EP4367633A1 - Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale - Google Patents

Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale

Info

Publication number
EP4367633A1
EP4367633A1 EP22747275.0A EP22747275A EP4367633A1 EP 4367633 A1 EP4367633 A1 EP 4367633A1 EP 22747275 A EP22747275 A EP 22747275A EP 4367633 A1 EP4367633 A1 EP 4367633A1
Authority
EP
European Patent Office
Prior art keywords
image
thrombus
artificial neural
neural network
images
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
EP22747275.0A
Other languages
German (de)
English (en)
Inventor
Jonathan KOBOLD
Vincent VIGNERON
Hichem MAAREF
Cosmin ALECU
Didier SMADJA
Nicola CHAUSSON
Yann LHERMITTE
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.)
Universite D'evry Val D' Essonne
Centre Hospitalier Sud Francilien
Original Assignee
Universite D'evry Val D' Essonne
Centre Hospitalier Sud Francilien
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 Universite D'evry Val D' Essonne, Centre Hospitalier Sud Francilien filed Critical Universite D'evry Val D' Essonne
Publication of EP4367633A1 publication Critical patent/EP4367633A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
    • G06T2207/30096—Tumor; Lesion

Definitions

  • TITLE Automatic method for segmenting a thrombus and a lesion in a three-dimensional cerebral image
  • the technical field of the invention is that of three-dimensional cerebral imaging, and more particularly that of the segmentation of a thrombus and of a lesion in a three-dimensional cerebral image of a patient having a stroke.
  • the present invention relates to a method for segmenting a thrombus and a lesion in a three-dimensional cerebral image and in particular an automatic method for segmenting a thrombus and a lesion in a three-dimensional cerebral image.
  • the present invention also relates to a computer program product and a recording medium.
  • the cerebral vascular accident or CVA corresponds either to an obstruction of a cerebral artery by a blood clot or thrombus - we then speak of ischemic CVA - or to a rupture of a cerebral artery - we then speak of hemorrhagic stroke.
  • CVA cerebral vascular accident
  • the diagnosis is conventionally made by an experienced healthcare professional using cerebral imaging by locating the thrombus and the lesion generated by the thrombus.
  • health professionals capable of analyzing cerebral stroke images are rare and in practice, the images often have to be transmitted from the hospital which received the patient to another hospital with personnel capable of analyzing the images. .
  • the time required to obtain the diagnosis is then considerably increased and often incompatible with the maximum duration of 5 hours.
  • the invention offers a solution to the problems mentioned above, by proposing an automatic method for segmenting the thrombus and the lesion in a cerebral image, having a detection rate greater than 90% and a reduced false positive rate.
  • a first aspect of the invention relates to an automatic method for segmenting a thrombus and a lesion generated by the thrombus in a cerebral three-dimensional image, the cerebral three-dimensional image being acquired according to at least one modality, each modality being associated with a set of images comprising a plurality of images each corresponding to a section of the three-dimensional image acquired according to the modality, according to a section plane perpendicular to a given axis, the method comprising the following steps:
  • each primary recurrent artificial neural network in drag on each image of a primary image set dependent on at least one image set associated with a modality, and merging the lesion predictions obtained to obtain a set of lesion segmentations: o If the set of lesion segmentations comprises at least one segmentation, selection of the segmentation presenting a maximum volume as segmentation of the lesion;
  • each trained secondary recurrent artificial neural network on each image of a secondary image set dependent on at least one modality-associated image set, and merging the obtained thrombus predictions to obtain a set of segmenta thrombus segments: o If the set of thrombus segmentations includes at least one segmentation, selection of the segmentation meeting a proximity condition such as thrombus segmentation, the proximity condition depending on the segmentation of the lesion.
  • At least one primary recurrent artificial neural network is trained and then used on a set of primary images obtained from the three-dimensional image to perform a lesion prediction by image of the set of primary images, and in parallel at least one secondary recurrent artificial neural network is trained and then used on a set of secondary images obtained from the three-dimensional image to perform a thrombus prediction by image of the set of secondary images.
  • the detection rate obtained by each primary recurrent artificial neural network is close to 100% but the number of false positives is high.
  • the lesion predictions obtained for all of the primary recurrent artificial neural networks are then merged to obtain a set of lesion segments grouping together the most likely lesion segmentations to coincide with the lesion in the three-dimensional image, taking into account the lesion predictions of each primary recurrent artificial neural network.
  • the information used by each network of primary recurrent artificial neurons to make its lesion prediction are different and the choice of the set of segmentations of lesion is therefore based on a larger amount of information, which increases its accuracy.
  • the lesion segmentation of the set of lesion segmentations having the largest volume is then selected as the effective segmentation of the lesion, which makes it possible to obtain a reduced number of false positives compared to the prior art while maintaining a detection rate close to 100% for lesion segmentation.
  • the detection rate obtained by each secondary recurrent artificial neural network is at least equal to 89% and the number of false positives is high.
  • the thrombus predictions obtained for all the secondary recurrent artificial neural networks are then merged to obtain a set of thrombus segmentations grouping together the most likely thrombus segmentations to coincide with the thrombus in the three-dimensional image, taking into account the thrombus predictions of each secondary recurrent artificial neural network.
  • the choice of the thrombus segmentation set is based on more information, which increases its accuracy.
  • the effective segmentation of the lesion is then used to select the effective segmentation of the thrombus from among the thrombus segmentations of the set of thrombus segmentations, which makes it possible to obtain a detection rate greater than 90% and a reduced number of false positives compared to prior art for thrombus segmentation.
  • the method according to the invention may have one or more additional characteristics among the following, considered individually or in all technically possible combinations.
  • the three-dimensional image is acquired by MRI.
  • the three-dimensional image is acquired by MRI according to a first angiography modality weighted according to the SWAN susceptibility, a second phase modality of the radiofrequency signal of the weighted angiography according to the SWAN phase susceptibility, a third time-of-flight modality ToF, a fourth diffusion-weighted modality DWI and a fifth diffusion-weighted modality with exclusive application of the main magnetic field Bo.
  • the method according to the invention comprises a pre-processing step comprising the following sub-steps for each modality of the three-dimensional image:
  • each three-dimensional image acquired by MRI is normalized to enable repeatable results to be obtained.
  • the gray levels of the voxels of the three-dimensional images acquired by MRI vary between two patients or even between two acquisitions carried out on the same patient, which does not allow automatic processing without prior standardization.
  • the method according to the invention comprises the following sub-steps:
  • the training step is carried out for a first primary recurrent artificial neural network and a second primary recurrent artificial neural network associated with sets of parameters d different training, on the same primary database comprising a plurality of concatenated first images; the step of using is carried out on the same set of primary images for the first primary recurrent artificial neural network and the second primary recurrent artificial neural network, the set of primary images corresponding to the set of first conca tened images; the training step is performed for a first secondary recurrent artificial neural network and a second secondary recurrent artificial neural network having identical sets of training parameters, on a first secondary database for the first neural network secondary artificial recurrents and on a second secondary database for the second neural network secondary artificial recurrent images, the first secondary database comprising a plurality of images acquired according to the first modality and the second secondary database comprising a plurality of second concatenated images; the step of using is carried out on a first set of secondary images for the first secondary recurrent artificial neural
  • a detection rate of 100% and a reduced number of false positives compared to the prior art is obtained for the segmentation of the lesion and a detection rate of 93% and a number of false positives reduced by compared to the prior art is obtained for the segmentation of the thrombus.
  • each primary recurrent artificial neural network and each secondary recurrent artificial neural network have the same architecture of the recurrent artificial neural network type with convolutional short and long-term memory having a memory, in which each convolution is replaced by a logic block in which a first part of an input data passes through a convolutional layer and a second part of the input data passes through a compound transfer block of a transfer layer surrounded by two convolutional layers, the transfer layer performing several max-pooling operations with different window sizes.
  • each recurrent artificial neural network is invariant in translation and has a maximum receptive field and a reduced number of hyperparameters compared to the recurrent artificial neural networks with conventional convoy short and long term memory.
  • the step of training a primary recurrent artificial neural network has the following substeps for each image in the corresponding primary database:
  • the step of training a secondary recurrent artificial neural network comprises the following sub-steps for each image of the corresponding secondary database:
  • each recurrent artificial neural network comes from a deep artificial neural network while the number of hyper-parameters is reduced compared to the recurrent artificial neural networks with short and long memory.
  • conventional convolutional terms
  • the segmentation of the thrombus comprises a plurality of voxels identified as belonging to the thrombus, each voxel being associated with a false-positive label or with a true-positive label, the false-positive label or the true-positive label being assigned by the trained secondary recurrent artificial neural network, the method comprising a step of refining the segmentation of the thrombus comprising the following substeps:
  • Reduction of the first set of voxels of the throm bus segmentation o For each voxel of the first set of voxels, calculation of the distance to the lesion, the distance to the lesion being the Euclidean distance of the voxel of the first set of voxels to the envelope of the lesion, o Ordering of the voxels of the first set of voxels according to the distance to the calculated lesion, o Selection of a subset of voxels from the ordering of the voxels of the first set of voxels,
  • the step of selecting a subset of voxels is carried out by selecting the N voxels of the first set of voxels having the distance to the smallest lesion, N being between 3 and 5.
  • the step of selecting a subset of voxels is carried out by selecting the voxels from the first set of voxels having a distance to the lesion below a threshold predetermined.
  • the method can comprise a step of volumetric characterization of the thrombus from the segmentation of the thrombus.
  • the volume characterization step of the bus throm can comprise the following sub-steps:
  • a second aspect of the invention relates to a computer program product comprising instructions which, when the program is executed on a computer, lead the latter to implement the steps of the method according to the invention. .
  • a third aspect of the invention relates to a computer-readable recording medium comprising instructions which, when executed by a computer, lead the latter to implement the steps of the method according to the invention. .
  • Figure 1 is a block diagram illustrating the sequence of steps of a method according to the invention.
  • Figure 2 is a block diagram illustrating the sequence of sub-steps of a first step of the method according to the invention.
  • Figure 3 shows a grayscale histogram of a three-dimensional brain image.
  • Figure 4 is a block diagram illustrating the sequence of sub-steps of a second step of the method according to the invention.
  • Figure 5 shows a first example at the top and a second example at the bottom comprising, from left to right, a brain image, a lesion to be identified in the image and a lesion prediction provided by the method according to the invention from the image.
  • Figure 6 is a block diagram illustrating the sequence of sub-steps of a third step of the method according to the invention.
  • FIG. 7 shows a first example at the top and a second example at the bottom comprising, from left to right, a cerebral image, a thrombus to be identified in the image and a thrombus prediction provided by the method according to the invention at from the picture.
  • Figure 8 is a block diagram illustrating the sequence of sub-steps of a fourth step of the method according to the invention.
  • FIG. 9 is a block diagram illustrating the sequence of an eighth and a ninth step in the method according to the invention.
  • Figure 10 is a block diagram illustrating the sequence of sub-steps of the eighth step of the method according to the invention.
  • Figure 11 is a block diagram illustrating the sequence of sub-steps of the third sub-step of the eighth step of the method according to the invention.
  • Figure 12 is a block diagram illustrating the sequence of sub-steps of the ninth step of the method according to the invention.
  • the invention relates to an automatic method for segmenting a bus throm and a lesion in a three-dimensional cerebral image of a patient, the bus throm having caused a cerebral lesion resulting in a cerebrovascular accident or stroke in the patient .
  • “Segmentation of an element in a three-dimensional image” means the identification of each voxel of the image belonging to the element, a voxel being defined as a three-dimensional pixel.
  • the three-dimensional image is acquired by an imaging system according to one or more modalities, otherwise called sequences, each having different acquisition parameters.
  • the three-dimensional image is for example acquired by X-ray scanner or by magnetic resonance imaging or MRI.
  • the three-dimensional image is acquired by a sequence or a combination of MRI sequences, it can for example be acquired according to at least one of the following methods: a sequence by echo planar image or EPI image (for “Echo Planar Image in English), a diffusion weighted sequence or DWI (for “Diffusion Weighted Images” in English), a sequence in inversion-recovery attenuated by a fluid or FLAIR (for “Fluid Attenuated Inversion Recovery” in English), a time-of-flight or ToF sequence (for “Time of Flight” in English), a sequence by weighted angiography according to susceptibility or SWAN (for “Susceptibility Weighted ANgiography” in English), a sequence by susceptibility-weighted ration or SWI (for "Susceptibility-Weighted Images”), a DWI diffusion weighted sequence with application of only the main magnetic field Bo, i.e. with a degree of diffusion weighting equal to 0, or another phase sequence of the radio
  • a set of images is obtained from the three-dimensional image acquired according to the modality, the set of images comprising a plurality of images each corresponding to a section of the three-dimensional image ac quise according to the modality, according to a section plane perpendicular to a given axis.
  • the section planes of the images of a set of images are parallel to each other and not coincident, that is to say that the section planes are spaced from each other along the axis to which they are perpendicular, and can each be associated with a position on the axis.
  • the axis is for example transverse.
  • each set of images has the same number of images and each image of a set of images has a corresponding image in each other. set of pictures.
  • Each image of the set of images can then be partitioned into thumbnails of reduced dimensions.
  • the size of the thumbnails is for example chosen so that each thumbnail has a zone overlapping with at least one other thumbnail.
  • Each image is for example partitioned into a number of thumbnails comprised between about ten and a hundred thumbnails.
  • Figure 1 is a block diagram illustrating the sequence of steps of the method 100 according to the invention.
  • the method 100 according to the invention may include a first pre-processing step 101 if the three-dimensional cerebral image has been acquired by MRI.
  • the first step 101 is then performed for each modality of the three-dimensional MRI image.
  • Figure 2 is a block diagram illustrating the sequence of sub-steps of the first step 101 of the method 100.
  • a first sub-step 1011 of the first step 101 consists in calculating [0056] a histogram on the gray levels or intensities of the voxels of the three-dimensional MRI image acquired according to the modality.
  • Figure 3 is an example of a grayscale histogram of a three-dimensional brain image.
  • the histogram shows a global maximum close to gray level 0 and a local maximum around gray level 25.
  • the local maximum corresponds to healthy cerebral tissue in the three-dimensional MRI image.
  • a second sub-step 1012 of the first step 101 consists in calculating a polynomial approximation of the logarithm of the histogram calculated in the first sub-step 1011.
  • a third sub-step 1013 of the first step 101 consists in applying the inverse function of the logarithm to the polynomial approximation obtained in the second sub-step 1012 to obtain an approximation of the histogram.
  • a fourth sub-step 1014 of the first step 101 consists in determining the local maximum of the approximation of the histogram corresponding to healthy cerebral tissue.
  • the local maximum is for example determined by thresholding on the number of occurrences.
  • the fourth sub-step 1014 of the first step 101 then consists in dividing the level of gray of each voxel of the three-dimensional MRI image acquired according to the modality, by the level of gray corresponding to the local maximum in the history. gram.
  • the fourth sub-step 1014 amounts to dividing the gray level of each voxel of the three-dimensional MRI image acquired according to the modality by approximately 25.
  • the method 100 according to the invention may comprise a second processing step 102 if the three-dimensional cerebral image has been acquired by MRI according to a first angiography modality weighted according to the SWAN susceptibility, a second phase modality of the radiofrequency signal of weighted angiography according to the SWAN phase susceptibility, a third time-of-flight modality ToF, a fourth diffusion-weighted modality DWI and a fifth diffusion-weighted modality DWI with exclusive application of the main magnetic field Bo.
  • the first step 101 has for example been carried out beforehand on each of the five preceding modalities.
  • FIG. 4 is a block diagram illustrating the sequence of sub-steps of the second step 102 of the method 100.
  • a first sub-step 1021 of the second step 102 consists in obtaining a set of improved images by subtracting from each image I of the set of images associated with the fourth modality, the corresponding image I of the set of images associated with the fifth modality.
  • the set of improved images therefore contains as many images as each set of images.
  • the term “subtracting a first image from a second image” means the subtraction, for each pixel, of the level of gray of the pixel of the first image from the level of gray of the corresponding pixel of the second image.
  • a second sub-step 1022 of the second step 102 consists in obtaining a set of first concatenated images by concatenating each image I of the set of images associated with the fourth modality with the corresponding image I of the set of enhanced images obtained in the first sub-step 1021.
  • the set of concatenated first images therefore contains as many images as each set of images.
  • image resulting from the concatenation of a first image and a second image means a single image combining the first image and the second image.
  • a third sub-step 1023 of the second step 102 consists in obtaining a set of second concatenated images by concatenating each image I of the set of images associated with the first modality, with the corresponding image I of the set of images associated with the second modality and with the corresponding image I of the set of images associated with the third modality.
  • the set of second concatenated images therefore contains as many images as each set of images.
  • a third step 103 of the method 100 consists in training in a supervised manner at least one primary recurrent artificial neural network on a primary database to obtain a trained primary recurrent artificial neural network capable of providing from an image , a lesion prediction coinciding with the lesion actually present in the image.
  • a lesion prediction corresponds to a probability map associating with each pixel of the image a probability that the pixel is included in a lesion. Only the pixels associated with a probability greater than a threshold are considered as actually belonging to a lesion.
  • the threshold is for example 0.5.
  • Each primary recurrent artificial neural network can be trained on the same primary database or on a different primary database with respect to the other primary recurrent artificial neural networks.
  • Supervised training otherwise called supervised learning, makes it possible to train an artificial neural network for a predefined task, by updating its hyperparameters so as to minimize a cost function corresponding to the error between the output datum provided by the artificial neural network and the real output datum, i.e. what the artificial neural network should output to fulfill the predefined task on a certain input datum.
  • a training database therefore comprises input data, each associated with a real output data.
  • Each primary database comprises a plurality of cerebral images each associated with a set of information relating to the segmentation of each lesion in the image.
  • the input data are the cerebral images and the real output data are the information relating to the segmentation of each lesion in the image.
  • Figure 5 shows a first example at the top and a second example at the bottom, of a brain I-image, EL information relating to the segmentation of a lesion in the I-image and a PL lesion prediction provided by the primary recurrent artificial neural network.
  • the supervised training of each primary recurrent artificial neural network therefore consists in updating the hyperparameters so as to minimize a cost function corresponding to the error between the lesion prediction provided by the artificial neural network primary recurrent from a cerebral I image from the primary database and the segmentation information for each lesion in the I-frame associated with the I-frame in the primary database.
  • the cost function is for example the cross-entropy function.
  • Each primary recurrent artificial neural network is associated with a set of training parameters which may be identical to or different from the sets of parameters of the other primary recurrent artificial neural networks.
  • the set of training parameters includes, for example, the number of images per iteration and the dimensions of the images used during training.
  • Each primary recurrent artificial neural network is for example a recurrent artificial neural network with short and long term memory or LSTM (for "Long-Short Term Memory” in English) and then has a memory, or a network convolutional LSTM, or a maximum receptive field convolutional LSTM network.
  • LSTM Long-Short Term Memory
  • receptive field of an artificial neural network means the part of the input data accessible by the last layer of the artificial neural network to make its prediction.
  • a convolutional LSTM network with maximum receptive field is for example a convolutional LSTM artificial neural network in which each convolution is replaced by a logic block whose receptive field is as wide as the input data.
  • a first part of the input data goes through a convolutional layer and a second part of the input data goes through a transfer block composed of a transfer layer surrounded by two convolutional layers, the transfer layer performing several max-pooling operations with different window sizes.
  • Each primary recurrent artificial neural network may have an architecture that is identical to or different from the architecture of the other primary recurrent artificial neural networks.
  • the third step 103 of the method 100 is for example carried out for a first network of primary recurrent artificial neurons and a second network of primary recurrent artificial neurons exhibiting the same architecture of the convolutional LSTM type with maximum perceptive field and different sets of training parameters, on the same primary database comprising a plurality of first I images concatenated as cerebral I images.
  • Figure 6 is a block diagram illustrating the sequence of sub-steps of the third step 103 of the method 100.
  • the third step 103 may comprise a first sub-step 1031, a second sub-step 1032 and a third sub-step 1033 for each image I of the primary database.
  • the first sub-step 1031 consists in submitting the image I for the first time to the primary recurrent artificial neural network which will thus fill its memory.
  • the second sub-step 1032 consists in submitting the image I a second time to the primary recurrent artificial neural network which will thus provide a lesion prediction PL using the information recorded in its memory in the first sub-step 1031 .
  • the second submission is immediately consecutive to the first sub mission, that is to say that no other image I is submitted to the primary recurrent artificial neural network between the first sub-step 1031 and the second sub-step - step 1032.
  • the third sub-step 1033 consists of erasing the memory of the primary recurrent artificial neural network.
  • a fourth step 104 of the method 100 consists in training in a supervised manner at least one secondary recurrent artificial neural network on a secondary database to obtain a trained secondary recurrent artificial neural network capable of providing from an image I, a prediction of bus thrombus coinciding with the actual thrombus present in the image.
  • Each secondary recurrent artificial neural network can be trained on the same secondary database or on a database secondary different from other secondary recurrent artificial neural networks.
  • Each secondary database comprises a plurality of cerebral I images each associated with a set of information relating to the segmentation of each thrombus in the image.
  • the input data are the cerebral I images and the real output data are the information relating to the segmentation of each thrombus in the image.
  • Figure 7 shows a first example at the top and a second example at the bottom, of a brain I-image, ET information related to the segmentation of a thrombus in the I-image and a PT thrombus prediction provided by the secondary recurrent artificial neural network.
  • the supervised training of each secondary recurrent artificial neural network therefore consists in updating the hyperparameters so as to minimize a cost function corresponding to the error between the thrombus prediction provided by the neural network secondary artificial recurrent images from a cerebral I image in the secondary database and the information relating to the segmentation of each thrombus in the I image associated with the I image in the secondary database.
  • the cost function is for example the cross-entropy function.
  • Each secondary recurrent artificial neural network is associated with a set of training parameters which may be identical to or different from the sets of parameters of the other secondary recurrent artificial neural networks.
  • the dimensions of the images used during the training of the set of training parameters of each primary recurrent artificial neural network are for example larger than the dimensions of the images used during the training of the set of parameters training of each secondary recurrent artificial neural network.
  • Each secondary recurrent artificial neural network is for example an LSTM network, or a convolutional LSTM network, or else a convolutional LSTM network with maximum receptive field.
  • Each secondary recurrent artificial neural network may have an architecture that is identical to or different from the architecture of the other secondary recurrent artificial neural networks.
  • Each secondary recurrent artificial neural network may have an architecture that is identical to or different from the architecture of the primary recurrent artificial neural networks.
  • each primary recurrent artificial neural network and each secondary recurrent artificial neural network have the same architecture of convolutional LSTM network type with maximum receptive field.
  • the fourth step 104 of the method 100 is for example carried out for a first secondary recurrent artificial neural network and a second secondary recurrent artificial neural network having the same convolutional LSTM type architecture with maximum perceptive field and sets of parameters of identical training, on a first secondary database for the first secondary recurrent artificial neural network and on a second secondary database different from the first secondary database for the second secondary recurrent artificial neural network, the first secondary database comprising a plurality of I images acquired according to the first modality as cerebral I images and the second secondary database comprising a plurality of concatenated second I images as cerebral I images.
  • Figure 8 is a block diagram illustrating the sequence of sub-steps of the fourth step 104 of the method 100.
  • the fourth step 104 may comprise a first sub-step 1041, a second sub-step 1042 and a third sub-step 1043 for each image I of the secondary database.
  • the first sub-step 1041 consists in submitting the image I a first time to the secondary recurrent artificial neural network which will thus fill its memory.
  • the second sub-step 1042 consists in submitting the image I a second time to the secondary recurrent artificial neural network which will thus provide a prediction of thrombus PT using the information recorded in its memory in the first sub-step 1041 .
  • the second submission is immediately consecutive to the first sub mission, that is to say that no other image I is submitted to the secondary recurrent artificial neural network between the first sub-step 1041 and the second sub -step 1042.
  • the third sub-step 1043 consists in erasing the memory of the secondary recurrent artificial neural network.
  • the fourth step 104 could also be carried out before or parallel to the third step 103.
  • a fifth step 105 of the method 100 according to the invention comprises a first sub-step 1051 and a second sub-step 1052 which can be carried out in parallel as illustrated in FIG. 1 or one after the other.
  • the first sub-step 1051 consists in using each primary recurrent artificial neural network trained in the third step 103, on each image I of a set of primary images, each primary recurrent artificial neural network then providing a prediction of PL lesion for each I image of the primary image set.
  • Each primary recurrent artificial neural network can be used on a set of identical or different primary images with respect to the other primary recurrent artificial neural networks.
  • Each set of primary images depends on at least one set of images associated with a modality, i.e. each set of primary images can correspond to a set of images or to a combination image sets.
  • the first sub-step 1051 is for example carried out on the same set of primary images for the first primary recurrent artificial neural network and the second primary recurrent artificial neural network previously described, and the set of primary images corresponds to the set of first concatenated images obtained in the second step 102.
  • the first sub-step 1051 then consists in obtaining a set of lesion segmentations by merging the PL lesion predictions obtained for the set of primary recurrent artificial neural networks.
  • the PL lesion predictions by the first primary recurrent artificial neural network are merged with the PL lesion predictions by the second primary recurrent artificial neural network.
  • the fusion is for example carried out by multiplying each PL lesion prediction obtained for an I image of a first set of primary images provided by a first primary recurrent artificial neural network with the PL lesion prediction obtained for a corresponding I-image of another set of primary images for each other primary recurrent artificial neural network.
  • a map of fusion probabilities is then obtained for each image of the first set of primary images, in which each pixel is associated with the product of the probabilities associated with the corresponding pixel in each lesion prediction PL provided for the image I.
  • the merging then consists in applying a threshold to each map of merging probabilities so as to retain only the pixels associated with a probability greater than the threshold in the map of merging probabilities.
  • the threshold is for example equal to 0.25.
  • the second sub-step 1052 consists in using each secondary recurrent artificial neural network trained in the fourth step 104, on each image I of a set of secondary images, each secondary recurrent artificial neural network then providing a PT thrombus prediction for each image in the secondary image set.
  • Each secondary recurrent artificial neural network can be used on a set of identical or different secondary images with respect to the other secondary recurrent artificial neural networks.
  • Each set of secondary images depends on at least one set of images associated with a modality.
  • the second sub-step 1052 is for example performed on a first set of secondary images for the first secondary recurrent artificial neural network previously described and on a second set of secondary images for the second recurrent artificial neural network described above, the first set of secondary images corresponding to the set of images associated with the first modality and the second set of secondary images corresponding to the set of second concatenated images obtained in the second step 102.
  • the second sub-step 1052 then consists of obtaining a set of thrombus segmentations by merging the PT thrombus predictions obtained for the set of secondary recurrent artificial neural networks.
  • the PT thrombus predictions by the first secondary recurrent artificial neural network are merged with the PT thrombus predictions by the second secondary recurrent artificial neural network.
  • the fusion is for example carried out by multiplying each PT thrombus prediction obtained for an image I of a first set of secondary images provided by a first secondary recurrent artificial neural network with the PT thrombus prediction obtained for an image I corresponding of another set of secondary images for each other secondary recurrent artificial neural network.
  • a fusion probability map is then obtained for each image of the first set of secondary images, in which each pixel is associated with the product of the probabilities associated with the corresponding pixel in each PT thrombus prediction provided for the I image.
  • the merging then consists in applying a threshold to each map of merging probabilities so as to retain only the pixels associated with a probability greater than the threshold in the map of merging probabilities.
  • the threshold is for example equal to 0.25.
  • each map of thresholded fusion probability By comparing the groups of neighboring pixels in each map of thresholded fusion probability as a function of the position of the corresponding I image along the axis perpendicular to the corresponding section plane, groups of neighboring voxels can be determined. , each group of neighboring voxels then constituting a thrombus segmentation which is placed in the set of thrombus segmentations.
  • the sixth step 106 of the method 100 according to the invention consists in selecting ner as segmentation of the lesion in the three-dimensional image, the segmentation of the set of lesion segmentations of maximum volume, that is to say including the largest number of voxels.
  • a seventh step 107 of the method 100 according to the invention consists in selecting as segmentation of the thrombus in the three-dimensional image, the segmentation of the set of thrombus segmentations corresponding to a proximity condition depending on the segmentation of the lesion obtained in the sixth step 106.
  • a thrombus segmentation responds for example to a proximity condition if its position in the I image is between the position of the lesion in the I image and the bottom of the patient's head.
  • false-positives is meant the voxels of the segmentation of the thrombus which are associated with a high probability of not belonging to the thrombus.
  • true-positives are the segmentation voxels of the thrombus associated with a high probability of belonging to the thrombus.
  • Step 108 consists in excluding from the segmentation of the thrombus a certain number of false positives according to their distance from the already segmented lesion 106.
  • a first sub-step 1081 consists in calculating the envelope of the lesion from the segmentation of the lesion determined in step 106.
  • a second sub-step 1082 consists in distributing the segmentation of the thrombus 107 into two sets of voxels: the first set of voxels FP com carries all the voxels of the segmentation of the thrombus associated with the false-positive label and the second set of VP voxels contains all the voxels associated with the label true-positive, that is to say that the second set contains all the voxels of the segmentation of the thrombus which do not belong to the first set of FP voxels. From the first set of FP voxels, a third sub-step 1083 of reducing the number of false positives is carried out.
  • a first sub-sub-step 1083a consists in calculating, for each voxel of the first set of FP voxels, the Euclidean distance from the voxel to the envelope of the lesion.
  • each voxel of the first set of FP voxels is associated with a parameter giving its distance to the lesion.
  • a second sub-sub-step 1083b consists in ordering, in ascending order for example, the voxels of the first set of FP voxels as a function of the distance to the lesion calculated previously. This gives a list of gold voxels given according to their distance from the lesion.
  • a third sub-substep 1083c only a certain number of voxels from the first set of FP voxels are selected from the list of ordered voxels to form a subset of FPR voxels from the first set of FP voxels.
  • the voxels of the subset of FPR voxels are therefore a reduced set of false-positive voxels.
  • the selection of the voxels from the list of ordered voxels can be carried out in several ways. In a first way, it is possible to select the 3 to 5 voxels from the list of ordered voxels having the distance to the smallest lesion. In another way, one can select the voxels from the list of ordered voxels which are associated with a distance to the lesion lower than a predetermined threshold. This threshold can be from 1 to 2 units.
  • step 108 comprises a fourth sub-step 1084 consisting of the joining of the subset of FPR voxels and the second set of VP voxels to form the segmentation of the thrombus, this being a segmentation of the thrombus refined with respect to the segmentation of the thrombus determined in step 107.
  • the rate of false positives is in fact reduced.
  • the volume and shape of the thrombus in particular provide the practitioner with crucial additional information in that they help the practitioner to make a diagnosis and to guide the treatment to be given. Indeed, depending on whether the thrombus occupies a large or small volume, and/or whether its shape is elliptical or substantially spherical, the treatment protocol to be applied will be different.
  • step 109 can be carried out either from the segmentation of the thrombus obtained at the end of the method 100, or from the refined segmentation of the thrombus obtained in step 108.
  • volumetric characterization of the thrombus is meant the calculation of the volume of the maximum ellipsoidal envelope containing the thrombus and the calculation of the geometric parameters characterizing this volume.
  • the geometric parameters determined in step 109 will be the lengths, respectively, of the semi-major axis, of the semi-medium axis and of the semi-minor axis. These values make it possible to characterize the shape of the volume objectively.
  • the volumetric characterization of the thrombus (109) is performed in at least three sub-steps 1091, 1092 and 1093.
  • the first sub-step 1091 consists in extracting from the segmentation of the thrombus 107 or 108 the n pixels which form the thrombus, n being greater than 3. More precisely, the sub-step 1091 consists in extracting, for all the voxels of the segmentation of the thrombus, the 3 pixels corresponding to the three spatial directions of each voxel, and to organize the n pixels extracted in a list. This list takes for example the form of a matrix M having the spatial coordinates of each pixel arranged in line. [00169] The n pixels extracted form a cloud of 3D points contained in a volume, for example in an ellipsoid-shaped volume. This volume represents the volume of the maximum ellipsoidal envelope containing the thrombus.
  • the second sub-step 1092 of step 109 consists in calculating the geometric parameters characterizing the volume of the maximum ellipsoidal envelope containing the thrombus.
  • the geometric parameters characterizing the volume of the maximum ellipsoidal envelope containing the thrombus are the lengths of the major, medium and minor semi-axis of the ellipsoid.
  • the cloud of 3D points formed by the n pixels extracted is analyzed by principal components, taking 3 orthogonal axes as principal axes, these orthogonal axes defining the axes of the ellipsoid.
  • the principal component analysis allows determining the three orthogonal axes that best represent the 3D point cloud, i.e. the volume of the maximum ellipsoidal envelope containing the thrombus.
  • the Karhunen-Loeve theorem comprising matrix diagonalization, eigenvector transformation and principal component analysis steps can be used on the matrix M determined in sub-step 1091 .
  • the matrix M' is thus determined, this matrix being the transpose of the matrix M.
  • the matrix product M x M' is then broken down into the sum of three matrices M 1 , M 2 and M 3 of the same dimension as M:
  • MXM' / 1 XM 1 + / 2 XM 2 + / 3 XM 3 , WHERE: o and ( u Ii) form the pair of vector/eigenvalue,
  • l t is a semi-axis of the ellipsoid.
  • the third sub-step 1093 of step 109 consists in calculating the volume V of the maximum ellipsoidal envelope containing the thrombus from the semi-axes l t determined in sub-step 1092.
  • the volume V is given by the following formula:
  • step 109 we obtain the geometric parameters of greatest length I t , of average length / 2 and of short length 1 3 characterizing the volume of the maximum ellipsoidal envelope containing the thrombus, as well as the volume of the maximum ellipsoidal envelope containing the thrombus.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

Un aspect de l'invention concerne un procédé automatique de segmentation d'un thrombus et d'une lésion engendrée par le thrombus dans une image tridimensionnelle cérébrale, comportant les étapes suivantes : - Entraînement supervisé d'au moins un réseau de neurones artificiels récurrents primaire pour fournir une prédiction de lésion à partir d'une image; - Entraînement supervisé d'au moins un réseau de neurones artificiels récurrents secondaire pour fournir une prédiction de thrombus à partir d'une image; - Utilisation de chaque réseau de neurones artificiels récurrents primaire entraîné, sur chaque image d'un ensemble d'images obtenu à partir de l'image tridimensionnelle, et fusion des prédictions de lésion obtenues pour obtenir un ensemble de segmentations de lésion : o Si l'ensemble de segmentations de lésion comporte au moins une segmentation, sélection de la segmentation la plus large comme segmentation de la lésion; - Utilisation de chaque réseau de neurones artificiels récurrents secondaire entraîné, sur chaque image d'un ensemble d'images secondaire obtenu à partir de l'image tridimensionnelle, et fusion des prédictions de thrombus obtenues pour obtenir un ensemble de segmentations de thrombus : o Si l'ensemble de segmentations de thrombus comporte au moins une segmentation, sélection de la segmentation répondant à une condition de proximité dépendant de la segmentation de la lésion comme segmentation du thrombus.

Description

DESCRIPTION
TITRE : Procédé automatique de segmentation d’un thrombus et d’une lésion dans une image tridimensionnelle cérébrale
DOMAINE TECHNIQUE DE L’INVENTION
[0001] Le domaine technique de l’invention est celui de l’imagerie tridimensionnelle cérébrale, et plus particulièrement celui de la segmentation d’un thrombus et d’une lésion dans une image tridimensionnelle cérébrale d’un patient présentant un accident vasculaire cérébrale.
[0002] La présente invention concerne un procédé de segmentation d’un thrombus et d’une lésion dans une image tridimensionnelle cérébrale et en particulier un procédé automatique de segmentation d’un thrombus et d’une lésion dans une image tridimen sionnelle cérébrale. La présente invention concerne également un produit-programme d’ordinateur et un support d’enregistrement.
ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTION
[0003] L’accident vasculaire cérébral ou AVC correspond soit à une obstruction d’une artère cérébrale par un caillot sanguin ou thrombus - on parle alors d’AVC isché mique - soit à une rupture d’une artère cérébrale - on parle alors d’AVC hémorragique. [0004] Pour limiter les séquelles engendrées par un AVC, on estime qu’il faut que 5 heures maximum se soient écoulées entre le moment où le patient arrive à l’hôpital et le moment où il est diagnostiqué et traité, le choix du traitement dépendant du type d’AVC diagnostiqué.
[0005] Le diagnostic est classiquement réalisé par un professionnel de santé ex périmenté à partir d’une imagerie cérébrale en localisant le thrombus et la lésion en gendrée par le thrombus. Or les professionnels de santé capables d’analyser des images cérébrales d’AVC sont rares et en pratique, les images doivent souvent être transmises de l’hôpital qui a accueilli le patient vers un autre hôpital disposant de per sonnel capable d’analyser les images. La durée d’obtention du diagnostic est alors considérablement augmentée et souvent incompatible avec la durée de 5 heures maxi mum.
[0006] Pour remédier à ce problème, des méthodes de segmentation de la lésion ou du thrombus à partir d’une image tridimensionnelle cérébrale ont été développées. Cependant, aucune de ces méthodes n’est capable de détecter à la fois le thrombus et la lésion et ceci de manière fiable, c’est-à-dire avec un taux de détection supérieur à 90% et un nombre de faux positifs réduit, et entièrement automatique.
RESUME DE L’INVENTION
[0007] L’invention offre une solution aux problèmes évoqués précédemment, en proposant une méthode automatique de segmentation du thrombus et de la lésion dans une image cérébrale, ayant un taux de détection supérieur à 90% et un taux de faux positif réduit.
[0008] Un premier aspect de l’invention concerne un procédé automatique de seg mentation d’un thrombus et d’une lésion engendrée par le thrombus dans une image tridimensionnelle cérébrale, l’image tridimensionnelle cérébrale étant acquise selon au moins une modalité, chaque modalité étant associée à un ensemble d’images com portant une pluralité d’images correspondant chacune à une section de l’image tridi mensionnelle acquise selon la modalité, selon un plan de section perpendiculaire à un axe donné, le procédé comportant les étapes suivantes :
Entraînement supervisé d’au moins un réseau de neurones artificiels récur rents primaire configuré pour fournir une prédiction de lésion à partir d’une image, chaque réseau de neurones artificiels récurrents primaire étant as socié à un jeu de paramètres d’entraînement et entraîné sur une base de données primaire comportant une pluralité d’images cérébrales chacune associée à un ensemble d’informations relatives à la segmentation de chaque lésion dans l’image ;
Entraînement supervisé d’au moins un réseau de neurones artificiels récur rents secondaire configuré pour fournir une prédiction de thrombus à partir d’une image, chaque réseau de neurones artificiels récurrents secondaire étant associé à un jeu de paramètres d’apprentissage et entraîné sur une base de données secondaire comportant une pluralité d’images cérébrales chacune associée à un ensemble d’informations relatives à la segmentation de chaque thrombus dans l’image ;
Utilisation de chaque réseau de neurones artificiels récurrents primaire en traîné, sur chaque image d’un ensemble d’images primaire dépendant d’au moins un ensemble d’images associé à une modalité, et fusion des prédictions de lésion obtenues pour obtenir un ensemble de segmentations de lésion : o Si l’ensemble de segmentations de lésion comporte au moins une segmentation, sélection de la segmentation présentant un volume maximal comme segmentation de la lésion ;
Utilisation de chaque réseau de neurones artificiels récurrents secondaire entraîné, sur chaque image d’un ensemble d’images secondaire dépendant d’au moins un ensemble d’images associé à une modalité, et fusion des prédictions de thrombus obtenues pour obtenir un ensemble de segmenta tions de thrombus : o Si l’ensemble de segmentations de thrombus comporte au moins une segmentation, sélection de la segmentation répondant à une condition de proximité comme segmentation du thrombus, la con dition de proximité dépendant de la segmentation de la lésion. [0009] Grâce à l’invention, au moins un réseau de neurones artificiels récurrents primaire est entraîné puis utilisé sur un ensemble d’images primaire obtenu à partir de l’image tridimensionnelle pour réaliser une prédiction de lésion par image de l’en semble d’images primaire, et en parallèle au moins un réseau de neurones artificiels récurrents secondaire est entraîné puis utilisé sur un ensemble d’images secondaire obtenu à partir de l’image tridimensionnelle pour réaliser une prédiction de thrombus par image de l’ensemble d’images secondaire.
[0010] Le taux de détection obtenu par chaque réseau de neurones artificiels ré currents primaire est proche de 100% mais le nombre de faux positifs est élevé. [0011] Quand plusieurs réseaux de neurones artificiels récurrents primaires sont utilisés, les prédictions de lésions obtenues pour l’ensemble des réseaux de neurones artificiels récurrents primaires sont alors fusionnées pour obtenir un ensemble de seg mentations de lésion regroupant les segmentations de lésion les plus susceptibles de coïncider avec la lésion dans l’image tridimensionnelle, en prenant en compte les pré dictions de lésion de chaque réseau de neurones artificiels récurrents primaire. Ainsi, en choisissant des jeux de paramètres d’apprentissage différents et/ou des images cérébrales différentes dans la base de données primaire et dans l’ensemble d’images primaire pour chaque réseau de neurones artificiels récurrents primaire, les informa tions utilisées par chaque réseau de neurones artificiels récurrents primaire pour faire sa prédiction de lésion sont différentes et le choix de l’ensemble de segmentations de lésion est donc basé sur un nombre plus important d’informations, ce qui augmente sa précision.
[0012] La segmentation de lésion de l’ensemble de segmentations de lésion pré sentant le volume le plus important est ensuite sélectionnée comme segmentation ef fective de la lésion, ce qui permet d’obtenir un nombre de faux positifs réduit par rap port à l’art antérieur tout en maintenant un taux de détection proche de 100% pour la segmentation de la lésion.
[0013] Le taux de détection obtenu par chaque réseau de neurones artificiels ré currents secondaire est au moins égal à 89% et le nombre de faux positifs est élevé. [0014] Quand plusieurs réseaux de neurones artificiels récurrents secondaires sont utilisées, les prédictions de thrombus obtenues pour l’ensemble des réseaux de neurones artificiels récurrents secondaires sont alors fusionnées pour obtenir un en semble de segmentations de thrombus regroupant les segmentations de thrombus les plus susceptibles de coïncider avec le thrombus dans l’image tridimensionnelle, en prenant en compte les prédictions de thrombus de chaque réseau de neurones artifi ciels récurrents secondaire. Là encore, en choisissant des jeux de paramètres d’ap prentissage différents et/ou des images cérébrales différentes dans la base de don nées secondaire et dans l’ensemble d’images secondaire pour chaque réseau de neu rones artificiels récurrents secondaires, le choix de l’ensemble de segmentations de thrombus est basé sur un nombre plus important d’informations, ce qui augmente sa précision.
[0015] La segmentation effective de la lésion est ensuite utilisée pour sélectionner la segmentation effective du thrombus parmi les segmentations de thrombus de l’en semble de segmentations de thrombus, ce qui permet d’obtenir un taux de détection supérieur à 90% et un nombre de faux positifs réduit par rapport à l’art antérieur pour la segmentation du thrombus.
[0016] Une fois la segmentation de la lésion et la segmentation du thrombus ob tenu, il est alors possible de caractériser la lésion ou le thrombus de manière objective par le calcul de paramètres numériques, tel que le volume, rendant l’interprétation de l’image tridimensionnelle homogène, c’est-à-dire non dépendante du praticien.
[0017] Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé selon l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles.
[0018] Selon une variante de réalisation, l’image tridimensionnelle est acquise par IRM.
[0019] Selon une première sous-variante de réalisation de la variante de réalisation précédente, l’image tridimensionnelle est acquise par IRM selon une première moda lité angiographie pondérée en fonction de la susceptibilité SWAN, une deuxième mo dalité phase du signal radiofréquence de l’angiographie pondérée en fonction de la susceptibilité phase SWAN, une troisième modalité temps de vol ToF, une quatrième modalité pondération en diffusion DWI et une cinquième modalité pondération en dif fusion avec application exclusive du champ magnétique principal Bo.
[0020] Selon une deuxième sous-variante de réalisation de la variante de réalisa tion précédente compatible avec la première sous-variante de réalisation précédente, le procédé selon l’invention comporte une étape de prétraitement comprenant les sous-étapes suivantes pour chaque modalité de l’image tridimensionnelle :
Calcul d’un histogramme sur les niveaux de gris des voxels de l’image tridi mensionnelle acquise selon la modalité ;
Calcul d’une approximation polynomiale du logarithme de l’histogramme ; Application de la fonction inverse du logarithme à l’approximation polyno miale pour obtenir une approximation de l’histogramme ;
Détermination d’un maximum local de l’approximation de l’histogramme correspondant au tissu sain cérébral et division des niveaux de gris des voxels de l’image tridimensionnelle acquise selon la modalité par le niveau de gris correspondant au maximum local dans l’histogramme.
[0021] Ainsi, chaque image tridimensionnelle acquise par IRM est normalisée pour permettre l’obtention de résultats répétables. En effet, les niveaux de gris des voxels des images tridimensionnelles acquises par IRM varient entre deux patients ou encore entre deux acquisitions réalisées sur un même patient, ce qui ne permet pas un traite ment automatique sans normalisation préalable. [0022] Selon une alternative de réalisation de la première sous-variante de réali sation ou de la deuxième sous-variante de réalisation, le procédé selon l’invention comporte les sous-étapes suivantes :
Pour chaque image de l’ensemble d’images associé à la quatrième moda lité, soustraction à l’image considérée, de l’image correspondante de l’en semble d’images associé à la cinquième modalité, pour obtenir un en semble d’images améliorées ;
Pour chaque image de l’ensemble d’images associé à la quatrième moda lité, concaténation de l’image considérée et de l’image correspondante de l’ensemble d’images améliorées, pour obtenir un ensemble de premières images concaténées ;
Pour chaque image de l’ensemble d’images associé à la première modalité, concaténation de l’image considérée, de l’image correspondante de l’en semble d’images associé à la deuxième modalité et de l’image correspon dante de l’ensemble d’images associé à la troisième modalité, pour obtenir un ensemble de deuxièmes images concaténées.
[0023] Selon un exemple de réalisation de l’alternative de réalisation précédente : l’étape d’entraînement est réalisée pour un premier réseau de neurones ar tificiels récurrents primaire et un deuxième réseau de neurones artificiels récurrents primaire associés à des jeux de paramètres d’entraînement dif férents, sur une même base de données primaire comportant une pluralité de premières images concaténées ; l’étape d’utilisation est réalisée sur un même ensemble d’images primaire pour le premier réseau de neurones artificiels récurrents primaire et le deu xième réseau de neurones artificiels récurrents primaire, l’ensemble d’images primaire correspondant à l’ensemble de premières images conca ténées ; l’étape d’entraînement est réalisée pour un premier réseau de neurones ar tificiels récurrents secondaire et un deuxième réseau de neurones artificiels récurrents secondaire présentant des jeux de paramètres d’entraînement identiques, sur une première base de données secondaire pour le premier réseau de neurones artificiels récurrents secondaire et sur une deuxième base de données secondaire pour le deuxième réseau de neurones artificiels récurrents secondaire, la première base de données secondaire comportant une pluralité d’images acquises selon la première modalité et la deuxième base de données secondaire comportant une pluralité de deu xièmes images concaténées ; l’étape d’utilisation est réalisée sur un premier ensemble d’images secon daire pour le premier réseau de neurones artificiels récurrents secondaire et sur un deuxième ensemble d’images secondaire pour le deuxième ré seau de neurones artificiels récurrents secondaire, le premier ensemble d’images secondaire correspondant à l’ensemble d’images associé à la pre mière modalité et le deuxième ensemble d’images secondaire correspon dant à l’ensemble de deuxièmes images concaténées.
[0024] Ainsi, un taux de détection de 100% et un nombre de faux positifs réduit par rapport à l’art antérieur est obtenu pour la segmentation de la lésion et un taux de détection de 93% et un nombre de faux positifs réduit par rapport à l’art antérieur est obtenu pour la segmentation du thrombus.
[0025] Selon une variante de réalisation compatible avec les variantes de réalisa tion précédentes, chaque réseau de neurones artificiels récurrents primaire et chaque réseau de neurones artificiels récurrents secondaire ont une même architecture de type réseau de neurones artificiels récurrents à mémoire court et long terme convolutif disposant d’une mémoire, dans lequel chaque convolution est remplacée par un bloc logique dans lequel une première partie d’une donnée d’entrée passe par une couche convolutive et une seconde partie de la donnée d’entrée passe par un bloc de transfert composé d’une couche de transfert entourée de deux couches convolutives, la couche de transfert effectuant plusieurs opérations de max-pooling avec différentes tailles de fenêtres.
[0026] Ainsi, chaque réseau de neurones artificiels récurrents est invariant en tran slation et présente un champ récepteur maximal et un nombre d’hyperparamètres ré duit par rapport aux réseaux de neurones artificiels récurrents à mémoire court et long terme convoi utifs classiques.
[0027] Selon une sous-variante de réalisation de la variante de réalisation précé dente, l’étape d’entraînement d’un réseau de neurones artificiels récurrents primaire comporte les sous-étapes suivantes pour chaque image de la base de données pri maire correspondante :
Première soumission de l’image au réseau de neurones artificiels récurrents primaire pour remplir sa mémoire ;
Deuxième soumission de l’image au réseau de neurones artificiels récur rents primaire pour fournir une prédiction de lésion à partir de la mémoire remplie, la deuxième soumission étant immédiatement consécutive à la pre mière soumission ;
Remise à zéro de la mémoire ; et l’étape d’entraînement d’un réseau de neurones artificiels récurrents secondaire comporte les sous-étapes suivantes pour chaque image de la base de données se condaire correspondante :
Première soumission de l’image au réseau de neurones artificiels récurrents secondaire pour remplir sa mémoire ;
Deuxième soumission de l’image au réseau de neurones artificiels récur rents secondaire pour fournir une prédiction de thrombus à partir de la mé moire remplie, la deuxième soumission étant immédiatement consécutive à la première soumission ;
Remise à zéro de la mémoire.
[0028] Ainsi, la prédiction fournie par chaque réseau de neurones artificiels récur rents provient d’un réseau de neurones artificiels profond alors que le nombre d’hyper- paramètres est réduit par rapport aux réseaux de neurones artificiels récurrents à mé moire court et long terme convolutifs classiques.
[0029] Selon une autre variante de réalisation compatible avec les variantes de réalisation précédentes, la segmentation du thrombus comprend une pluralité de voxels identifiés comme appartenant au thrombus, chaque voxel étant associé à une étiquette faux-positif ou à une étiquette vrai-positif, l’étiquette faux-positif ou l’étiquette vrai-positif étant attribuée par le réseau de neurones artificiels récurrents secondaire entraîné, le procédé comprenant une étape de raffinement de la segmentation du thrombus comprenant les sous-étapes suivantes :
Calcul de l’enveloppe de la lésion à partir de la segmentation de la lésion, Répartition de la segmentation du thrombus en un premier ensemble de voxels et un deuxième ensemble de voxels : o le premier ensemble de voxels comporte les voxels de la segmen tation du thrombus associés à l’étiquette faux-positif, o le deuxième ensemble de voxels comporte les voxels de la seg mentation de la lésion associés à l’étiquette vrai-positif,
Réduction du premier ensemble de voxels de la segmentation du throm bus : o Pour chaque voxel du premier ensemble de voxels, calcul de la distance à la lésion, la distance à la lésion étant la distance eucli dienne du voxel du premier ensemble de voxels à l’enveloppe de la lésion, o Ordonnancement des voxels du premier ensemble de voxels en fonction de la distance à la lésion calculée, o Sélection d’un sous-ensemble de voxels à partir de l’ordonnance ment des voxels du premier ensemble de voxels,
Sélection de la segmentation répondant à la fusion du deuxième ensemble de voxels et du sous-ensemble de voxels sélectionné comme segmentation du thrombus.
[0030] Selon une sous-variante de la variante de réalisation précédente, l’étape de sélection d’un sous-ensemble de voxels est réalisée en sélectionnant les N voxels du premier ensemble de voxels ayant la distance à la lésion la plus petite, N étant compris entre 3 et 5.
[0031] Selon une autre sous-variante de la variante de réalisation précédente, l’étape de sélection d’un sous-ensemble de voxels est réalisée en sélectionnant les voxels du premier ensemble de voxels ayant une distance à la lésion inférieure à un seuil prédéterminé.
[0032] Ainsi, il est possible d’affiner la segmentation du thrombus en réduisant le nombre de faux-positifs.
[0033] Avantageusement, le procédé peut comprendre une étape de caractérisa tion volumétrique du thrombus à partir de la segmentation du thrombus.
[0034] Avantageusement encore, l’étape de caractérisation volumique du throm bus peut comprendre les sous-étapes suivantes :
Extraction des pixels de la segmentation du thrombus à partir de la seg mentation du thrombus, les pixels formant un nuage de points contenu dans un volume, le volume étant l’enveloppe ellipsoïdale maximale contenant le thrombus,
Détermination des caractéristiques géométriques du volume de l’enveloppe ellipsoïdale maximale contenant le thrombus par analyse par composante principale du nuage de points selon trois axes principaux, les trois axes principaux étant orthogonaux,
Calcul du volume de l’enveloppe ellipsoïdale maximale contenant le throm bus à partir des paramètres géométriques déterminés.
[0035] Un deuxième aspect de l’invention concerne un produit-programme d’ordi nateur comprenant des instructions qui, quand le programme est exécuté sur un ordi nateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.
[0036] Un troisième aspect de l’invention concerne un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’in vention.
[0037] L’invention et ses différentes applications seront mieux comprises à la lec ture de la description qui suit et à l’examen des figures qui l’accompagnent.
BREVE DESCRIPTION DES FIGURES
[0038] Les figures sont présentées à titre indicatif et nullement limitatif de l’inven tion.
La figure 1 est un schéma synoptique illustrant l’enchaînement des étapes d’un procédé selon l’invention.
La figure 2 est un schéma synoptique illustrant l’enchaînement des sous- étapes d’une première étape du procédé selon l’invention.
La figure 3 représente un histogramme des niveaux de gris d’une image tridimensionnelle cérébrale.
La figure 4 est un schéma synoptique illustrant l’enchaînement des sous- étapes d’une deuxième étape du procédé selon l’invention.
La figure 5 montre un premier exemple en haut et un deuxième exemple en bas comportant de la gauche vers la droite, une image cérébrale, une lésion à identifier dans l’image et une prédiction de lésion fournie par le procédé selon l’invention à partir de l’image.
La figure 6 est un schéma synoptique illustrant l’enchaînement des sous- étapes d’une troisième étape du procédé selon l’invention.
La figure 7 montre un premier exemple en haut et un deuxième exemple en bas comportant de la gauche vers la droite, une image cérébrale, un throm bus à identifier dans l’image et une prédiction de thrombus fournie par le procédé selon l’invention à partir de l’image.
La figure 8 est un schéma synoptique illustrant l’enchaînement des sous- étapes d’une quatrième étape du procédé selon l’invention.
La figure 9 est un schéma synoptique illustrant l’enchaînement d’une hui tième et d’une neuvième étape au procédé selon l’invention.
La figure 10 est un schéma synoptique illustrant l’enchaînement des sous- étapes de la huitième étape du procédé selon l’invention.
La figure 11 est un schéma synoptique illustrant l’enchaînement des sous- étapes de la troisième sous-étape de la huitième étape du procédé selon l’invention.
La figure 12 est un schéma synoptique illustrant l’enchaînement des sous- étapes de la neuvième étape du procédé selon l’invention.
DESCRIPTION DETAILLEE
[0039] Sauf précision contraire, un même élément apparaissant sur des figures différentes présente une référence unique.
[0040] L’invention concerne un procédé automatique de segmentation d’un throm bus et d’une lésion dans une image tridimensionnelle cérébrale d’un patient, le throm bus ayant engendré une lésion cérébrale entraînant un accident vasculaire cérébral ou AVC chez le patient.
[0041] On entend par « segmentation d’un élément dans une image tridimension nelle », l’identification de chaque voxel de l’image appartenant à l’élément, un voxel se définissant comme un pixel tridimensionnel. [0042] L’image tridimensionnelle est acquise par un système d’imagerie selon une ou plusieurs modalités, autrement appelées séquences, ayant chacune des para mètres d’acquisition différents.
[0043] L’image tridimensionnelle est par exemple acquise par scanner à rayons X ou par imagerie par résonance magnétique ou IRM.
[0044] Si l’image tridimensionnelle est acquise par une séquence ou une combi naison de séquences IRM, elle peut par exemple être acquise selon au moins une des modalités suivantes : une séquence par image écho planaire ou image EPI (pour « Echo Planar Image » en anglais), une séquence par pondération en diffusion ou DWI (pour « Diffusion Weighted Images » en anglais), une séquence en inversion-récupé ration atténuée par un fluide ou FLAIR (pour « Fluid Attenuated Inversion Recovery » en anglais), une séquence temps de vol ou ToF (pour « Time of Flight » en anglais), une séquence par angiographie pondérée en fonction de la susceptibilité ou SWAN (pour « Susceptibility Weighted ANgiography » en anglais), une séquence par pondé ration de la susceptibilité ou SWI (pour « Susceptibility-Weighted Images » en anglais), une séquence en pondération en diffusion DWI avec application uniquement du champ magnétique principal Bo, c’est-à-dire avec un degré de pondération de diffusion égal à 0, ou encore une séquence phase du signal radiofréquence de l’angiographie pondé rée en fonction la susceptibilité phase SWAN.
[0045] Pour chaque modalité, un ensemble d’images est obtenu à partir de l’image tridimensionnelle acquise selon la modalité, l’ensemble d’images comportant une plu ralité d’images correspondant chacune à une section de l’image tridimensionnelle ac quise selon la modalité, selon un plan de section perpendiculaire à un axe donné. [0046] Les plans de section des images d’un ensemble d’images sont parallèles entre eux et non confondus, c’est-à-dire que les plans de section sont espacés entre eux selon l’axe auquel ils sont perpendiculaires, et peuvent être chacun associé à une position sur l’axe.
[0047] L’axe est par exemple transversal.
[0048] Les plans de section sont identiques pour chaque modalité, c’est-à-dire que chaque ensemble d’images présente le même nombre d’images et chaque image d’un ensemble d’images a une image correspondante dans chaque autre ensemble d’images. [0049] Chaque image de l’ensemble d’images peut ensuite être partitionnée en imagettes de dimensions réduites. La taille des imagettes est par exemple choisie de manière que chaque imagette présente une zone de recouvrement avec au moins une autre imagette.
[0050] Chaque image est par exemple partitionnée en un nombre d’imagettes com pris entre une dizaine et une centaine d’imagettes.
[0051] [Fig. 1] La figure 1 est un schéma synoptique illustrant l’enchaînement des étapes du procédé 100 selon l’invention.
[0052] Le procédé 100 selon l’invention peut comporter une première étape 101 de prétraitement si l’image tridimensionnelle cérébrale a été acquise par IRM.
[0053] La première étape 101 est alors réalisée pour chaque modalité de l’image tridimensionnelle IRM.
[0054] [Fig. 2] La figure 2 est un schéma synoptique illustrant l’enchaînement de sous-étapes de la première étape 101 du procédé 100.
[0055] Une première sous-étape 1011 de la première étape 101 consiste à calculer [0056] un histogramme sur les niveaux de gris ou intensités des voxels de l’image tridimensionnelle IRM acquise selon la modalité.
[0057] [Fig. 3] La figure 3 est un exemple d’histogramme des niveaux de gris d’une image tridimensionnelle cérébrale.
[0058] Sur la figure 3, l’histogramme présente un maximum global à proximité du niveau de gris 0 et un maximum local aux alentours du niveau de gris 25.
[0059] Le maximum local dont le nombre d’occurrences est 400 000 correspond au tissu sain cérébral dans l’image tridimensionnelle IRM.
[0060] Une deuxième sous-étape 1012 de la première étape 101 consiste à calcu ler une approximation polynomiale du logarithme de l’histogramme calculée à la pre mière sous-étape 1011. [0061] Une troisième sous-étape 1013 de la première étape 101 consiste à appli quer la fonction inverse du logarithme à l’approximation polynomiale obtenue à la deu xième sous-étape 1012 pour obtenir une approximation de l’histogramme.
[0062] Sur la figure 3 est également représentée l’approximation de l’histogramme.
[0063] Une quatrième sous-étape 1014 de la première étape 101 consiste à déter miner le maximum local de l’approximation de l’histogramme correspondant au tissu sain cérébral.
[0064] Le maximum local est par exemple déterminé par seuillage sur le nombre d’occurrences.
[0065] La quatrième sous-étape 1014 de la première étape 101 consiste ensuite à diviser le niveau de gris de chaque voxel de l’image tridimensionnelle IRM acquise selon la modalité, par le niveau de gris correspondant au maximum local dans l’histo- gramme.
[0066] Sur la figure 3, la quatrième sous-étape 1014 revient à diviser le niveau de gris de chaque voxel de l’image tridimensionnelle IRM acquise selon la modalité par environ 25.
[0067] Le procédé 100 selon l’invention peut comporter une deuxième étape 102 de traitement si l’image tridimensionnelle cérébrale a été acquise par IRM selon une première modalité angiographie pondérée en fonction de la susceptibilité SWAN, une deuxième modalité phase du signal radiofréquence de l’angiographie pondérée en fonction de la susceptibilité phase SWAN, une troisième modalité temps de vol ToF, une quatrième modalité pondération en diffusion DWI et une cinquième modalité pon dération en diffusion DWI avec application exclusive du champ magnétique principal Bo.
[0068] La première étape 101 a par exemple été préalablement réalisée sur cha cune des cinq modalités précédentes.
[0069] [Fig. 4] La figure 4 est un schéma synoptique illustrant l’enchaînement de sous-étapes de la deuxième étape 102 du procédé 100. [0070] Une première sous-étape 1021 de la deuxième étape 102 consiste à obtenir un ensemble d’images améliorées en soustrayant à chaque image I de l’ensemble d’images associé à la quatrième modalité, l’image I correspondante de l’ensemble d’images associé à la cinquième modalité.
[0071] L’ensemble d’images améliorées contient donc autant d’images que chaque ensemble d’images.
[0072] On entend par « soustraire une première image à une deuxième image », la soustraction pour chaque pixel, du niveau de gris du pixel de la première image au niveau de gris du pixel de la deuxième image correspondant.
[0073] Une deuxième sous-étape 1022 de la deuxième étape 102 consiste à obte nir un ensemble de premières images concaténées en concaténant chaque image I de l’ensemble d’images associé à la quatrième modalité avec l’image I correspondante de l’ensemble d’images améliorées obtenu à la première sous-étape 1021.
[0074] L’ensemble de premières images concaténées contient donc autant d’images que chaque ensemble d’images.
[0075] On entend par « image issue de la concaténation d’une première image et d’une deuxième image », une unique image regroupant la première image et la deu xième image.
[0076] Une troisième sous-étape 1023 de la deuxième étape 102 consiste à obtenir un ensemble de deuxièmes images concaténées en concaténant chaque image I de l’ensemble d’images associé à la première modalité, avec l’image I correspondante de l’ensemble d’images associé à la deuxième modalité et avec l’image I correspondante de l’ensemble d’images associé à la troisième modalité.
[0077] L’ensemble de deuxièmes images concaténées contient donc autant d’images que chaque ensemble d’images.
[0078] Une troisième étape 103 du procédé 100 consiste à entraîner de manière supervisée au moins un réseau de neurones artificiels récurrents primaire sur une base de données primaire pour obtenir un réseau de neurones artificiels récurrents primaire entraîné capable de fournir à partir d’une image, une prédiction de lésion coïncidant avec la lésion effectivement présente dans l’image. [0079] Une prédiction de lésion correspond à une carte de probabilités associant à chaque pixel de l’image une probabilité que le pixel soit compris dans une lésion. Seuls les pixels associés à une probabilité supérieure à un seuil sont considérés comme appartenant effectivement à une lésion.
[0080] Le seuil est par exemple de 0.5.
[0081] Chaque réseau de neurones artificiels récurrents primaire peut être entraîné sur une même base de données primaire ou sur une base de données primaire diffé rente par rapport aux autres réseaux de neurones artificiels récurrents primaires.
[0082] L’entraînement supervisé, autrement appelé apprentissage supervisé, per met d’entraîner un réseau de neurones artificiels à une tâche prédéfinie, en mettant à jour ses hyperparam êtres de manière à minimiser une fonction de coût correspondant à l’erreur entre la donnée de sortie fournie par le réseau de neurones artificiels et la vraie donnée de sortie, c’est-à-dire ce que le réseau de neurones artificiels devrait fournir en sortie pour remplir la tâche prédéfinie sur une certaine donnée d’entrée. [0083] Une base de données d’entraînement comporte donc des données d’en trée, chacune associée à une vraie donnée de sortie.
[0084] Chaque base de données primaire comporte une pluralité d’images céré brales chacune associée à un ensemble d’informations relatives à la segmentation de chaque lésion dans l’image.
[0085] Ainsi, les données d’entrée sont les images cérébrales et les vraies don nées de sortie sont les informations relatives à la segmentation de chaque lésion dans l’image.
[0086] [Fig. 5] La figure 5 montre un premier exemple en haut et un deuxième exemple en bas, d’une image I cérébrale, d’informations EL relatives à la segmentation d’une lésion dans l’image I et d’une prédiction de lésion PL fournie par le réseau de neurones artificiels récurrents primaire.
[0087] L’entraînement supervisé de chaque réseau de neurones artificiels récur rents primaire consiste donc à mettre à jour les hyperparamètres de manière à mini miser une fonction de coût correspondant à l’erreur entre la prédiction de lésion fournie par le réseau de neurones artificiels récurrents primaire à partir d’une image I cérébrale de la base de données primaire et les informations relatives à la segmentation de chaque lésion dans l’image I associées à l’image I dans la base de données primaire.
[0088] La fonction de coût est par exemple la fonction d'entropie croisée.
[0089] Chaque réseau de neurones artificiels récurrents primaire est associé à un jeu de paramètres d’entraînement qui peut être identique ou différent des jeux de pa ramètres des autres réseaux de neurones artificiels récurrents primaires.
[0090] Le jeu de paramètres d’entraînement comporte par exemple le nombre d’images par itération et les dimensions des images utilisées lors de l’entraînement.
[0091] Chaque réseau de neurones artificiels récurrents primaire est par exemple un réseau de neurones artificiels récurrents à mémoire court et long terme ou LSTM (pour « Long-Short Term Memory » en anglais) et dispose alors d’une mémoire, ou un réseau LSTM convolutif, ou encore un réseau LSTM convolutif à champ récepteur maximal.
[0092] On entend par « champ récepteur d’un réseau de neurones artificiels », la part de la donnée d’entrée accessible par la dernière couche du réseau de neurones artificiels pour faire sa prédiction.
[0093] Un réseau LSTM convolutif à champ récepteur maximal est par exemple un réseau de neurones artificiels LSTM convolutif dans lequel chaque convolution est remplacée par un bloc logique dont le champ récepteur est aussi large que la donnée d’entrée. Dans le bloc logique, une première partie de la donnée d’entrée passe par une couche convolutive et une seconde partie de la donnée d’entrée passe par un bloc de transfert composé d’une couche de transfert entourée de deux couches convolu- tives, la couche de transfert effectuant plusieurs opérations de max-pooling avec dif férentes tailles de fenêtres.
[0094] Chaque réseau de neurones artificiels récurrents primaire peut présenter une architecture identique ou différente de l’architecture des autres réseaux de neu rones artificiels récurrents primaires.
[0095] La troisième étape 103 du procédé 100 est par exemple réalisée pour un premier réseau de neurones artificiels récurrents primaire et un deuxième réseau de neurones artificiels récurrents primaire présentant une même architecture de type LSTM convolutif à champ percepteur maximal et des jeux de paramètres d’entraîne ment différents, sur une même base de données primaire comportant une pluralité de premières images I concaténées comme images I cérébrales.
[0096] [Fig. 6] La figure 6 est un schéma synoptique illustrant l’enchaînement de sous-étapes de la troisième étape 103 du procédé 100.
[0097] La troisième étape 103 peut comporter une première sous-étape 1031 , une deuxième sous-étape 1032 et une troisième sous-étape 1033 pour chaque image I de la base de données primaire.
[0098] La première sous-étape 1031 consiste à soumettre l’image I une première fois au réseau de neurones artificiels récurrents primaire qui va ainsi remplir sa mé moire.
[0099] La deuxième sous-étape 1032 consiste à soumettre l’image I une deuxième fois au réseau de neurones artificiels récurrents primaire qui va ainsi fournir une pré diction de lésion PL en utilisant les informations enregistrées dans sa mémoire à la première sous-étape 1031 .
[00100] La deuxième soumission est immédiatement consécutive à la première sou mission, c’est-à-dire qu’aucune autre image I n’est soumise au réseau de neurones artificiels récurrents primaire entre la première sous-étape 1031 et la deuxième sous- étape 1032.
[00101] La troisième sous-étape 1033 consiste à effacer la mémoire du réseau de neurones artificiels récurrents primaire.
[00102] Une quatrième étape 104 du procédé 100 consiste à entraîner de manière supervisée au moins un réseau de neurones artificiels récurrents secondaire sur une base de données secondaire pour obtenir un réseau de neurones artificiels récurrents secondaire entraîné capable de fournir à partir d’une image I, une prédiction de throm bus coïncidant avec le thrombus effectivement présent dans l’image.
[00103] Chaque réseau de neurones artificiels récurrents secondaire peut être en traîné sur une même base de données secondaire ou sur une base de données secondaire différente par rapport aux autres réseaux de neurones artificiels récurrents secondaires.
[00104] Chaque base de données secondaire comporte une pluralité d’images I cé rébrales chacune associée à un ensemble d’informations relatives à la segmentation de chaque thrombus dans l’image.
[00105] Ainsi, les données d’entrée sont les images I cérébrales et les vraies don nées de sortie sont les informations relatives à la segmentation de chaque thrombus dans l’image.
[00106] [Fig. 7] La figure 7 montre un premier exemple en haut et un deuxième exemple en bas, d’une image I cérébrale, d’informations ET relatives à la segmentation d’un thrombus dans l’image I et d’une prédiction de thrombus PT fournie par le réseau de neurones artificiels récurrents secondaire.
[00107] L’entraînement supervisé de chaque réseau de neurones artificiels récur rents secondaire consiste donc à mettre à jour les hyperparam êtres de manière à mi nimiser une fonction de coût correspondant à l’erreur entre la prédiction de thrombus fournie par le réseau de neurones artificiels récurrents secondaire à partir d’une image I cérébrale de la base de données secondaire et les informations relatives à la seg mentation de chaque thrombus dans l’image I associées à l’image I dans la base de données secondaire.
[00108] La fonction de coût est par exemple la fonction d'entropie croisée.
[00109] Chaque réseau de neurones artificiels récurrents secondaire est associé à un jeu de paramètres d’entraînement qui peut être identique ou différent des jeux de paramètres des autres réseaux de neurones artificiels récurrents secondaires.
[00110] Les dimensions des images utilisées lors de l’entraînement du jeu de para mètres d’entraînement de chaque réseau de neurones artificiels récurrents primaire sont par exemple plus grandes que les dimensions des images utilisées lors de l’en traînement du jeu de paramètres d’entraînement de chaque réseau de neurones arti ficiels récurrents secondaire. [00111] Chaque réseau de neurones artificiels récurrents secondaire est par exemple un réseau LSTM, ou un réseau LSTM convolutif, ou encore un réseau LSTM convolutif à champ récepteur maximal.
[00112] Chaque réseau de neurones artificiels récurrents secondaire peut présenter une architecture identique ou différente de l’architecture des autres réseaux de neu rones artificiels récurrents secondaires.
[00113] Chaque réseau de neurones artificiels récurrents secondaire peut présenter une architecture identique ou différente de l’architecture des réseaux de neurones ar tificiels récurrents primaires.
[00114] Par exemple, chaque réseau de neurones artificiels récurrents primaire et chaque réseau de neurones artificiels récurrents secondaire présentent une même architecture de type réseau LSTM convolutif à champ récepteur maximal.
[00115] La quatrième étape 104 du procédé 100 est par exemple réalisée pour un premier réseau de neurones artificiels récurrents secondaire et un deuxième réseau de neurones artificiels récurrents secondaire présentant une même architecture de type LSTM convolutif à champ percepteur maximal et des jeux de paramètres d’en traînement identiques, sur une première base de données secondaire pour le premier réseau de neurones artificiels récurrents secondaire et sur une deuxième base de don nées secondaire différente de la première base de données secondaire pour le deu xième réseau de neurones artificiels récurrents secondaire, la première base de don nées secondaire comportant une pluralité d’images I acquises selon la première mo dalité comme images I cérébrales et la deuxième base de données secondaire com portant une pluralité de deuxièmes images I concaténées comme images I cérébrales.
[00116] [Fig. 8] La figure 8 est un schéma synoptique illustrant l’enchaînement de sous-étapes de la quatrième étape 104 du procédé 100.
[00117] La quatrième étape 104 peut comporter une première sous-étape 1041 , une deuxième sous-étape 1042 et une troisième sous-étape 1043 pour chaque image I de la base de données secondaire. [00118] La première sous-étape 1041 consiste à soumettre l’image I une première fois au réseau de neurones artificiels récurrents secondaire qui va ainsi remplir sa mémoire.
[00119] La deuxième sous-étape 1042 consiste à soumettre l’image I une deuxième fois au réseau de neurones artificiels récurrents secondaire qui va ainsi fournir une prédiction de thrombus PT en utilisant les informations enregistrées dans sa mémoire à la première sous-étape 1041.
[00120] La deuxième soumission est immédiatement consécutive à la première sou mission, c’est-à-dire qu’aucune autre image I n’est soumise au réseau de neurones artificiels récurrents secondaire entre la première sous-étape 1041 et la deuxième sous-étape 1042.
[00121] La troisième sous-étape 1043 consiste à effacer la mémoire du réseau de neurones artificiels récurrents secondaire.
[00122] La quatrième étape 104 pourrait également être réalisée antérieurement ou parallèlement à la troisième étape 103.
[00123] Une cinquième étape 105 du procédé 100 selon l’invention comporte une première sous-étape 1051 et une deuxième sous-étape 1052 qui peuvent être réali sées en parallèle comme illustré sur la figure 1 ou l’une après l’autre.
[00124] La première sous-étape 1051 consiste à utiliser chaque réseau de neurones artificiels récurrents primaire entraîné à la troisième étape 103, sur chaque image I d’un ensemble d’images primaire, chaque réseau de neurones artificiels récurrents primaire fournissant alors une prédiction de lésion PL pour chaque image I de l’en semble d’images primaire.
[00125] Chaque réseau de neurones artificiels récurrents primaire peut être utilisé sur un ensemble d’images primaire identique ou différent par rapport aux autres ré seaux de neurones artificiels récurrents primaires.
[00126] Chaque ensemble d’images primaire dépend d’au moins un ensemble d’images associé à une modalité, c’est-à-dire que chaque ensemble d’images primaire peut correspondre à un ensemble d’images ou à une combinaison d’ensembles d’images. [00127] La première sous-étape 1051 est par exemple réalisée sur un même en semble d’images primaires pour le premier réseau de neurones artificiels récurrents primaire et le deuxième réseau de neurones artificiels récurrents primaire précédem ment décrits, et l’ensemble d’images primaire correspond à l’ensemble de premières images concaténées obtenu à la deuxième étape 102.
[00128] La première sous-étape 1051 consiste ensuite à obtenir un ensemble de segmentations de lésion en fusionnant les prédictions de lésion PL obtenues pour l’en semble des réseaux de neurones artificiels récurrents primaires.
[00129] Ainsi, si deux réseaux de neurones artificiels récurrents primaires sont utili sées, les prédictions de lésion PL par le premier réseau de neurones artificiels récur rents primaire sont fusionnées avec les prédictions de lésion PL par le deuxième ré seau de neurones artificiels récurrents primaire.
[00130] La fusion est par exemple réalisée en multipliant chaque prédiction de lé sion PL obtenue pour une image I d’un premier ensemble d’images primaire fournie par un premier réseau de neurones artificiels récurrents primaire avec la prédiction de lésion PL obtenue pour une image I correspondante d’un autre ensemble d’images primaire pour chaque autre réseau de neurones artificiels récurrents primaire.
[00131] Une carte de probabilités de fusion est alors obtenue pour chaque image du premier ensemble d’images primaire, dans laquelle chaque pixel est associé au produit des probabilités associées au pixel correspondant dans chaque prédiction de lésion PLfournie pour l’image I.
[00132] La fusion consiste ensuite à appliquer un seuil sur chaque carte de proba bilités de fusion pour ne conserver que les pixels associés à une probabilité supérieure au seuil dans la carte de probabilités de fusion.
[00133] Le seuil est par exemple égal à 0.25.
[00134] En comparant les groupes de pixels voisins dans chaque carte de probabi lité de fusion seuillée en prenant en compte la position de l’image I correspondante selon l’axe perpendiculaire au plan de section correspondant, des groupes de voxels voisins peuvent être déterminés, chaque groupe de voxels voisins constituant alors une segmentation de lésion qui est placée dans l’ensemble de segmentations de lé sion. [00135] Si à l’issue de la première sous-étape 1051 de la cinquième étape 105, l’ensemble de segmentations est vide, on considère que l’image ne contenait aucune lésion.
[00136] Sinon, c’est-à-dire si à l’issue de la première sous-étape 1051 de la cin quième étape 105 l’ensemble de segmentations comporte au moins une segmentation de lésion, une sixième étape 106 du procédé 100 est réalisée.
[00137] La deuxième sous-étape 1052 consiste à utiliser chaque réseau de neu rones artificiels récurrents secondaire entraîné à la quatrième étape 104, sur chaque image I d’un ensemble d’images secondaire, chaque réseau de neurones artificiels récurrents secondaire fournissant alors une prédiction de thrombus PT pour chaque image de l’ensemble d’images secondaire.
[00138] Chaque réseau de neurones artificiels récurrents secondaire peut être uti lisé sur un ensemble d’images secondaire identique ou différent par rapport aux autres réseaux de neurones artificiels récurrents secondaires.
[00139] Chaque ensemble d’images secondaire dépend d’au moins un ensemble d’images associé à une modalité.
[00140] La deuxième sous-étape 1052 est par exemple réalisée sur un premier en semble d’images secondaire pour le premier réseau de neurones artificiels récurrents secondaire précédemment décrit et sur un deuxième ensemble d’images secondaire pour le deuxième réseau de neurones artificiels récurrents secondaire précédemment décrit, le premier ensemble d’images secondaire correspondant à l’ensemble d’images associé à la première modalité et le deuxième ensemble d’images secondaire corres pondant à l’ensemble de deuxièmes images concaténées obtenu à la deuxième étape 102.
[00141] La deuxième sous-étape 1052 consiste ensuite à obtenir un ensemble de segmentations de thrombus en fusionnant les prédictions de thrombus PT obtenues pour l’ensemble des réseaux de neurones artificiels récurrents secondaires.
[00142] Ainsi, si deux réseaux de neurones artificiels récurrents secondaires sont utilisés, les prédictions de thrombus PT par le premier réseau de neurones artificiels récurrents secondaire sont fusionnées avec les prédictions de thrombus PT par le deu xième réseau de neurones artificiels récurrents secondaire. [00143] La fusion est par exemple réalisée en multipliant chaque prédiction de thrombus PT obtenue pour une image I d’un premier ensemble d’images secondaire fournie par un premier réseau de neurones artificiels récurrents secondaire avec la prédiction de thrombus PT obtenue pour une image I correspondante d’un autre en semble d’images secondaire pour chaque autre réseau de neurones artificiels récur rents secondaire.
[00144] Une carte de probabilités de fusion est alors obtenue pour chaque image du premier ensemble d’images secondaire, dans laquelle chaque pixel est associé au produit des probabilités associées au pixel correspondant dans chaque prédiction de thrombus PT fournie pour l’image I.
[00145] La fusion consiste ensuite à appliquer un seuil sur chaque carte de proba bilités de fusion pour ne conserver que les pixels associés à une probabilité supérieure au seuil dans la carte de probabilités de fusion.
[00146] Le seuil est par exemple égal à 0.25.
[00147] En comparant les groupes de pixels voisins dans chaque carte de probabi lité de fusion seuillée en fonction de la position de l’image I correspondante selon l’axe perpendiculaire au plan de section correspondant, des groupes de voxels voisins peu vent être déterminés, chaque groupe de voxels voisins constituant alors une segmen tation de thrombus qui est placée dans l’ensemble de segmentations de thrombus.
[00148] La sixième étape 106 du procédé 100 selon l’invention consiste à sélection ner comme segmentation de la lésion dans l’image tridimensionnelle, la segmentation de l’ensemble de segmentations de lésion de volume maximal, c’est-à-dire compre nant le plus grand nombre de voxels.
[00149] Une septième étape 107 du procédé 100 selon l’invention consiste à sélec tionner comme segmentation du thrombus dans l’image tridimensionnelle, la segmen tation de l’ensemble de segmentations de thrombus répondant à une condition de proximité dépendant de la segmentation de la lésion obtenue à la sixième étape 106. [00150] Une segmentation de thrombus répond par exemple à une condition de proximité si sa position dans l’image I est comprise entre la position de la lésion dans l’image I et le bas de la tête du patient. [00151] En réalisant toutes les étapes de la méthode 100 décrites sur la figure 1 en utilisant le premier réseau de neurones artificiels récurrents primaire, le deuxième ré seau de neurones artificiels récurrents primaire, le premier réseau de neurones artifi ciels récurrents secondaire et le deuxième réseau de neurones artificiels récurrents secondaire précédemment décrits, un taux de détection de 100% et un nombre de faux positifs réduit est obtenu pour la segmentation de la lésion et la segmentation du thrombus.
[00152] Il est possible de réduire encore le nombre de faux positifs en réalisant une huitième étape 108 de post-traitement de la segmentation du thrombus obtenue à l’is sue du procédé 100. Cette étape 108 est illustrée sur les figures 10 à 11.
[00153] On entend par faux-positifs les voxels de la segmentation du thrombus qui sont associés à une forte probabilité de ne pas appartenir au thrombus. A l’inverse, les vrai-positifs sont les voxels de la segmentation du thrombus associés à une forte pro babilité d’appartenir au thrombus. Ces probabilités sont déterminées pendant l’entraî nement du réseau de neurones artificiels récurrents secondaire. Ainsi, à l’étape 107 du procédé 100, l’utilisation de chaque réseau de neurones artificiels récurrents se condaire permet d’associer à chaque voxel de la segmentation du thrombus une éti quette faux-positif ou vrai-positif.
[00154] L’étape 108 consiste à exclure de la segmentation du thrombus un certain nombre de faux positifs en fonction de leur distance à la lésion déjà segmentée 106.
[00155] Pour cela, une première sous-étape 1081 consiste à calculer l’enveloppe de la lésion à partir de la segmentation de la lésion déterminée à l’étape 106.
[00156] Une deuxième sous-étape 1082 consiste à répartir la segmentation du thrombus 107 en deux ensembles de voxels : le premier ensemble de voxels FP com porte tous les voxels de la segmentation du thrombus associés à l’étiquette faux-positif et le deuxième ensemble de voxels VP comporte tous les voxels associés à l’étiquette vrai-positif, c’est-à-dire que le deuxième ensemble comporte tous les voxels de la seg mentation du thrombus qui n’appartiennent pas au premier ensemble de voxels FP. [00157] A partir du premier ensemble de voxels FP, on réalise une troisième sous- étape 1083 de réduction du nombre de faux-positifs.
[00158] Une première sous-sous étape 1083a consiste à calculer, pour chaque voxel du premier ensemble de voxels FP, la distance euclidienne du voxel à l’enve loppe de la lésion. Ainsi, chaque voxel du premier ensemble de voxels FP est associé à un paramètre donnant sa distance à la lésion.
[00159] Une deuxième sous sous-étape 1083b consiste à ordonnancer, par ordre croissant par exemple, les voxels du premier ensemble de voxels FP en fonction de la distance à la lésion calculée précédemment. On obtient ainsi une liste de voxels or donnés en fonction de leur distance à la lésion.
[00160] Dans une troisième sous-sous étape 1083c, seuls un certain nombre de voxels du premier ensemble de voxels FP sont sélectionnés à partir de la liste de voxels ordonnés pour former un sous-ensemble de voxels FPR du premier ensemble de voxels FP. Les voxels du sous-ensemble de voxels FPR sont donc un ensemble réduit de voxels faux-positifs.
[00161] La sélection des voxels de la liste de voxels ordonnés peut être réalisée de plusieurs manières. Dans une première manière, on peut sélectionner les 3 à 5 voxels de la liste de voxels ordonnés ayant la distance à la lésion la plus petite. Dans une autre manière, on peut sélectionner les voxels de la liste de voxels ordonnés qui sont associés à une distance à la lésion inférieure à un seuil prédéterminé. Ce seuil peut être de 1 à 2 unités.
[00162] Enfin, l’étape 108 comprend une quatrième sous-étape 1084 consistant en la réunion du sous-ensemble de voxels FPR et du deuxième ensemble de voxels VP pour former la segmentation du thrombus, celle-ci étant une segmentation du throm bus raffinée par rapport à la segmentation du thrombus déterminée à l’étape 107. Le taux de faux-positifs est en effet réduit.
[00163] Une fois la segmentation de la lésion et la segmentation du thrombus obte nus, il est alors possible de caractériser la lésion ou le thrombus de manière objective par le calcul de paramètres numériques, tel que le volume, de manière à fournir au praticien une image interprétable, cela de façon homogène, c’est-à-dire peu dépen dante du praticien.
[00164] Le volume et la forme du thrombus donnent en particulier au praticien des informations complémentaires capitales en ce qu’elles aident le praticien à poser un diagnostic et à orienter le traitement à donner. En effet, selon que le thrombus occupe un grand ou petit volume, ou/et que sa forme soit elliptique ou sensiblement sphérique, le protocole de traitement à appliquer sera différent.
[00165] Pour cela, le procédé 100 peut être suivi d’une neuvième étape 109 de ca ractérisation volumétrique du thrombus déjà segmenté. Comme illustré sur la figure 9 qui est un schéma synoptique illustrant l’enchaînement d’une huitième et d’une neu vième étape 108, 109 au procédé 100, l’étape 109 peut être réalisée soit à partir de la segmentation du thrombus obtenue à l’issue du procédé 100, soit à partir de la seg mentation raffinée du thrombus obtenue à l’étape 108.
[00166] Par caractérisation volumétrique du thrombus, on entend le calcul du vo lume de l’enveloppe ellipsoïdale maximale contenant le thrombus et le calcul des pa ramètres géométriques caractérisant ce volume. Ainsi, considérant un volume simple de forme ellipsoïde, les paramètres géométriques déterminés à l’étape 109 seront les longueurs, respectivement, du demi grand axe, du demi-moyen axe et du demi- petit axe. Ces valeurs permettent de caractériser la forme du volume de manière objective.
[00167] En référence à la figure 12, la caractérisation volumétrique du thrombus (109) est réalisée en au moins trois sous-étapes 1091 , 1092 et 1093.
[00168] La première sous-étape 1091 consiste à extraire de la segmentation du thrombus 107 ou 108 les n pixels qui forment le thrombus, n étant supérieur à 3. Plus précisément, la sous-étape 1091 consiste à extraire, pour tous les voxels de la seg mentation du thrombus, les 3 pixels correspondant aux trois directions spatiales de chaque voxel, et à organiser les n pixels extraits dans une liste. Cette liste prend par exemple la forme d’une matrice M ayant les coordonnées spatiales de chaque pixel arrangées en ligne. [00169] Les n pixels extraits forment un nuage de points 3D contenu dans un vo lume, par exemple dans un volume de forme ellipsoïde. Ce volume représente le vo lume de l’enveloppe ellipsoïdale maximale contenant le thrombus.
[00170] La deuxième sous-étape 1092 de l’étape 109 consiste à calculer les para mètres géométriques caractérisant le volume de l’enveloppe ellipsoïdale maximale contenant le thrombus. Considérant un volume de forme ellipsoïde, les paramètres géométriques caractérisant le volume de l’enveloppe ellipsoïdale maximale contenant le thrombus sont les longueurs du grand, moyen et petit demi -axe de l’ellipsoïde.
[00171] Pour cela, à la sous-étape 1092, le nuage de points 3D formé par les n pixels extraits est analysé par composantes principales en prenant comme axes prin cipaux 3 axes orthogonaux, ces axes orthogonaux définissant les axes de l’ellipsoïde. En d’autres termes, l’analyse par composantes principales permet de déterminer les trois axes orthogonaux qui représentent le mieux le nuage de points 3D, c’est-à-dire le volume de l’enveloppe ellipsoïdale maximale contenant le thrombus.
[00172] Plus précisément, le théorème de Karhunen-Loeve comprenant des étapes de diagonalisation de matrice, transformation de vecteur propre et analyse en compo santes principales, peut être utilisé sur la matrice M déterminée à la sous-étape 1091 . [00173] On détermine ainsi la matrice M’, cette matrice étant la transposée de la matrice M.
[00174] On décompose ensuite le produit de matrice M x M' en la somme de trois matrices M1,M2 et M3 de même dimension que M :
[00175] M X M' = /1 X M1 + /2 X M2 + /3 X M3, OÙ : o et ( u Ii) forme le couple de vecteur/valeur propre,
[00176] Géométriquement, lt est un demi-axe de l’ellipsoïde.
[00177] La troisième sous-étape 1093 de l’étape 109 consiste à calculer le volume V de l’enveloppe ellipsoïdale maximale contenant le thrombus à partir des demi-axes lt déterminés à la sous-étape 1092. Le volume V est donné par la formule suivante :
[00178] En résumé, on obtient à l’issue de l’étape 109 les paramètres géométriques de plus grande longueur It , de moyenne longueur /2 et de petite longueur 13 caracté- risant le volume de l’enveloppe ellipsoïdale maximale contenant le thrombus, ainsi que le volume de l’enveloppe ellipsoïdale maximale contenant le thrombus.

Claims

REVENDICATIONS
[Revendication 1] Procédé (100) automatique de segmentation d’un thrombus et d’une lésion engendrée par le thrombus dans une image tridimensionnelle cérébrale, l’image tridimensionnelle cérébrale étant acquise selon au moins une modalité, chaque modalité étant associée à un ensemble d’images comportant une pluralité d’images correspondant chacune à une section de l’image tridimensionnelle acquise selon la modalité, selon un plan de section perpendiculaire à un axe donné, le procédé (100) comportant les étapes suivantes :
- Entraînement supervisé d’au moins un réseau de neurones artificiels récurrents primaire configuré pour fournir une prédiction de lésion (PL) à partir d’une image (I), chaque réseau de neurones artificiels récurrents primaire étant associé à un jeu de paramètres d’entraînement et entraîné sur une base de données primaire comportant une pluralité d’images (I) cérébrales chacune associée à un ensemble d’informations (EL) relatives à la segmentation de chaque lésion dans l’image (I, 103) ;
- Entraînement supervisé d’au moins un réseau de neurones artificiels récurrents secondaire configuré pour fournir une prédiction de thrombus (PT) à partir d’une image (I), chaque réseau de neurones artificiels récurrents secondaire étant associé à un jeu de paramètres d’apprentissage et entraîné sur une base de données secondaire comportant une pluralité d’images (I) cérébrales chacune associée à un ensemble d’informations (ET) relatives à la segmentation de chaque thrombus dans l’image (I, 104) ;
- Utilisation de chaque réseau de neurones artificiels récurrents primaire entraîné, sur chaque image (I) d’un ensemble d’images primaire dépendant d’au moins un ensemble d’images associé à une modalité, et fusion des prédictions de lésion (PL) obtenues pour obtenir un ensemble de segmentations de lésion (1051 ) : o Si l’ensemble de segmentations de lésion comporte au moins une segmentation, sélection de la segmentation présentant un volume maximal comme segmentation de la lésion (106) ; - Utilisation de chaque réseau de neurones artificiels récurrents secondaire entraîné, sur chaque image (I) d’un ensemble d’images secondaire dépendant d’au moins un ensemble d’images associé à une modalité, et fusion des prédictions de thrombus (PT) obtenues pour obtenir un ensemble de segmentations de thrombus (1052) : o Si l’ensemble de segmentations de thrombus comporte au moins une segmentation, sélection de la segmentation répondant à une condition de proximité comme segmentation du thrombus (107), la condition de proximité dépendant de la segmentation de la lésion.
[Revendication 2] Procédé (100) selon la revendication 1 , dans lequel l’image tridimensionnelle est acquise par IRM.
[Revendication 3] Procédé (100) selon la revendication 2, dans lequel l’image tridimensionnelle est acquise par IRM selon une première modalité angiographie pondérée en fonction de la susceptibilité SWAN, une deuxième modalité phase du signal radiofréquence de l’angiographie pondérée en fonction de la susceptibilité phase SWAN, une troisième modalité temps de vol ToF, une quatrième modalité pondération en diffusion DWI et une cinquième modalité pondération en diffusion DWI avec application exclusive du champ magnétique principal Bo.
[Revendication 4] Procédé (100) selon l’une quelconque des revendications 2 ou 3, comportant une étape (101 ) de prétraitement comprenant les sous-étapes suivantes pour chaque modalité de l’image tridimensionnelle :
- Calcul d’un histogramme sur les niveaux de gris des voxels de l’image tridimensionnelle acquise selon la modalité (1011 ) ;
- Calcul d’une approximation polynomiale du logarithme de l'histogramme (1012) ;
- Application de la fonction inverse du logarithme à l’approximation polynomiale pour obtenir une approximation de l’histogramme (1013) ;
- Détermination d’un maximum local de l’approximation de l’histogramme correspondant au tissu sain cérébral et division des niveaux de gris des voxels de l’image tridimensionnelle acquise selon la modalité par le niveau de gris correspondant au maximum local dans l'histogramme (1014).
[Revendication 5] Procédé (100) selon l’une quelconque des revendications 3 ou 4, comportant une étape (102) de traitement comprenant les sous-étapes suivantes :
- Pour chaque image (I) de l’ensemble d’images associé à la quatrième modalité, soustraction à l’image (I) considérée, de l’image (I) correspondante de l’ensemble d’images associé à la cinquième modalité, pour obtenir un ensemble d’images améliorées (1021 ) ;
- Pour chaque image (I) de l’ensemble d’images associé à la quatrième modalité, concaténation de l’image (I) considérée et de l’image (I) correspondante de l’ensemble d’images améliorées, pour obtenir un ensemble de premières images concaténées (1022) ;
- Pour chaque image (I) de l’ensemble d’images associé à la première modalité, concaténation de l’image (I) considérée, de l’image (I) correspondante de l’ensemble d’images associé à la deuxième modalité et de l’image (I) correspondante de l’ensemble d’images associé à la troisième modalité, pour obtenir un ensemble de deuxièmes images concaténées (1023).
[Revendication 6] Procédé (100) selon la revendication 5, dans lequel :
- l’étape (103) d’entraînement est réalisée pour un premier réseau de neurones artificiels récurrents primaire et un deuxième réseau de neurones artificiels récurrents primaire associés à des jeux de paramètres d’entraînement différents, sur une même base de données primaire comportant une pluralité de premières images concaténées ;
- l’étape (1051) d’utilisation est réalisée sur un même ensemble d’images primaire pour le premier réseau de neurones artificiels récurrents primaire et le deuxième réseau de neurones artificiels récurrents primaire, l’ensemble d’images primaire correspondant à l’ensemble de premières images concaténées ;
- l’étape (104) d’entraînement est réalisée pour un premier réseau de neurones artificiels récurrents secondaire et un deuxième réseau de neurones artificiels récurrents secondaire présentant des jeux de paramètres d’entraînement identiques, sur une première base de données secondaire pour le premier réseau de neurones artificiels récurrents secondaire et sur une deuxième base de données secondaire pour le deuxième réseau de neurones artificiels récurrents secondaire, la première base de données secondaire comportant une pluralité d’images acquises selon la première modalité et la deuxième base de données secondaire comportant une pluralité de deuxièmes images concaténées ;
- l’étape (1052) d’utilisation est réalisée sur un premier ensemble d’images secondaire pour le premier réseau de neurones artificiels récurrents secondaire et sur un deuxième ensemble d’images secondaire pour le deuxième réseau de neurones artificiels récurrents secondaire, le premier ensemble d’images secondaire correspondant à l’ensemble d’images associé à la première modalité et le deuxième ensemble d’images secondaire correspondant à l’ensemble de deuxièmes images concaténées.
[Revendication 7] Procédé (100) selon l’une quelconque des revendications précédentes, dans lequel chaque réseau de neurones artificiels récurrents primaire et chaque réseau de neurones artificiels récurrents secondaire ont une même architecture de type réseau de neurones artificiels récurrents à mémoire court et long terme convolutif disposant d’une mémoire, dans lequel chaque convolution est remplacée par un bloc logique dans lequel une première partie d’une donnée d’entrée passe par une couche convolutive et une seconde partie de la donnée d’entrée passe par un bloc de transfert composé d’une couche de transfert entourée de deux couches convolutives, la couche de transfert effectuant plusieurs opérations de max-pooling avec différentes tailles de fenêtres.
[Revendication 8] Procédé (100) selon la revendication 7, dans lequel l’étape (101 ) d’entraînement d’un réseau de neurones artificiels récurrents primaire comporte les sous-étapes suivantes pour chaque image (I) de la base de données primaire correspondante :
- Première soumission (1011 ) de l’image (I) au réseau de neurones artificiels récurrents primaire pour remplir sa mémoire ; - Deuxième soumission (1012) de l’image (I) au réseau de neurones artificiels récurrents primaire pour fournir une prédiction de lésion (PL) à partir de la mémoire remplie, la deuxième soumission étant immédiatement consécutive à la première soumission ;
- Remise à zéro (1013) de la mémoire ; et l’étape (102) d’entraînement d’un réseau de neurones artificiels récurrents secondaire comporte les sous-étapes suivantes pour chaque image (I) de la base de données secondaire correspondante :
- Première soumission (1021) de l’image (I) au réseau de neurones artificiels récurrents secondaire pour remplir sa mémoire ;
- Deuxième soumission (1022) de l’image (I) au réseau de neurones artificiels récurrents secondaire pour fournir une prédiction de thrombus (PT) à partir de la mémoire remplie, la deuxième soumission étant immédiatement consécutive à la première soumission ;
- Remise à zéro (1023) de la mémoire.
[Revendication 9] Procédé (100) selon l’une quelconque des revendications précédentes dans lequel la segmentation du thrombus (107) comprend une pluralité de voxels identifiés comme appartenant au thrombus, chaque voxel étant associé à une étiquette faux-positif ou à une étiquette vrai-positif, l’étiquette faux-positif ou l’étiquette vrai-positif étant attribuée par le réseau de neurone artificiels récurrents secondaire entraîné, le procédé (100) comprenant une étape (108) de raffinement de la segmentation du thrombus comprenant les sous-étapes suivantes :
- Calcul (1081) de l’enveloppe de la lésion à partir de la segmentation de la lésion (106),
- Répartition (1082) de la segmentation du thrombus (107) en un premier ensemble de voxels (FP) et un deuxième ensemble de voxels (VP) : o le premier ensemble de voxels (FP) comporte les voxels de la segmentation du thrombus associés à l’étiquette faux-positif, o le deuxième ensemble de voxels (VP) comporte les voxels de la segmentation de la lésion associés à l’étiquette vrai-positif,
- Réduction (1083) du premier ensemble de voxels de la segmentation du thrombus : o Pour chaque voxel du premier ensemble de voxels (FP), calcul de la distance à la lésion (1083a), la distance à la lésion étant la distance euclidienne du voxel du premier ensemble de voxels à l’enveloppe de la lésion, o Ordonnancement (1083b) des voxels du premier ensemble de voxels (FP) en fonction de la distance à lésion calculée, o Sélection (1083c) d’un sous-ensemble de voxels (FPR) à partir de l’ordonnancement des voxels du premier ensemble de voxels,
- Sélection (1084) de la segmentation répondant à la fusion du deuxième ensemble de voxels (VP) et du sous-ensemble de voxels sélectionné (FPR) comme segmentation du thrombus.
[Revendication 10] Procédé (100) selon la revendication précédente dans lequel, l’étape de sélection d’un sous-ensemble de voxels (1083c) est réalisée en sélectionnant les N voxels du premier ensemble de voxels ayant la distance à la lésion la plus petite, N étant compris entre 3 et 5.
[Revendication 11] Procédé (100) selon la revendication 9 dans lequel, l’étape de sélection d’un sous-ensemble de voxels (1083c) est réalisée en sélectionnant les voxels du premier ensemble de voxels ayant une distance à la lésion inférieure à un seuil prédéterminé.
[Revendication 12] Procédé (100) selon l’une quelconque des revendications précédentes, comprenant une étape (109) de caractérisation volumétrique du thrombus à partir de la segmentation du thrombus (107).
[Revendication 13] Procédé (100) selon la revendication précédente, dans lequel l’étape (109) de caractérisation volumique du thrombus comprend les sous-étapes suivantes :
- Extraction (1091 ) des pixels de la segmentation du thrombus à partir de la segmentation du thrombus (107), les pixels formant un nuage de points contenu dans un volume, le volume étant l’enveloppe ellipsoïdale maximale contenant le thrombus,
- Détermination des caractéristiques géométriques du volume de l’enveloppe ellipsoïdale maximale contenant le thrombus (1092) par analyse par composante principale du nuage de points selon trois axes principaux, les trois axes principaux étant orthogonaux, - Calcul du volume de l’enveloppe ellipsoïdale maximale contenant le thrombus (1093) à partir des paramètres géométriques déterminés.
[Revendication 14] Produit-programme d’ordinateur comprenant des instructions qui, quand le programme est exécuté sur un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications 1 à 13.
[Revendication 15] Support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications 1 à 13.
EP22747275.0A 2021-07-06 2022-07-01 Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale Pending EP4367633A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2107286A FR3125141A1 (fr) 2021-07-06 2021-07-06 Procédé automatique de segmentation d’un thrombus et d’une lésion dans une image tridimensionnelle cérébrale
PCT/EP2022/068270 WO2023280708A1 (fr) 2021-07-06 2022-07-01 Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale

Publications (1)

Publication Number Publication Date
EP4367633A1 true EP4367633A1 (fr) 2024-05-15

Family

ID=77999082

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22747275.0A Pending EP4367633A1 (fr) 2021-07-06 2022-07-01 Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale

Country Status (5)

Country Link
US (1) US20240312008A1 (fr)
EP (1) EP4367633A1 (fr)
CA (1) CA3224162A1 (fr)
FR (1) FR3125141A1 (fr)
WO (1) WO2023280708A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877738B (zh) * 2024-03-13 2024-05-07 简阳市人民医院 一种基于知信行健康教育模式的copd患者静脉血栓预防系统

Also Published As

Publication number Publication date
US20240312008A1 (en) 2024-09-19
WO2023280708A1 (fr) 2023-01-12
FR3125141A1 (fr) 2023-01-13
CA3224162A1 (fr) 2023-01-12

Similar Documents

Publication Publication Date Title
EP3961484B1 (fr) Procédé et dispositif de segmentation d'image médicale, dispositif électronique et support d'informations
CN111368849B (zh) 图像处理方法、装置、电子设备及存储介质
FR2862788A1 (fr) Procede et systeme d'analyse de changements temporels d'image
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
EP2171687B1 (fr) Procédé et dispositif de traitement d'image, notamment pour le traitement d'images médicales
EP0945830A1 (fr) Procédé de traitement d'images incluant des étapes de segmentation d'une image multidimentionnelle et appareil d'imagerie médicale utilisant ce procédé
CN112991346B (zh) 用于医学图像分析的学习网络的训练方法和训练系统
WO2021159811A1 (fr) Appareil et procédé de diagnostic auxiliaire pour le glaucome, et support d'information
EP3973508A1 (fr) Échantillonnage de variables latentes pour générer de multiples segmentations d'une image
JP2021120852A (ja) 医用情報処理装置、医用情報処理モデルトレーニング方法及び医用情報処理プログラム
EP4367633A1 (fr) Procédé automatique de segmentation d'un thrombus et d'une lésion dans une image tridimensionnelle cérébrale
EP0694193B1 (fr) Dispositif de segmentation d'un ensemble discret de donnees
CN117291935A (zh) 一种头颈瘤病灶区域图像分割方法及计算机可读介质
CN116013475B (zh) 多模态医学图像的勾画方法和装置、存储介质及电子设备
KR102526487B1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
US12045958B2 (en) Motion artifact correction using artificial neural networks
Maulana et al. Robustness of probabilistic u-net for automated segmentation of white matter hyperintensities in different datasets of brain mri
CN114724016A (zh) 图像分类方法、计算机设备和存储介质
FR3115385A1 (fr) Procédé de traitement d'image radiologique
KR102442591B1 (ko) 라벨 생성 방법, 프로그램 및 장치
WO2024110407A1 (fr) Procédé de segmentation automatique d'un organe sur une image médicale en trois dimensions
US12073539B2 (en) Systems and methods for denoising medical images
Tkachenko et al. A Mammography Data Management Application for Federated Learning
WO2022238640A1 (fr) Méthode de génération d'images médicales rares pour l'entrainement d'algorithmes d'apprentissage profond

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: 20240115

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