Méthode coopérative et quantification de la segmentatio n de l'encéphale en Imagerie par Résonance Magnétique

Méthode coopérative et quantification de la segmentation de l'encéphale en Imagerie par Résonance Magnétique

Cooperative Method and Performance Evaluation of Encephalon Segmentation in Magnetic Resonance Imaging

Jalal Fadili Bruno Moretti  Su Ruan  Daniel Bloyet 

GREYC-ISMRA UPRESA 6072 6, Bd du Maréchal juin, F 14050 Caen Cedex, France

Corresponding Author Email: 
Jalal.Fadili@greyc.ismra.fr
Page: 
353-363
|
Received: 
15 December 1998
|
Accepted: 
N/A
|
Published: 
31 October 1998
| Citation

OPEN ACCESS

Abstract: 

Some complex applications in medical imaging need to combine results coming from different numerical operators referred as to edges — and regions — operators . To improve success of segmentation, the idea proposed is to combine region and active contour segmentations. This cooperative method takes advantage of both two approaches . In the first step, we use tools from mathematical morphology and region growing algorithms for the region segmentation in order to get an automated initialization of the active contour model. In the second step, the physically based active model, considered as a set of masses linked by springs, is used in order to refine the delineation of objects obtained by the first approach undergoing an elastic deformation . Segmentation results are illustrated on encephalon extraction on 3D MRI data sets . The parameters of the active contour model are evaluated and discussed . Results are quantified using a phantom, by means of some global and local measure functions, and show the interest of the active contour for a refined delineation of the brain.

Résumé

Certaines applications complexes en imagerie médicale combinent des résultats provenant de différents opérateurs numériques qui font référence à des méthodes type région et contour. Pour améliorer la qualité de la segmentation, l'idée proposée est de combiner la segmentation région et la segmentation contour. Cette méthode allie les avantages de ces deux approches prises séparément. Dans un premier temps, on utilise des outils de morphologie mathématique et des algorithmes de croissance de régions en vue d'obtenir une initialisation automatique approximative pour l'approche contour. Dans un deuxième temps, le modèle physique du contour actif (contour déformable), qui assimile le contour à un certain nombre de masses ponctuelles reliées par des ressorts, permet d'affiner le résultat de l'approche région sous l'action d'une déformation élastique. Les résultats sont présentés pour l'extraction de l'encéphale sur des données IRM 3D . Les paramètres du modèle de contour actif sont évalués et discutés. Les résultats sont quantifiés par des fonctions de mesures globales et locales à travers un fantôme réaliste, et montrent l'amélioration apportée par le contour actif.

Keywords: 

Segmentation, cooperative method, active contour model, encephalon extraction, performance quantification

Mots clés

Segmentation, méthode coopérative, modèle de contours actifs, extraction de l'encéphale, quantification des performances

1. Introduction
2. Affinage Par Contours Actifs
3. Évaluation De La Qualité De La Segmentation
4. Résultats Et Discussion
5. Conclusion
  References

[1] H .E. Cline, C .L . Dumoulin, H.R .Hart et al ., «Reconstruction of the brain from MRI using a connectivity algorithm », Magnetic Resonance Imaging, Vol.5, N°5, 1987, pp.345-352, USA .

[2] M . Joliot et B . Mazoyer, «Three-Dimensional Segmentation and Interpolation of Magnetic Resonance Brain Images », IEEE Trans. Medical. Imaging, Vol .12, N°2, 1993, pp .269-277 .

[3] S .V. Raman, S. Sarakar et K .L. Boyer, «Tissue Boundary Refinement in MRI Using Contour-based Scale Space Matching », IEEE Trans . Medical Imaging, Vol .10, N°2, 1991, pp .109-121 .

[4] M . Bomans, K-H . Hohne, U . Tiede et M . Riemer, «3-D segmentation of MR images of the head for 3D display », IEEE Trans . Medical Imaging, Vol .9, 1990, pp .177-183 .

[5] P. Allain, «Imagerie par résonance magnétique du cerveau : analyse automatique tridimensionnelle et segmentation, application au traitement de données en tomographie à émission de positons », Thèse Université de Caen, 1993 .

[6] M .E . Brummer, R .M . Mersereau, R.L . Eisner et R .R.J. Lewine, «Automatic detection of brain contour in MRI data sets », IEEE Trans. Medical Imaging , Vol.12, N°2, 1993, pp.153-166 .

[7] T. Pavlidis et Y.T. Liow, «Integrating region growing and edge detection , IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol .12 , N°3, 1990, pp .225-233 .

[8] M . Kass, A . Witkin et D . Terzopoulos, «Snakes : active contour models » , International Journal of Computer Vision, 1988, pp. 321-331 .

[9] T.F. Contes, A . Hill, C.J. Taylor et al ., «The use of active shape models for locating structures in medical images », Image and Vision Computing, Vol .12 , N°6, 1994, pp .355-366 .

[10] E.A. Ashton, K.J . Parker, M .J . Berg, C .W. Chen, «A novel volumetric feature extraction technique with applications to MR images », IEEE Transactions on Medical Imaging, Vol .16, N°4, 1997, pp .365-371 .

[1]] S. Sandor et R . Leahy, «Surface-based labeling of cortical anatomy using a deformable atlas », IEEE Transactions on Medical Imaging, Vol .16, N°1 , 1995, pp.41-55 .

[12] Y. Amit, «Graphical shape templates for automatic anatomy detection with applications to MRI brain scans », IEEE Transactions on Medical Imaging , Vol .16, N°1, 1997, pp.28-40 .

[13] Y. Ge, J.M . Fitzpatrick et al ., l «Accurate localization of cortical convolutions in MR brain images », IEEE Transactions on Medical Imaging, Vol.15, N°4 , 1996, pp.418-428 .

[14] Y.J . Zhang, ì «Evaluation and comparison of different segmentation algorithms », Pattern Recognition Letters, Vol .18, 1994, pp.963-974 .

[15] K.J. Cho, P. Meer et J. Cabrera,1 «Performance assessment through bootstrap», IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol .19, N°11, 1997, pp .1185-1197 .

[16] R.M. Haralick, «Dialogue : performance characterization in computer vision», CVGIP : Image Understanding, Vol .60, N°2, pp .245-265, Sept . 1994.

[17] A .P. Zijdenbos, B .M . Dawant, R .A . Margolin et A .C . Palmer, «Morphometric analysis of white matter lesions in MR images : method and validation », IEEE Transactions on Medical Imaging, Vol .13, N°4, 1994, pp.716-724 .

[18] V. Chalana, D .T. Linker et al., «A multiple active contour model for cardiac boundary detection on echocardiographic sequences, IEEE Trans. on Medical Imaging, Vol .15, N°3, pp .290-298, June 1996 ,

[19] A. Cocosco, V. Kollokian, R .K-S . Kwan et A .C . Evans, «Brain Web : Online interface to a 3D MRI simulated brain database », http://www.bic.mni.mcgill.ca/brainweb.

[20] C. Nastar et N . Ayache, «Fast segmentation tracking and analysis of deformable objects », Rapport interne INRIA n° 1783, 1992, pp .l-38 .

[21] R.K-S . Kwan, A .C . Evans et G.B. Pike, An extensible MRI simulator for post-processing evaluation, Visualization in Biomedical Computing » . 4th International Conference, VBC '96, Hamburg, Germany, September 1996 . Proceedings . Lecture Notes in Computer Science, Vol .1131, Springer-Verlag, pp .135-140.

[22] O . Quinton, L, Verard, N . Tzourio, D . Bloyet et J.M . Travère, «Automatic AC-PC identification on 3D TI-MRI using scene analysis », Neurolmage, Vol.5, N°4, p .405, May 1997, Copenhagen, Denmark.