GDR ISIS. Méthodes crédibilistes de classification et de segmentation pour l aide au diagnostic du cancer de la prostate.

Transcription

1 GDR ISIS SCATI : Théorie et applications des fonctions de croyance pour les systèmes de vision Méthodes crédibilistes de classification et de segmentation pour l aide au diagnostic du cancer de la prostate. Nasr MAKNI, Nacim BETROUNI, Olivier COLOT

2 Cancer de la prostate Uretère Vessie Prostate Pénis Premier cancer chez l'homme de plus de 50 ans* 80 % des tumeurs en zone périphérique Cancer à évolution lente Urètre Rectum Testicule 30% du volume Hypertrophie symptomatique 80% des tumeurs prostatiques, 70% du volume *: dans les pays industrialisés. 2

3 Cancer de la prostate : diagnostic Techniques sensibles (TR et PSA) : insuffisantes. Technique de référence : la biopsie : Invasive, Imprécise : faux négatifs, détection de tumeurs peu évolutives. Optimisation de l'usage de la biopsie? Planification et guidage par imagerie, Utilisation de l'examen IRM en amont, Les méthodes d'exploration par imagerie deviennent indispensables. 3

4 Cancer de la prostate : diagnostic IRM «multiparamétrique» Explorations morphologique et fonctionnelle, Informations complémentaires et/ou redondantes, T2 morphologique T1 Dynamic Contrast Enhanced DCE IRM de Diffusion DWI 4

5 Cancer de la prostate : diagnostic Difficultés : Interprétation et analyse d'informations nombreuses et hétérogènes, Contourage manuel des structures d'intérêt : prostate + ZP = Coût en temps + Manque de reproductibilité. IRM DWI IRM T2 IRM T1 DCE Biopsie? Prostate Zone périphérique urètre 5

6 T2 T1 DCE DWI Extraction de la prostate Séparation des zones prostatiques ZP ZC (ou complémentaire de ZP) Détection des lésions suspectes Détection des lésions Volumétrie.. 6

7 Extraction des zones prostatiques : méthode Données : IRM multiparamétrique Sources redondantes et/ou complémentaires, +/- sensibles aux zones prostatiques, Différenciation difficile voire délicate entre certains tissus (e.g. ZP et kystes) : nécessité d'insérer un a priori dans le processus Choix méthodologiques Intégration d'a priori dans le processus, Modèle des fonctions de croyance : Pourquoi? 7

8 Extraction des zones prostatiques : méthode a priori (?) Tout voxel v att, att, att, att i T 2 T1 DWI apriori i ZC Segmentation multi-source ZP Traitement de données incertaines, Gestion du doute et des «anormalités» {Ø} {ZP, ZC} 8

9 Extraction des zones prostatiques : méthode Adapter le C-means Evidentiel : ECM de Denœux et Masson 6 Segmentation = information contextuelle (voisinage spatial) v att, att, att, att i T 2 T1 DWI apriori t=0 i Extraire les «croyances» t=t+1 Corriger les croyances optimiser ECM Modifié (MECM) non Convergence? oui Transformation en probabilités Niveau décision 6 : Denœux et Masson, Pattern Recognition,

10 Extraction des zones prostatiques : méthode «Revenir» à l'image, Corriger la «croyance» sur l'appartenance d'un voxel en fonctions des «croyances» de ses voisins 7, L'influence d'un voisin inversement proportionnelle à la distance. m m m... m i i k 1 k nc m,..., k m : masses de croyance des 1 knc voisins, affaiblies.. : Opérateur de combinaison 7 : Capelle, Colot et al., Inf. Fusion,

11 Extraction des zones prostatiques : méthode ZP en coupes axiales Forme de chaînettes a priori (?) Tout voxel ZP ZC v att, att, att, att i T 2 T1 DWI apriori i Chaînette = forme naturelle que prend un câble tendu sous l'action de sa propre masse. 11

12 Extraction des zones prostatiques Modèle mathématique : (x, y) coordonnées cartésiennes : x x y e e cst 2 Fonction «attribut» basée sur le paramètre θ Cat: R 3 R x, y, z 1 si y 2 y 1 sinon 2 G 12

13 Extraction des zones prostatiques : méthode Construction d'un attribut «morphologique» Calcul en ligne, Indépendance du biais d'apprentissage. 13

14 Extraction des zones prostatiques : expériences Données De synthèse Avec vérité terrain. Réelles Variations multi-observateur : Simultaneous Truth And Performance Level Estimator (STAPLE) Évaluation des apports ECM, ECM-Cat : ECM avec données d'a priori, MECM : ECM Modifié, avec données d'a priori. 14

15 Extraction des zones prostatiques : résultats Vérité Données simulées ECM ECM-Cat MECM DSC : Coefficient de Similarité de Dice DSC 2 V m V a V m V a 15

16 Extraction des zones prostatiques : résultats T1 avec perfusion DWI à B0 T2 Variation interexperts DSC > 0.8 Précision satisfaisante 8 Vérité STAPLE Résultats MECM 8 : Zijdenbos et al., IEEE TMI,

17 Extraction des zones prostatiques : discussion Travail pionnier : segmentation ZP ZC en IRM multispectral, Précision satisfaisante et reproductible. Impact de l opérateur de fusion de croyances 7 : A m m A m B. m C B C A BC, k B C A 1 2 A, A 1 m m A. m B. m C k m m BC, To normalize or not to normalize? 17

18 Cadre de discernement non exhaustif : {ZP, ZC, kystes, tumeurs, } Information d ignorance : contours. IRM T2 (a) (a) (b) ECM (b) (c) MECM : fusion non normalisée (c) MECM : fusion normalisée (d) (a) m(ø) (d) m(zc) m(zp) m(ω) 18

19 T2 T1 DCE DWI Extraction de la prostate Séparation des zones prostatiques ZP ZC (ou complémentaire de ZP) Détection des lésions suspectes Détection des lésions Volumétrie.. 19

20 Détection des tumeurs de la prostate : état de l'art Classification supervisée Classification Non supervisée Critères Méthode Chan 2003 Madabushi 2005 Vos 2008 Puech 2009 Lopes 2010 Tiwari 2009 Liu 2009 IRM multi-paramétrique? Oui Non Oui Non Non Non Oui Texture? Oui Oui Non Non Oui Non Non Algorithme de classification SVM + DLF Bayésien + fusion SVM Arbre de décision SVM + Adaboost Hiérarchique Champs de Markov Région d'intérêt ZP Prostate ZP Prostate ZP Prostate ZP histopathologie? Non Oui Oui Oui Oui Non Oui précision Remarques Validation insuffisante Ex vivo T2 ajouté dans Vos 2010 Scores sur échelle de 5 Petite base d'apprentissage Validation insuffisante Faible DSC (<0.7) 20

21 Détection des tumeurs de la ZP Classification supervisée Performante, dépendante de l'apprentissage, peut-elle être multicentrique? Apport de la texture 9 Tumeur ~ hétérogénéités, Géométrie fractale : caractérisation des tumeurs, Nécessité de sélection des attributs de texture. Confronter classification supervisée et non supervisée. 9 : Lopes, Betrouni et al., Med. Phy

22 Détection des tumeurs de la ZP : méthode IRM T2 de la ZP Calcul d'attributs de texture Stats 1 er ordre matrices de cooccurrences Filtres de Gabor Fractals Décomposi tion en ondelettes Sélection «enveloppante» Classification supervisée : SVM Sélection «filtrante» Classification NON supervisée Lopes, Betrouni et al. 22

23 Détection des tumeurs de la ZP : méthode Attributs de texture issus de La géométrie fractale 23

24 Détection des tumeurs de la ZP : méthode Approche classique : classer les voxels en deux classes (MECM) Tumeur, Tissu sain. Peut-on détecter l'absence de tumeurs? «Classement/classification» Combien peut-il y avoir de classes 9,10 de tissus? 1 seule classe = ZP homogène (pas de tumeur détectée) 2 classes = présence d'anomalies (lésions suspectes) > 2 classes = interpréter chaque tissu OU réduire le nombre de classes 9 : Vannoorenberghe, E. Lefebvre, and O. Colot, : Capelle-Laize, C. Femandez-Maloigne, and O. Colot,

25 Détection des tumeurs de la ZP : méthode voxels { } { v } i «éatt DWF,att DF,att opt -mbm,att T 2 ë ù û i Initialiser autant de classes que de voxels t=t+1 non fusionner les k-ppv recalculer Convergence? oui K-ppv (plus proches voisins)évidentiel non supervisé Étudier le nombre de classes N c N c >2 N c =2 N c =1 Réduction (ou pas!) Présence de tumeur (?) Tissu homogène 25

26 Détection des tumeurs de la ZP : résultats Données 27 examens d'irm pondérées au T2, Corrélation IRM-histopathologie* Mesures de précision : (spécificité, sensibilité) VP VN Sens Spec VP FN VN FP Courbes ROC : Sens=f(1-Spec) Plus l'aire sous la courbe est grande, plus performante est la détection. * : Service d urologie, Villers et al., Hôp. Claude Huriez CHRU Lille 26

27 Détection des tumeurs de la ZP : résultats Image T2 Vérité MECM MECM plus sensible mais moins spécifique que SVM «Beaucoup» de faux positifs. Pourquoi? 27

28 Détection des tumeurs de la ZP : résultats MECM Corrélation des résultats à la densité relative des deux classes.. Plus grosse est la tumeur, mieux elle est détectée. 28

29 Détection des tumeurs de la ZP : résultats k-ppv 5 : /? 1 : Pas de tumeur Réduction 2 : Tumeur / Sain IRM T2 Vérité K-ppv non supervisé Nbre de classes Meilleure spécificité, mais nécessité de «forcer» la réduction. 29

30 Détection des tumeurs de la ZP : discussion Originalité du k-ppv non supervisé Précision meilleure que MECM, Capacité à caractériser «librement» les tissus de la ZP, Capacité à donner une détection du type positif/négatif, Améliorer la phase de réduction du nombre de classes, Valider en confrontant avec la classification supervisée SVM. 30

31 Conclusion générale l'irm multi-spectral : sources évidentielles (?) Évaluer la fiabilité de chaque séquence, Comparer «fusion de détections» et «détection multisource» Source 1 Source s Versus Source 1 Source s Détection 1 Détection n détection α 1 α n Fusion Fusion en amont Fusion en aval 31

32 Merci de votre attention.. Benoit Mandelbrot