlation between the automatic score obtained and FEV1.
  • the automatic score can be calculated not on the basis of a lung volume having a lung density greater than the calculated threshold, but on the basis of a lung volume having a density less than the calculated threshold. In this case, the lower the score, the less dense the patient's lung.
  • the automatic score can advantageously be used to measure a level of impairment of the patient to a pathology inducing a diffuse pathology of the bronchi of the lungs, such as cystic fibrosis or primary ciliary dyskinesia or diffuse postinfective or idiopathic bronchial dilations.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Pulmonology (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

Il est proposé un procédé de traitement automatique d'au moins une image de coupe d'une partie donnée d'au moins un poumon d'un patient atteint d'une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de segmentation (102) de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l'aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée, calcul (104) à partir de l'histogramme, d'un seuil correspondant à une densité pulmonaire seuil, fonction d'une ou de plusieurs caractéristiques de l'histogramme, une première caractéristique étant le mode de l'histogramme, détermination (106), à partir de la ou des images de coupe de la partie donnée du poumon, d'un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, calcul (110), à partir du volume pulmonaire déterminé, d'un score automatique afin de suivre l'évolution de l'atteinte bronchique du patient.

Description

Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient
DOMAINE DE L'INVENTION
La présente invention concerne un procédé et un dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon.
Le procédé selon l'invention trouve application dans le suivi de pathologies qui induisent une dilatation diffuse des bronches des poumons. ETAT DE LA TECHNIQUE
La mucoviscidose est la plus fréquente des maladies génétiques héréditaires graves de la population caucasienne avec une incidence de 1 /4500. L'espérance de vie des patients a nettement augmenté depuis sa description en 1938, atteignant désormais un peu plus de 40 ans et, à ce jour, la population d'adultes atteints par la mucoviscidose est supérieure à celle des enfants. L'atteinte respiratoire reste la plus importante cause de mortalité. Alors que les poumons des sujets atteints sont quasiment indemnes à la naissance, l'augmentation de la viscosité des sécrétions bronchiques entraîne leur accumulation dans les voies aériennes et la formation de bouchons muqueux, ou impactions mucoïdes. Les infections, et en particulier l'infection chronique à Pseudomonas aeruginosa, favorisées par une clairance mucociliaire défectueuse, entretiennent et aggravent les impactions mucoïdes et l'inflammation bronchique. L'infection et l'inflammation bronchiques chroniques mènent progressivement au développement de dilatations bronchiques (bronchectasies) et à une insuffisance respiratoire terminale. Le principal objectif de la prise en charge respiratoire des patients est le contrôle de l'infection pulmonaire chronique par l'administration d'antibiotiques et le drainage des sécrétions pulmonaires. Les traitements les plus récents développés ont pour objectif d'agir en amont pour corriger la viscosité des sécrétions, et non plus seulement d'agir sur les conséquences.
Pour l'évaluation de l'atteinte pulmonaire liée à la mucoviscidose, plusieurs scores visuels ont été proposés, dont le score dit de Brody II, décrit dans le document « High- resolution computed tomography in young patients with cystic fibrosis: distribution of abnormalities and corrélation with pulmonary function tests », par Brody, Klein, Molina et al.
Le procédé décrit dans ce document comporte toutefois des inconvénients :
• Il est long à mettre en œuvre (environ 20 minutes) et n'est donc pas compatible avec une utilisation en dehors de protocoles de recherche. • Il nécessite un entraînement dans un centre de référence puis une pratique répétée pour pouvoir être mis en œuvre de façon reproductible, en conséquence de quoi peu d'experts capables de l'utiliser sont disponibles sur le terrain.
Il a en outre été proposé dans le document « Automatic CT scan scores of bronchiectasis and Air trapping cystic fibrosis » un procédé conforme de traitement d'une image d'un poumon dans lequel un histogramme de l'image est élaboré, et dans lequel un pic de cet histogramme est utilisé pour calculer un score permettant de diagnostiquer si le patient dont le poumon est montré dans l'image est atteint de mucovicidose. EXPOSE DE L'INVENTION
Un but de l'invention est de pallier au moins un des inconvénients qui précèdent.
Il est dès lors proposé un procédé de traitement automatique d'au moins une image de coupe d'une partie donnée d'au moins un poumon d'un patient atteint d'une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de :
• acquisition d'au moins une image de coupe par tomodensitométrie,
• segmentation de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l'aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée,
• calcul à partir de l'histogramme, d'un seuil correspondant à une densité pulmonaire seuil, fonction d'une ou de plusieurs caractéristiques de l'histogramme, une première caractéristique étant le mode de l'histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l'histogramme de la ou des images de la partie donnée du poumon, et une deuxième caractéristique étant un écart type de valeurs de densité de l'histogramme,
• détermination, à partir de la ou des images de coupe de la partie donnée du poumon, d'un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé,
• calcul, à partir du volume pulmonaire déterminé, d'un score automatique afin de suivre l'évolution de l'atteinte bronchique du patient.
Le procédé proposé présente de nombreux avantages :
· Il peut être mis en œuvre de façon automatique, sans requérir d'expert ; • Il est rapide d'exécution ;
• sa reproductibilité est parfaite (aucune correction manuelle n'est à effectuer sur le score automatique obtenu).
En outre, le fait de faire dépendre le seuil non seulement du mode de l'histogramme mais également de l'écart type des données de l'histogramme permet de tenir compte des variations de « l'étalement » de l'histogramme, ces variations étant liées au degré d'inspiration). Ceci permet d'augmenter la corrélation entre le score automatique obtenu sur la base de ce seuil et le VEMS du patient considéré, et par conséquent la fiabilité du score automatique.
DESCRIPTION DES FIGURES
D'autres caractéristiques, buts et avantages de l'invention ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des dessins annexés sur lesquels :
« La figure 1 représente schématiquement un système d'acquisition et de traitement d'images selon un mode de réalisation de l'invention.
• La figure 2 représente trois histogrammes de densité pulmonaire se rapportant à un patient avec en ordonnée le nombre de voxels.
• La figure 3 est un organigramme d'étapes d'un procédé automatique de traitement d'image selon un mode de réalisation de l'invention.
• La figure 4 est une courbe de corrélation entre l'évolution d'un score automatique permettant de qualifier l'atteinte bronchique obtenu par un procédé automatique de traitement d'image selon un mode de réalisation de l'invention, et l'évolution du volume expiratoire maximal en 1 seconde (VEMS) correspondant.
· La figure 5 représente deux histogrammes de densité pulmonaire se rapportant à un patient.
• La figure 6 est une courbe d'évolution au cours du temps de la valeur de scores de dilatation calculés pour différents patients au moyen d'un procédé de traitement selon un premier mode de réalisation de l'invention,
· La figure 7 est une courbe d'évolution au cours du temps de la valeur de scores de dilatation calculés pour différents patients au moyen d'un procédé de traitement selon un deuxième mode de réalisation de l'invention.
Sur l'ensemble des figures, les éléments similaires portent des références identiques. DESCRIPTION DETAILLEE DE L'INVENTION
Système d'acquisition et de traitement d'images
En référence à la figure 1 , un système comprend un dispositif d'acquisition 1 d'images d'un poumon, et un dispositif de traitement d'images 2.
Le dispositif d'acquisition d'images 1 est connu de l'état de la technique ; ce dispositif
1 est par exemple un scanner à rayons X ou un dispositif d'imagerie par résonance magnétique (I RM).
Le dispositif de traitement d'images 2 est configuré pour traiter des images acquises par le dispositif 1 .
Le dispositif de traitement d'images 2 comprend une interface de communication 4 avec le dispositif d'acquisition 1 , un module de segmentation 6, un processeur 8, et une mémoire 10.
L'interface de communication 4 est adaptée pour recevoir des images acquises par le dispositif d'acquisition 1 . Cette interface de communication 4 est par exemple de type filaire ou de type sans fil (Wi-Fi, etc). Dans une variante de réalisation particulière, les dispositifs 1 et 2 forment deux composants internes d'un seul et même dispositif.
Le module de segmentation 6 est configuré pour analyser le contenu d'images fournies par le dispositif d'acquisition 1 et pour en extraire certaines informations.
Le module de segmentation 6 est par exemple configuré pour exécuter le programme d'ordinateur Myrian® ou le programme Syngo.via®, connus de l'état de la technique. D'autres programmes de segmentation alternatifs connus de l'état de la technique peuvent être utilisés par le module de segmentation 6.
Le processeur 8 est configuré pour effectuer des calculs sur la base de telles informations.
La mémoire 10 est adaptée pour mémoriser des images ou des données de calcul produites par le module de segmentation 6 et/ou le processeur 8.
Procédé d'acquisition et de traitement d'images
En référence à la figure 2, un procédé d'acquisition et traitement automatique d'images comprend les étapes suivantes.
Le dispositif 1 acquiert au moins une image d'au moins une partie donnée d'au moins un poumon d'un patient.
De préférence, la ou les images ont été acquises pendant une inspiration du patient. On verra dans ce qui suit que ceci permet d'augmenter la fiabilité des données de sortie du procédé. Les images sont en coupe avec une certaine épaisseur ; les images diffèrent en fonction des épaisseurs de coupe considérées pour les images.
Les images montrent l'ensemble des deux poumons, ou montrent un ou plusieurs lobes des poumons.
On prendra dans ce qui suit l'exemple de l'acquisition d'une pluralité d'image 2D montrant des coupes différentes d'un même poumon.
Les images sont de type tomodensitométriques. En variante, il pourrait être utilisé pour l'invention une IRM.
Chaque image reçue est typiquement en niveaux de gris.
Dans chaque image de la pluralité d'images, un pixel ou voxel proche du noir est représentatif d'une portion du poumon représenté sur cette image qui est peu dense. A contrario, un pixel ou voxel proche du blanc est représentatif d'une portion du poumon représenté sur cette image qui est très dense.
La pluralité d'images 2D forme une image tridimensionnelle comprenant une pluralité de voxels, chaque voxel se rapportant à un volume élémentaire du poumon représenté par les images. Ainsi, similairement, chaque voxel de la pluralité d'image a un niveau de gris ; un voxel proche du noir est représentatif d'un volume élémentaire du poumon qui est peu dense, et, a contrario, un voxel proche du blanc est représentatif d'un volume élémentaire du poumon qui est très dense.
La pluralité est transmise au module de segmentation 6 via l'interface de communication 4.
Le module de segmentation 6 segmente la pluralité d'images qu'il reçoit, de sorte à produire, sur la base de ces images, un histogramme caractéristique de la densité pulmonaire à partir de la pluralité d'images.
L'histogramme est une courbe prenant en abscisse une densité pulmonaire, exprimée en unités sur l'échelle de Hounsfield (UH), et en ordonnées un nombre de voxels. En d'autres termes, l'histogramme énumère indirectement, pour chaque niveau de gris représenté dans l'image, le nombre de voxels de la pluralité d'images ayant ce niveau de gris.
L'histogramme présente généralement une forme générale de gaussienne.
Trois exemples d'histogrammes caractéristiques de densité pulmonaire sont représentés sur la figure 2. Ces trois histogrammes correspondent à trois pluralités d'images acquises chez un patient sans maladie pulmonaire ayant eu 3 scanners à 1 an d'intervalle (CT1 , CT2 et CT3). Les modes associés à ces trois histogrammes sont respectivement -899 UH, -888 UH et -868 UH. Le mode de l'histogramme, également appelé valeur dominante, est la densité pulmonaire de l'histogramme associée au plus grand nombre de voxels de cet histogramme. Ce mode est donc indicatif du niveau de gris qui revient le plus fréquemment dans la pluralité d'images.
Le mode est déterminé par le module de segmentation 6 ou par le processeur 8.
Le module de segmentation 6 ou le processeur 8 détermine par ailleurs l'écart type (« standard déviation » en anglais) des valeurs de densité de l'histogramme.
Le processeur calcule un seuil de densité pulmonaire fonction d'une ou de plusieurs caractéristiques de l'histogramme.
Une première caractéristique utilisée par le procédé est le mode de l'histogramme. Le seuil de densité pulmonaire peut également dépendre de l'écart type des valeurs de densité de l'histogramme qui est une deuxième caractéristique utilisée par le procédé.
Le seuil est par exemple calculé comme suit par le processeur 8 :
seuil = mode + N. (écart type)
où N est une valeur prédéterminée.
Le seuil permet ainsi de séparer les voxels de l'histogramme en 2 groupes.
De préférence, N est compris dans un intervalle allant de 0 à 4 et le seuil est un seuil haut. Très préférentiellement, N est compris dans un intervalle allant de 1 à 3.
Lorsque N est strictement positif, le seuil est donc une valeur de densité qui est décalée vers la droite sur l'histogramme ; lorsque N est strictement négatif, le seuil est donc une valeur de densité qui est décalée vers la gauche sur l'histogramme et le seuil est un seuil bas. Dans les deux cas, ce seuil est donc associé à un nombre de voxels inférieur au maximum de l'histogramme. Avantageusement, il est considéré N positif et un volume de poumon dont la densité est située au-dessus de ce seuil. En effet, la méthode développée est basée sur l'étude de la répartition des densités des poumons et particulièrement adaptée à la quantification de la proportion des poumons ayant une densité trop importante. Cette proportion de poumon trop dense, qui est le reflet de la proportion de poumon malade, est obtenue grâce à l'utilisation d'un seuil personnalisé calculé sur les propriétés de l'histogramme de chaque examen. Ce seuil personnalisé répond au principal problème rencontré dans la quantification en TDM qui est la variabilité de la distribution des densités pulmonaires en fonction du degré d'inspiration, rendant peu performante l'utilisation de seuils non personnalisés. Le processeur calcule ensuite un rapport entre le volume pulmonaire ayant une densité pulmonaire définie par rapport au seuil calculé et un volume total du poumon montré par l'image.
Le volume total du poumon est par exemple estimé par le module de segmentation, ou bien prédéterminé par d'autres moyens connus de l'état de la technique.
Le processeur détermine par ailleurs, à partir des images du poumon, un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé.
Pour ce faire, le processeur peut comptabiliser le nombre total de voxels se trouvant dans la partie de l'histogramme se trouvant à droite du seuil calculé, et multiplier ce nombre par le volume élémentaire d'un voxel.
Le processeur détermine par ailleurs un volume total du poumon montré par la pluralité d'images.
Pour ce faire, le processeur peut comptabiliser le nombre total de voxels comptabilisés dans l'histogramme, et multiplier ce nombre par le volume élémentaire d'un voxel.
Le processeur calcule ensuite un score de dilatation des bronches à partir du volume total et du volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé.
Le score calculé est mémorisé dans la mémoire 10.
Dans un premier mode de réalisation particulièrement simple de mise en œuvre, le score est calculé comme suit :
score
volume pulmonaire ayant une densité
_ pulmonaire supérieure ou inférieure au seuil calculé
volume pulmonaire total du poumon montré par V ensemble des images analysées
Avantageusement, le score est calculé comme suit : score
volume pulmonaire ayant une densité
pulmonaire supérieure au seuil calculé volume pulmonaire total du poumon montré par V ensemble desimages analysées
Dans ce cas, plus le poumon est malade et donc dense, plus le score prend une valeur élevée. Validation des résultats obtenus par le procédé de traitement d'image
Pour tester la validité du score automatique obtenu par mise en œuvre du procédé qui précède, le protocole suivant a été mis en œuvre.
Deux cohortes indépendantes de patients ont été examinées : une cohorte de développement et une deuxième cohorte.
La cohorte de développement est une cohorte multicentrique de patients suivis longitudinalement (au moins 2 examens disponibles par patient, 40 scanners analysés au total) avec des scanners réalisés avant et après traitement par un médicament (ivacaftor) efficace pour le traitement de ces patients ayant une mutation particulière : la mutation G551 D du gène CFTR en cause dans la mucoviscidose. L'objectif a été de vérifier que l'amélioration clinique et fonctionnelle sous traitement était également observée avec le score de dilatation obtenu par le procédé de traitement d'image décrit précédemment.
La deuxième cohorte est une cohorte mono-centrique indépendante correspondant à un ensemble de patients évalués à l'hôpital Cochin à Paris en 2013, dans le cadre de leur suivi tous les 2 ans (53 patients).
Pour chaque patient de ces deux cohortes, une évaluation fonctionnelle respiratoire avec étude du VEMS (Volume expiratoire maximal en 1 seconde) a été mise en œuvre le même jour que le scanner. Le VEMS est un standard de référence, recommandé à la fois par la Food and Drug Administration et par l'European Medicine Agency, pour estimer la gravité de la mucoviscidose dans les protocoles de recherche clinique.
La corrélation entre le score de densité pulmonaire et le VEMS a été mesurée par calcul du coefficient de corrélation de Spearman (noté Rho) selon des méthodes bien connues.
# Seuil Score Rho P value
1 (-) 300 UH 3.17 % (± 1.10) -0.53 <.001
2 (-) 400 UH 4.10 % (± 1.42) -0.55 <.001
3 (-) 500 UH 5.39 % (± 1.85) -0.56 <.001
4 MLD + 2.5 SD 4.02 % (± 0.55) -0.61 <.001
5 MLD + 2 SD 5.10 % (± 0.80) -0.64 <.001
6 MLD + 1 .5 SD 6.57 % (± 1.08) -0.65 <.001
7 Mode + 3 SD 4.09 % (± 0.65) -0.67 <.001
8 Mode + 2 SD 6.58 % (± 1.35) -0.67 <.001
9 Mode + 1.5 SD 8.90 % (± 1.96) -0.65 <.001
10 Mode + 1 SD 13.43 % (± 3.49) -0.70 <.001 # Méthode visuelle Score Rho P value
1 1 Score de Brody-l l 30.65 (± 13.76) -0.76 <.001
TABLEAU 1: corrélation entre scores et VEMS
Le tableau 1 ci-dessus recense, pour plusieurs types de seuils calculés, le score de dilatation des bronches associé obtenu (valeur en % plus ou moins la valeur de l'écart type SD), et la valeur des coefficients de corrélation Rho avec le VEMS:
· des seuils de valeur prédéterminée (colonnes 1 à 3),
• des seuils dépendant de la densité moyenne des poumons (« mean lung density » en anglais, abrégé en MLD) (lignes 4 à 6) et de l'écart type des données de l'histogramme,
• des seuils, selon d'autres modes de réalisation de l'invention, dépendant à la fois du mode de l'histogramme et également de l'écart type des données de l'histogramme
(lignes 7 à 10).
Le tableau 1 recense également le coefficient de corrélation entre le score de Brody I I et le VEMS (ligne 1 1 ).
Le tableau 1 illustre que les scores automatiques calculés conformément à l'invention (ligne 10) sont plus fortement corrélés au VEMS que les scores de dilatation bronchique calculés sur la base de seuils fixes ou dépendant de la moyenne de densité pulmonaire (MLD).
Ceci s'explique notamment par le fait que la distribution de densité pulmonaire varie non seulement d'un patient à l'autre, mais varie également au cours du temps chez un même patient. Cette distribution est influencée par les modifications en rapport avec la maladie (par exemple les épaississements bronchiques augmentent la densité pulmonaire), mais aussi par des paramètres techniques (paramètres utilisés lors de l'acquisition des images) et par des paramètres physiologiques comme le degré d'inspiration des poumons. En effet, des tests réalisés chez des patients n'ayant pas de maladie pulmonaire montrent que l'histogramme de densité de leur poumon varie au cours du temps (comme le montrent les trois histogrammes représentées en figure 2) du fait des variations des paramètres techniques et physiologiques.
Le fait de faire dépendre le seuil à des paramètres propres à la personne qui est examinée, à savoir le mode et avantageusement l'écart-type ou déviation standard de l'histogramme, permet donc de tenir compte des variations inter-patients (variations liées au degré d'inspiration des patients) et aux variations des paramètres techniques. Ainsi, le score automatique obtenu sur la base d'un tel seuil adaptatif demeure corrélé avec le VEMS au cours du temps, même si le patient inspire différemment ou si les paramètres techniques précédemment mentionnés changent.
De plus, le fait de faire dépendre le seuil non seulement du mode de l'histogramme mais également de l'écart type des données de l'histogramme permet de tenir compte des variations de « l'étalement » de l'histogramme, ces variations étant liées au degré d'inspiration). Ceci permet d'augmenter encore la corrélation entre le score automatique obtenu sur la base de ce seuil et le VEMS. Dans le tableau 1 , le mode de réalisation dans lequel N=3 fournit les meilleurs résultats de corrélation avec le VEMS.
Par ailleurs, le tableau 1 illustre que la valeur des coefficients de corrélation entre les différents scores de dilatation bronchique selon les modes de réalisation de l'invention (ligne 10) et le VEMS sont proches des valeurs de corrélation entre le score de Brody II et le VEMS (ligne 1 1 ), et ce indépendamment du programme de segmentation utilisé. En d'autres termes, le score automatique obtenu par la mise en œuvre du procédé de traitement d'image décrit précédemment est de pertinence équivalente à celle du score de Brody II, mais beaucoup plus simple à obtenir que ce dernier.
Le tableau 2 ci-dessous étudie non pas la corrélation de scores instantanés avec le VEMS, comme dans le tableau 1 , mais la corrélation de la variation de ces même scores (Δ score) au cours d'une période de suivi de 19 mois en moyenne, avec la variation du VEMS au cours de la même période.
TABLEAU 2: corrélation entre variations de score et variations de VEMS Les données du tableau 2 vont dans le même sens que celles du tableau 1 : la variation du score automatique selon l'un ou l'autre des différents modes de réalisation de l'invention est fortement corrélée à la variation du VEMS.
Est à titre d'exemple illustré en figure 4 une courbe montant la corrélation entre l'évolution d'un score automatique obtenu par le procédé de traitement d'image selon un mode de réalisation de l'invention et l'évolution du VEMS.
Par ailleurs, la figure 5 montre deux histogrammes relatifs à un même patient, mais produits par le module de segmentation 6 à partir d'images acquises respectivement pendant que le patient inspire, et pendant que le patient expire. On constate que ces deux histogrammes sont différents. En particulier, l'histogramme obtenu à partir des images d'inspiration a un écart type plus faible que l'histogramme obtenu à partir des images d'expiration.
Comme indiqué précédemment, les images sont de préférence acquises pendant que le patient inspire. Ceci permet d'améliorer la corrélation entre le score automatique obtenu et le VEMS.
Autres variantes de réalisation
L'invention ne se limite pas aux modes de réalisation décrits précédemment.
En particulier, la segmentation mise en œuvre par le module de segmentation et les calculs opérés par le processeur peuvent être effectués sur la base d'une seule image.
Il a été vu précédemment que le score automatique calculé dépend du mode de l'histogramme produit par le module de segmentation, voire dépend également de l'écart type des données de l'histogramme.
D'autres paramètres de l'histogramme peuvent également pris en compte pour calculer le score, notamment un coefficient de dissymétrie de l'histogramme (« skewness » en anglais) et le kurtosis (coefficient d'aplatissement de l'histogramme).
Le score peut également dépendre de coefficients associés au programme de segmentation utilisé. Il se trouve que les histogrammes produits par différents programmes de segmentation ne sont pas parfaitement identiques ; dès lors, de tels coefficients permettent d'augmenter encore la corrélation entre le score automatique obtenu et le VEMS.
Par exemple, le score peut être calculé comme suit : score = a * {écart type) + b * (mode) + c * (coefficient de dyssimétrie) + d
* (coefficient d' aplatissement) + e
où a, b, c, d et e sont des coefficients prédéterminés, au moins un des coefficients a, b, c, d et e dépendant du programme de segmentation d'image utilisé pour mettre en œuvre l'étape de segmentation.
Par exemple, le score peut être égal à = 1.7 x Déviation standard + 0.5 x Mode + 36 x coefficient de dysmétrie + 0.1 x coefficient d'aplatissement - 51 x Score (Mode + 3DS).
Les images peuvent en outre être acquises par IRM. Dans ce cas, l'histogramme produit par segmentation de telles images montre une répartition des intensités de signal du poumon.
Dans d'autres variantes du procédé de traitement d'images, le score automatique peut être calculé non pas sur la base d'un volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé, mais sur la base d'un volume pulmonaire ayant une densité pulmonaire inférieure au seuil calculé. Dans ce cas, plus le score prend une valeur faible, moins le poumon du patient est dense.
Le score automatique peut avantageusement être exploité pour mesurer un niveau d'atteinte du patient à une pathologie induisant une pathologie diffuse des bronches des poumons, telle que la mucoviscidose ou la dyskinésie ciliaire primaire ou les dilatations bronchiques diffuses post infectieuses ou idiopathiques.

Claims

REVENDICATIONS
1 . Procédé de traitement automatique d'au moins une image de coupe d'une partie donnée d'au moins un poumon d'un patient atteint d'une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de :
• acquisition d'au moins une image de coupe par tomodensitométrie,
• segmentation (102) de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l'aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée,
• calcul (104) à partir de l'histogramme, d'un seuil correspondant à une densité pulmonaire seuil, fonction d'une ou de plusieurs caractéristiques de l'histogramme, une première caractéristique étant le mode de l'histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l'histogramme de la ou des images de la partie donnée du poumon,
• détermination (106), à partir de la ou des images de coupe de la partie donnée du poumon, d'un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé,
• calcul (1 10), à partir du volume pulmonaire déterminé, d'un score automatique afin de suivre l'évolution de l'atteinte bronchique du patient.
dans lequel le seuil est fonction d'au moins deux caractéristiques, et la seconde caractéristique est un écart type de valeurs de densité de l'histogramme.
2. Procédé selon la revendication précédente, dans lequel le seuil est calculé au moyen de la formule suivante :
seuil = mode + N. (écart type)
où N est une valeur prédéterminée comprise dans un intervalle allant de 0 à 4.
3. Procédé selon la revendication précédente, dans lequel N est une valeur prédéterminée comprise dans un intervalle allant de 1 à 2.
4. Procédé selon l'une des revendications précédentes, dans lequel le score automatique est un rapport entre :
• le volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, et correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé ; sur
• un volume total du poumon montré par la ou les images, correspondant à la somme de tous les voxels de la ou des images de coupe.
5. Procédé selon l'une des revendications précédentes, dans lequel :
- on détermine (106), à partir de la ou des images de la partie donnée du poumon, le volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé,
- le score automatique est le rapport entre :
• le volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé correspondant à la somme des voxels ayant une densité pulmonaire supérieure au seuil calculé ; sur
• un volume total du poumon montré par la ou les images, correspondant à la somme de tous les voxels de la ou des images de coupe.
6. Procédé selon l'une des revendications précédentes, dans lequel les images sont réalisées sur l'ensemble des deux poumons, ou sur un ou plusieurs lobes des poumons.
7. Procédé selon l'une des revendications précédentes, dans lequel les images sont acquises lorsque le patient inspire.
8. Procédé selon l'une des revendications précédentes, dans lequel le score est également fonction d'une troisième caractéristique qui est le coefficient de dissymétrie de l'histogramme et d'une quatrième caractéristique qui est le coefficient d'aplatissement, et est calculé au moyen de la formule suivante
score = a * (écart type) + b * (mode) + c * (coefficient de dyssimétrie) + d
* (coefficient d' aplatissement) + e
où a, b, c, d et e sont des coefficients prédéterminés, au moins un des coefficients a, b, c, et e dépendant d'un algorithme de segmentation d'image utilisé pour mettre en œuvre l'étape de segmentation et où le coefficient de dissymétrie et le coefficient d'aplatissement se rapportent à l'histogramme.
9. Procédé selon l'une des revendications précédentes, dans lequel on calcule (104) un seuil qui est uniquement fonction d'une ou de plusieurs caractéristiques de l'histogramme.
10. Procédé de mesure d'un niveau d'atteinte du patient à une pathologie induisant une atteinte bronchique par dilatation diffuse des bronches des poumons, telle que la mucoviscidose ou la dyskinésie ciliaire primaire ou les dilatations bronchiques diffuses post infectieuses ou idiopathiques, le procédé de mesure comprenant le procédé de traitement selon l'une des revendications 1 à 9.
1 1. Produit programme d'ordinateur comprenant des instructions de code de programme pour l'exécution des étapes du procédé selon l'une de revendications précédentes, lorsque ce programme est exécuté par au moins un processeur.
12. Dispositif de traitement automatique d'au moins une image de coupe d'une partie donnée d'au moins un poumon d'un patient atteint d'une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le dispositif comprenant :
· un module d'acquisition d'au moins une image de coupe par tomodensitométrie et de segmentation, configuré pour segmenter la ou des images de la partie donnée du poumon, de sorte à produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l'aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée,
• au moins un processeur configuré pour :
o calculer un seuil fonction d'une ou de plusieurs caractéristiques de l'histogramme, une première caractéristique étant le mode de l'histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l'histogramme de la ou des images de la partie donnée du poumon,
o déterminer, à partir de la ou des images de coupe de la partie donnée du poumon, un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, calculer, à partir du volume pulmonaire déterminé, un score automatiq de suivre l'évolution de l'atteinte bronchique du patient, le seuil étant fonction d'au moins deux caractéristiques, et la seconde caractéristique est un écart type de valeurs de densité de l'histogramme.
EP17777294.4A 2016-10-04 2017-10-04 Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient Withdrawn EP3523778A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1659565A FR3057094B1 (fr) 2016-10-04 2016-10-04 Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient
PCT/EP2017/075246 WO2018065482A1 (fr) 2016-10-04 2017-10-04 Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient

Publications (1)

Publication Number Publication Date
EP3523778A1 true EP3523778A1 (fr) 2019-08-14

Family

ID=58401634

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17777294.4A Withdrawn EP3523778A1 (fr) 2016-10-04 2017-10-04 Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient

Country Status (4)

Country Link
US (1) US11017528B2 (fr)
EP (1) EP3523778A1 (fr)
FR (1) FR3057094B1 (fr)
WO (1) WO2018065482A1 (fr)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7047574B2 (ja) * 2018-04-26 2022-04-05 コニカミノルタ株式会社 動態画像解析装置、動態画像解析システム、動態画像解析プログラム及び動態画像解析方法
WO2020121906A1 (fr) 2018-12-13 2020-06-18 ソニー株式会社 Système d'assistance médicale, dispositif d'assistance médicale, et procédé d'assistance médicale
FR3099621B1 (fr) * 2019-07-31 2021-12-31 Inst Nat Sante Rech Med Procede de generation d’un biomarqueur, systeme
CN115516501A (zh) * 2020-04-17 2022-12-23 可见患者简易股份公司 指示肺功能性程度或水平的至少一个参数的自动确定方法
CN111598853B (zh) * 2020-04-30 2024-02-13 讯飞医疗科技股份有限公司 针对肺炎的ct影像评分方法、装置及设备
CN112083993B (zh) * 2020-09-02 2024-06-07 上海联影医疗科技股份有限公司 扫描协议的生成方法、装置、电子设备和存储介质
JP2024078576A (ja) * 2022-11-30 2024-06-11 富士通株式会社 画像処理方法
IT202300023646A1 (it) * 2023-11-09 2025-05-09 Azienda Unita Sanitaria Locale Toscana Centro Metodo per la segmentazione polmonare da una scansione volumetrica del torace

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012275114A1 (en) * 2011-06-29 2014-01-16 The Regents Of The University Of Michigan Analysis of temporal changes in registered tomographic images
EP3043318B1 (fr) * 2015-01-08 2019-03-13 Imbio Analyse d'images médicales et création d'un rapport

Also Published As

Publication number Publication date
US11017528B2 (en) 2021-05-25
FR3057094B1 (fr) 2019-09-20
US20200051240A1 (en) 2020-02-13
WO2018065482A1 (fr) 2018-04-12
FR3057094A1 (fr) 2018-04-06

Similar Documents

Publication Publication Date Title
FR3057094B1 (fr) Procede et dispositif de traitement d&#39;au moins une image d&#39;une partie donnee d&#39;au moins un poumon d&#39;un patient
FR3067242B1 (fr) Procede d&#39;evaluation d&#39;une gouttiere orthodontique
Reed et al. Optimal histologic cutpoints for treatment response in patients with eosinophilic esophagitis: analysis of data from a prospective cohort study
EP2652702B1 (fr) Méthode de détection et de quantification du flou dans une image numérique
EP1745403A2 (fr) Methode pour diagnostiquer la presence et/ou la severite d&#34;une pathologie hepatique chez un sujet et/ou pour suivre l&#39;efficacite d&#39;un traitement d&#39;une telle pathologie
EP1898783B1 (fr) Systeme et procede d&#39;analyse electrophysiologique
EP0732668A1 (fr) Méthode d&#39;extraction de contours utilisant une analyse multi-fractale
FR2937850A1 (fr) Systeme de detection de l&#39;activite musculaire respiratoire d&#39;un patient sous assistance respiratoire.
Jeevakala et al. A novel segmentation of cochlear nerve using region growing algorithm
FR3004051A1 (fr) Procede et dispositif de tatouage d&#39;une sequence d&#39;images, procede et dispositif d&#39;authentification d&#39;une sequence d&#39;images tatouees et programme d&#39;ordinateur correspondant.
Caballero‐Borrego et al. Type 2 Diabetes Mellitus and Hearing Loss: A Prisma Systematic Review and Meta‐Analysis
FR3088755A1 (fr) Procede de defloutage d’une image
EP3625766B1 (fr) Méthode de détection et de quantification du flou dans une image numérique
FR3051950B1 (fr) Procede de caracterisation geometrique des voies aeriennes d&#39;un poumon par irm
EP3017752B1 (fr) Dispositif médical actif pour le traitement sélectif et précoce des hypopnées
EP3815037A1 (fr) Système et procédé pour produire un indicateur graphique multiparamétrique à partir d&#39;une image d&#39;une coupe histologique
Eggerickx et al. Inégalités sociales de mortalité au-delà de 65 ans. Le cas de la Belgique
EP3130144B1 (fr) Procédé de calibration d&#39;un imageur numérique
CN108074242A (zh) 一种炎症识别方法及装置
Lavinsky et al. Effect of hyperinsulinism on sensorineural hearing impairment in Ménière’s disease: a cohort study
EP4004866A1 (fr) Procede de generation d&#39;un biomarqueur, systeme
FR3020939A1 (fr) Procede de traitement d&#39;images en vue de determiner un degre de mobilite des cordes vocales
WO2023021201A1 (fr) Méthode de détermination d&#39;un indicateur représentatif d&#39;une altération du cerveau d&#39;un individu causée par une pathologie démyélinisante ou apparentée, affectant l&#39;état de la myéline du cerveau
FR3158968A1 (fr) Procédé de prédiction de la réponse d’un patient atteint de cancer à un traitement d’immunothérapie
EP4591317A1 (fr) Procédé et dispositif d&#39;assistance à la détermination d&#39;une posologie d&#39;antioxydants pour une personne atteinte de stress oxydant

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190502

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20200909

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ASSISTANCE PUBLIQUE - HOPITAUX DE PARIS

Owner name: INTRASENSE

Owner name: UNIVERSITE DE PARIS

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

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

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20220302

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ASSISTANCE PUBLIQUE - HOPITAUX DE PARIS

Owner name: INTRASENSE

Owner name: UNIVERSITE PARIS CITE

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: 20220713