EP4323958A1 - Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage - Google Patents

Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage

Info

Publication number
EP4323958A1
EP4323958A1 EP22722303.9A EP22722303A EP4323958A1 EP 4323958 A1 EP4323958 A1 EP 4323958A1 EP 22722303 A EP22722303 A EP 22722303A EP 4323958 A1 EP4323958 A1 EP 4323958A1
Authority
EP
European Patent Office
Prior art keywords
images
temporal
zonal
biological tissue
absorbance
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.)
Pending
Application number
EP22722303.9A
Other languages
German (de)
English (en)
Inventor
Charly CAREDDA
Bruno MONTCEL
Michaël SDIKA
Laurent MAHIEU-WILLIAME
Raphaël SABLONG
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.)
Centre National de la Recherche Scientifique CNRS
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Claude Bernard Lyon 1
Original Assignee
Centre National de la Recherche Scientifique CNRS
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Claude Bernard Lyon 1
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 Centre National de la Recherche Scientifique CNRS, Institut National de la Sante et de la Recherche Medicale INSERM, Universite Claude Bernard Lyon 1 filed Critical Centre National de la Recherche Scientifique CNRS
Publication of EP4323958A1 publication Critical patent/EP4323958A1/fr
Pending 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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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
    • G06T7/90—Determination of colour characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20048—Transform domain 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
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Definitions

  • the invention belongs to the field of biological imaging, and more specifically relates to a process for processing images of living biological tissue.
  • Biological imaging generally for medical purposes, aims, through image acquisition, to highlight the biological characteristics of a part of the imaged subject.
  • Many biological imaging methods call upon complex and constraining technologies and equipment which make them usable only for occasional image acquisition incapable of accounting for any rapid evolution.
  • radiography or computed tomography make use of X-rays whose dangerousness implies heavy installation and a restriction as to the exposure of the imaged subject.
  • Magnetic resonance imaging requires a strong magnetic field that can only be found inside a device that excludes any magnetic objects.
  • Interventional imaging refers to the acquisition and/or processing of data during an operation in an operating room.
  • fMRI functional magnetic resonance imaging
  • the identification of functional areas aims to help the surgeon by identifying the cortical areas associated with cognitive functions.
  • the objective is to avoid any cognitive damage for the patient following the operation.
  • a distance of 1 cm between the functional zone and the resected tissue is generally respected.
  • This technique is used before, during and after surgery.
  • Preoperative fMRI makes it possible to check the distance between a tumor site and a functional zone and, for example, makes it possible to trigger the neurosurgery operation if a tumor is too close to a functional zone.
  • the neurosurgeon performs a craniotomy (skin, cranial bone and dura mater removed), giving him access to the patient's brain and thus access to the tumour.
  • the craniotomy operation involves a change in the pressure of the cranium and a collapse of the brain (phenomenon "brain shift" in English). This phenomenon generates a lag of the neuronavigation points which can go up to 3 cm compared to the fMRI images. The neuronavigation points are therefore difficult to use for the identification of functional areas.
  • the size of the tumors can change drastically during the time between the fMRI acquisitions and the neurosurgery operation. This growth can introduce the displacement of functional areas due to the plasticity of the brain. While it has been possible to develop solutions allowing interventional fMRI directly integrated into the operating room, many constraints remain linked to the particularities of this type of imaging.
  • Electrical stimulation is therefore systematically used to identify functional areas, but it has several drawbacks.
  • electrical stimulation can only result in low spatial precision, since it is a point measurement whose resolution is defined by the distance between the anode and the cathode of the stimulator.
  • electrical stimulation relies on the application of electrical signals to the patient's nervous system, which can cause epileptic seizures.
  • interventional imaging typically use imagers sensitive to wavelengths of visible light, or near light such as infrared or ultraviolet, which do not involve equipment or exposure constraints. , and therefore make it possible to image during the evolutions of the tissue imaged for a relatively long time, for example several minutes, in an environment not dedicated to imaging, such as for example an operating room.
  • these methods can be carried out with compact devices and adapted to the constraints of an operating room.
  • these methods also present little risk, since they are non-invasive and non-ionizing.
  • these methods generally allow rapid processing of the data, which makes it possible to have recent images available very quickly, if not in real time. However, such methods encounter other obstacles.
  • the living nature of the imaged tissue naturally implies variations of the latter during the acquisition, such as, for example, variations in colors or positions linked to the heartbeat or even to the breathing or to the voluntary movements of the patient. or not, which make it difficult to use the images thus acquired, in particular when the images have to account for characteristics such as tissue hemodynamics over periods of several tens of seconds.
  • Some methods use the differences in absorption of molecules such as deoxyhemoglobin and oxyhemoglobin for certain wavelengths to highlight certain characteristics of hemodynamics from images of the skin, as in the article by Yu Kagaya and Shimpei Miyamoto “A systematic review of near-infrared spectroscopy in flap monitoring: Current basic and clinical evidence and prospects”, Journal of Plastic, Reconstructive & Aesthetic Surgery (2016) 71, 246-257, Elsevier Ltd.
  • Such an approach still relies on theoretical absorption and hemodynamic models which lead to the need for a statistical approach with predefined thresholds, suitable for theoretical study but not practical for practical use.
  • the interactions between blood and light depend on many factors that are difficult to take into account in this way, such as the color of the skin or its thickness.
  • a method for imaging a living biological tissue comprising obtaining a plurality of successive color images of said biological tissue, each color image associating intensity values of at least two colors with each of the pixels of said color image, characterized in that the method comprises a calibration phase carried out from a first subset of images of the plurality of color images corresponding to a calibration duration, said calibration phase comprising: - from the images of the first subset of images, the determination of at least one zonal temporal vector representative of the temporal evolution of spatial averages of the intensity values of each of the colors in a zone of the images of the first subset pictures,
  • - colorimetric data representative of the temporal evolution of light intensities of the living biological tissue in the images of the living biological tissue, are derived from a second subset of images of the plurality of successive color images,
  • the proposed method uses a periodic physiological phenomenon such as heartbeats or respiratory movements to calibrate the use of colorimetric data taken from color images of living biological tissue. It is thus possible then to highlight the hemodynamic behavior of the biological living tissue imaged, for example in response to a stimulus, without requiring restrictive imaging methods such as magnetic resonance imaging, thus allowing an implementation in an interventional functional imaging framework, and without requiring modeling of the propagation of light in living tissue.
  • the method is advantageously completed by the following characteristics, taken alone or in any of their technically possible combinations:
  • the physiological periodic phenomenon is a heartbeat, the characteristic frequency being that of a heartbeat, or in which the physiological periodic phenomenon is a ventilatory movement, the characteristic frequency being that of respiration;
  • the colorimetric data are absorbance data representative of the temporal evolution of the absorbance of the living biological tissue for several colors; - the absorbance data are temporal profiles of variation in absorbance, representative of a variation in absorbance of each pixel over a duration corresponding to the second subset of images;
  • the variation in absorbance at a time of a pixel is a function of a ratio between a reference intensity value for this pixel and the intensity value of this pixel at this time;
  • the plurality of successive color images of the biological tissue comprises at least 100 images, corresponding to an acquisition frequency of at least 10 images per second, and in which the first subset of images comprises at least 30 images;
  • At least two colors correspond to wavelength ranges between 400 and 900 nm, and at least two colors are separated by at least 40 nm in wavelength;
  • the determination of a characteristic frequency of a physiological periodic phenomenon from the zonal temporal vector comprises the search for a peak of a module of a Fourier transform of the zonal temporal vector for each color, and the modulus peak is searched for in a range of expected values;
  • the bandpass filter centered on said characteristic frequency has a passband of less than 0.5 Hz;
  • the projection base is defined by at least two main axes resulting from the statistical analysis.
  • the invention also relates to an imaging system comprising an imager having a field of view in which the living biological tissue is intended to be placed, and configured to acquire a plurality of successive color images, and a processing unit intended to receive said plurality of successive color images, the imaging system being configured to implement the method according to the invention.
  • the invention also relates to a computer program product comprising code instructions for implementing the method according to the invention when a computer reads said instructions.
  • the computer program product takes the form of a non-volatile computer-readable medium storing the program code instructions.
  • FIG. 1 is a diagram showing a simplified example of an arrangement of a system making it possible to implement the method according to a possible embodiment of the invention
  • FIG. 2 is a diagram showing steps of the method according to a possible embodiment of the invention.
  • FIG. 3 shows modules of the Fourrer transform of the components of different colors of the zonal temporal vector, with the window of the band-pass filter, in an example of a possible embodiment of the invention
  • FIG. 4 shows examples of intensity values in an RGB base, and the axes of the new projection base
  • FIG. 5 shows an example of a theoretical hemodynamic impulse response and its convolution with the stimulation signal, in an example of a possible embodiment of the invention
  • FIG. 6 shows an example of superposition of an image of the tissue with the statistical parametric representations of the projected absorbance variation temporal profiles for different projected absorbance variation temporal profiles, according to a possible embodiment of the invention
  • FIG. 7 shows time profiles of projected absorbance variation on the projection basis, in combination with the theoretical hemodynamic response
  • FIG. 8 illustrates an application of the invention in the particular case of images of the skin of the forearm of an individual on which a tourniquet has been placed.
  • the living biological tissue imaged is a surface of a human brain in the context of functional neuroimaging, by way of example of the invention.
  • the invention is not limited to functional neuroimaging, and can be applied to a variety of living tissues, human or animal, since the living biological tissue is subjected to a repetitive physiological variation, for example linked to pulsations cardiac or respiratory movements.
  • colorimetric data means data relating to the respective light intensities of at least two distinct colors, that is to say two distinct wavelengths or ranges of wavelengths.
  • the living tissue imaged may be skin, for example in the context of post-operative follow-up. Following a graft or a flap, it may be desirable to check the good vascularization of the skin by studying its hemodynamics to detect circulatory congestion or other abnormalities. It is also possible to study the response of a tissue such as the skin to a stimulation such as the localized application of pressure, which results in discoloration or staining of this skin, or exposure to a radiation. It is recalled that the invention relates solely to the processing of the images of the fabric, and is therefore independent of the way in which the images were obtained, since these have characteristics specific to the implementation of the invention. .
  • the living biological tissue imaged 1 is here a surface of a human brain of a patient 2.
  • An imager 4 is arranged so that the living tissue imaged 1 is in the field of view of the imager 4.
  • the imager 4 is configured to acquire a plurality of successive color images of said biological tissue, each color image associating color intensity values with each of the pixels of said color image.
  • the type of imager 4 matters little, and can for example be a CMOS camera.
  • the colors are typically red, green and blue, but other colors can be used, even infrared or ultraviolet.
  • At least two colors are in the range 400-900 nm, that is to say correspond to wavelength ranges between 400 and 900 nm, and preferably between 450 and 550 nm, this which makes it possible to obtain a strong hemodynamic contrast.
  • the resolution and frame rate are chosen to make it possible to account for the evolution of the imaged living biological tissue. By way of example, it is possible to use a resolution of 1920 by 1080 pixels with a frame rate of between 10 and 120 images per second, and preferably between 20 and 60 images per second.
  • the plurality of successive color images are acquired statically in the sense that the living biological tissue is fixed relative to the field of view of the imager: there is no relative movement of the imager relative to the tissue living organism, and it is therefore the same area which is imaged in the successive images.
  • color image is meant a two-dimensional image consisting of pixels spatially distributed over a surface, intensity values of at least two colors being associated with each of the pixels of said color image.
  • an RGB color image for red-green-blue groups together pixels grouped by rows and columns, forming a two-dimensional surface, and each pixel is associated with a red intensity value, a value of green intensity, and a blue intensity value.
  • the intensity values are gray levels ranging from 0 to 255.
  • Other types of imager 4 can be used, such as for example a multispectral imager which acquires more than three spectral bands.
  • a light source 6 illuminating the latter, for example with white light.
  • a conventional halogen bulb can be used.
  • the light source 6 with a parabolic reflector allowing homogeneous illumination of the cerebral cortex of the patient 1.
  • optical devices allowing the quality of the acquired images to be improved (objectives , filters, etc.) which will then be obtained by the processing unit 8.
  • cross-polarization filters arranged on the one hand between the light source 6 and the living tissue, and on the other hand between the living tissue and the imager 4, makes it possible to limit the specular reflections of light.
  • the imager 4 is connected to a processing unit 8 typically taking the form of a computer provided with a processor, a memory and a communication interface, to which the imager 4 transmits the acquired images.
  • the processing unit 8 processes the images thus obtained in order to make them usable, according to the method which will be described below.
  • the processing unit 8 can be directly connected by a connection to the imager 4, or can more broadly be able to obtain the images acquired by the imager 4, for example via a network such as the Internet network, possibly with storage transient images acquired by servers, in which case the processing unit 8 does not necessarily communicate with the imager 4.
  • the imaging process begins with the obtaining (step S11) by the processing unit 8 of a plurality of successive color images of the biological tissue, for example acquired by the imager 4 or by any other means.
  • This succession of images comprises at least 100 images, preferably at least 300 images, and more preferably at least 600 images.
  • the successive images cover a duration of at least 10 seconds, preferably of at least 30 seconds, and more preferably of at least 60 seconds.
  • the acquisition frequency is at least 10 images per second, preferably at least 20 images per second and more preferably at least 30 images per second.
  • the images are acquired over a period of 100 seconds at an acquisition frequency of 30 images per second, ie 3000 images in all.
  • the images are color images, ie each image associates intensity values of at least two colors with each of the pixels, and preferably of at least three colors.
  • the images are red-green-blue, or RGB, images.
  • at least two distinct colors are defined by wavelengths or ranges of wavelengths separated by at least 40 nm, and preferably each color is separated from the other colors by at least 40 nm in wavelength .
  • periodic stimulation generates a cerebral response which results in colorimetric variations on the surface of the brain, the locations of which make it possible to identify the functional areas.
  • the following example is a functional test of hand motor skills.
  • the patient is at rest for R seconds, i.e. the functional areas studied (hand motor skills) are not stimulated, then the motor functional area is performed for R seconds by the movement of the patient's hand ( movement performed by the patient or by another person). More precisely this movement is a repeated opening and closing of the hand at a frequency of approximately 1Hz.
  • This cycle is repeated at least twice.
  • R is 20 seconds.
  • the duration R may be different, and the rest and stimulation periods may not have the same duration.
  • the image acquisition covers at least the two stimulation cycles.
  • durations can be chosen, in particular depending on the nature of the imaged tissue. For example for the skin, a longer duration can be chosen when one seeks to highlight the color variations over a long period linked to blood supply to the skin, or similar times when desired to demonstrate the skin's response to stimulation.
  • step S12 it is possible to implement motion compensation (step S12) in order to obtain a spatial correspondence between the successive images.
  • the object of motion compensation is to guarantee that the light acquired for each pixel of the imager 4 corresponds to the same location of the imaged tissue throughout the acquisition of the images. Indeed, it is possible that the relative positions between the imager 4 and the imaged tissue are not completely stable during the acquisition period.
  • the surface of the brain is subject to repetitive physiological movement related to the patient's heartbeat and breathing.
  • the skin can exhibit movements that depend on where it is located, for example related to breathing or to the movements of the person.
  • the motion compensation can for example follow the process proposed by M. Sdika, et al., "Robust real time motion compensation for intraoperative video
  • a subspace of each image it is then possible to define a subspace of each image to form a region of interest (step S 13), or ROI for “Region of Interest”.
  • This region of interest can be defined manually by a user on an image, which can be improved via an automatic segmentation step. The implementation of the remainder of the method is restricted to this region of interest. It is possible that the region of interest covers the entire image, in which case it is not necessary to define it. Preferably, however, the region of interest essentially consists of an imaged zone liable to present color variations caused by the hemodynamics of the living tissue. The definition of the region of interest then aims to exclude the parts of the image less likely to present color variations, for example corresponding to other parts of the body.
  • the region of interest can cover a minority of the part of the image likely to present color variations, and that several regions of interest can therefore be defined.
  • the region of interest corresponds to an area of the imaged tissue which appears on all the images, despite possible relative movements between the imager and the imaged tissue, which most often leads to defining a region of interest not covering the entire image, with enough margin for said region of interest to be present on all the images.
  • a temporal intensity profile per color is thus obtained.
  • the method implements a calibration phase (step S2) carried out from a first subset of images of the plurality of color images corresponding to a calibration time. Since the calibration phase (S2) is implemented from the same set of images from the obtaining phase (step S1) as the set then used in the exploitation phase (step S3), the calibration can be called self-calibrating.
  • the first image subset may correspond to only part of the plurality of successive images.
  • the calibration duration corresponds to a duration of at least 5 seconds, and preferably of at least 10 seconds, and more preferably to a duration of at least 15 seconds.
  • the first subset of images comprises at least 50 successive images, and preferably at least 100 successive images.
  • the number of images of the first subset of images and the calibration duration are chosen to cover the entirety of at least 5 cycles of the periodic physiological phenomenon (heartbeats or respiratory movements), and preferably at least ten cycles physiological periodic phenomenon.
  • the first subset of images to correspond to all of the plurality of successive color images. In this example, all the images obtained constitute the first subset of images, but it is possible to choose fewer images.
  • the first set of images can advantageously correspond to one or more rest periods.
  • the calibration phase (step S2) aims to learn the colorimetric variations linked to the physiological periodic phenomenon in the images obtained in order to be able to highlight the color variations linked to blood inflows not linked to this physiological periodic phenomenon.
  • the calibration does not suppose any a priori knowledge on the characteristics of the imaged tissue or on those of the phenomenon to be highlighted. Thus, to carry out monitoring of tissue hemodynamics (for example to locate an activated zone of the brain, or to detect vascularization anomalies of the skin), it is not necessary to know the optical characteristics of the blood or of the tissue. Calibration simply requires the presence of a periodic physiological phenomenon likely to produce colorimetric variations similar to those that want to be highlighted. The calibration is therefore free from any approximation of modeling and generalization, and, being carried out during the same imaging session, is specific to each imaging session, and therefore adapted to the specificities of each living tissue imaged.
  • At least one zonal temporal vector representative of the temporal evolution of spatial averages of the intensity values of each of the colors in a zone of the images of the first subset of images is determined (step S21).
  • the vector is temporal in that it retains the dimension of time, and so T1 is the number of images of the tissue in the first subset and the length of the zonal temporal vector.
  • the area used can cover all or part of the extent of the region of interest. This area is preferably sufficiently large for the spatial average over this area to erase any inhomogeneities in the color variations.
  • the zone preferably covers at least 10% of the region of interest, and preferably at least 25% of the region of interest, and can cover the whole of the region of interest.
  • the zonal temporal vector is derived from a zone covering only part of the region of interest, several zones can be defined and therefore several vectors can be determined, with one vector for each zone.
  • a single zone covers the entire region of interest in the example described, so that the zonal temporal vector takes the form of a vector of dimension Tix3, each value corresponds to the average over the region of interest of the intensity values of a color in the corresponding image at a time.
  • the zonal temporal vector is used to identify the temporal variations of light intensity associated with the periodic physiological phenomenon, and thus to define a band pass filter for the selection of these intensity variations (Filter Hc).
  • a characteristic frequency of the physiological periodic phenomenon is determined from the zonal temporal vector (step S22).
  • This characteristic frequency is for example a heartbeat frequency when the physiological periodic phenomenon is a heartbeat, or a respiration frequency when the physiological periodic phenomenon is a ventilatory movement.
  • the characteristic frequency can be determined from a single color
  • this characteristic frequency is preferably determined from a combination of the colors, for example an average, that is to say from the from the vector temporal zonal made up of the averages on the spectral dimension of the values of intensity.
  • This determination can involve the Fourier transform of the zonal temporal vector, and more precisely the modulus of this Fourier transform, which makes it possible to highlight the contribution of the heartbeats to the colorimetric variations.
  • the Fast Fourier Transform is used due to the discrete nature of the zonal temporal vector values.
  • Figure 3 shows the modulus of the fast Fourier transform of the zonal temporal vector consisting of the averages of the intensity values of the three colors in an illustrative example where the physiological periodic phenomenon is a heartbeat.
  • the modulus peak is sought within a range of expected values.
  • the modulus peak is for example sought between 0.5 Hz and 1.5 Hz, and preferably between 0.8 Hz and 1.4 Hz.
  • the heartbeat frequency Fc is identified as being 1.19 Hz.
  • the peak of the module is for example sought on a range between 0.1 Hz and 0.6 Hz, or even between 0.1 Hz and 0.5 Hz.
  • a band-pass filter Hc is determined (step S23). The frequency of the peak of the module, that is to say the characteristic frequency, is used to center the pass window defining the band pass filter Hc.
  • the bandpass filter Hc is therefore built centered on the characteristic frequency, for example as a window defined by a Gaussian function with a maximum amplitude of 1, an average equal to the characteristic frequency and a width at half maximum of 0, 3Hz.
  • FIG. 3 superimposes a Gaussian window 31 of the band-pass filter Hc with the modulus 30 of the Fourier transform of the zonal temporal vector averaged over the spectral dimension with a scale multiplied by 1600 for readability reasons.
  • the Gaussian window 31 is centered on the previously identified heart rate of 1.19 Hz.
  • the width of the window, or the bandwidth at -3 dB of the band-pass filter Hc is chosen to be sufficient to account for any variation in the characteristic frequency during the acquisition of the images, while operating effective filtering.
  • This passband is preferably less than 0.5 Hz, and more preferably less than 0.25 Hz.
  • the bandpass filter Hc is applied to the zonal temporal vector to obtain a filtered zonal temporal vector. More precisely, each color component is filtered individually by the band-pass filter Hc.
  • the filtering of the zonal temporal vector by the band-pass filter Hc makes it possible to isolate the colorimetric variations resulting from the periodic physiological phenomenon in order to implement a calibration based on these variations which will then allow the exploitation of the images of the tissue.
  • a statistical analysis is then performed (step S25) on the filtered zonal time vector.
  • this statistical analysis is a principal component analysis (PCA).
  • PCA allows the definition of an orthonormal chromatic projection base (step S26) which best represents the statistical dispersion of the variations of the light intensities associated with heartbeat.
  • PCA is a multivariate statistical method which consists of transforming correlated variables into new variables decorrelated from each other. These new variables are called principal components and make it possible to best explain the colorimetric inertia.
  • Prior to the PCA it is possible to transform the values of the zonal temporal vector filtered in centered-reduced variables (zero mean and standard deviation equal to 1). This transformation is applied in the example below.
  • Figure 4 shows the dispersion of the values used of the filtered zonal temporal vector and the axes of the chromatic projection base resulting from the PCA for the filtered zonal temporal vector from the example of Figure 3.
  • the number of axes of the chromatic projection is less than or equal to the number of color components of the image. Preferably, at least two axes are retained. In this example with three color components, three axes of chromatic projection have been retained, but two axes could have been retained.
  • the periodic physiological phenomenon is a heartbeat
  • physiological meanings can be attributed to certain axes: the first axis essentially accounts for the variation in blood volume in the tissue while the second axis essentially accounts for the variation in oxyhemoglobin.
  • the heartbeat causes a periodic variation in blood volume, and therefore in total hemoglobin (first axis of the PCA), with however a mainly oxygen supply (second axis of the PCA). It should be noted however that this interpretation does not influence the determination of the axes of the chromatic projection base resulting from the PCA since these are statistically derived from the values of the color components of the filtered zonal temporal vector.
  • graph (A) on the left illustrates the pairs of values of the red (horizontal axis) and green (vertical axis) components
  • graph (B) on the right illustrates the pairs of values of the green components (horizontal axis ) and blue (vertical axis).
  • the axes of the chromatic projection base are represented starting from the origin of each graph.
  • Axis 1 is the main projection axis, which expresses the vast majority of the colorimetric dispersion (more than 90%), while axes 2 and 3 express much less dispersion.
  • the projection matrix resulting from the PCA and allowing the projection of the values on the basis of chromatic projection is: roa[ L 0.57331436 0.58206009 0.57664261
  • B c V ca 2 -0.77296295 0.15082054 0.6162641 pcal_ . 0.27173318 -0.79903643 0.53637847.
  • the calibration phase (S2) ends once the chromatic projection base or its equivalent the projection matrix has been determined.
  • the images of the tissue can then be processed during an exploitation phase (step S3). More precisely, a second sub- set of images of the plurality of successive color images is used.
  • the second subset of images includes the majority of the resulting tissue images, may be separate from the first subset of images, or may include a portion of the first subset of images.
  • the second subset of images corresponds to all of the images of the tissue obtained, or at least includes all of the first subset of images.
  • N the number of pixels contained in the image
  • T 2 the number of images of the second subset of images
  • C the number of colors.
  • C the number of colors.
  • C the number of colors.
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors.
  • C the number of colors
  • C the number of colors
  • a first pre-processing consists of a rectification of the data (step S31).
  • the intensity measured may decrease during the acquisition due to the phenomenon of desiccation of the biological tissue imaged. This is particularly the case of cortical tissue in the case of functional neuroimaging, but other biological tissues may not undergo such drying out.
  • the hemodynamic response to a physiological stimulus is measured. Image acquisition typically extends over several tens of seconds. Due to the drying of the biological tissue imaged, there may be an intensity drift over time which affects the intensity values in the pictures of the fabric.
  • the light intensities collected will not be identical due to the time which separates them and the desiccation of the tissue during this time.
  • This intensity drift is dependent on the angle of the light incident on the imager 4, on its wavelength and on the type of biological tissue.
  • the rest periods taken into account are as far apart as possible, and can advantageously be rest periods opening and ending the acquisition of images. Then, at each intensity value of an instant t (for all the periods) the drift value D is subtracted from the straight line corresponding to the same instant t for each color.
  • a low-pass filter (step S32), which makes it possible, for example, to suppress intensity variations linked to phenomena exhibiting a faster dynamic than that which is to be highlighted. .
  • it may involve breathing, the movements of the imaged subject, or even suppressing hemodynamic fluctuations associated with cerebral activity, depending in particular on the type of tissue imaged.
  • the type of filter, the cutoff frequency and its field of application depend on the characteristics of the processed data and the information sought.
  • the low-pass filter can for example be a Butterworth, Bessel, elliptical or Chebyshev filter.
  • the low pass filter typically has a cutoff frequency between 0.02 Hz and 0.5 Hz, preferably less than 0.25 Hz.
  • the low pass filter can be applied in the time domain, for example by discrete convolution of the temporal profile with an infinite impulse response filter, or in the Lourier domain, for example with a Blackman window.
  • the colorimetric data can be derived (step S33).
  • the colorimetric data are absorbance data representative of the temporal evolution of the absorbance of the living biological tissue for several colors.
  • an absorbance variation vector AA is calculated for each color temporal profile.
  • Absorbance here refers to the ability of biological tissue to absorb the light passing through it.
  • the variation in absorbance DA at a time t of a pixel is a function of a ratio between a reference intensity value for this pixel (independent of time) and the intensity value of this pixel at time t.
  • the variation in absorbance DA is a function of the logarithm (eg in base 10) of this ratio.
  • the absorbance variation vector DA; for a color i can be: denoting the intensity value for the pixel at position (x,y) at time t.
  • the reference intensity value I; Ref depends on the position of the pixel, but not on time.
  • This reference intensity value is derived from the intensity values for the same pixel during a reference duration, and is for example an average of these intensity values.
  • the reference duration covers several seconds, and is preferably greater than 10 seconds.
  • the reference duration corresponds to an episode of rest of the imaged tissue relative to what is to be highlighted.
  • the period covered by the reference duration corresponds to a period of rest, that is to say outside stimulation. So we can take: where Ni and N denote the time indices of the start and end of the reference period. For a pixel, an absorbance variation vector DA of dimension T XC is therefore obtained, where C is the number of colors, 3 in this example.
  • the projection base reflects the three main axes resulting from the PCA, and the projection matrix B c is therefore of size 3x3, with DA and AC being 3xT 2 matrices. It is however possible to keep only two axes, so that the projection matrix B c is of size 2 ⁇ 3, and AC is a 2 ⁇ T 2 matrix.
  • the projected absorbance variation temporal profiles can be put into a form allowing easier exploitation, and in particular allowing better visualization (step S35).
  • the projected absorbance variation temporal profiles can be represented by a statistical parametric representation, or SPM for “Statistical Parametric Mapping”.
  • SPM statistical Parametric Mapping
  • Parametric statistical mapping of cortical activity allows the definition of a binary indicator of cortical activity. This representation is favored by users because the functional areas can be directly and clearly identified on the volume of data in the form of binary information. Other approaches can be adopted depending on the tissue being imaged (such as skin for example), or what is sought to be highlighted by the imaging.
  • SPM uses a theoretical hemodynamic response of a pixel associated with an activated functional area, which is obtained by convolving a theoretical hemodynamic impulse response with the function representing the alternation of periods of rest and stimulus (typically a gate function).
  • the hemodynamic response is a physiological mechanism that consists of a local increase in blood flow to meet the energy needs of active cells.
  • the theoretical hemodynamic response can for example be a BOLD signal (for English "Blood-oxygen-level-dependent", depending on the level of oxygenation of the blood) which is rather linked to variations in deoxygenated hemoglobin.
  • Figure 5 left graph (A) shows an example of a theoretical hemodynamic impulse response 50 as a function of time in arbitrary units.
  • Graph (B) on the left shows the stimulation signal 51, consisting of 0 for the rest periods and 1 for the stimulation period, and the theoretical hemodynamic response 52 resulting from the convolution of the theoretical hemodynamic impulse response 50 and the pace signal 51.
  • the parameter matrix b contains the parameters of the linear model translating the association for each pixel to the physiological conditions expressed in the design matrix.
  • the purpose of this statistics matrix t sat of dimension Nxl is to calculate statistical inferences, i.e. the association or not of a pixel with an area considered as activated, i.e. in the case functional neuroimaging, if the pixel is part of a stimulated functional brain area.
  • the EC represents a property of a thresholded image.
  • the EC corresponds to the estimate of the number of clusters obtained (assembly of pixels) after thresholding of the image at the value Zth.
  • Random field theory states that for high thresholds, the probability that EC > 1 (ie at least one cluster is detected) is approximately equal to E[EC] (average of EC). It is thus possible to determine thresholds for which a certain proportion of the image turns out to contain at least minus one area above the threshold, i.e. a cluster. For example, one may wish to determine the Zth threshold such that the probability of identifying at least one cluster (functional area) in the z-statistic image such that the null hypothesis (no activity) is rejected at 5% of statistical significance.
  • Figure 6 shows an example of superposition of an image of living biological tissue with a binary mask of the statistical parametric representations of the projected absorbance variation temporal profiles for three projected absorbance variation temporal profiles: the first image (A) on the left corresponds to the statistical inferences of the first projected absorbance variation temporal profile AC1, the second image (B) in the middle corresponds to the statistical inferences of the second projected absorbance variation temporal profile AC2, the third image (C ) on the right corresponds to the statistical inferences of the third projected absorbance variation temporal profile AC3.
  • a dashed box shows the location of the stimulated area during stimulation periods.
  • the statistical inferences of the second and third temporal profiles of projected absorbance variation reveal activated brain areas, whereas the statistical inferences of the first temporal profile of projected absorbance variation AC1 n don't show it.
  • the locations of these brain areas activated differ significantly, the statistical inferences of the second projected absorbance variation temporal profile AC2 highlight second activated zones 62a, 62b that are larger than the third activated zones 63a, 63b, 63c highlighted by the statistical inferences of the third profile projected absorbance change time AC3.
  • the projected absorbance variation temporal profiles are not redundant, but make it possible to highlight various colorimetric variations.
  • the third activated areas 63a, 63b, 63c are located in locations covered by the second activated areas 62a, 62b, which shows that the detection of these activated areas results from a similar physiological process, namely blood flow. caused by stimulation.
  • the proposed method makes it possible to highlight the localization of the hemodynamic response in the biological tissue imaged from a two-dimensional color image, thanks to a self-calibration phase based on the presence of a periodic phenomenon. physiological causing colorimetric variations. More specifically, the circle designated by M locates the motor zone of the patient's right hand, previously identified by electrical stimulation.
  • this motor zone belongs to the zone activated during the stimulation periods for which the hemodynamic response is detected by the proposed method. What is more, the process makes it possible to show that the cerebral zone effectively mobilized for the motricity of the right hand is more extensive than the motor zone identified by electrical stimulation. The method therefore allows a more efficient and complete identification of the functional areas of the brain in this non-limiting example.
  • the self-calibration phase based on the heartbeats has made it possible to define representation axes highlighting the colorimetric variations similar to those caused by these heartbeats, to which it may be possible to give a physiological interpretation.
  • FIG. 7 shows the temporal evolution of the spatial averages, on the surface of the motor zone of the left hand identified by electrical stimulation, of the temporal profiles of variation of absorbance projected on the projection base.
  • the alternation of light and dark areas illustrates the alternation of periods of rest (light areas) and stimulation (dark areas).
  • a curve 70 presents the first temporal profile of variation in projected absorbance AC1 and a curve 71 a theoretical hemodynamic response of the motor zone corresponding to the variations of the blood volume (total hemoglobin), on the graph (B) in the middle, a curve 72 presents the second temporal profile of AC2 projected absorbance variation and a curve 73 the theoretical hemodynamic response of the motor zone corresponding to a variation of oxyhemoglobin , on the graph (C) on the right, a curve 75 presents the third temporal profile of variation in projected absorbance AC3 and a curve 76 the theoretical hemodynamic response of the motor zone corresponding to a variation in oxyhaemoglobin.
  • the first temporal profile of AGI projected absorbance variation has similarities with the theoretical hemodynamic response corresponding to variations in blood volume, and therefore makes it possible to account for variations in blood volume from colorimetric variations. imaged tissue.
  • the second projected absorbance variation temporal profile AC2 and the third projected absorbance variation temporal profile AC3 exhibit strong similarities between them, and exhibit the same variations as the theoretical hemodynamic response corresponding to a variation in oxyhemoglobin. They therefore make it possible to account for the oxygenation of the blood from the colorimetric variations of the imaged tissue.
  • the information provided by the second projected absorbance variation temporal profile AC2 and the third projected absorbance variation temporal profile AC3 can be considered as redundant, and that it would be possible to work with only two profiles.
  • FIG. 8 illustrates an application of the invention in the case of images of the skin of an individual's forearm.
  • the curves of hemodynamic variations represented in FIG. 8 illustrate the temporal evolution of the spatial averages, on the surface of a zone of the forearm, of the temporal profiles of variation of absorbance projected on a projection base.
  • Three periods are represented on this graph: a period of non-occlusion (oxygenation of the undisturbed forearm), a period of occlusion (oxygenation of the forearm forced by the pressure of the tourniquet at the level of the elbow) and a period of disocclusion (relaxation of the pressure of the tourniquet allowing a return to normal oxygenation of the forearm).
  • the light gray curve “Changes in blood volume” is positively correlated with changes in blood volume (changes in total hemoglobin concentration) and the dark gray curve “Changes in oxygenation” is negatively correlated with changes in oxygenated hemoglobin concentration .
  • the variations in blood volume and oxygenated hemoglobin remain constant. Abrupt variations in blood volume and tissue oxygenation are observed from the onset of occlusion of the arm by the tourniquet. During occlusion, blood volume and changes in oxygenated hemoglobin concentration increase. When the tourniquet is loosened, these variations fall back to the level of the variations measured without occlusion.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

L'invention concerne un procédé d'imagerie d'un tissu biologique vivant comprenant l'obtention (S1) d'une pluralité d'images couleurs successives dudit tissu biologique, le procédé de traitement comprenant une phase de calibrage (S2) dans laquelle est déterminé au moins un vecteur temporel zonal représentatif de l'évolution temporelle de moyennes spatiales des valeurs d'intensité de chacune des couleurs dans une zone des images (S21), un filtre passe-bande centré une fréquence de battement cardiaque est appliqué (S24), puis une base de projection par analyse en composantes principales sur le vecteur temporel zonal filtré est déterminée (S26), le procédé comprenant la dérivation de données colorimétriques (S33), représentatives de l'évolution temporelle d'intensités lumineuses du tissu biologique vivant dans les images du tissu, et la projection (S35) de données colorimétriques sur la base de projection.

Description

Description
Titre: PROCEDE DE TRAITEMENT D’IMAGES D’UN TISSU BIOLOGIQUE VIVANT AVEC AUTO-CALIBRAGE
Domaine technique
L'invention appartient au domaine de l'imagerie biologique, et plus précisément concerne un procédé de traitement d'images d'un tissu biologique vivant.
Arrière-plan technologique
L'imagerie biologique, généralement à des fins médicales, vise, à travers une acquisition d'image, à mettre en évidence des caractéristiques biologique d'une partie du sujet imagé. De nombreuses méthodes d'imagerie biologiques font appel à des technologies et équipements complexes et contraignants qui ne les rendent utilisable que pour une acquisition d'image ponctuelle incapable de rendre compte d'une quelconque évolution rapide. Par exemple, la radiographie ou la tomodensitométrie font appel à des rayons X dont la dangerosité implique une installation lourde et une restriction quant à l'exposition du sujet imagé. L'imagerie par résonance magnétique nécessite un champ magnétique puissant qui ne peut être trouvé qu'à l'intérieur d'un dispositif excluant tout objet magnétique.
Ainsi, l'utilisation de tels procédés d'imagerie est compliquée pour des applications telles que l'imagerie interventionnelle qui nécessitent des technologies compatibles avec une exposition prolongée du sujet imagé et des contraintes faibles en termes d'équipement, et qui nécessite d'être capable de rendre compte d'une évolution temporelle du tissu imagé. L'imagerie interventionnelle fait référence à l'acquisition et/ou au traitement de données pendant une opération dans une salle d'opération.
Par exemple, la neuroimagerie fonctionnelle fait traditionnellement appel à l'imagerie par résonance magnétique fonctionnelle, IRMf, pour permettre la localisation des zones fonctionnelles cérébrales. L'identification des zones fonctionnelles a pour but d'aider le chirurgien en identifiant les zones corticales associées à des fonctions cognitives. L'objectif est d'éviter tous dommages cognitifs pour le patient à la suite de l'opération. Une distance d'1 cm entre la zone fonctionnelle et le tissu réséqué est généralement respectée. Cette technique est utilisée avant, pendant et après l'opération chirurgicale. L'IRMf préopératoire permet de contrôler la distance entre un site tumoral et une zone fonctionnelle et permet par exemple de déclencher l'opération de neurochirurgie si une tumeur est trop proche d'une zone fonctionnelle. Lors de l'opération, le neurochirurgien réalise une craniotomie (peau, os crânien et dure-mère enlevés), lui donnant accès au cerveau du patient et ainsi un accès à la tumeur.
L'opération de craniotomie implique un changement de pression de la boîte crânienne et un affaissement du cerveau (phénomène "brain shift" en anglais). Ce phénomène génère un décalage des points de neuronavigation pouvant aller jusqu'à 3 cm par rapport aux images d'IRMf. Les points de neuronavigation sont donc difficilement utilisables pour l'identification des zones fonctionnelles. De plus, la taille des tumeurs peut évoluer drastiquement pendant la durée entre les acquisitions d'IRMf et l'opération de neurochirurgie. Cette croissance peut introduire le déplacement de zones fonctionnelles dû à la plasticité du cerveau. S'il a pu être développé des solutions permettant des IRMf interventionnelles directement intégrées au bloc opératoire, de nombreuses contraintes subsistent liées aux particularités de ce type d'imagerie. La stimulation électrique est donc systématiquement utilisée pour l'identification des zones fonctionnelles, mais celle-ci présente plusieurs inconvénients. D'une part, la stimulation électrique ne peut résulter qu'en une faible précision spatiale, puisqu'il s'agit d'une mesure ponctuelle dont la résolution définie par la distance entre l’anode et la cathode du stimulateur. D'autre part, la stimulation électrique repose sur l'application de signaux électriques sur le système nerveux patient, ce qui peut provoquer des crises d’épilepsie.
D'autres procédés permettant une imagerie interventionnelle utilisent typiquement des imageurs sensibles aux longueurs d'onde de la lumière visible, ou proche telle que l'infra-rouge ou les ultraviolets, qui n'entraînent pas de contrainte d'équipement ou d'exposition, et permettent donc d'imager pendant les évolutions du tissu imagé pendant un temps relativement long, par exemple plusieurs minutes, dans un environnement non dédié à l'imagerie, comme par exemple une salle d'opération. De fait, ces procédés peuvent être réalisés avec des dispositifs compacts et adapté aux contraintes d'une salle d'opération. Par ailleurs, ces procédés présentent également peu de risques, puisqu'ils sont non invasifs et non ionisants. En outre, ces procédés permettent généralement un traitement rapide des données, ce qui permet de disposer d'images récentes très rapidement, si ce n'est en temps réel. De tels procédés rencontrent cependant d'autres obstacles. Notamment, la nature vivante du tissu imagé implique naturellement des variations de celui-ci au cours de l'acquisition, comme par exemple des variations de couleurs ou de positions liées aux pulsations cardiaques ou bien encore à la respiration ou aux mouvements du patient, volontaires ou non, qui rendent difficiles l'exploitation des images ainsi acquises, en particulier lorsque les images doivent rendre compte de caractéristiques telles que l’hémodynamique tissulaire sur des durées de plusieurs dizaines de secondes.
D'autres approches reposent sur une modélisation détaillée de la propagation de la lumière dans le tissu imagé. Par exemple, l'article de Charly Caredda et al., "Intraoperative quantitative functional brain mapping using an RGB caméra", Neurophoton. 6(4), 045015 (2019), doi: 10.1117/1. NPh.6.4.045015, décrit une technique de spectroscopie optique utilisée pour le suivi de G hémodynamique qui nécessite une modélisation de la propagation de la lumière. Plus précisément, une loi de Beer-Lambert modifiée faisant intervenir des caractéristiques du tissu et de la chaîne d’acquisition et d’illumination est utilisée. Il s'agit donc d'une technique complexe à mettre au point et dont la précision dépend de la qualité de la modélisation.
Certains procédés font appel aux différences d'absorption de molécules telles que la désoxyhémoglobine et l'oxyhémoglobine pour certaines longueurs d'onde pour mettre en évidence certaines caractéristiques de l'hémodynamique à partir d'images de la peau, comme dans l'article de Yu Kagaya et Shimpei Miyamoto “A systematic review of near- infrared spectroscopy in flap monitoring: Current basic and clinical evidence and prospects”, Journal of Plastic, Reconstructive & Aesthetic Surgery (2018) 71, 246-257, Elsevier Ltd. Toutefois, une telle approche repose encore sur des modèles d'absorption et d'hémodynamique théoriques qui entraînent la nécessité d'une approche statistique avec des seuils prédéfinis, adaptée pour une étude théorique mais non pratique pour une utilisation concrète. Par exemple, les interactions entre le sang et la lumière dépendent de beaucoup de facteurs difficiles à prendre en compte de cette façon, comme par exemple la couleur de la peau ou son épaisseur.
Il existe donc un besoin pour un procédé d'imagerie d'un tissu biologique vivant, sans nécessité d'équipement complexe ou contraignant, qui permette de mettre en évidence l'évolution de l'apparence du tissu imagé au cours de l'exposition, et en particulier l'évolution des couleurs de celui-ci, de manière simple et fiable, sans nécessiter de connaissance a priori sur le tissu imagé via une modélisation. Présentation de l'invention
Il est proposé un procédé d'imagerie d'un tissu biologique vivant comprenant l'obtention d'une pluralité d'images couleurs successives dudit tissu biologique, chaque image couleur associant des valeurs d'intensité d'au moins deux couleurs à chacun des pixels de ladite image couleur, caractérisé en que le procédé comprend une phase de calibrage réalisée à partir d'un premier sous-ensemble d'images de la pluralité d'images couleurs correspondant à une durée de calibrage, ladite phase de calibrage comprenant : - à partir des images du premier sous-ensemble d'images, la détermination d'au moins un vecteur temporel zonal représentatif de l'évolution temporelle de moyennes spatiales des valeurs d'intensité de chacune des couleurs dans une zone des images du premier sous-ensemble d'images,
- la détermination d'une fréquence caractéristique d'un phénomène périodique physiologique à partir du vecteur temporel zonal, la détermination d'un filtre passe-bande
(S23) centré sur ladite fréquence caractéristique, et l'application du filtre passe-bande (S24) sur le vecteur temporel zonal pour obtenir un vecteur temporel zonal filtré,
- la détermination d'une base de projection par analyse statistique sur le vecteur temporel zonal filtré, le procédé étant également remarquable en ce que :
- des données colorimétriques, représentatives de l'évolution temporelle d'intensités lumineuses du tissu biologique vivant dans les images du tissu vivant biologique, sont dérivées d'un second sous-ensemble d'images de la pluralité d'images couleurs successives,
- les données colorimétriques sont projetées sur la base de projection.
Le procédé proposé utilise un phénomène périodique physiologique tels que les battements du cœur ou les mouvements respiratoires pour calibrer l'exploitation de données colorimétriques tirées d'images couleurs du tissu biologique vivant. Il est ainsi possible ensuite de mettre en évidence le comportement hémodynamique du tissu vivant biologique imagé, par exemple en réponse à un stimulus, sans requérir à des méthodes d'imagerie contraignantes telle que l'imagerie par résonance magnétique, permettant donc une mise en œuvre dans un cadre d'imagerie fonctionnelle interventionnelle, et sans nécessiter une modélisation de la propagation de la lumière dans le tissu vivant. Le procédé est avantageusement complété par les caractéristiques suivantes, prises seules ou en quelconque de leurs combinaisons techniquement possibles :
- le phénomène périodique physiologique est un battement cardiaque, la fréquence caractéristique étant celle d'une pulsation cardiaque, ou dans lequel le phénomène périodique physiologique est un mouvement ventilatoire, la fréquence caractéristique étant celle de la respiration ;
- les données colorimétriques sont des données d'absorbance représentatives de l'évolution temporelle de l'absorbance du tissu biologique vivant pour plusieurs couleurs ; - les données d'absorbance sont des profils temporels de variation d'absorbance, représentatif d'une variation d'absorbance de chaque pixel sur une durée correspondant au second sous-ensemble d'images ;
- la variation d'absorbance à un instant d'un pixel est fonction d'un rapport entre une valeur d'intensité de référence pour ce pixel et la valeur d'intensité de ce pixel à cet instant ; - la pluralité d'images couleurs successives du tissu biologique comprend au moins 100 images, correspondant à une fréquence d'acquisition d'au moins 10 images par secondes, et dans lequel le premier sous-ensemble d'images comprend au moins 30 images ;
- au moins deux couleurs correspondent à des plages de longueur d'onde comprise entre 400 et 900 nm, et au moins deux couleurs sont séparées par au moins 40 nm en longueur d'onde ;
- la détermination d'une fréquence caractéristique d'un phénomène périodique physiologique à partir du vecteur temporel zonal comprend la recherche d'un pic d'un module d'une transformée de Fourier du vecteur temporel zonal pour chaque couleur, et le pic de module est recherché dans une plage de valeurs attendues ; - le filtre passe-bande centré sur ladite fréquence caractéristique présente une bande passante inférieure à 0,5 Hz ;
- la base de projection est définie par au moins deux axes principaux résultant de l'analyse statistique.
L'invention concerne également un système d'imagerie comprenant un imageur présentant un champ de vue dans lequel est destiné à être disposé le tissu biologique vivant, et configuré pour acquérir une pluralité d'images couleurs successives, et une unité de traitement destiné à recevoir ladite pluralité d'images couleurs successives, le système d'imagerie étant configuré pour mettre en œuvre le procédé selon l'invention. L'invention concerne également un produit programme d'ordinateur comprenant des instructions de code pour la mise en œuvre du procédé selon l'invention lorsqu'un ordinateur lit lesdites instructions. De préférence, le produit programme d'ordinateur prend la forme d'un support non volatile lisible par ordinateur et stockant les instructions de code de programme.
Présentation des figures
L'invention sera mieux comprise, grâce à la description ci-après, qui se rapporte à des modes de réalisations et des variantes selon la présente invention, donnés à titre d'exemples non limitatifs et expliqués avec référence aux dessins schématiques annexés, dans lesquels :
[Fig. 1] est un schéma montrant un exemple simplifié d'un agencement d'un système permettant de mettre en œuvre le procédé selon un mode de réalisation possible de l'invention ;
[Fig. 2] est un diagramme montrant des étapes du procédé selon un mode de réalisation possible de l'invention ;
[Fig. 3] montre des modules de la transformée de Fourrer des composantes de différentes couleurs du vecteur temporel zonal, avec la fenêtre du filtre passe-bande, dans un exemple d'un un mode de réalisation possible de l'invention ;
[Fig. 4] montre des exemples de valeurs d'intensité dans une base RVB, et les axes de la nouvelle base de projection ;
[Fig. 5] montre un exemple d'une réponse hémodynamique impulsionnelle théorique et de sa convolution avec le signal de stimulation, dans un exemple d'un mode de réalisation possible de l'invention ;
[Fig. 6] montre un exemple de superposition d'une image du tissu avec les représentations paramétriques statistiques des profils temporels de variation d'absorbance projetés pour différents profils temporels de variation d'absorbance projetés, selon un mode de réalisation possible de l'invention ; [Fig. 7] montre des profils temporels de variation d'absorbance projetés sur la base de projection, en combiné avec la réponse hémodynamique théorique
[Fig. 8] illustre une application de l’invention dans le cas particulier d’images de la peau de l’avant-bras d’un individu sur lequel a été placé un garrot. Description détaillée
Dans l'exemple utilisé pour illustrer la mise en œuvre de l'invention, le tissu biologique vivant imagé est une surface d'un cerveau humain dans le cadre de la neuroimagerie fonctionnelle, à titre d'exemple de l'invention. Toutefois, l'invention n'est pas limitée à la neuroimagerie fonctionnelle, et peut être appliqué à une variété de tissus vivants, humain ou animal, dès lors que le tissu biologique vivant est soumis à une variation physiologique répétitive, par exemple liée aux pulsations cardiaques ou aux mouvements respiratoires. On entend par données colorimétriques des données relatives aux intensités lumineuses respectives d'au moins deux couleurs distinctes, c'est-à-dire deux longueurs d'ondes ou plages de longueurs d'ondes distinctes.
En particulier, le tissu vivant imagé peut être une peau, par exemple dans le cadre d'un suivi post-opératoire. Suite à une greffe ou à un lambeau, il peut être souhaitable de vérifier la bonne vascularisation de la peau en étudiant l'hémodynamique de celle-ci pour détecter des congestions circulatoires ou autre anomalie. Il est également possible d'étudier la réponse d'un tissu tel que la peau à une stimulation telle que l'application localisée d'une pression, qui se traduit par une décoloration ou une coloration de cette peau, ou l'exposition à un rayonnement. II est rappelé que l'invention porte uniquement sur le traitement des images du tissu, et est donc indépendante de la manière dont les images ont été obtenues, dès lors que celles-ci présentent des caractéristiques propres à la mise en œuvre de l'invention.
En référence à la Figure 1, le tissu biologique vivant imagé 1 est ici une surface d'un cerveau humain d'un patient 2. Un imageur 4 est disposé de sorte que le tissu vivant imagé 1 se trouve dans le champ de vue de l'imageur 4. L'imageur 4 est configuré pour acquérir une pluralité d'images couleurs successives dudit tissu biologique, chaque image couleur associant des valeurs d'intensité de couleur à chacun des pixels de ladite image couleur. Le type d'imageur 4 importe peu, et peut par exemple être une caméra CMOS. Les couleurs sont typiquement le rouge, le vert et le bleu, mais d'autres couleurs peuvent être utilisées, voire l'infrarouge ou l'ultraviolet. De préférence, au moins deux couleurs se situe dans la plage 400-900 nm, c'est-à-dire correspondent à des plages de longueur d'onde comprise entre 400 et 900 nm, et de préférence entre 450 et 550 nm, ce qui permet d'obtenir un fort contraste de l'hémodynamique. La résolution et la cadence de prise de vue sont choisies pour permettre de rendre compte de l'évolution du tissu biologique vivant imagé. A titre d'exemple, il est possible d'utiliser une résolution de 1920 par 1080 pixels avec une cadence de prise de vue comprise entre 10 et 120 images par seconde, et de préférence entre 20 et 60 images par secondes. La pluralité d'images couleurs successives sont acquises de façon statique en ce sens que le tissu biologique vivant est fixe par rapport au champ de vue de l'imageur : il n'y a pas de mouvement relatif de l'imageur par rapport au tissu biologique vivant, et c'est donc la même zone qui est imagée dans les images successives. On entend par image couleur une image bidimensionnelle constituée de pixel spatialement répartie sur une surface, des valeurs d'intensité d'au moins deux couleurs étant associées à chacun des pixels de ladite image couleur. A titre d'exemple non limitatif, une image couleur RVB pour rouge-vert-bleu regroupe des pixels regroupés par lignes et colonnes, formant une surface bidimensionnelle, et à chaque pixel est associé une valeur d'intensité de rouge, une valeur d'intensité de vert, et une valeur d'intensité de bleu. Typiquement, les valeurs d'intensités sont des niveaux de gris allant de 0 à 255. D'autres types d'imageur 4 peuvent être utilisés, comme par exemple un imageur multispectral qui acquiert plus de trois bandes spectrales.
Afin d'améliorer la visibilité de la zone imagée du tissu biologique vivant, il est possible de prévoir une source lumineuse 6 éclairant celle-ci, par exemple avec de la lumière blanche. Une ampoule halogène classique peut être utilisée. Il est possible de munir la source lumineuse 6 d'un réflecteur parabolique permettant une illumination homogène du cortex cérébral du patient 1. Bien entendu, il est possible d'utiliser toutes sorte de dispositifs optique permettant d'améliorer la qualité des images acquises (objectifs, filtres, etc.) qui seront ensuite obtenues par l'unité de traitement 8. Par exemple, des filtres de polarisation croisée disposés d'une part entre la source lumineuse 6 et le tissu vivant, et d'autre part entre le tissu vivant et l'imageur 4, permet de limiter de limiter les réflexions spéculaires de la lumière.
L'imageur 4 est relié à une unité de traitement 8 prenant typiquement la forme d'un ordinateur pourvu d'un processeur, d'une mémoire et d'une interface de communication, auquel l'imageur 4 transmet les images acquises. L'unité de traitement 8 traite les images ainsi obtenues afin de les rendre exploitables, selon le procédé qui va être décrit ci-dessous. L'unité de traitement 8 peut être directement reliée par une connexion à l'imageur 4, ou peut plus largement être capable d'obtenir les images acquises par l'imageur 4, par exemple via un réseau tel que le réseau internet, avec éventuellement un stockage transitoire des images acquises par des serveurs, auquel cas l'unité de traitement 8 ne communique pas nécessairement avec l'imageur 4.
Le procédé d'imagerie commence avec l'obtention (étape Sll) par l'unité de traitement 8 d'une pluralité d'images couleurs successives du tissu biologique, par exemple acquises par l'imageur 4 ou par tout autre moyen. Cette succession d'images comprend au moins 100 images, de préférence au moins 300 images, et de préférence encore au moins 600 images. Les images successives couvrent une durée d'au moins 10 secondes, de préférence d'au moins 30 secondes, et de préférence encore d'au moins 60 secondes. La fréquence d'acquisition est d'au moins 10 images par seconde, de préférence d'au moins 20 images par secondes et de préférence encore d'au moins 30 images par seconde. Dans l'exemple qui suit, les images sont acquises sur une durée de 100 secondes à une fréquence d'acquisition de 30 images par secondes, soit 3000 images en tout. Les images sont des images couleurs, c'est-à-dire que chaque image associe des valeurs d'intensité d'au moins deux couleurs à chacun des pixels, et de préférence d'au moins trois couleurs. Dans l'exemple qui suit, les images sont des images rouge- vert-bleu, ou RVB. De préférence, au moins deux couleurs distinctes sont définies par des longueurs d'onde ou plages de longueurs d'ondes séparées par au moins 40 nm, et de préférence chaque couleur est séparée des autres couleurs par au moins 40 nm en longueur d'onde.
Dans le cadre de la neuroimagerie fonctionnelle, une stimulation périodique engendre une réponse cérébrale qui se traduit par des variations colorimétriques à la surface du cerveau, dont les localisations permettent d'identifier les zones fonctionnelles. L'exemple qui suit est un test fonctionnel de la motricité de la main. Le patient est au repos pendant R secondes, c'est-à-dire que les zones fonctionnelles étudiées (motricité de la main) ne sont pas stimulées, puis la zone fonctionnelle motrice est réalisée pendant R secondes par le mouvement de main du patient (mouvement réalisé par le patient ou par une autre personne). Plus précisément ce mouvement est une ouverture et fermeture de la main répétée à une fréquence d'environ 1Hz. Ce cycle est répété au moins deux fois. Dans cet exemple, R est de 20 secondes. Bien entendu, la durée R peut être différentes, et les périodes de repos et de stimulation peuvent ne pas avoir la même durée. L'acquisition des images couvrent au moins les deux cycles de stimulation.
D'autres durées peuvent être choisies, en particulier en fonction de la nature du tissu imagé. Par exemple pour la peau, une durée plus longue peut être choisie quand on recherche à mettre en évidence les variations de couleur sur une longue durée liées à l'irrigation sanguine de la peau, ou des durées similaires lorsqu'il est souhaité mettre en évidence la réponse de la peau à une stimulation.
Afin d'améliorer l'exploitabilité des images obtenues, il est possible de mettre en œuvre une compensation du mouvement (étape S 12) afin d'obtenir une correspondance spatiale entre les images successives. La compensation du mouvement a pour but de garantir que la lumière acquise pour chaque pixel de l'imageur 4 corresponde au même emplacement du tissu imagé tout au long de l'acquisition des images. En effet, il est possible que les positions relatives entre l'imageur 4 et le tissu imagé ne soient pas totalement stables au cours de la durée d'acquisition. Par exemple, la surface du cerveau est soumise à un mouvement physiologique répétitif lié aux pulsations cardiaques et à la respiration du patient. De même, la peau peut présenter des mouvements qui dépendent de l'endroit où elle est située, par exemple liés à la respiration ou aux mouvements de la personne.
La compensation du mouvement peut par exemple suivre le procédé proposé par M. Sdika, et al., "Robust real time motion compensation for intraoperative video
Processing during neurosurgery" . In 2016 IEEE 13th International Symposium on
Biomédical Imaging (ISBI), pages 1046-1049, Avril 2016, ou M. Sdika, Laure Alston, David Rousseau, Jacques Guyotat, Laurent Mahieu-Williame, and Bruno Montcel, "Répétitive motion compensation for real time intraoperative video processing" , Medical Image Analysis, 53 :1 10, 2019. Les images sont tout d'abord converties en image à niveau de gris. Chaque image du flux vidéo est recalée par rapport à la première image acquise. Le recalage d'une image acquise au temps t par rapport à celle acquise à t = 0 est réalisé à l'aide d'une carte de déformation déterminée à partir de quelques images.
Il est possible ensuite de définir un sous-espace de chaque image pour constituer une région d'intérêt (étape S 13), ou ROI pour l'anglais "Région of Interest". Cette région d'intérêt peut être définie manuellement par un utilisateur sur une image, qui peut être améliorée via une étape de segmentation automatique. La mise en œuvre de la suite du procédé est restreinte à cette région d'intérêt. Il est possible que la région d'intérêt recouvre l'ensemble de l'image, auquel cas il n'est pas nécessaire de définir celle-ci. De préférence toutefois, la région d'intérêt est essentiellement constituée par une zone imagée susceptible de présenter des variations de couleurs causées par l'hémodynamique du tissu vivant. La définition de la région d'intérêt vise alors à exclure les parties de l'image moins susceptibles de présenter des variations de couleurs, par exemple correspondant à d'autres parties du corps. Il est à noter que la région d'intérêt peut recouvrir une minorité de la partie de l'image susceptible de présenter des variations de couleurs, et que plusieurs régions d'intérêt peuvent donc être définies. Typiquement, la région d'intérêt correspond à une zone du tissu imagé qui apparaît sur toutes les images, malgré d'éventuels mouvements relatifs entre l'imageur et le tissu imagé, ce qui amène le plus souvent à définir une région d'intérêt ne couvrant pas toute l'image, avec assez de marge pour que ladite région d'intérêt soit présente sur toutes les images. Pour des raisons de simplicité, il sera par la suite fait référence à l'image pour désigner la région d'intérêt.
Les données d'images résultant de ces éventuels pré-traitements sont des données temporelles colorimétriques sous forme d'une matrice de dimension NxTixC, avec N le nombre de pixels contenus dans l'image (c'est-à-dire la région d'intérêt), Ti le nombre d'images dans le premier sous-ensemble et C le nombre de couleurs. Dans l'exemple utilisé, C=3, et donc la matrice est de dimension NxTix3. On obtient ainsi un profil d'intensité temporel par couleur. A partir des images du tissu biologique obtenues, et de préférence prétraitées, le procédé met en œuvre une phase de calibrage (étape S2) réalisée à partir d'un premier sous-ensemble d'images de la pluralité d'images couleurs correspondant à une durée de calibrage. Puisque la phase de calibrage (S2) est mise en œuvre à partir du même ensemble d'images issues de la phase d'obtention (étape SI) que l'ensemble utilisé ensuite en phase d'exploitation (étape S3), le calibrage peut être qualifié d'auto-calibrage.
Le premier sous-ensemble d'image peut correspondre à une partie seulement de la pluralité d'images successives. De préférence, la durée de calibrage correspond à une durée d'au moins 5 secondes, et de préférence d'au moins 10 secondes, et de préférence encore à une durée d'au moins 15 secondes. Le premier sous-ensemble d'images comprend au moins 50 images successives, et de préférence au moins 100 images successives. Le nombre d'images du premier sous-ensemble d'images et la durée de calibrage sont choisis pour couvrir l'entièreté d'au moins 5 cycles du phénomène périodique physiologique (battements cardiaques ou mouvements respiratoires), et de préférence au moins dix cycles du phénomène périodique physiologique. Il est également possible que le premier sous- ensemble d'images corresponde à l'ensemble de la pluralité d'images couleurs successives. Dans cet exemple, toutes les images obtenues constituent le premier sous-ensemble d'images, mais il est possible de choisir moins d'images. En cas de neuroimagerie fonctionnelle, le premier ensemble d'images peut avantageusement correspondre à une ou des périodes de repos.
La phase de calibrage (étape S2) vise à apprendre les variations colorimétriques liées au phénomène périodique physiologique dans les images obtenues afin de pouvoir mettre en évidence les variations de couleurs liées à des afflux sanguins non liés à ce phénomène périodique physiologique. Il est à noter que le calibrage ne suppose aucune connaissance a priori sur les caractéristiques du tissu imagé ou sur celles du phénomène à mettre en évidence. Ainsi, pour effectuer un suivi de G hémodynamique tissulaire (par exemple pour localiser une zone activée du cerveau, ou détecter des anomalies de vascularisation de la peau), il n'est pas nécessaire de connaître les caractéristiques optiques du sang ou du tissu. Le calibrage requiert simplement la présence d'un phénomène physiologique périodique susceptible de produire des variations colorimétriques similaires à celles qui veulent être mises en évidence. Le calibrage s'affranchit donc de toute approximation de modélisation et de généralisation, et, étant mené lors de la même session d'imagerie, est spécifique à chaque session d'imagerie, et donc adaptées aux spécificités de chaque tissu vivant imagé.
A cet effet, au moins un vecteur temporel zonal représentatif de l'évolution temporelle de moyennes spatiales des valeurs d'intensité de chacune des couleurs dans une zone des images du premier sous-ensemble d'images est déterminé (étape S21). Le vecteur est temporel en ce qu'il conserve la dimension du temps, et donc Tl est le nombre d'images du tissu dans le premier sous-ensemble et la longueur du vecteur temporel zonal. La zone utilisée peut couvrir tout ou partie de l'étendue de la région d'intérêt. Cette zone est de préférence suffisamment étendue pour que la moyenne spatiale sur cette zone gomme d'éventuelles inhomogénéités des variations de couleur. Ainsi, la zone couvre de préférence au moins 10% de la région d'intérêt, et de préférence au moins 25% de la région d'intérêt, et peut couvrir l'ensemble de la région d'intérêt. Dans le cas où le vecteur temporel zonal est dérivé d'une zone couvrant une partie seulement de la région d'intérêt, plusieurs zones peuvent être définies et donc plusieurs vecteurs peuvent être déterminés, avec un vecteur pour chaque zone. De préférence, et à des fins de simplification, une seule zone couvre l'ensemble de la région d'intérêt dans l'exemple décrit, de sorte que le vecteur temporel zonal prend la forme d'un vecteur de dimension Tix3, chaque valeur correspond à la moyenne sur la région d'intérêt des valeurs d'intensité d'une couleur dans l'image correspondante à un instant. Le vecteur temporel zonal est utilisé pour identifier les variations temporelles d'intensité lumineuses associées au phénomène périodique physiologique, et ainsi définir un filtre passe bande pour la sélection de ces variations d'intensité (Filtre Hc). A cet effet, une fréquence caractéristique du phénomène périodique physiologique est déterminée à partir du vecteur temporel zonal (étape S22). Cette fréquence caractéristique est par exemple une fréquence de pulsation cardiaque lorsque le phénomène périodique physiologique est un battement cardiaque, ou une fréquence de respiration lorsque le phénomène périodique physiologique est un mouvement ventilatoire.
Bien que la fréquence caractéristique puisse être déterminée à partir d'une seule couleur, cette fréquence caractéristique est de préférence déterminée à partir d'une combinaison des couleurs, par exemple une moyenne, c'est-à-dire à partir du partir du vecteur temporel zonal constitué des moyennes sur la dimension spectrale des valeurs d'intensité. Cette détermination peut faire intervenir la transformée de Fourier du vecteur temporel zonal, et plus précisément le module de cette transformée de Fourier, qui permet de mettre en évidence la contribution des pulsations cardiaques sur les variations colorimétriques. Dans les faits, la transformation de Fourier rapide est utilisée en raison de la nature discrète des valeurs du vecteur temporel zonal.
La Figure 3 montre le module 30 de la transformée de Fourier rapide du vecteur temporel zonal constitué des moyennes des valeurs d'intensité des trois couleurs dans un exemple illustratif où le phénomène périodique physiologique est un battement cardiaque. Le pic du module est recherché dans une plage de valeurs attendues, Dans l'exemple illustré où le phénomène périodique physiologique est un battement cardiaque, le pic du module est par exemple recherché entre 0,5 Hz et 1,5 Hz, et de préférence entre 0,8 Hz et 1,4 Hz. Dans l'exemple de la Figure 3, la fréquence de battement cardiaque Fc est identifiée comme étant 1,19 Hz. Lorsque le phénomène périodique physiologique est un mouvement ventilatoire de respiration, le pic du module est par exemple recherché sur une plage entre 0,1 Hz et 0,6 Hz, voire entre 0,1 Hz et 0,5 Hz.
Une fois la fréquence du pic identifiée, les harmoniques de cette fréquence de pic peuvent être recherchées afin de confirmer la fréquence de pic. Il est par exemple possible de construire un estimateur comparant les modules de ces harmoniques à un seuil pour confirmer que le pic correspond bien à la fréquence caractéristique recherchée, autrement un pic secondaire est sélectionné. Il n'est toutefois pas nécessaire de rechercher les harmoniques, en particulier si celles-ci sont confondues avec le bruit. Une fois que la fréquence caractéristique du phénomène périodique physiologique a été déterminée, un filtre passe-bande Hc est déterminé (étape S23). La fréquence du pic du module, c'est-à-dire la fréquence caractéristique, est utilisée pour centrer la fenêtre passante définissant le filtre passe-bande Hc. Le filtre passe-bande Hc est donc construit centré sur la fréquence caractéristique, par exemple en tant que fenêtre définie par une fonction Gaussienne avec une amplitude maximum de 1, une moyenne égale à la fréquence caractéristique et une largeur à mi-hauteur de 0,3Hz. A titre d'illustration, la Figure 3 superpose une fenêtre Gaussienne 31 du filtre passe-bande Hc avec le module 30 de la transformée de Fourier du vecteur temporel zonal moyenné sur la dimension spectrale avec une échelle multipliée par 1600 pour des raisons de lisibilité. La fenêtre Gaussienne 31 est centrée sur la fréquence cardiaque de 1,19 Hz préalablement identifiée.
Il est possible d'utiliser d'autres types de fenêtrage, comme par exemple la fenêtre de Blackmann ou de Hamming. La largeur de la fenêtre, ou la bande passante à -3 dB du filtre passe-bande Hc, est choisie pour être suffisante pour rendre compte d'une éventuelle variation de la fréquence caractéristique au cours de l'acquisition des images, tout en opérant un filtrage efficace. Cette bande passante est de préférence inférieure à 0,5 Hz, et de préférence encore inférieure à 0,25 Hz. Lors du filtrage passe-bande (étape S24), le filtre passe-bande Hc est appliqué sur le vecteur temporel zonal pour obtenir un vecteur temporel zonal filtré. Plus précisément, chaque composante de couleur est filtrée individuellement par le filtre passe-bande Hc. Le filtrage du vecteur temporel zonal par le filtre passe-bande Hc permet d'isoler les variations colorimétriques résultant du phénomène physiologique périodique afin de mettre en œuvre un calibrage basé sur ces variations qui permettra ensuite l'exploitation des images du tissu.
Une analyse statistique est ensuite exécutée (étape S25) sur le vecteur temporel zonal filtré.
Dans le mode de réalisation détaillé ci-après, cette analyse statistique est une analyse en composantes principales (ACP) L'ACP permet la définition d'une base de projection (étape S26) chromatique orthonormée qui représente au mieux la dispersion statistique des variations des intensités lumineuses associée à la pulsation cardiaque. L'ACP une méthode statistique multivariée qui consiste à transformer les variables corrélées entre elles en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont appelées composantes principales et permettent d'expliquer au mieux l'inertie colorimétrique. Préalablement à l'ACP, il est possible de transformer les valeurs du vecteur temporel zonal filtré en variables centrées-réduites (moyenne nulle et écart type égal à 1). Cette transformation est appliquée dans l'exemple ci-dessous.
La Figure 4 montre la dispersion des valeurs utilisées du vecteur temporel zonal filtré et les axes de la base de projection chromatique résultant de l'ACP pour le vecteur temporel zonal filtré issu de l'exemple de la Figure 3. Le nombre d’axes de la projection chromatique est inférieure ou égale au nombre de composantes de couleur de l’image. De préférence, au moins deux axes sont retenus. Dans cet exemple avec trois composantes de couleur, trois axes de projection chromatique ont été retenus, mais deux axes auraient pu être retenus. Dans le cas où le phénomène physiologique périodique est un battement cardiaque, des significations physiologiques peuvent être attribués à certains axes : le premier axe rend compte essentiellement de la variation du volume sanguin dans le tissu tandis que le deuxième axe rend compte essentiellement de la variation d'oxyhémoglobine. En effet, le battement cardiaque cause une variation périodique du volume sanguin, donc de l'hémoglobine totale (premier axe de l'ACP), avec cependant un acheminé principalement oxygéné (deuxième axe de l'ACP). Il est à noter toutefois que cette interprétation n'influe pas la détermination des axes de la base de projection chromatique résultant de l'ACP puisque ceux-ci sont dérivés statistiquement à partir des valeurs des composantes de couleur du vecteur temporel zonal filtré.
Sur cette Figure 4, le graphique (A) de gauche illustre les couples de valeurs des composantes rouge (axe horizontal) et verte (axe vertical), et le graphique (B) de droite illustre les couples de valeurs des composantes verte (axe horizontal) et bleue (axe vertical). Les axes de la base de projection chromatique sont représentés partant de l'origine de chaque graphique. L'axe 1 est l'axe de projection principal, qui exprime la très grande majorité de la dispersion colorimétrique (plus de 90%), tandis que les axes 2 et 3 expriment bien plus faiblement la dispersion. Dans l'exemple utilisé, la matrice de projection résultant de l'ACP et permettant la projection des valeurs sur la base de projection chromatique, est : roa[L 0,57331436 0,58206009 0,57664261
Bc = Vca2 -0,77296295 0,15082054 0,6162641 pcal_ . 0,27173318 -0,79903643 0,53637847.
La phase de calibrage (S2) s'achève une fois la base de projection chromatique ou son équivalent la matrice de projection déterminée. Les images du tissu peuvent alors être traitées lors d'une phase d'exploitation (étape S3). Plus précisément, un second sous- ensemble d'images de la pluralité d'images couleurs successives est exploité. Le second sous-ensemble d'images comprend la majorité des images du tissu obtenues, peut être distinct du premier sous-ensemble d'images ou peut comprendre une partie du premier sous-ensemble d'images. De préférence, le second sous-ensemble d'images correspond à la totalité des images du tissu obtenues, ou du moins inclut l'ensemble du premier sous- ensemble d'images. Le fait que l'auto-calibrage sur le premier sous-ensemble d'images se fassent sur des données exploitées par la suite dans le second sous-ensemble d'images permet un calibrage plus robuste, qui permet en outre d’enlever toute contrainte de délai de calibrage presque puisque aucun temps n’est alloué uniquement pour le calibrage, et n'entraîne pas de perte de données, puisque les images utilisées pour le calibrage sont également exploitées pour par la suite. En outre, une même acquisition d'images est effectuée à la fois pour le calibrage et pour exploiter les images lors du traitement des images du tissu.
Comme expliqué plus haut, les valeurs d'intensité peuvent être exprimées sous la forme d'une matrice de dimension NxT2xC, avec N le nombre de pixels contenus dans l'image (c'est-à-dire la région d'intérêt), T2 le nombre d'images du second sous-ensemble d'images et C le nombre de couleurs. Dans l'exemple utilisé, C=3, et donc la matrice est de dimension NxT2x3. Ces valeurs d'intensité forment un profil d'intensité temporel par couleur. Toutefois, ce ne sont pas ces valeurs qui sont directement projetées sur la base de projection chromatique. Des données colorimétriques représentatives de l'évolution temporelle de l'intensité lumineuse du tissu biologique vivant dans l'image sont dérivées du second sous-ensemble d'images de la pluralité d'images couleurs successives, et ce sont ces données colorimétriques qui sont projetées sur la base de projection chromatique.
Préalablement à la dérivation des données colorimétriques, les valeurs d'intensité de couleur peuvent subir plusieurs pré-traitements facultatifs. Un premier pré-traitement consiste en un redressement des données (étape S31). Pour chaque pixel de l'imageur 4, l'intensité mesurée peut décroître au cours de l'acquisition en raison du au phénomène de dessiccation du tissu biologique imagé. C'est notamment le cas du tissu cortical dans le cas de la neuroimagerie fonctionnelle, mais d'autres tissus biologiques peuvent ne pas subir un tel assèchement. Durant l'acquisition des images données, la réponse hémodynamique à un stimulus physiologique est mesurée. L'acquisition des images s'étend typiquement sur plusieurs dizaines de secondes. En raison de l'assèchement du tissu biologique imagé, il peut se produire une dérive d'intensité au cours du temps qui affecte les valeurs d'intensité dans les images du tissu. Ainsi, au cours de deux périodes de repos du patient, les intensités lumineuses collectées ne seront pas identiques en raison du temps qui les sépare et de la dessication du tissu pendant ce temps. Cette dérive d'intensité est dépendante de l'angle de la lumière incidente à l'imageur 4, de sa longueur d'onde et du type de tissu biologique. Afin de corriger cette dérive d'intensité pour chaque pixel de l'imageur 4 et pour chaque canal spectral (chaque couleur), une régression linéaire est appliquée sur des valeurs d'intensité correspondant à des périodes distinctes de repos pour déterminer une droite d'équation D=axt, où t désigne le temps de l'acquisition et a le coefficient directeur de la droite. De préférence, afin d'améliorer la précision de la détermination de droite, les périodes de repos prises en compte sont les plus éloignées possibles, et peuvent avantageusement être des périodes de repos ouvrant et terminant l'acquisition d'images. Ensuite, à chaque valeur d'intensité d'un instant t (pour toutes les périodes) est soustraite la valeur de dérive D de la droite correspondant au même instant t pour chaque couleur.
Un autre pré-traitement possible est l'application d'un filtre passe-bas (étape S32), qui permet par exemple de supprimer des variations d'intensité liées à des phénomènes présentant une dynamique plus rapide que celle qui veut être mise en évidence. Par exemple, il peut s'agir de la respiration, des mouvements du sujet imagé, ou bien encore de supprimer des fluctuations hémodynamiques associées à l’activité cérébrale, en fonction notamment du type de tissu imagé. Le type de filtre, la fréquence de coupure et son domaine d'application dépendent des caractéristiques des données traitées et des informations recherchées. Le filtre passe-bas peut par exemple être un filtre de Butterworth, de Bessel, un filtre elliptique ou de Chebyshev. Le filtre passe-bas a typiquement une fréquence de coupure comprise entre 0,02 Hz et 0,5 Hz, de préférence inférieure à 0,25 Hz. Le filtre passe-bas peut être appliqué dans le domaine temporel, par exemple par convolution discrète du profil temporel avec un filtre à réponse impulsionnelle infinie, ou dans le domaine de Lourier, par exemple avec une fenêtre de Blackman.
Une fois que les profils temporels constitués par les valeurs d'intensités ont été éventuellement pré-traitées, les données colorimétriques peuvent être dérivées (étape S33). De préférence, les données colorimétriques sont des données d'absorbance représentatives de l'évolution temporelle de l'absorbance du tissu biologique vivant pour plusieurs couleurs. A cet effet, un vecteur de variation d'absorbance AA est calculé pour chaque profil temporel de couleur. L'absorbance désigne ici la capacité du tissu biologique à absorber la lumière qui le traverse. Pour chaque couleur i (e.g. rouge, vert, ou bleu), la variation d'absorbance DA à un instant t d'un pixel est fonction d'un rapport entre une valeur d'intensité de référence pour ce pixel (indépendante du temps) et la valeur d'intensité de ce pixel à l'instant t. Plus précisément, la variation d'absorbance DA est fonction du logarithme (e.g. en base 10) de ce rapport. Ainsi, le vecteur de variation d'absorbance DA; pour une couleur i peut être : désignant la valeur d'intensité pour le pixel à la position (x,y) à l'instant t. La valeur d'intensité de référence I;Ref dépend de la position du pixel, mais pas du temps. Cette valeur d'intensité de référence est dérivée des valeurs d'intensité pour le même pixel pendant une durée de référence, et est par exemple une moyenne de ces valeurs d'intensité. La durée de référence couvre plusieurs secondes, et est de préférence supérieure à 10 secondes. De préférence, la durée de référence correspond à un épisode de repos du tissu imagé relativement à ce qui veut être mis en évidence. Par exemple, s'il est souhaité mettre en évidence la réponse hémodynamique à une stimulation physiologique comme dans le cas de la neuroimagerie fonctionnelle, la période couverte par la durée de référence correspond à une période de repos, c'est-à-dire hors stimulation. Ainsi, on peut prendre : où Ni et N désignent les indices temporels du début et de la fin de la période de référence. Pour un pixel, on obtient donc un vecteur de variation d'absorbance DA de dimension T XC, où C est le nombre de couleurs, 3 dans cet exemple.
Pour chaque pixel, les profils temporels de variation d'absorbance sont projetés sur la base de projection (étape S34) chromatique, typiquement par produit matriciel du vecteur de variation d'absorbance avec la matrice de projection Bc, pour donner les profils temporels de variation d'absorbance projetés, exprimés par la matrice AC : AC= BcxAA. Dans l'exemple, la base de projection repend les trois axes principaux issus de l'ACP, et la matrice de projection Bc est donc de taille 3x3, avec DA et AC des matrices 3xT2. Il est toutefois possible de ne conserver que deux axes, de sorte que la matrice de projection Bc soit de taille 2x3, et que AC soit une matrice 2x T2.
Une fois obtenu les profils temporels de variation d'absorbance projetés, ceux-ci peuvent être mis sous une forme permettant une exploitation plus aisée, et en particulier permettant une meilleure visualisation (étape S35). Il est notamment possible de comparer les profils temporels de variation d'absorbance projetés à des profils hémodynamiques théoriques. Par exemple, les profils temporels de variation d'absorbance projetés peuvent être représentés par une représentation statistique paramétrique, ou SPM pour l'anglais "Statistical Parametric Mapping". La cartographie statistique paramétrique de l'activité corticale permet la définition d'un indicateur binaire de l'activité corticale. Cette représentation est privilégiée par les utilisateurs car les zones fonctionnelles peuvent être directement et clairement identifiées sur le volume de données sous forme d'information binaires. D'autres approches peuvent être adoptée en fonction du tissu imagé (comme par exemple de la peau), ou de ce qui est recherché à mettre en évidence par l'imagerie.
Dans l'exemple de la neuroimagerie, la SPM fait appel à une réponse hémodynamique théorique d'un pixel associé à une zone fonctionnelle activée, qui est obtenue en convoluant une réponse hémodynamique impulsionnelle théorique avec la fonction représentant l'alternance de périodes de repos et de stimulation (typiquement une fonction porte). La réponse hémodynamique est un mécanisme physiologique qui consiste en une augmentation locale du débit sanguin afin de subvenir au besoin énergétiques des cellules en activité. La réponse hémodynamique théorique peut par exemple être un signal BOLD (pour l'anglais "Blood-oxygen-level-dependent", dépendant du taux d'oxygénation du sang) qui est plutôt liées aux variations de l’hémoglobine désoxygénée. La Figure 5, graphique (A) de gauche montre un exemple de réponse hémodynamique impulsionnelle 50 théorique en fonction du temps en unités arbitraires. Le graphique (B) de gauche montre le signal de stimulation 51, constitué de 0 pour les périodes de repose et de 1 pour la période de stimulation, et la réponse hémodynamique théorique 52 résultant de la convolution de la réponse hémodynamique impulsionnelle 50 théorique et du signal de stimulation 51.
La force de l'association linéaire entre les profils temporels de variation d'absorbance projetés à la réponse hémodynamique théorique est exprimée par le modèle linéaire général, lequel prend par exemple la forme DO=Cb + e, où X est une matrice de design de dimension T2XS, avec S désignant le nombre de conditions physiologiques, en l'occurrence ici S=2 (repos et stimulation), tandis que b est une matrice de paramètre de dimension SxN, N étant le nombre de pixels. La matrice de paramètre b contient les paramètres du modèle linéaire traduisant l'association pour chaque pixel aux conditions physiologiques exprimées dans la matrice de design. La matrice d'erreur e représente les erreurs du modèle, supposées être des erreurs indépendantes constituées de bruit Gaussien de moyenne nulle et de matrice de variance å6=s2c¾ avec s2 la variance dans l'erreur e, et Id la matrice identité. Sous ces hypothèses, la matrice de paramètre b peut par exemple être estimée par le théorème de Gauss-Markov : b = c xtxy1xtAc où t désigne l'opérateur de transposition et (X£X)_1 la matrice pseudo-inverse de
(X£X) obtenue par décomposition en valeurs singulières. La matrice de statistiques tsat pour le test de l'hypothèse nulle (pas d'activation) peut être : où c désigne le vecteur de contraste permettant l'extraction des paramètres de la matrice b liés à l'une des conditions physiologiques (une condition parmi les S conditions définies dans la matrice de design). Par exemple, si deux conditions ont été modélisées (repos et stimulation), c = [1 0] permet d'extraire les paramètres liés au repos et c = [0 1] permet d'extraire les paramètres liés à la stimulation. Cette matrice de statistiques tsat de dimension Nxl a pour but le calcul d'inférences statistiques, c'est à dire l'association ou non d'un pixel à une zone considérée comme activée, c'est-à-dire dans le cas de la neuroimagerie fonctionnelle, si le pixel fait partie d'une zone fonctionnelle cérébrale stimulée.
Il s'agit ensuite de définir un seuil de significativité statistique. Il est possible d'utiliser la théorie des champs aléatoires, ou "Random Fiel Theory" en anglais. Une image bidimensionnelle est reconstruite à partir de la matrice de statistiques tsat et convertie en cote z, ou score z, c'est-à-dire la différence entre le résultat et la moyenne, divisé par l'écart-type. Cette image de cote z est ensuite lissée par convolution à l'aide d'un noyau Gaussien, dont la largeur à mi-hauteur permet de déterminer le nombre d'éléments de résolution, ou resel. La théorie des champs aléatoire permet de calculer la caractéristique d'Euler (EC) en fonction un seuil statistique donné (seuil de l'image de statistique z lissée). L'EC représente une propriété d'une image seuillée. L'EC correspond à l'estimation du nombre de clusters obtenus (assemblage de pixels) après seuillage de l'image à la valeur Zth. La théorie des champs aléatoire stipule que pour des seuils élevés, la probabilité que EC > 1 (c'est à dire qu'au moins un cluster soit détecté) est approximativement égale à E[EC] (moyenne de EC). Il est ainsi possible de déterminer des seuils pour lesquels une certaine proportion de l'image se révèle comme contenant au moins une zone au-dessus du seuil, c'est-à-dire un cluster. Par exemple, on peut souhaiter déterminer le seuil Zth tel que la probabilité d'identifier au moins un cluster (zone fonctionnelle) dans l'image de statistique z telle que l'hypothèse nulle (pas d'activité) soit rejetée à 5% de significativité statistique. Plus d'informations peuvent être retrouvées dans M. Brett, W. Penny, S. Kiebel, CHAPTER 17 - Parametric procedures, Editor(s): Karl Friston, John Ashburner, Stefan Kiebel, Thomas Nichols, William Penny, Statistical Parametric Mapping, Academie Press, 2007, Pages 223-231, ISBN 9780123725608, ou dans J. Cao and K. J. Worsley. "Applications of Random Fields in Human Brain Mapping", pages 169-182. Springer New York, New York, NY, 2001. Les représentations paramétriques statistiques des profils temporels de variation d'absorbance projetés (pour chaque axes, trois dans cet exemple) peuvent ensuite être affichées. Par exemple, les pixels associés à une zone cérébrale activée peuvent apparaître dans une couleur, tandis que ceux associés à une zone cérébrale non activée apparaissent dans une autre couleur. Pour aider à la localisation, les représentations paramétriques statistiques des profils temporels de variation d'absorbance projetés peuvent être superposés à une image du tissu biologique vivant.
Par exemple, la Figure 6 montre un exemple de superposition d'une image du tissu biologique vivant avec un masque binaire des représentations paramétriques statistiques des profils temporels de variation d'absorbance projetés pour trois profils temporels de variation d'absorbance projetés : la première image (A) à gauche correspond aux inférences statistiques du premier profil temporel de variation d'absorbance projeté AC1, la deuxième image (B) au milieu correspond aux inférences statistiques du deuxième profil temporel de variation d'absorbance projeté AC2, la troisième image (C) à droite correspond aux inférences statistiques du troisième profil temporel de variation d'absorbance projeté AC3. Dans chaque image, un encadré en tirets montre l'emplacement de la zone stimulée lors des périodes de stimulation.
Les ensembles de pixels associés à une zone cérébrale activée, mis en évidence par les représentations paramétriques statistiques des profils temporels de variation d'absorbance projetés, sont entourés en noir. En comparant les images, on constate d'abord que les inférences statistiques des deuxièmes et troisièmes profils temporels de variation d'absorbance projetés font apparaître des zones cérébrales activées, alors que les inférences statistiques du premier profil temporel de variation d'absorbance projeté AC1 n'en montrent pas. En outre, on constate que les emplacements de ces zones cérébrales activées diffèrent sensiblement, les inférences statistiques du deuxième profil temporel de variation d'absorbance projeté AC2 mettent en évidence des deuxièmes zones activées 62a, 62b plus étendues que les troisièmes zones activées 63a, 63b, 63c mises en évidence par les inférences statistiques du troisième profil temporel de variation d'absorbance projeté AC3. Ainsi, les profils temporels de variation d'absorbance projetés ne sont pas redondants, mais permettent de mettre en évidence des variations colorimétriques diverses. Toutefois, les troisièmes zones activées 63a, 63b, 63c sont localisées dans des emplacements couverts par les deuxièmes zones activées 62a, 62b, ce qui montre que la détection de ces zones activées résulte d'un processus physiologique similaire, à savoir l'afflux sanguin causé par la stimulation. De fait, le procédé proposé permet de mettre en évidence la localisation de la réponse hémodynamique dans le tissu biologique imagé à partir d'une image bidimensionnelle en couleur, grâce à une phase d'auto-calibrage reposant sur la présence d'un phénomène périodique physiologique suscitant des variations colorimétriques. Plus spécifiquement, le rond désigné par M localise la zone motrice de la main droite du patient, préalablement identifiée par stimulation électrique. On constate que cette zone motrice appartient à la zone activée lors des périodes de stimulation pour laquelle la réponse hémodynamique est détectée par le procédé proposé. Qui plus est, le procédé permet de montrer que la zone cérébrale effectivement mobilisée pour la motricité de la main droite est plus étendue que la zone motrice identifiée par stimulation électrique. Le procédé permet donc une identification plus efficace et complète des zones fonctionnelles du cerveau dans cet exemple non limitatif.
Dans cet exemple, la phase d'auto-calibrage basée sur les battements cardiaques a permis de définir des axes de représentation soulignant les variations colorimétriques similaires à celles causées par ces battements cardiaques, auxquelles il peut être possible de donner une interprétation physiologique.
La Figure 7 montre l'évolution temporelles des moyennes spatiales, sur la surface de la zone motrice de la main gauche identifiée par stimulation électrique, des profils temporels de variation d'absorbance projetés sur la base de projection. L'alternance de zones claires et sombres illustre l'altemances des périodes de repos (zones claires) et de stimulation (zones sombres). Sur le graphique (A) de gauche, une courbe 70 présente le premier profil temporel de variation d'absorbance projeté AC1 et une courbe 71 une réponse hémodynamique théorique de la zone motrice correspondant aux variations du volume sanguin (hémoglobine totale), sur le graphique (B) du milieu, une courbe 72 présente le deuxième profil temporel de variation d'absorbance projeté AC2 et une courbe 73 la réponse hémodynamique théorique de la zone motrice correspondant à une variation d'oxyhémoglobine, sur le graphique (C) de droite, une courbe 75 présente le troisième profil temporel de variation d'absorbance projeté AC3 et une courbe 76 la réponse hémodynamique théorique de la zone motrice correspondant à une variation d'oxyhémoglobine. On peut constater sur cette Figure 7 que le premier profil temporel de variation d'absorbance projeté AGI présente des similitudes avec la réponse hémodynamique théorique correspondant aux variations du volume sanguin, et permet donc de rendre compte des variations du volume sanguin à partir des variations colorimétriques du tissu imagé. Le deuxième profil temporel de variation d'absorbance projeté AC2 et le troisième profil temporel de variation d'absorbance projeté AC3 présentent de fortes similitudes entre eux, et présentent les mêmes variations que la réponse hémodynamique théorique correspondant à une variation d'oxyhémoglobine. Ils permettent donc de rendre compte de l'oxygénation du sang à partir des variations colorimétriques du tissu imagé. On constate également que les informations apportées par le deuxième profil temporel de variation d'absorbance projeté AC2 et le troisième profil temporel de variation d'absorbance projeté AC3 peuvent être considérées comme redondantes, et qu'il serait possible de ne travailler qu'avec deux profils. La figure 8 illustre une application de l’invention dans le cas d’images de la peau de l’avant-bras d’un individu.
Pour cette expérience, des images ont été acquises par une caméra couleur BASLER acA2000-165uc, un garrot étant est placé au niveau du coude de l’individu pour provoquer une occlusion puis une désocclusion de l'oxygénation de l'avant-bras. Une phase d'auto-calibrage basée sur les battements cardiaques a permis de définir des axes de représentation soulignant les variations colorimétriques similaires à celles causées par ces battements cardiaques, auxquelles il peut être possible de donner une interprétation physiologique.
Les courbes de variations hémodynamiques représentées à la figure 8 illustrent l'évolution temporelle des moyennes spatiales, sur la surface d’une zone de l'avant-bras, des profils temporels de variation d'absorbance projetés sur une base de projection. Trois périodes sont représentées sur ce graphique : une période de non-occlusion (oxygénation de l'avant-bras non perturbée), une période d'occlusion (oxygénation de l'avant-bras contraint par la pression du garrot au niveau du coude) et une période de désocclusion (relâchement de la pression du garrot permettant un retour à une oxygénation normale de l'avant-bras). La courbe en gris clair «Modifications du volume sanguin » est positivement corrélée aux variations du volume sanguin (variations de concentration en hémoglobine totale) et la courbe en gris foncé « Modifications de l’oxygénation » est négativement corrélée aux variations de concentration en hémoglobine oxygénée.
Pendant la première période d'acquisition, les variations de volume sanguin et d'hémoglobine oxygénée restent constantes. On remarque des variations abruptes du volume sanguin et de l’oxygénation tissulaire dès le début de l’occlusion du bras par le garrot. Durant l’occlusion, le volume sanguin et les variations de concentration d’hémoglobine oxygénée augmentent. Lorsque le garrot est desserré, ces variations chutent pour revenir au niveau des variations mesurées sans occlusion.
Cette figure démontre effectivement que la technique d’auto-calibration permet de suivre les variations hémodynamiques lors de l’occlusion et de la désocclusion d’un bras. L'invention n'est pas limitée au mode de réalisation décrit et représenté aux figures annexées. Des modifications restent possibles, notamment du point de vue de la constitution des divers caractéristiques techniques ou par substitution d'équivalents techniques, sans sortir pour autant du domaine de protection de l'invention.

Claims

Revendications
1. Procédé d’imagerie d'un tissu biologique vivant comprenant l'obtention d'une pluralité d'images couleurs successives dudit tissu biologique, chaque image couleur associant des valeurs d'intensité d'au moins deux couleurs à chacun des pixels de ladite image couleur, caractérisé en que le procédé comprend une phase de calibrage réalisée à partir d'un premier sous-ensemble d'images de la pluralité d'images couleurs correspondant à une durée de calibrage, ladite phase de calibrage comprenant :
- à partir des images du premier sous-ensemble d'images, la détermination d'au moins un vecteur temporel zonal (S21) représentatif de l'évolution temporelle de moyennes spatiales des valeurs d'intensité de chacune des couleurs dans une zone des images du premier sous-ensemble d'images,
- la détermination d'une fréquence caractéristique (S22) d'un phénomène périodique physiologique à partir du vecteur temporel zonal, la détermination d'un filtre passe-bande (S23) centré sur ladite fréquence caractéristique, et l'application du filtre passe-bande (S24) sur le vecteur temporel zonal pour obtenir un vecteur temporel zonal filtré,
- la détermination d'une base de projection (S26) par analyse statistique (S25) sur le vecteur temporel zonal filtré, le procédé étant également caractérisé en ce que :
- des données colorimétriques, représentatives de l'évolution temporelle d'intensités lumineuses du tissu biologique vivant dans les images du tissu biologique vivant, sont dérivées (S33) d'un second sous-ensemble d'images de la pluralité d'images couleurs successives, et - les données colorimétriques sont projetées sur la base de projection (S34).
2. Procédé selon la revendication 1, dans lequel le phénomène périodique physiologique est un battement cardiaque, la fréquence caractéristique étant celle d'une pulsation cardiaque, ou dans lequel le phénomène périodique physiologique est un mouvement ventilatoire, la fréquence caractéristique étant celle de la respiration.
3. Procédé selon l'une des revendications précédentes, dans lequel les données colorimétriques sont des données d'absorbance représentatives de l'évolution temporelle de l'absorbance du tissu biologique vivant pour plusieurs couleurs.
4. Procédé selon la revendication 3, dans lequel les données d'absorbance sont des profils temporels de variation d'absorbance, représentatif d'une variation d'absorbance de chaque pixel sur une durée correspondant au second sous-ensemble d'images.
5. Procédé selon la revendication 4, dans lequel la variation d'absorbance à un instant d'un pixel est fonction d'un rapport entre une valeur d'intensité de référence pour ce pixel et la valeur d'intensité de ce pixel à cet instant.
6. Procédé selon l'une quelconque des revendications précédentes, dans lequel la pluralité d'images couleurs successives du tissu biologique comprend au moins 100 images, correspondant à une fréquence d'acquisition d'au moins 10 images par secondes, et dans lequel le premier sous-ensemble d'images comprend au moins 30 images.
7. Procédé selon l'une quelconque des revendications précédentes, dans lequel au moins deux couleurs correspondent à des plages de longueur d'onde comprise entre 400 et 900 nm, et au moins deux couleurs sont séparées par au moins 40 nm en longueur d'onde.
8. Procédé selon l'une quelconque des revendications précédentes, dans lequel la détermination d'une fréquence caractéristique d'un phénomène périodique physiologique à partir du vecteur temporel zonal comprend la recherche d'un pic d'un module d'une transformée de Fourier du vecteur temporel zonal pour chaque couleur, et le pic de module est recherché dans une plage de valeurs attendues.
9. Procédé selon l'une quelconque des revendications précédentes, dans lequel le filtre passe-bande centré sur ladite fréquence caractéristique présente une bande passante inférieure à 0,5 Hz.
10. Procédé selon l'une quelconque des revendications précédentes, dans lequel la base de projection est définie par au moins deux axes principaux résultant de l'analyse en statistique.
11. Procédé selon l'une quelconque des revendications précédentes, dans lequel ladite analyse statistique (S25) sur le vecteur temporel zonal filtré est une analyse en composantes principales sur le vecteur temporel zonal filtré.
12. Système d'imagerie comprenant un imageur (4) présentant un champ de vue dans lequel est destiné à être disposé le tissu biologique vivant (1), et configuré pour acquérir une pluralité d'images couleurs successives, et une unité de traitement (8) destiné à recevoir ladite pluralité d'images couleurs successives, le système d'imagerie étant configuré pour mettre en œuvre le procédé selon l'une quelconque des revendications précédentes.
13. Produit programme d'ordinateur comprenant des instructions de code pour la mise en œuvre du procédé selon l'une quelconque des revendications 1 à 11 lorsqu'un ordinateur lit lesdites instructions.
EP22722303.9A 2021-04-13 2022-04-12 Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage Pending EP4323958A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2103802A FR3121772B1 (fr) 2021-04-13 2021-04-13 Procédé de traitement d'images d'un tissu biologique vivant avec auto-calibrage
PCT/FR2022/050692 WO2022219284A1 (fr) 2021-04-13 2022-04-12 Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage

Publications (1)

Publication Number Publication Date
EP4323958A1 true EP4323958A1 (fr) 2024-02-21

Family

ID=76523078

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22722303.9A Pending EP4323958A1 (fr) 2021-04-13 2022-04-12 Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage

Country Status (4)

Country Link
US (1) US20240221221A1 (fr)
EP (1) EP4323958A1 (fr)
FR (1) FR3121772B1 (fr)
WO (1) WO2022219284A1 (fr)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129371B2 (en) * 2010-06-25 2015-09-08 Cireca Theranostics, Llc Method for analyzing biological specimens by spectral imaging
US9025850B2 (en) * 2010-06-25 2015-05-05 Cireca Theranostics, Llc Method for analyzing biological specimens by spectral imaging
HK1243207A1 (zh) * 2014-10-17 2018-07-06 Cireca Theranostics, Llc 用於分类生物样本﹑包括分析的优化和相关性的使用的方法和系统
GB201610594D0 (en) * 2016-06-17 2016-08-03 Ucl Business Plc Method and apparatus for estimating the value of a physical parameter in a biological tissue

Also Published As

Publication number Publication date
WO2022219284A1 (fr) 2022-10-20
US20240221221A1 (en) 2024-07-04
FR3121772B1 (fr) 2023-04-14
FR3121772A1 (fr) 2022-10-14

Similar Documents

Publication Publication Date Title
US11170258B2 (en) Reducing noise in an image
US11092795B2 (en) Systems and methods for coded-aperture-based correction of aberration obtained from Fourier ptychography
CN103857335B (zh) 激光散斑图像的各向异性处理
US10568507B2 (en) Pupil ptychography methods and systems
EP3472803B1 (fr) Procédé et appareil d'estimation de la valeur d'un paramètre physique dans un tissu biologique
CN112136182B (zh) 基于Gabor光学相干层析术血流成像的系统和方法
JP2021532881A (ja) マルチスペクトル情報を用いた拡張画像化のための方法およびシステム
KR20140105816A (ko) 다수의 눈영상들을 플렌옵틱 다초점 영상으로 합성하는 방법
WO2012037414A1 (fr) Systèmes et procédés d'imagerie multicouche et d'analyse des lésions rétiniennes
GB2595694A (en) Method and system for joint demosaicking and spectral signature estimation
FR2949658A1 (fr) Dispositif de capture de signal plethysmographique optique utilisant un imageur matriciel
AU2016328761A1 (en) Method and system for determining the subjective refraction properties of an eye
Jones et al. Bayesian estimation of intrinsic tissue oxygenation and perfusion from RGB images
JP7494855B2 (ja) 画像処理方法、画像処理装置、及び画像処理プログラム
JP7584983B2 (ja) 医用画像処理装置及びその制御方法、並びにプログラム
EP4323958A1 (fr) Procede de traitement d'images d'un tissu biologique vivant avec auto-calibrage
Harvey et al. Hyperspectral imaging for the detection of retinal diseases
JP5372540B2 (ja) 機能イメージング眼科装置及びマスク形成方法
Kolar et al. Illumination correction and contrast equalization in colour fundus images
Schramm et al. 3D retinal imaging and measurement using light field technology
EP3509483B1 (fr) Systeme et procede pour reconstruire un signal physiologique d'un systeme dynamique artere/tissu/veine d'un organe dans un espace surfacique
Ma et al. Layered vasculature segmentation of color conjunctival image based on wavelet transform
Subbuthai et al. Restoration of retina images using extended median filter algorithm
Di Cecilia et al. Hyperspectral imaging of the human iris
JP2010172614A (ja) 機能イメージング眼科装置

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: 20231031

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)