FR3082976A1 - Detection de nerfs dans une serie d'images echographiques par la determination de regions d'interets definies par la detection d'arteres - Google Patents

Abstract

L'invention concerne un procédé de détection d'un nerf dans une série d'images échographiques, comportant, pour chaque image de ladite série, - une étape de détermination (E1, E3) d'un ensemble de régions d'intérêts par la détection d'artères, cette détection consistant à appliquer une classification automatique sur une fenêtre glissante sur ladite image générant un ensemble de zones candidates, puis à sélectionner (E32, E33) des régions d'intérêts parmi les zones candidates en recherchant des contours caractéristiques d'une artère au sein de celles-ci; - une étape de détermination (E4) des nerfs en fonction de l'agencement relatif par rapport aux artères détectés en fonction desdites régions d'intérêts.

Description

DÉTECTION DE NERFS DANS UNE SÉRIE D’IMAGES ÉCHOGRAPHIQUES PAR LA DÉTERMINATION DE RÉGIONS D’INTÉRÊTS DÉFINIES PAR LA DÉTECTION D’ARTÈRES

DOMAINE DE L’INVENTION

L'invention est relative au domaine de l'analyse d'images numériques issues d'échographies. Elle concerne plus particulièrement la détection automatique des nerfs dans une série d'images afin d'aider le travail d'un anesthésiste.

CONTEXTE DE L’INVENTION

Une anesthésie locorégionale nécessite d'injecter le produit anesthésiant à proximité d'un nerf du patient. Il est donc important pour l'anesthésiste de disposer d'outils facilitant son travail en lui permettant de localiser précisément les nerfs. Pour ce faire, il dispose d'appareillage lui permettant de visualiser en temps-réel une image échographique de la zone étudiée de l'anatomie du patient. L'anesthésiste peut balayer la zone pour rechercher les nerfs et déterminer l'endroit approprié pour insérer le produit anesthésiant.

Toutefois, la détection des nerfs dans une image échographique est une tâche malaisée, même pour un anesthésiste expérimenté.

Il est donc intéressant de permettre à l'anesthésiste de disposer d'outils automatiques l'aidant dans sa tâche et d'ainsi minimiser la fatigue, les risques d'erreur et le temps nécessaire pour chaque acte de l'anesthésiste. L'invention propose un tel outil permettant de détecter les nerfs, automatiquement et en temps-réel, dans une série d'images provenant d'une échographie.

Un tel outil doit faire face à la nature même des images échographiques qui comportent un bruit important et de nombreux artefacts liés à l'imagerie échographique. La variabilité des structures nerveuses rend en outre leurs apparences sur les images très variées et d'autant plus difficile un processus de détection automatique.

De plus, du fait de la criticité du travail de l'anesthésiste, le procédé automatique doit être suffisamment robuste pour minimiser les erreurs malgré la mauvaise qualité des images échographiques, tant en sur-détection qu'en sous-détection.

L'invention a donc pour but de fournir un procédé de détection automatique présentant des performances améliorant substantiellement les techniques existante et facilitant grandement le travail de l'anesthésiste.

RÉSUMÉ DE L’INVENTION

Plus particulièrement, l’invention vise à fournir un procédé de détection d'un nerf dans une série d'images échographiques, comportant, pour chaque image de ladite série,

- une étape de détermination d'un ensemble de régions d'intérêts par la détection d'artères, ladite détection consistant à appliquer une classification automatique sur une fenêtre glissante sur ladite image générant un ensemble de zones candidates, puis à sélectionner des régions d'intérêts parmi lesdites zones candidates en recherchant des contours caractéristiques d'une artère au sein desdites zones candidates;

- une étape de détermination des nerfs en fonction de l'agencement relatif par rapport aux artères détectés en fonction des dites régions d'intérêts.

Suivant des modes de réalisation préférés, l’invention comprend une ou plusieurs des caractéristiques suivantes qui peuvent être utilisées séparément ou en combinaison partielle entre elles ou en combinaison totale entre elles :

- la classification automatique est mise en œuvre par un réseau de neurones préalablement entraîné appliquée à chaque zone définie par une position de ladite fenêtre glissante et permettant de déterminer la probabilité de ladite zone de correspondre à une artère ;

- préalablement à la sélection, l’étape de détermination comprend une sous-étape de prétraitement consistant à calculer une carte monogénique de ladite image ;

- la sélection de régions d’intérêt comprend un calcul de vraisemblance entre un contour d’artère extrait à partir de ladite image et une forme de référence ;

- la détermination dudit contour d’artère est effectuée par un contour actif ;

- la sélection de régions d’intérêt comprend une recherche de formes elliptiques au sein de ladite image ;

- la détermination des nerfs en fonction de l'agencement relatif par rapport aux artères détectés au sein desdites régions d'intérêts comprend le calcul d’une carte de probabilités déterminant des probabilités de présence d’ensemble de types de nerfs au voisinage d’une artère ;

- les résultats obtenus sur une image de ladite série sont exploités pour examiner leur cohérence dans les images suivantes du flux ;

Un autre objet de l’invention concerne un dispositif de traitement de l’information disposant des moyens pour mettre en œuvre le procédé tel que précédemment présenté.

Un autre objet de l’invention concerne un programme d’ordinateur comportant du code informatique mettant en œuvre le procédé tel que précédemment présenté, lorsqu’il est exécuté sur un dispositif de traitement de l’information.

D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de la description qui suit d’un mode de réalisation préféré de l'invention, donnée à titre d'exemple et en référence aux dessins annexés.

BRÈVE DESCRIPTION DES DESSINS

La figure 1 représente schématiquement un exemple d’utilisation pratique du procédé selon un mode de réalisation de l’invention.

La figure 2 représente schématiquement un exemple de chaîne de traitements selon un mode de réalisation de l’invention.

Les figures 3a et 3b représentent schématiquement des exemples de réseau de neurones pour l’implémentation d’un mode de réalisation de l’invention.

La figure 4 représente schématiquement un exemple d’application d’une analyse en composantes principales, ACP, selon un mode de réalisation de l’invention.

La figure 5 représente les positions anatomiques relatives les plus courantes entre les nerfs médian, ulnaire, radian et musculocutané par rapport à la position de l’artère, selon un mode de réalisation de l’invention.

DESCRIPTION DÉTAILLÉE DE L’INVENTION

En pratique, l'anesthésiste balaye une zone du corps du patient avec une sonde échographique afin de repérer les nerfs et déterminer la zone où procéder à l'injection du produit anesthésiant. L'appareillage échographique fonctionne de façon continue et génère un flux d'images (c'est-à-dire une vidéo) qui sont affichées en temps-réel sur un moniteur à disposition de l'anesthésiste, ou d'un autre praticien (chirurgien, etc.). Ainsi, le balayage exercé par l'anesthésiste peut se faire en fonction de ce qu'il visualise sur le moniteur.

Le procédé selon l'invention repose sur une chaîne de traitement numérique d'images prenant en entrée le flux d'images échographiques et fournissant en sortie une détection de structures anatomiques telles que des nerfs, des artères, etc. sur ce flux.

La figure 1 schématise une situation d’utilisation pratique du procédé selon l’invention. Un anesthésiste 10 visualise un terminal 11 tout en manipulant une sonde 12. Les images échographiques issues de la sonde 12 sont transmises à une plateforme de traitement 13 (typiquement un ordinateur) qui met en œuvre des modules logiciels 14 implémentant le procédé selon l’invention. En sortie, un flux d’images enrichies, ainsi qu’éventuellement d’autres données, sont transmis au terminal 11. Ces images enrichies peuvent être similaires aux images issues de la sonde, mais contenir des données engendrées par la détection des nerfs, des artères, etc.

Typiquement, cette détection peut entraîner la mise en exergue des nerfs, des artères ainsi que d’autres structures d’intérêt en surexposition sur le flux d'images échographiques affiché sur le moniteur. Par exemple, cette mise en exergue peut consister à entourer le nerf détecté, ou à en délimiter précisément les contours, etc. Elle peut se faire en couleur afin de faciliter plus encore la tâche du praticien : par exemple, les nerfs en jaune, les artères en rouges, les veines en bleu, l’os en blanc,...

La détection doit donc se faire en temps-réel puisqu'elle doit être reflétée sur le moniteur pour guider en temps-réel l'action du praticien.

La détection directe des nerfs pouvant présenter un grand nombre de difficultés, il est proposé de se baser sur les repères anatomiques, notamment la distance et la position des nerfs par rapport à l’artère, afin de restreindre les zones possibles de l’image où peuvent se situer les nerfs. Cela consiste à détecter dans un premier temps un élément anatomique plus facilement détectable et dont la position, par rapport aux nerfs, est connue.

Dans le cas du bloc axillaire, il s’agit de l’artère. Cette information est ensuite utilisée afin de définir les probabilités des positions des nerfs dans l’image. Il sera ensuite possible de les identifier.

La figure 2 illustre la chaîne de traitement selon un mode de réalisation de l'invention.

Détermination de régions d'intérêts par détection d'artères

Un premier ensemble d'étape consiste à déterminer des régions d'intérêts par la détection d'artères. Les nerfs seront ensuite recherchés en fonction de ces régions d'intérêts.

Pour ce faire, une première étape El consiste à appliquer une classification automatique par une fenêtre glissante sur une image issue du flux d'images échographiques, afin de générer un ensemble de zones candidates pouvant contenir l’artère principale.

Autrement dit, pour chaque image, on fait parcourir une fenêtre sur l'image, au sein de laquelle on applique une méthode de classification automatique afin de décider si la fenêtre contient ou non une artère.

Selon un mode de réalisation, la méthode de classification fournit un indice de confiance en la classification. Ainsi, à chaque position de la fenêtre lors de son parcours de l'image, on fournit à la fois une classe parmi au moins deux classes possibles : correspond ou ne correspond pas à une artère, ainsi qu'un indice de confiance en cette classification.

Les positions de la fenêtre qui maximisent l'indice de confiance en la classe « artère » constituent la sortie, ou résultat, de cette étape El et représentent donc des « zones candidates ».

Selon un mode de réalisation de l'invention, une approche de type « deep learning » peut être utilisée pour effectuer cette classification. Cette approche utilise une base d'apprentissage comprenant différentes situations réelles dans des images échographiques, afin de construire des modèles via un entrainement sur cette base.

Selon un mode de réalisation particulier, on utilise une fenêtre glissante de 140 par 140 pixels, en appliquant un pas de 6 pixels en hauteur et en largeur. Cependant, la taille de fenêtre et le pas dépendra de l’appareil échographique utilisé, de la résolution de l’image, de la profondeur des nerfs, de la taille de l’artère,...Chacune des zones définies par la fenêtre est évaluée en utilisant un réseau de type deep learning, préalablement entraîné. Celui-ci permet de calculer la probabilité de 4 classes (artère, veine, peau et autre). Les zones classifiées par le réseau de neurones comme étant l’artère, et dont les valeurs de la confiance de classification sont les plus importantes sont gardées pour les étapes suivantes.

La figure 3a représente une description générale d’un réseau de neurones selon un mode de réalisation de l’invention. Un tel réseau de neurones peut être constituée d’une couche d’entrée, «Input», 310, d’un premier élément 320, dit « Feature Map » pouvant être constitué de plusieurs couches de neurones, d’un second élément, « FC », 330, pouvant également être constitué de plusieurs couches de neurones, et d’une sortie, « Output », 340.

La figure 3b illustre un exemple particulier de réalisation d’un tel schéma de réseau de neurones convolutifs constitué de 6 couches internes 301, 302, 303, 304, 305, 306 et une couche d’entrée 300. Les trois premières couches internes consistent en des couches de convolution, dont une, 303, est normalisée. Ces couches sont suivies de 3 couches de neurones, 304, 305, 306, complètement connectés (FC pour «Fully Connected» sur la figure) Les chiffres indiqués sur la figure représentent un nombre de neurones pour la couche.

D’autres types de réseau de neurones pourront être employés dans ce cas. L’apprentissage et la détection peuvent se faire en utilisant la librairie « caffe » , telle que décrite dans l’article « Caffe: Convolutional architecture for fast feature embedding. » de Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., et Darrell, T., 2014, arXiv : 1408.5093.

Une étape E2 de post-traitement peut être mise en œuvre afin de réduire le nombre de zones candidates. Notamment, les positions déterminées pour une même artère peuvent être très proches. Il est alors possible de rapprocher ces positions, afin de fusionner les zones candidates correspondantes en une seule zone de taille plus importante. Cela permet de réduire le nombre de zones à traiter par les étapes subséquentes de la chaîne de traitement.

De plus, au cours de cette mutualisation, nous pouvons considérer les probabilités combinées afin de favoriser les zones fortement renvoyées par le réseau de neurones.

Il est également important de prendre en considération l’information écho-doppler pour réduire les zones de recherches des artères. Les appareils échographiques actuels disposent de la fonctionnalité doppler, permettant de visualiser le flux sanguin par rapport à la sonde et l’inclure dans le flux d’images de sortie de l’échographe. Dans le cadre de cette application, il est tout à fait possible de récupérer les informations doppler pour localiser les régions susceptibles de contenir des artères, et par conséquent on peut réduire la zone de recherche de celles-ci. Ce qui permettra de réduire les faux positifs de détection d’artère.

Dans une étape E3 de validation, on cherche à sélectionner des régions d'intérêts parmi les zones candidates en recherchant des contours caractéristiques d'une artère au sein de ces zones candidates.

On considère, donc que les étapes antérieures El, E2 sont paramétrées de façon à générer des sur-détections, donc à ne pas être trop sélectives mais à générer des zones candidates dès que l'indice de confiance est suffisamment élevé.

L'étape E3 vise alors à rejeter un certain nombre de zones candidates selon un critère morphologique consistant à constater que les artères apparaissent globalement rondes sur une image échographique.

En outre, il est également possible de distinguer les artères des veines car les artères ne se compresse que soumise à une forte pression de la sonde échographique, contrairement aux veines qui peuvent s’aplatir sous des pressions plus faibles. Ainsi les veines peuvent apparaître, en fonction de la pression de la sonde, rondes, ovales ou complètement aplaties. Il est à noter, que l’écho-doppler permet de distinguer entre les artères et le veines car il est basé sur la direction du flux sanguin.

Plusieurs sous-étapes E32, E33 peuvent être mises en place, soit de façon indépendantes, soit en combinaison, selon différentes mises en œuvre de l'invention.

En outre, une sous-étape E31 de prétraitement peut être mise en œuvre afin d'optimiser le déploiement subséquent des sous-étapes E32, E33 de recherche de contours des artères.

Différents prétraitement de l’image sont possibles afin de permettre une meilleure détection des contours des artères, par exemple en réduisant le bruit.

La réduction de bruit peut elle-même être mise en œuvre de différentes façons, notamment en utilisant des filtres passe-bas ou sélectifs.

Afin de détecter les contours de l’artère, selon un mode de réalisation, on peut utiliser l’approche du signal monogénique, tel que décrit dans Michael Felsberg and Gerald Sommer, « The monogenic signal », 2001, IEEE Transactions on Signal Processing, (49), 12, 3136-3144. Ainsi que décrit dans Hafiane, A., Vieyres, P. et Delbos, A., « Phase-based Probabilistic active contour for nerve detection in ultrasound images for regional anesthesia », in Computers in Biology and Medecine, 52:88-95, 2014, une telle carte monogénique peut être utilisée pour identifier les contours dans une image.

La transformation en signal, ou carte, monogénique permet une représentation efficace des variations et d’ainsi identifier les contours de l’artère au sein de l’image bruitée. Pour une image f, la carte monogénique îm est calculée en utilisant la transformation de Riesz définie par l’équation suivante :

f (/ll(x),/l₂(x)) =

X

2^-|x|³

La carte monogénique est calculée par la combinaison de deux composantes : f et sa transformation de Riesz fM=(f, f*hi, f*h2)

Il faut néanmoins pour cela définir les longueurs d’onde correctes du signal permettant de définir de manière optimale les contours de l’artère tout en réduisant les erreurs. Il a été choisi trois longueurs d’onde : 15.0, 21.0 et 23.0 testées expérimentalement et confirmant les valeurs de ces paramètres issus d’un travail précédent et publié dans Hafiane, A., Vieyre, P., Delbos, A., « Phase-based probabilistic active contour for nerve detection in ultrasound images for regional anessthesia » in Computers in Biology and Medecine, 52 :88-95 (2014).

Un autre prétraitement permettant de préciser la position de l’artère au sein des zones candidates issues de des étapes El et E2 peut consister à utiliser une méthode de calcul de composantes connectées sur la carte monogénique précédemment calculée, afin d’étiqueter les régions binaires spatialement séparées.

Pour ce faire, on applique dans un premier temps un seuil inverse sur la carte monogénique, ainsi qu’une binarisation de l’image dans les zones candidates. Ceci permet d’obtenir les régions à l’intérieur des contours.

L’étiquetage en composantes connexes permet de donner un numéro unique pour chaque région binaire.

On suppose que l’artère correspond à l’une des régions étiquetées les plus grandes en termes de nombre de pixels. Les régions sélectionnées permettent d’initialiser les procédures E32 et E33.

Les étapes E32 et E33 représentent les étapes de validation proprement dites, consistant à sélectionner des régions d'intérêts parmi les zones candidates en recherchant des contours caractéristiques d'une artère au sein de ces zones candidates fournies par les étapes El, E2.

La première méthode E32 pour valider le résultat de la classification El consiste à vérifier la vraisemblance entre la forme de l’artère calculée dans une zone donnée et une forme de référence de l’artère.

Line première sous-étape consiste à extraire le contour de l’artère dans les zones candidates issues de l’étape de prétraitement E31 (ou éventuellement directement des étapes El, E2 de détermination des régions d’intérêt).

A partir de la position initialisée précédemment, on peut calculer le contour de l’artère selon différents algorithmes, tels que par exemple ceux décrits dans Papari G., et Petkov, N. dans « Edge and line oriented contour detection : State of the art » in Image and Vision Computing, 29 (2-3) :79103, 2011

Selon un mode de réalisation de l’invention, il est proposé d’utiliser la méthode des contours actifs, telle que par exemple décrite dans Kass, M., Witkin, A et Terzopoulos, D., « Snakes : Active contour models » in International Journal of Computer Vision, 1(4) :321-331, 1988.

Un contour peut être défini par un ensemble de points connectés ensemble. La méthode consiste à déplacer chacun des points dans son voisinage afin de minimiser l’énergie du contour E_Snake définie par la formule suivante :

v ^Esnake = Σ ^aC^E _coni (P, ) + (p, ) + Y_CE_img (p, )

1=1 dans laquelle

Ecom est l’énergie de continuité Ecurv est l’énergie de courbure E,,,». est l’énergie de l’image occ, 3c et yc sont des poids respectifs des énergies de continuité, de courbure et de l’image.

N est le nombre de points du contour.

On applique ensuite un processus itératif pour faire converger le contour vers la région désirée en minimisant l’énergie.

L’énergie étant définie par la somme pondérée des trois énergies, les poids doivent être définis. Selon un mode de réalisation de l’invention, les poids ont été fixés à ac=3, βε=2.0 et yc=1.5.

De plus, afin de calculer l’énergie de l’image Eimg différentes variantes existe en fonction des valeurs à partir desquelles l’énergie est calculée. Une première version consiste ainsi à utiliser directement les valeurs des pixels. Il est également possible de prétraiter l’image. Par exemple, utiliser le gradient de la valeur des pixels. Il a été choisi de calculer l’énergie en utilisant le gradient de la carte monogénique, calculé comme décrit plus haut. Les points étant déplacés à chaque itération, le contour final dépend du contour initial. Ainsi, la méthode est initialisée en utilisant les composants connectés précédemment définis.

Ce contour déterminé sur l’image est ensuite comparé à une forme de référence calculée à partir d’une multitude de contours représentatifs d’une artère. Cette comparaison permettra de fournir une mesure de vraisemblance.

La forme de référence peut être calculée avec une méthode statistique à partir d’une base d’apprentissage contenant les différentes variations des contours des artères.

Les contours extraient de la base d’apprentissage peuvent être préalablement normalisés et alignés afin d’évacuer les problématiques d’échelles (zoom..) et d’orientations. Pour ce faire, les méthodes de « Shape Context » et d’ICP (Interative Closest Point) peuvent être utilisées.

Les points sont ensuite associés et les composantes sont définies grâce à une analyse en composantes principales, ACP. Cela permet de définir un modèle statistique de la forme du nerf, ainsi que représenté sur la figure 4. Le choix de la forme initiale permettant d’aligner les points est un paramètre à prendre en compte afin d’améliorer les résultats. Une première approche naïve consiste à aligner sur le premier contour calculé. Une deuxième approche consiste à régulièrement calculer les formes statistiques au fur et à mesure de l’extraction des contours des vidéos, en alignant les contours extraits ensuite sur ces formes.

Pour optimiser la forme statistique, une étape supplémentaire est de supprimer les formes extraites contenant des points aberrants. Cette étape est ajoutée avant le calcul des formes statistique intermédiaires utilisées pour aligner les contours. Cette méthode permet de définir la forme de référence de l’artère par trois ensembles de valeurs : la moyenne x des valeurs des coordonnées x et y des différents points composant la forme, leurs vecteur propres P_s et leurs valeurs propres pondérées b_s, selon la formule :

x = x + P_s ,b_s

Le modèle statistique défini peut ensuite être utilisé afin de calculer la vraisemblance entre une forme définie lors de la phase précédente et la forme statistique. Pour cela, le contour courant est, en premier lieu, normalisé par rapport à la forme de référence. La vraisemblance est ensuite définie comme la distance statistique du contour. Pour cela, à chaque point du contour est calculée sa vraisemblance par rapports au point le plus proche de la forme statistique, défini grâce à la normalisation.

Une fois que le contour est défini, une étape supplémentaire peut être utilisée pour renforcer l’identification de l’artère. Il s’agit de prendre en compte le caractère hypoéchogène de l’artère. Cela signifie que la moyenne des valeurs des pixels à l’intérieur du contour de l’artère est relativement faible. Cette moyenne est utilisée avec la vraisemblance de la forme statistique pour la notation des différentes zones en vue de leur rejet.

La seconde méthode, ou sous-étape, E33 pour valider le résultat de la classification El consiste à trouver les formes elliptiques les plus conformes à la forme typique d’une artère, au sein des zones détectées. D’une façon générale, on peut modéliser les vaisseaux sanguins par une ellipse, y compris les artères. Celles-ci peuvent en outre être approximées à des ronds, c’est-à-dire des ellipses dont les valeurs des axes majeur et mineur sont très proches. Cette sous-étape E33 vient ainsi renforcer la validation statistique effectuée en étape E32 par une autre méthodologie complémentaire. Il est également envisageable de ne déployer que cette unique méthode de validation par formes elliptiques ou bien de l’adjoindre avec d’autres méthodes de validation.

Les ellipses peuvent être recherchées en utilisant la méthode décrite par : Guerrero et al. « Real-time vessel segmentation and tracking for ultrasound imaging applications » in IEEE Transactions on Medical

Imaging 26(8), 1079-1090, 2007. Plus spécifiquement, une ellipse de N points pi équitablement distribués est définie par la formule suivante

Pi = ^c + ( 2m \ . ( 2m a cos Lo.sin --N ) N

0<

i<N avec c le centre de l’ellipse, a le grand axe, b le petit axe et

N le nombre de points composant l’ellipse.

L’orientation de l’ellipse n’est pas prise en compte. Cette hypothèse est faible étant donné que l’artère a une forme globalement ronde.

Dans le calcul des formes elliptiques, on ne considère que les régions étiquetées par la méthode des composantes connectées lors de l’étape E31. En effet, la méthode des composants connectés, décrite précédemment pour la sous-étape E31, permet de définir les coordonnées a priori de l’ellipse, et notamment de son centre c. Il est donc possible de réduire les centres testés aux pixels situés à proximité du centre des régions étiquetées. La recherche consiste ensuite à faire varier les valeurs des rayons a et b, afin de définir un ensemble d’ellipses.

A chacune de ces ellipses correspond alors un score, défini par la formule suivante, dans laquelle ni est la normale au point pi, et

G est le gradient de la carte monogénique.

Ce score permet d’évaluer si l’ellipse correspond à la réalité d’une forme elliptique dans l’image. Afin d’améliorer les résultats, nous ne calculons pas les scores des ellipses à partir de l’image d’origine mais sur la carte monogénique calculée précédemment auquel est appliqué un filtre gaussien. Les gradients sont ensuite calculés sur le résultat de ce filtre, permettant de définir les scores des différentes ellipses.

Les ellipses de chaque région étiquetée ayant les scores les plus élevés sont gardées et évaluées par rapport aux caractéristiques de l’artère. Le premier critère testé est la taille de l’ellipse, proportionnellement à la profondeur d’acquisition de l’image. Pour cela, les valeurs ont été définies à partir de la base d’apprentissage. Le second est de vérifier que l’ellipse tend vers une forme ronde, c’est à dire /4 ~ 1.

Ces étapes de validation E31, E32 permettent ainsi de rejeter des zones candidates issues de l’étape El, et de n’en sélectionner qu’une partie, constituant les régions clés (artères,...) à partir desquelles les nerfs vont être recherchés.

Détermination des nerfs en fonction des artères précédemment détectées

Selon l’invention, cette étape E4 de détermination des nerfs au sein des régions d’intérêt précédemment déterminées se base sur l'agencement relatif des nerfs par rapport aux artères.

Le fait de commencer par détecter l’artère a deux avantages majeurs. Le premier est que celle-ci est plus facile à détecter que les nerfs du bloc axillaire. Le second est que la position relative des différents nerfs par rapport à l’artère suit, en grande partie, des topologies anatomiques bien définies.

Ainsi, la détection des nerfs est guidée par la délimitation d’une zone de recherche plus réduite puisque que cantonnée à un nombre restreint de régions d’intérêts, grâce aux positions relatives des nerfs par rapport aux artères. L’approche proposée gagne ainsi à la fois en qualité des résultats mais aussi en performances de traitement, par la réduction du temps de calcul.

La figure 5 est inspirée de l’article de Christophe, J. L., Berthier, F., Boillot, A., Tatu, L., Viennet, A., Boichut, N., et Samain, E., «Assessment of topographie brachial plexus nerves variations at the axilla using ultrasonography» in British Journal of Anaesthesia, 103(4) :606-612, 2009. Elle présente les positions anatomiques relatives les plus courantes entre les nerfs médian 51, ulnaire 52, radian 53 et musculocutané 54 par rapport à l’axe de l’artère 50. A chacun des arrangements représentés, correspond une probabilité d’occurrence, respectivement 64.7%, 13%, 5.2%, 5.2%.

Ainsi, connaissant la position de l’artère, on peut cibler les recherches des nerfs dans les localisations à plus forte probabilité.

Plusieurs mises en œuvre sont possibles pour ce faire.

Il est ainsi possible d’utiliser une carte de probabilité statique, ou une carte de probabilité dynamique. Il pourrait être également possible de définir la probabilité des zones par un réseau de neurones.

Selon une première mise en œuvre, on calcule, dans la base d’apprentissage, la position relative des différents nerfs par rapport à l’artère. Celles-ci permettent de définir un certain nombre de variations des positions des nerfs par rapport à l’artère. Il est possible de définir, pour chaque nerf du bloc axillaire, P(ni|a), la probabilité de la position du nerf i connaissant la position de l’artère dans l’image, c’est à dire la probabilité de la position relative des nerfs par rapport à l’artère.

Les distributions de probabilités dépendent des positions des nerfs, qui peuvent être définies dans un système de coordonnées polaires avec le centre de l’artère comme point de référence, par deux variables : l’angle θ et la distance d.

Ainsi, la probabilité P(ni(xi, yi)) que le nerf i soit à la position (x, y) dans l’image peut être défini par la formule (x,, y, )) = P(n, (Θ, d)\a_x },P(a_x) avec a_{x y} l’artère à la position (x_a, y_a) dans l’image, Xi=Xa+di.COS(0i), et, yi=y_a+di.sin(0i),

Pour simplifier le modèle, on peut supposer que

P(p (f,d_t)\a_{Xa y})= ρ(θ,\α_Χα}p(d\a_x^ ), c’est-à-dire que et p(d^a_xy) sont statiquement indépendants.

Une seconde hypothèse est que ces distributions de probabilité sont, chacune, modélisées par une fonction Gaussienne.

Ces hypothèses permettent de modéliser une variation anatomique des positions des nerfs du bloc axillaire par rapport à l’artère par un ensemble de 8 distributions Gaussiennes, 2 pour chaque nerf. L’étape d’apprentissage consiste à calculer les paramètres des distributions Gaussiennes en utilisant les positions relatives des nerfs dans la base de données d’apprentissage. Ces paramètres sont calculés grâce à la maximisation de la probabilité des positions calculées dans la base de données. A partir de ces Gaussiennes et de la position de l’artère, il est possible de calculer la probabilité de la présence de chacun des nerfs dans une zone donnée. Les paramètres des gaussiennes peuvent être améliorés par une augmentation du nombre d’exemples.

Ainsi, la formule précédente qui fournit la probabilité que le nerf i soit à la position (xî, yi) peut être modifiées pour prendre en compte les variations anatomiques en définissant S topologies :

P(_W,(x„_Z)) = P(a_Xû,_ya ^^wsAⁿ^ud,}\a_x^ )

S—Il avec V^s w = 1

Une étape de validation peut être appliquée sur les zones de nerfs probables générées préalablement. Cette étape consiste à appliquer sur l’image un second réseau de neurones permettant de détecter les nerfs. De plus, il n’est pas nécessaire de tester toute l’image. La carte des positions probables permet en effet d’exclure l’ensemble des zones de l’image où les probabilités de présence des nerfs sont trop faibles. Cela peut permettre de réduire considérablement le nombre de zones à tester. Cette étape permettra de localiser les nerfs d’une manière plus précise que la carte de probabilité.

Selon un deuxième mode de réalisation, une évolution possible peut consister à construire une carte de probabilité dynamique.

Cette évolution va consister à intégrer les ensembles des gaussiennes au sein d’un modèle permettant de calculer les cartes de probabilités en intégrant la dimension temporelle des images au sein de la vidéo. Compte tenu de cette définition, le choix a été fait d’utiliser une variante du Modèle de Markov caché ou « Hidden Markov Model » (HMM) permettant de gérer les différentes positions relatives, le Mélange de gaussienne-HMM ou «Mixture of Gaussian-HMM» (MoG-HMM). Ce modèle est défini par le tuple (π, A, B). Le paramètre π définit les probabilités de l’état initial du modèle. Ces probabilités correspondent, dans notre cas, à la probabilité de la topologie initiale au début du traitement du flux d’images. Compte tenu des différentes topologies (dispositions spatiales artère-nerfs) possibles, ce paramètre pourra correspondre aux probabilités d’occurrence des différentes topologies.

La matrice de transition A, définit la probabilité de passage d’un état à un autre, c’est à dire l’ensemble des fonctions de probabilité a_nm tel que ay est la probabilité de la transition de l’état Si à l’état Sj. Dans notre cas, elle permet de modéliser l’évolution des positions relatives au cours d’images successives, par exemple, la réduction de la distance entre le nerf musculocutané et le nerf médian quand la sonde monte, ou, à l’inverse, l’augmentation de la distance.

Le troisième paramètre définissant les MoG-HMM est l’ensemble des probabilités d’observation B. Dans le cas des HMM, il s’agit d’une matrice définissant la probabilité qu’un état émette une observation, c’est à dire l’ensemble de fonctions b_n(k) tel que bi(k) est la probabilité que l’état Si provoque l’observation k. Les MoG-HMM remplacent ces probabilités par des ensembles de gaussiennes. Pour cela, les probabilités d’observations B sont redéfinies avec

M ^b,(.o) = Σ^Φ„^uJ m=i avec

O un vecteur d’observation à un instant donné,

Cim le coefficient de mélange de l’état i,

G une fonction gaussienne, avec un vecteur de moyenne μ et une matrice de covariance U.

La modélisation des probabilités de position des nerfs décrite pour la mise en œuvre selon une carte de probabilité statique correspond ici aux probabilités d’émission des MoG-HMM, en d’autres termes les probabilités d’un arrangement spatiale des nerfs autour de l’artère.

Si les probabilités d’émissions permettent de modéliser les positions des nerfs, les propriétés des modèles de Markov permettent notamment de prendre en compte l’évolution des variations des positions.. Le modèle peut être appris en utilisant l’algorithme de Baum-Welch. Cet algorithme permet de définir le modèle λ= (π, A, B) permettant de représenter au mieux le système ayant généré la séquence d’observations O, c’est à dire trouver λ tel que la probabilité Ρ(Ο|λ) soit maximale. Dans notre cas, les observations sont les ensembles de positions relatives des nerfs par rapport à l’artère.

L’algorithme est une méthode itérative permettant de résoudre localement argmaxxP(O|X). Afin d’éviter des maxima locaux, l’algorithme est itéré plusieurs fois, en utilisant plusieurs modèles initiaux aléatoires.

En outre, les réseaux de neurones et le MoG-HMM peuvent être hybridés afin d’améliorer la détection. Les résultats du réseau de neurones permettent de définir, a posteriori, les probabilités de St en fonction de Ot. Ces résultats permettant ainsi de définir de manière plus spécifique les probabilités de st+i- La carte de probabilité peut ainsi être plus spécifique, permettant de réduire la taille des zones où les probabilités de présence du nerf sont non-nulles. Cette réduction permet également de réduire le nombre de zones à tester avec les réseaux de neurones.

Utilisation de la cohérence temporelle

La méthode définie précédemment permet de détecter l’artère, et ainsi les positions relatives des nerfs dans une image donnée, issue d’une vidéo (ou flux d’images). Afin d’augmenter l’efficacité de la méthode, il est possible d’utiliser les résultats issus des images précédentes du flux d’images, afin de tester notamment si les résultats sont cohérents.

Dans la seconde mise en œuvre, l’utilisation des méthodes de Markov permet une première forme de cohérence temporelle, mais d’autres possibilités existent.

Par exemple, il est possible de prendre en compte l’évolution des zones détectées au cours de différentes images successives du flux, afin d’améliorer les résultats, notamment en prenant en compte l’aspect dynamique des structures anatomiques

Pour cela, différents critères peuvent être pris en compte, comme les probabilités déterminées lors des images précédentes, les positions calculées, la consistance des structures anatomiques, ou la cohérence des configurations spatiales.

Un second avantage est d’accélérer le temps de calcul. Pour cela, les résultats des phases précédentes sont utilisés afin d’améliorer les différentes phases. Il est ainsi possible de rejeter directement les zones dont les probabilités sont trop faibles dans les images précédentes. Un autre exemple, est d’utiliser les contours calculés lors de l’image précédente afin d’accélérer le calcul du contour pour l’image courante.

Bien entendu, la présente invention n'est pas limitée aux exemples et au mode de réalisation décrits et représentés, mais elle est susceptible de nombreuses variantes accessibles à l'homme de l'art.

Claims (10)

1. REVENDICATIONS

   1. Procédé de détection d'un nerf dans une série d'images échographiques, comportant, pour chaque image de ladite série,

   - une étape de détermination (El, E3) d'un ensemble de régions d'intérêts par la détection d'artères, ladite détection consistant à appliquer une classification automatique sur une fenêtre glissante sur ladite image générant un ensemble de zones candidates, puis à sélectionner (E32, E33) des régions d'intérêts parmi lesdites zones candidates en recherchant des contours caractéristiques d'une artère au sein desdites zones candidates;

   - une étape de détermination (E4) des nerfs en fonction de l'agencement relatif par rapport aux artères détectés en fonction desdites régions d'intérêts.
2. 2. Procédé selon la revendication précédente, dans lequel ladite classification automatique est mise en œuvre par un réseau de neurones préalablement entraîné appliquée à chaque zone définie par une position de ladite fenêtre glissante et permettant de déterminer la probabilité de ladite zone de correspondre à une artère.
3. 3. Procédé selon l’une des revendications 1 ou 2, dans lequel, préalablement à la sélection, ladite étape de détermination (E3) comprend une sous-étape de prétraitement (E31) consistant à calculer une carte monogénique de ladite image.
4. 4. Procédé selon l’une des revendications précédentes, dans lequel la sélection de régions d’intérêt comprend un calcul de vraisemblance (E32) entre un contour d’artère extrait à partir de ladite image et une forme de référence.
5. 5. Procédé selon la revendication précédente, dans lequel la détermination dudit contour d’artère est effectuée par un contour actif.
6. 6. Procédé selon l’une des revendications précédentes, dans lequel la sélection de régions d’intérêt comprend une recherche (E33) de formes elliptiques au sein de ladite image.
7. 7. Procédé selon l’une des revendications précédentes, dans lequel ladite détermination (E4) des nerfs en fonction de l'agencement relatif par rapport aux artères détectés au sein desdites régions d'intérêts comprend le calcul d’une carte de probabilités déterminant des probabilités de présence d’ensemble de types de nerfs au voisinage d’une artère.
8. 8. Procédé selon l’une des revendications précédente, dans lequel les résultats obtenus sur une image de ladite série sont exploités pour examiner leur cohérence dans les images suivantes du flux.
9. 9. Dispositif de traitement de l’information disposant des moyens pour mettre en œuvre le procédé selon l’une quelconque des revendications précédentes.
10. 10. Programme d’ordinateur comportant du code informatique mettant en œuvre le procédé selon l’une quelconque des revendications précédentes lorsqu’il exécuté sur un dispositif de traitement de l’information.