FR3057094B1 - Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient - Google Patents
Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient Download PDFInfo
- Publication number
- FR3057094B1 FR3057094B1 FR1659565A FR1659565A FR3057094B1 FR 3057094 B1 FR3057094 B1 FR 3057094B1 FR 1659565 A FR1659565 A FR 1659565A FR 1659565 A FR1659565 A FR 1659565A FR 3057094 B1 FR3057094 B1 FR 3057094B1
- Authority
- FR
- France
- Prior art keywords
- lung
- histogram
- pulmonary
- density
- threshold
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000010339 dilation Effects 0.000 claims abstract description 12
- 210000000621 bronchi Anatomy 0.000 claims abstract description 8
- 230000007170 pathology Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 201000003883 Cystic fibrosis Diseases 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 208000025678 Ciliary Motility disease Diseases 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 201000009266 primary ciliary dyskinesia Diseases 0.000 claims description 2
- 208000018672 Dilatation Diseases 0.000 claims 1
- 238000003672 processing method Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- PURKAOJPTOLRMP-UHFFFAOYSA-N ivacaftor Chemical compound C1=C(O)C(C(C)(C)C)=CC(C(C)(C)C)=C1NC(=O)C1=CNC2=CC=CC=C2C1=O PURKAOJPTOLRMP-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000001684 chronic effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229960004508 ivacaftor Drugs 0.000 description 3
- 230000028327 secretion Effects 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 229940005405 kalydeco Drugs 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101150029409 CFTR gene Proteins 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000032536 Pseudomonas Infections Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000009267 bronchiectasis Diseases 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000420 mucociliary effect Effects 0.000 description 1
- 238000009613 pulmonary function test Methods 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/162—Segmentation; Edge detection involving graph-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20072—Graph-based image processing
-
- 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
- G06T2207/30061—Lung
Abstract
Il est proposé un procédé de traitement automatique d'au moins une image de coupe d'une partie donnée d'au moins un poumon d'un patient atteint d'une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de segmentation (102) de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l'aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée, calcul (104) à partir de l'histogramme, d'un seuil correspondant à une densité pulmonaire seuil, fonction d'une ou de plusieurs caractéristiques de l'histogramme, une première caractéristique étant le mode de l'histogramme, détermination (106), à partir de la ou des images de coupe de la partie donnée du poumon, d'un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, calcul (110), à partir du volume pulmonaire déterminé, d'un score automatique afin de suivre l'évolution de l'atteinte bronchique du patient.
Description
DOMAINE DE L'INVENTION
La présente invention concerne un procédé et un dispositif de traitement d’au moins une image d’une partie donnée d’au moins un poumon.
Le procédé selon l’invention trouve application dans le suivi de pathologies qui induisent une dilatation diffuse des bronches des poumons.
ETAT DE LA TECHNIQUE
La mucoviscidose est la plus fréquente des maladies génétiques héréditaires graves de la population caucasienne avec une incidence de 1/4500. L’espérance de vie des patients a nettement augmenté depuis sa description en 1938, atteignant désormais un peu plus de 40 ans et, à ce jour, la population d’adultes atteints par la mucoviscidose est supérieure à celle des enfants. L’atteinte respiratoire reste la plus importante cause de mortalité. Alors que les poumons des sujets atteints sont quasiment indemnes à la naissance, l’augmentation de la viscosité des sécrétions bronchiques entraîne leur accumulation dans les voies aériennes et la formation de bouchons muqueux, ou impactions mucoïdes. Les infections, et en particulier l’infection chronique à Pseudomonas aeruginosa, favorisées par une clairance mucociliaire défectueuse, entretiennent et aggravent les impactions mucoïdes et l’inflammation bronchique. L’infection et l’inflammation bronchiques chroniques mènent progressivement au développement de dilatations bronchiques (bronchectasies) et à une insuffisance respiratoire terminale. Le principal objectif de la prise en charge respiratoire des patients est le contrôle de l’infection pulmonaire chronique par l’administration d’antibiotiques et le drainage des sécrétions pulmonaires. Les traitements les plus récents développés ont pour objectif d’agir en amont pour corriger la viscosité des sécrétions, et non plus seulement d’agir sur les conséquences.
Pour l’évaluation de l’atteinte pulmonaire liée à la mucoviscidose, plusieurs scores visuels ont été proposés, dont le score dit de Brody II, décrit dans le document « High-resolution computed tomography in young patients with cystic fibrosis: distribution of abnormalities and corrélation with pulmonary function tests », par Brody, Klein, Molina et al.
Le procédé décrit dans ce document comporte toutefois des inconvénients : • ll est long à mettre en oeuvre (environ 20 minutes) et n’est donc pas compatible avec une utilisation en dehors de protocoles de recherche. • Il nécessite un entraînement dans un centre de référence puis une pratique répétée pour pouvoir être mis en oeuvre de façon reproductible, en conséquence de quoi peu d’experts capables de l’utiliser sont disponibles sur le terrain.
EXPOSE DE L'INVENTION
Un but de l’invention est de pallier au moins un des inconvénients qui précèdent.
Il est dès lors proposé un procédé de traitement automatique d’au moins une image de coupe d’une partie donnée d’au moins un poumon d’un patient atteint d’une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de : • segmentation de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l’aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée, • calcul à partir de l’histogramme, d’un seuil correspondant à une densité pulmonaire seuil, fonction d’une ou de plusieurs caractéristiques de l’histogramme, une première caractéristique étant le mode de l’histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l’histogramme de la ou des images de la partie donnée du poumon, • détermination, à partir de la ou des images de coupe de la partie donnée du poumon, d’un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, • calcul, à partir du volume pulmonaire déterminé, d’un score automatique afin de suivre l’évolution de l’atteinte bronchique du patient.
Le procédé proposé présente de nombreux avantages : • Il peut être mis en oeuvre de façon automatique, sans requérir d’expert ; • Il est rapide d’exécution ; • sa reproductibilité est parfaite (aucune correction manuelle n’est à effectuer sur le score automatique obtenu).
Le seuil de densité pulmonaire peut être calculé également en fonction d’un écart type de valeurs de densité de l’histogramme.
Le seuil de densité pulmonaire peut être calculé au moyen de la formule suivante : seuil = mode + N. (écart type) où N est une valeur prédéterminée comprise dans un intervalle allant de 0 à 4, par exemple allant de 1 à 3.
Le score peut dépendre d’un rapport entre : • le volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, et • un volume total du poumon montré par l’image.
Les images sont acquises de préférence pendant que le patient inspire.
Les images peuvent montrer l’ensemble des deux poumons, ou montrer un ou plusieurs lobes des poumons.
Le score peut être calculé également en fonction d’un coefficient de dissymétrie de l’histogramme.
Le score est par exemple calculé au moyen de la formule suivante :
où a, b, c et d sont des coefficients prédéterminés, au moins un des coefficients a,betc dépendant d’un algorithme de segmentation d’image utilisé pour mettre en oeuvre l’étape de segmentation. L’image peut être obtenue par tomodensitométrie et l’histogramme être le nombre de voxels fonction de la densité pulmonaire. L’image peut être obtenue par IRM et 1’histogramme correspondre à la répartition des intensités de signal du poumon.
Il est également proposé un produit programme d'ordinateur comprenant des instructions de code de programme pour l'exécution des étapes du procédé qui précède, lorsque ce programme est exécuté par au moins un processeur.
Il est en outre proposé un dispositif pour déterminer automatiquement un score de dilatation diffuse des bronches des poumons, à partir d’images d’au moins une partie donnée d’au moins un poumon, le dispositif comprenant : • un module de segmentation d’images configuré pour produire un histogramme caractéristique de la densité pulmonaire à partir des images du poumon, • au moins un processeur configuré pour :
o calculer un seuil de densité pulmonaire en fonction d’un mode de l’histogramme caractéristique de densité pulmonaire de la partie donnée du poumon, o déterminer, à partir des images du poumon, un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, o calculer le score à partir du volume pulmonaire déterminé.
DESCRIPTION DES FIGURES D’autres caractéristiques, buts et avantages de l’invention ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des dessins annexés sur lesquels : • La figure 1 représente schématiquement un système d’acquisition et de traitement d’images selon un mode de réalisation de l’invention. • La figure 2 représente trois histogrammes de densité pulmonaire se rapportant à un patient avec en ordonnée le nombre de voxels. • La figure 3 est un organigramme d’étapes d’un procédé automatique de traitement d’image selon un mode de réalisation de l’invention. • La figure 4 est une courbe de corrélation entre l’évolution d’un score automatique permettant de qualifier l’atteinte bronchique obtenu par un procédé automatique de traitement d’image selon un mode de réalisation de l’invention, et l’évolution du volume expiratoire maximal en 1 seconde (VEMS) correspondant. • La figure 5 représente deux histogrammes de densité pulmonaire se rapportant à un patient. • La figure 6 est une courbe d’évolution au cours du temps de la valeur du score “Mode+3DS” chez les patients traités par Ivacaftor (Kalydeco ®). Sous traitement, le score quantifiant le volume de lésions anormalement denses diminue chez la majorité des patients, traduisant une amélioration. • La figure 7 est une courbe d’évolution au cours du temps de la valeur du score “Mode+1DS” chez les patients traités par Ivacaftor (Kalydeco ®). Sous traitement, le score quantifiant le volume de lésions anormalement denses diminue chez la majorité des patients, traduisant une amélioration.
Sur l’ensemble des figures, les éléments similaires portent des références identiques.
DESCRIPTION DETAILLEE DE L'INVENTION
Système d’acquisition et de traitement d’images
En référence à la figure 1, un système comprend un dispositif d’acquisition 1 d’images d’un poumon, et un dispositif de traitement d’images 2.
Le dispositif d’acquisition d’images 1 est connu de l’état de la technique ; ce dispositif 1 est par exemple un scanner à rayons X ou un dispositif d’imagerie par résonance magnétique (IRM).
Le dispositif de traitement d’images 2 est configuré pour traiter des images acquises par le dispositif 1.
Le dispositif de traitement d’images 2 comprend une interface de communication 4 avec le dispositif d’acquisition 1, un module de segmentation 6, un processeur 8, et une mémoire 10. L’interface de communication 4 est adaptée pour recevoir des images acquises par le dispositif d’acquisition 1. Cette interface de communication 4 est par exemple de type filaire ou de type sans fil (Wi-Fi, etc). Dans une variante de réalisation particulière, les dispositifs 1 et 2 forment deux composants internes d’un seul et même dispositif.
Le module de segmentation 6 est configuré pour analyser le contenu d’images fournies par le dispositif d’acquisition 1 et pour en extraire certaines informations.
Le module de segmentation 6 est par exemple configuré pour exécuter le programme d’ordinateur Myrian® ou le programme Syngo.via®, connus de l’état de la technique. D’autres programmes de segmentation alternatifs connus de l’état de la technique peuvent être utilisés par le module de segmentation 6.
Le processeur 8 est configuré pour effectuer des calculs sur la base de telles informations.
La mémoire 10 est adaptée pour mémoriser des images ou des données de calcul produites par le module de segmentation 6 et/ou le processeur 8.
Procédé d’acquisition et de traitement d’images
En référence à la figure 2, un procédé d’acquisition et traitement automatique d’images comprend les étapes suivantes.
Le dispositif 1 acquiert au moins une image d’au moins une partie donnée d’au moins un poumon d’un patient.
De préférence, la ou les images ont été acquises pendant une inspiration du patient. On verra dans ce qui suit que ceci permet d’augmenter la fiabilité des données de sortie du procédé.
Les images sont en coupe avec une certaine épaisseur ; les images diffèrent en fonction des épaisseurs de coupe considérées pour les images.
Les images montrent l’ensemble des deux poumons, ou montrent un ou plusieurs lobes des poumons.
On prendra dans ce qui suit l’exemple de l’acquisition d’une pluralité d’image 2D montrant des coupes différentes d’un même poumon.
Les images sont de type tomodensitométriques. En variante, il pourrait être utilisé pour l’invention une IRM.
Chaque image reçue est typiquement en niveaux de gris.
Dans chaque image de la pluralité d’images, un pixel ou voxel proche du noir est représentatif d’une portion du poumon représenté sur cette image qui est peu dense. A contrario, un pixel ou voxel proche du blanc est représentatif d’une portion du poumon représenté sur cette image qui est très dense.
La pluralité d’images 2D forme une image tridimensionnelle comprenant une pluralité de voxels, chaque voxel se rapportant à un volume élémentaire du poumon représenté par les images. Ainsi, similairement, chaque voxel de la pluralité d’image a un niveau de gris ; un voxel proche du noir est représentatif d’un volume élémentaire du poumon qui est peu dense, et, a contrario, un voxel proche du blanc est représentatif d’un volume élémentaire du poumon qui est très dense.
La pluralité est transmise au module de segmentation 6 via l’interface de communication 4.
Le module de segmentation 6 segmente la pluralité d’images qu’il reçoit, de sorte à produire, sur la base de ces images, un histogramme caractéristique de la densité pulmonaire à partir de la pluralité d’images. L’histogramme est une courbe prenant en abscisse une densité pulmonaire, exprimée en unités sur l’échelle de Hounsfield (UH), et en ordonnées un nombre de voxels. En d’autres termes, l’histogramme énumère indirectement, pour chaque niveau de gris représenté dans l’image, le nombre de voxels de la pluralité d’images ayant ce niveau de gris. L’histogramme présente généralement une forme générale de gaussienne.
Trois exemples d’histogrammes caractéristiques de densité pulmonaire sont représentés sur la figure 2. Ces trois histogrammes correspondent à trois pluralités d’images acquises chez un patient sans maladie pulmonaire ayant eu 3 scanners à 1 an d’intervalle (CT1, CT2 et CT3). Les modes associés à ces trois histogrammes sont respectivement -899 UH, -888 UH et -868 UH.
Le mode de l’histogramme, également appelé valeur dominante, est la densité pulmonaire de l’histogramme associée au plus grand nombre de voxels de cet histogramme. Ce mode est donc indicatif du niveau de gris qui revient le plus fréquemment dans la pluralité d’images.
Le mode est déterminé par le module de segmentation 6 ou par le processeur 8.
Le module de segmentation 6 ou le processeur 8 détermine par ailleurs l’écart type (« standard déviation » en anglais) des valeurs de densité de l’histogramme.
Le processeur calcule un seuil de densité pulmonaire fonction d’une ou de plusieurs caractéristiques de l’histogramme.
Une première caractéristique utilisée par le procédé est le mode de l’histogramme. Le seuil de densité pulmonaire peut également dépendre de l’écart type des valeurs de densité de l’histogramme qui est une deuxième caractéristique utilisée par le procédé.
Le seuil est par exemple calculé comme suit par le processeur 8 : où N est une valeur prédéterminée.
Le seuil permet ainsi de séparer les voxels de l’histogramme en 2 groupes.
De préférence, N est compris dans un intervalle allant de 0 à 4 et le seuil est un seuil haut. Très préférentiellement, N est compris dans un intervalle allant de 1 à 3.
Lorsque N est strictement positif, le seuil est donc une valeur de densité qui est décalée vers la droite sur l’histogramme ; lorsque N est strictement négatif, le seuil est donc une valeur de densité qui est décalée vers la gauche sur l’histogramme et le seuil est un seuil bas. Dans les deux cas, ce seuil est donc associé à un nombre de voxels inférieur au maximum de l’histogramme.
Avantageusement, il est considéré N positif et un volume de poumon dont la densité est située au-dessus de ce seuil. En effet, la méthode développée est basée sur l’étude de la répartition des densités des poumons et particulièrement adaptée à la quantification de la proportion des poumons ayant une densité trop importante. Cette proportion de poumon trop dense, qui est le reflet de la proportion de poumon malade, est obtenue grâce à l’utilisation d’un seuil personnalisé calculé sur les propriétés de l’histogramme de chaque examen. Ce seuil personnalisé répond au principal problème rencontré dans la quantification en TDM qui est la variabilité de la distribution des densités pulmonaires en fonction du degré d’inspiration, rendant peu performante l’utilisation de seuils non personnalisés.
Le processeur calcule ensuite un rapport entre le volume pulmonaire ayant une densité pulmonaire définie par rapport au seuil calculé et un volume total du poumon montré par l’image.
Le volume total du poumon est par exemple estimé par le module de segmentation, ou bien prédéterminé par d’autres moyens connus de l’état de la technique.
Le processeur détermine par ailleurs, à partir des images du poumon, un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé.
Pour ce faire, le processeur peut comptabiliser le nombre total de voxels se trouvant dans la partie de l’histogramme se trouvant à droite du seuil calculé, et multiplier ce nombre par le volume élémentaire d’un voxel.
Le processeur détermine par ailleurs un volume total du poumon montré par la pluralité d’images.
Pour ce faire, le processeur peut comptabiliser le nombre total de voxels comptabilisés dans l’histogramme, et multiplier ce nombre par le volume élémentaire d’un voxel.
Le processeur calcule ensuite un score de dilatation des bronches à partir du volume total et du volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé.
Le score calculé est mémorisé dans la mémoire 10.
Dans un premier mode de réalisation particulièrement simple de mise en œuvre, le score est calculé comme suit :
Avantageusement, le score est calculé comme suit :
Dans ce cas, plus le poumon est malade et donc dense, plus le score prend une valeur élevée.
Validation des résultats obtenus par le procédé de traitement d’image
Pour tester la validité du score automatique obtenu par mise en oeuvre du procédé qui précède, le protocole suivant a été mis en oeuvre.
Deux cohortes indépendantes de patients ont été examinées : une cohorte de développement et une deuxième cohorte.
La cohorte de développement est une cohorte multicentrique de patients suivis longitudinalement (au moins 2 examens disponibles par patient, 40 scanners analysés au total) avec des scanners réalisés avant et après traitement par un médicament (ivacaftor) efficace pour le traitement de ces patients ayant une mutation particulière : la mutation G551D du gène CFTR en cause dans la mucoviscidose. L’objectif a été de vérifier que l’amélioration clinique et fonctionnelle sous traitement était également observée avec le score de dilatation obtenu par le procédé de traitement d’image décrit précédemment.
La deuxième cohorte est une cohorte mono-centrique indépendante correspondant à un ensemble de patients évalués à l’hôpital Cochin à Paris en 2013, dans le cadre de leur suivi tous les 2 ans (53 patients).
Pour chaque patient de ces deux cohortes, une évaluation fonctionnelle respiratoire avec étude du VEMS (Volume expiratoire maximal en 1 seconde) a été mise en oeuvre le même jour que le scanner. Le VEMS est un standard de référence, recommandé à la fois par la Food and Drug Administration et par l’European Medicine Agency, pour estimer la gravité de la mucoviscidose dans les protocoles de recherche clinique.
La corrélation entre le score de densité pulmonaire et le VEMS a été mesurée par calcul du coefficient de corrélation de Spearman (noté Rho) selon des méthodes bien connues.
TABLEAU 1: corrélation entre scores et VEMS
Le tableau 1 ci-dessus recense, pour plusieurs types de seuils calculés, le score de dilatation des bronches associé obtenu (valeur en % plus ou moins la valeur de l’écart type SD), et la valeur des coefficients de corrélation Rho avec le VEMS: • des seuils de valeur prédéterminée (colonnes 1 à 3), • des seuils dépendant de la densité moyenne des poumons (« mean lung density » en anglais, abrégé en MLD) (lignes 4 à 6) et de l’écart type des données de l’histogramme, • des seuils, selon d’autres modes de réalisation de l’invention, dépendant à la fois du mode de l’histogramme et également de l’écart type des données de l’histogramme (lignes 7 à 10).
Le tableau 1 recense également le coefficient de corrélation entre le score de Brody II et le VEMS (ligne 11).
Le tableau 1 illustre que les scores automatiques calculés conformément à l’invention (ligne 10) sont plus fortement corrélés au VEMS que les scores de dilatation bronchique calculés sur la base de seuils fixes ou dépendant de la moyenne de densité pulmonaire (MLD).
Ceci s’explique notamment par le fait que la distribution de densité pulmonaire varie non seulement d’un patient à l’autre, mais varie également au cours du temps chez un même patient. Cette distribution est influencée par les modifications en rapport avec la maladie (par exemple les épaississements bronchiques augmentent la densité pulmonaire), mais aussi par des paramètres techniques (paramètres utilisés lors de l’acquisition des images) et par des paramètres physiologiques comme le degré d’inspiration des poumons. En effet, des tests réalisés chez des patients n’ayant pas de maladie pulmonaire montrent que l’histogramme de densité de leur poumon varie au cours du temps (comme le montrent les trois histogrammes représentées en figure 2) du fait des variations des paramètres techniques et physiologiques.
Le fait de faire dépendre le seuil à des paramètres propres à la personne qui est examinée, à savoir le mode et avantageusement l’écart-type ou déviation standard de l’histogramme, permet donc de tenir compte des variations inter-patients (variations liées
au degré d’inspiration des patients) et aux variations des paramètres techniques. Ainsi, le score automatique obtenu sur la base d’un tel seuil adaptatif demeure corrélé avec le VEMS au cours du temps, même si le patient inspire différemment ou si les paramètres techniques précédemment mentionnés changent.
De plus, le fait de faire dépendre le seuil non seulement du mode de l’histogramme mais également de l’écart type des données de l’histogramme permet de tenir compte des variations de « l’étalement » de l’histogramme, ces variations étant liées au degré d’inspiration). Ceci permet d’augmenter encore la corrélation entre le score automatique obtenu sur la base de ce seuil et le VEMS. Dans le tableau 1, le mode de réalisation dans lequel N=3 fournit les meilleurs résultats de corrélation avec le VEMS.
Par ailleurs, le tableau 1 illustre que la valeur des coefficients de corrélation entre les différents scores de dilatation bronchique selon les modes de réalisation de l’invention (ligne 10) et le VEMS sont proches des valeurs de corrélation entre le score de Brody II et le VEMS (ligne 11), et ce indépendamment du programme de segmentation utilisé. En d’autres termes, le score automatique obtenu par la mise en oeuvre du procédé de traitement d’image décrit précédemment est de pertinence équivalente à celle du score de Brody II, mais beaucoup plus simple à obtenir que ce dernier.
Le tableau 2 ci-dessous étudie non pas la corrélation de scores instantanés avec le VEMS, comme dans le tableau 1, mais la corrélation de la variation de ces même scores (Δ score) au cours d’une période de suivi de 19 mois en moyenne, avec la variation du VEMS au cours de la même période.
Les données du tableau 2 vont dans le même sens que celles du tableau 1 : la variation du score automatique selon l’un ou l’autre des différents modes de réalisation de l’invention est fortement corrélée à la variation du VEMS.
Est à titre d’exemple illustré en figure 4 une courbe montant la corrélation entre l’évolution d’un score automatique obtenu par le procédé de traitement d’image selon un mode de réalisation de l’invention et l’évolution du VEMS.
Par ailleurs, la figure 5 montre deux histogrammes relatifs à un même patient, mais produits par le module de segmentation 6 à partir d’images acquises respectivement pendant que le patient inspire, et pendant que le patient expire. On constate que ces deux histogrammes sont différents. En particulier, l’histogramme obtenu à partir des images d’inspiration a un écart type plus faible que l’histogramme obtenu à partir des images d’expiration.
Comme indiqué précédemment, les images sont de préférence acquises pendant que le patient inspire. Ceci permet d’améliorer la corrélation entre le score automatique obtenu et le VEMS.
Autres variantes de réalisation L’invention ne se limite pas aux modes de réalisation décrits précédemment.
En particulier, la segmentation mise en oeuvre par le module de segmentation et les calculs opérés par le processeur peuvent être effectués sur la base d’une seule image. II a été vu précédemment que le score automatique calculé dépend du mode de l’histogramme produit par le module de segmentation, voire dépend également de l’écart type des données de l’histogramme. D’autres paramètres de l’histogramme peuvent également pris en compte pour calculer le score, notamment un coefficient de dissymétrie de l’histogramme (« skewness » en anglais) et le kurtosis (coefficient d’aplatissement de l’histogramme).
Le score peut également dépendre de coefficients associés au programme de segmentation utilisé. II se trouve que les histogrammes produits par différents programmes de segmentation ne sont pas parfaitement identiques ; dès lors, de tels coefficients permettent d’augmenter encore la corrélation entre le score automatique obtenu et le VEMS.
Par exemple, le score peut être calculé comme suit :
où a, b, c, d et e sont des coefficients prédéterminés, au moins un des coefficients a, b, c, d et e dépendant du programme de segmentation d’image utilisé pour mettre en oeuvre l’étape de segmentation.
Par exemple, le score peut être égal à = 1.7 x Déviation standard + 0.5 x Mode + 36 x coefficient de dysmétrie + 0.1 x coefficient d’aplatissement - 51 x Score (Mode + 3DS).
Les images peuvent en outre être acquises par IRM. Dans ce cas, l’histogramme produit par segmentation de telles images montre une répartition des intensités de signal du poumon.
Dans d’autres variantes du procédé de traitement d’images, le score automatique peut être calculé non pas sur la base d’un volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé, mais sur la base d’un volume pulmonaire ayant une densité pulmonaire inférieure au seuil calculé. Dans ce cas, plus le score prend une valeur faible, moins le poumon du patient est dense.
Le score automatique peut avantageusement être exploité pour mesurer un niveau d’atteinte du patient à une pathologie induisant une pathologie diffuse des bronches des poumons, telle que la mucoviscidose ou la dyskinésie ciliaire primaire ou les dilatations bronchiques diffuses post infectieuses ou idiopathiques.
Claims (11)
- REVENDICATIONS1. Procédé de traitement automatique d’au moins une image de coupe d’une partie donnée d’au moins un poumon d’un patient atteint d’une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le procédé comprenant des étapes de : • Acquisition d’au moins une image de coupe par tomodensitométrie • segmentation (102) de la ou des images de coupe de la partie donnée du poumon, pour produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l’aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée, • calcul (104) à partir de Thistogramme, d’un seuil correspondant à une densité pulmonaire seuil, fonction d’une ou de plusieurs caractéristiques de l’histogramme, une première caractéristique étant le mode de l’histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l’histogramme de la ou des images de la partie donnée du poumon, • détermination (106), à partir de la ou des images de coupe de la partie donnée du poumon, d’un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, • calcul (110), à partir du volume pulmonaire déterminé, d’un score automatique afin de suivre l’évolution de l’atteinte bronchique du patient. dans lequel le seuil est fonction d’au moins deux caractéristiques, et la seconde caractéristique est un écart type de valeurs de densité de Thistogramme.
- 2. Procédé selon la revendication précédente, dans lequel le seuil est calculé au moyen de la formule suivante : seuil = mode + N. (écart type) où N est une valeur prédéterminée comprise dans un intervalle allant de 0 à 4.
- 3. Procédé selon la revendication précédente, dans lequel N est une valeur prédéterminée comprise dans un intervalle allant de 1 à 4.
- 4. Procédé selon l’une des revendications précédentes, dans lequel le score automatique est un rapport entre : • le volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, et correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé ; sur • un volume total du poumon montré par la ou les images, correspondant à la somme de tous les voxels de la ou des images de coupe.
- 5. Procédé selon l’une des revendications précédentes, dans lequel : - on détermine (106), à partir de la ou des images de la partie donnée du poumon, le volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé, - le score automatique est le rapport entre : • le volume pulmonaire ayant une densité pulmonaire supérieure au seuil calculé correspondant à la somme des voxels ayant une densité pulmonaire supérieure au seuil calculé ; sur • un volume total du poumon montré par la ou les images, correspondant à la somme de tous les voxels de la ou des images de coupe.
- 6. Procédé selon l’une des revendications précédentes, dans lequel les images sont réalisées sur l’ensemble des deux poumons, ou sur un ou plusieurs lobes des poumons.
- 7. Procédé selon l’une des revendications précédentes, dans lequel les images sont acquises lorsque le patient inspire.
- 8. Procédé selon l’une des revendications précédentes, dans lequel le score est également fonction d’une troisième caractéristique qui est le coefficient de dissymétrie de l’histogramme et d’une quatrième caractéristique qui est le coefficient d’aplatissement, et est calculé au moyen de la formule suivanteoù a, b, c,d ete sont des coefficients prédéterminés, au moins un des coefficients a, b, c, et e dépendant d’un algorithme de segmentation d’image utilisé pour mettre en œuvrel’étape de segmentation et où le coefficient de dissymétrie et le coefficient d’aplatissement se rapportent à l’histogramme.
- 9. Procédé de mesure d’un niveau d’atteinte du patient à une pathologie induisant une atteinte bronchique par dilatation diffuse des bronches des poumons, telle que la mucoviscidose ou la dyskinésie ciliaire primaire ou les dilatations bronchiques diffuses post infectieuses ou idiopathiques, le procédé de mesure comprenant le procédé de traitement selon l’une des revendications 1 à 8.
- 10. Produit programme d'ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé selon l’une de revendications précédentes, lorsque ce programme est exécuté par au moins un processeur.
- 11. Dispositif de traitement automatique d’au moins une image de coupe d’une partie donnée d’au moins un poumon d’un patient atteint d’une pathologie qui induit une atteinte bronchique par dilatation diffuse des bronches des poumons, le dispositif comprenant : • un module d’acquisition d’au moins une image de coupe par tomodensitométrie et de segmentation, configuré pour segmenter la ou des images de la partie donnée du poumon, de sorte à produire un histogramme caractéristique de la densité pulmonaire de la partie donnée du poumon, à l’aide des voxels de la ou des images de coupe, chaque voxel étant associé à une densité pulmonaire donnée, • au moins un processeur configuré pour : o calculer un seuil fonction d’une ou de plusieurs caractéristiques de l’histogramme, une première caractéristique étant le mode de l’histogramme, le mode correspondant à la densité pulmonaire la plus représentée dans l’histogramme de la ou des images de la partie donnée du poumon, o déterminer, à partir de la ou des images de coupe de la partie donnée du poumon, un volume pulmonaire ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, correspondant à la somme des voxels ayant une densité pulmonaire supérieure ou inférieure au seuil calculé, o calculer, à partir du volume pulmonaire déterminé, un score automatique afin de suivre l’évolution de l’atteinte bronchique du patient, le seuil étant fonction d’au moins deux caractéristiques, et la seconde caractéristique est un écart type de valeurs de densité de l’histogramme.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1659565A FR3057094B1 (fr) | 2016-10-04 | 2016-10-04 | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient |
| PCT/EP2017/075246 WO2018065482A1 (fr) | 2016-10-04 | 2017-10-04 | Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient |
| US16/339,615 US11017528B2 (en) | 2016-10-04 | 2017-10-04 | Method and device for processing at least one image of a given part of at least one lung of a patient |
| EP17777294.4A EP3523778A1 (fr) | 2016-10-04 | 2017-10-04 | Procédé et dispositif de traitement d'au moins une image d'une partie donnée d'au moins un poumon d'un patient |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1659565A FR3057094B1 (fr) | 2016-10-04 | 2016-10-04 | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient |
| FR1659565 | 2016-10-04 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3057094A1 FR3057094A1 (fr) | 2018-04-06 |
| FR3057094B1 true FR3057094B1 (fr) | 2019-09-20 |
Family
ID=58401634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1659565A Active FR3057094B1 (fr) | 2016-10-04 | 2016-10-04 | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11017528B2 (fr) |
| EP (1) | EP3523778A1 (fr) |
| FR (1) | FR3057094B1 (fr) |
| WO (1) | WO2018065482A1 (fr) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7047574B2 (ja) * | 2018-04-26 | 2022-04-05 | コニカミノルタ株式会社 | 動態画像解析装置、動態画像解析システム、動態画像解析プログラム及び動態画像解析方法 |
| FR3099621B1 (fr) * | 2019-07-31 | 2021-12-31 | Inst Nat Sante Rech Med | Procede de generation d’un biomarqueur, systeme |
| CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
| CN112083993A (zh) * | 2020-09-02 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 扫描协议的生成方法、装置、电子设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9773311B2 (en) * | 2011-06-29 | 2017-09-26 | The Regents Of The University Of Michigan | Tissue phasic classification mapping system and method |
| US20160203263A1 (en) * | 2015-01-08 | 2016-07-14 | Imbio | Systems and methods for analyzing medical images and creating a report |
-
2016
- 2016-10-04 FR FR1659565A patent/FR3057094B1/fr active Active
-
2017
- 2017-10-04 US US16/339,615 patent/US11017528B2/en active Active
- 2017-10-04 WO PCT/EP2017/075246 patent/WO2018065482A1/fr unknown
- 2017-10-04 EP EP17777294.4A patent/EP3523778A1/fr not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018065482A1 (fr) | 2018-04-12 |
| US11017528B2 (en) | 2021-05-25 |
| US20200051240A1 (en) | 2020-02-13 |
| FR3057094A1 (fr) | 2018-04-06 |
| EP3523778A1 (fr) | 2019-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3057094B1 (fr) | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient | |
| EP3412245B1 (fr) | Procédé d'évaluation d'une goutière orthodontique | |
| EP3755197B1 (fr) | Dispositif et procédé de réalisation d'un classifieur numérique d'images, afin de déterminer la qualité de visualisation des images de vidéocapsule endoscopique d'un segment du tube digestif | |
| WO2005116901A2 (fr) | Methode pour diagnostiquer la presence et/ou la severite d’une pathologie hepatique chez un sujet et/ou pour suivre l’efficacite d’un traitement d’une telle pathologie | |
| CA2888118C (fr) | Procede de quantification des lesions cerebrales | |
| WO2012080643A1 (fr) | Méthode de détection et de quantification du flou dans une image numérique | |
| FR2731819A1 (fr) | Methode d'extraction de contours utilisant une analyse multi-fractale | |
| Chu et al. | Automatic geographic atrophy segmentation using optical attenuation in OCT scans with deep learning | |
| Clarke et al. | An open-source pipeline for analysing changes in microglial morphology | |
| Vemuri et al. | Chronic kidney disease associated with worsening white matter disease and ventricular enlargement | |
| EP2785039A1 (fr) | Procédé et dispositif de tatouage d'une séquence d'images, procédé et dispositif d'authentification d'une séquence d'images tatouées et programme d'ordinateur correspondant | |
| EP2652674A1 (fr) | Procede de comparaison d'images d'iris par selection intelligente de zones texturees | |
| WO2017021545A1 (fr) | Procédé de caractérisation de démarche | |
| Rumeau et al. | Comment tester l’olfaction avec le Sniffin’Sticks test® | |
| EP1129432B1 (fr) | Procede de comparaison d'images enregistrees formees de pixels representant des equipotentielles d'au moins une puce de circuit integre | |
| EP3815037A1 (fr) | Système et procédé pour produire un indicateur graphique multiparamétrique à partir d'une image d'une coupe histologique | |
| FR2978274A1 (fr) | Procede de traitement differencie de zones d'une image | |
| Bottero et al. | Comparison of 2 differently sized endoscopic biopsy forceps in the evaluation of intestinal disease in cats | |
| Eggerickx et al. | Inégalités sociales de mortalité au-delà de 65 ans. Le cas de la Belgique | |
| FR3112221A1 (fr) | Evaluation du biais d’une fonction d’identification biométrique | |
| EP3142561A1 (fr) | Procede de traitement d'images en vue de determiner un degre de mobilite des cordes vocales | |
| WO2023021201A1 (fr) | Méthode de détermination d'un indicateur représentatif d'une altération du cerveau d'un individu causée par une pathologie démyélinisante ou apparentée, affectant l'état de la myéline du cerveau | |
| WO2019211094A1 (fr) | Methode de detection et de quantification du flou dans une image numerique | |
| FR3051950B1 (fr) | Procede de caracterisation geometrique des voies aeriennes d'un poumon par irm | |
| FR3140199A1 (fr) | Procédé et dispositif d’assistance à la détermination d’une posologie d’antioxydants pour une personne atteinte de stress oxydant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20180406 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| CD | Change of name or company name |
Owner name: ASSISTANCE PUBLIQUE - HOPITAUX DE PARIS, FR Effective date: 20221006 Owner name: INTRASENSE, FR Effective date: 20221006 Owner name: UNIVERSITE PARIS CITE, FR Effective date: 20221006 |