La présente invention concerne un procédé de propagation automatique dans une (N+1 )-ième dimension d'une segmentation d'images initialisée en dimension N, N>2, pour l'obtention d'une segmentation finale de dimension N+1 dans une série ordonnée de représentations d'images. Elle concerne également un programme d'ordinateur correspondant et un dispositif d'acquisition et de segmentation d'images mettant en œuvre ce procédé.

L'invention s'applique plus particulièrement à un procédé comportant les étapes suivantes :

- acquisition de la série ordonnée, dans ladite (N+1 )-ième dimension, de représentations d'images de dimension N,

- segmentation initiale en dimension N d'une région d'intérêt dans les première et dernière représentations d'images de la série ordonnée, pour l'obtention respective de premier et dernier masques de segmentations initiales de la région d'intérêt.

Par « représentation d'image de dimension N », où N>2, on entend une représentation de dimension N>2, pouvant éventuellement inclure une dimension temporelle ou une dimension modale d'acquisition (certaines techniques d'imagerie, telles que l'imagerie par résonance magnétique, permettant plusieurs modalités d'acquisition), dans laquelle au moins deux des dimensions sont spatiales de manière à inclure au moins une image bidimensionnelle par représentation.

Par « série ordonnée de représentations d'images », on entend l'extension dans une (N+1 )-ième dimension, celle de la série ordonnée, des représentations d'images qui sont chacune de dimension N. Cette (N+1 )-ième dimension peut être spatiale (plusieurs acquisitions successives décalées dans une dimension de l'espace), temporelle (plusieurs acquisitions successives décalées dans le temps) ou modale (plusieurs acquisitions successives selon différentes modalités d'imagerie).

Les techniques de segmentations d'images sont très liées aux applications et modes d'acquisitions. Dans certains cas très favorables, des techniques de segmentation automatique ou semi-automatique supervisée connues permettent l'obtention de bons résultats. Par « segmentation semi-automatique supervisée », on entend notamment la possibilité de procéder de façon supervisée, par exemple manuelle, à une segmentation initiale en dimension N dans au moins une représentation d'image d'une série ordonnée de représentations d'images successives, puis de propager automatiquement cette segmentation initiale aux représentations d'images non initialement segmentées à l'aide d'algorithmes de recalages entre représentations d'images. Des techniques de propagation par contours actifs et morphologie mathématique, par recalage non linéaire permettant l'estimation de déformations difféomorphiques, etc., sont bien connues et s'avèrent souvent efficaces.

Mais en imagerie du corps humain ou animal, et notamment en imagerie par résonance magnétique (IRM) des muscles ou nerfs, ces techniques sont inégales et insuffisantes pour quantifier, par exemple en termes de volumétrie, de morphométrie, de fraction d'infiltrat graisseux et autres paramètres spécifiques, les régions neuromusculaires d'intérêt. Il est en effet très difficile de propager longitudinalement (spatialement, temporellement ou même dans une dimension multi-modale) les segmentations de telles régions d'intérêt. Or, si l'extraction et l'analyse de paramètres quantitatifs dans ces régions étaient réalisables, de multiples perspectives et nouveaux enjeux pourraient émerger notamment pour les applications dans le domaine médical mais aussi dans le domaine du sport.

Ainsi par exemple, l'article de Barnouin et al, intitulé « Manual segmentation of individual muscles of the quadriceps femoris using MRI: a reappraisal », publié dans Journal of Magnetic Résonance Imaging, volume 40, pages 239-247, juillet 2014, enseigne dans ce cas précis une méthode rigoureuse pour procéder à une succession de segmentations manuelles dans une série ordonnée de coupes IRM de la cuisse. Bien évidemment, cette méthode permet d'obtenir une segmentation volumétrique optimale. Mais elle est très coûteuse en temps et moyens humains sollicités.

D'autres méthodes automatiques ou semi-automatiques, impliquant des techniques de marches aléatoires sur graphes, de déformations de modèles ou de recalages sur des images segmentées d'atlas simples ou multiples, ont été testées en imagerie IRM neuromusculaire sans présenter de résultats probants ou précis pour de petites régions d'intérêts. On peut par exemple citer les documents suivants :

- l'article de Baudin et al, intitulé « Automatic skeletal muscle segmentation through random walks and graph-based seed placement », publié dans Proceedings of International Symposium on Biomédical Imaging, pages 1036-1039, mai 2012, - l'article de Gilles et al, intitulé « Anatomical modelling of the musculoskeletal System from MRI », publié dans Proceedings of International Conférence on Médical Image Computing and Computer- Assisted Intervention, volume 9, pages 289-296, 2006,

- l'article de Prescott et al, intitulé « Anatomically anchored template-based level set segmentation: application to quadriceps muscles in MR images from the osteoarthritis initiative », publié dans Journal of Digital Imaging, volume 24, n°1 , pages 28-43, février 201 1 ,

- l'article de Ahmad et al, intitulé « Atlas-registration based image segmentation of MRI human thigh muscles in 3-D space », publié dans

Proceedings of SPIE - International Society for Optical Engineering, volume 9037, pages 90371 L-1 à 90371 L-12, février 201 1 .

Il peut ainsi être souhaité de prévoir un procédé de propagation automatique d'une segmentation d'images qui permette de s'affranchir d'au moins une partie des problèmes et contraintes précités.

Il est donc proposé un procédé de propagation automatique dans une (N+1 )- ième dimension d'une segmentation d'images initialisée en dimension N, N>2, pour l'obtention d'une segmentation finale de dimension N+1 dans une série ordonnée de représentations d'images, comportant les étapes suivantes :

- acquisition de la série ordonnée, dans ladite (N+1 )-ième dimension, de représentations d'images de dimension N,

- segmentation initiale en dimension N d'une région d'intérêt dans les première et dernière représentations d'images de la série ordonnée, pour l'obtention respective de premier et dernier masques de segmentations initiales de la région d'intérêt,

comportant en outre les étapes suivantes :

- estimation de paramètres de recalage entre les premier et dernier masques de segmentations initiales de la région d'intérêt,

- propagation automatique ascendante de la segmentation initiale de la région d'intérêt, à partir de la première représentation d'image, à toutes les autres représentations d'images de la série ordonnée par recalage de proche en proche jusqu'à la dernière,

- propagation automatique descendante de la segmentation initiale de la région d'intérêt, à partir de la dernière représentation d'image, à toutes les autres représentations d'images de la série ordonnée par recalage de proche en proche jusqu'à la première, et

- combinaison des propagations automatiques ascendante et descendante entre elles à l'aide d'un changement de repère, entre les première et dernière représentations d'images, obtenu par application des paramètres de recalage estimés.

Il est bien connu qu'une méthode de propagation de segmentation par recalages successifs est susceptible de fournir de très bons résultats dans les premières itérations tout en dérivant rapidement à cause d'erreurs cumulées issues des recalages, tandis qu'une méthode par interpolation linéaire entre des premier et dernier masques de segmentation, assure une meilleure convergence en dérivant potentiellement fortement entre les deux, et ce d'autant plus si les déformations de la région d'intérêt segmentée s'éloignent d'un modèle de déformation linéaire. Le procédé proposé selon la présente invention permet ainsi d'éviter tous ces écueils en combinant astucieusement une double propagation par recalages successifs ascendants et descendants avec un recalage global, imposant la convergence des propagations aux extrémités de la série ordonnée comme le ferait une interpolation linéaire. Il produit en outre de façon surprenante de meilleurs résultats, par comparaison avec une méthode de segmentation de référence entièrement manuelle, que chacun des meilleurs résultats des recalages qu'il combine lorsqu'ils sont pris indépendamment.

De façon optionnelle, la combinaison des propagations automatiques ascendante et descendante entre elles à l'aide dudit changement de repère est en outre réalisée à l'aide de coefficients de pondération prédéterminés appliqués aux résultats des propagations ascendantes et descendantes, ces coefficients incluant :

- des coefficients décroissant de la première à la dernière représentation d'image pour la propagation automatique ascendante, et

- des coefficients décroissant de la dernière à la première représentation d'image pour la propagation automatique descendante.

De façon optionnelle également :

- le recalage entre les premier et dernier masques de segmentations initiales de la région d'intérêt dont les paramètres sont estimés est un recalage non linéaire, notamment un recalage difféomorphique symétrique, et

- chaque recalage de proche en proche exécuté pour chaque propagation automatique ascendante ou descendante est un recalage non linéaire, notamment un recalage difféomorphique symétrique, calculé entre deux représentations d'images successives de la série ordonnée.

De façon optionnelle également :

- les propagations automatiques ascendante et descendante comportent le calcul de champs de déplacements spécifiques ascendants et descendants entre, d'une part, respectivement les première et dernière représentations d'images, et, d'autre part, chacune des autres représentations d'images de la série ordonnée, et

- la combinaison des propagations automatiques ascendante et descendante entre elles comporte :

• une amélioration du calcul des champs de déplacements spécifiques ascendants par une prise en compte des champs de déplacements spécifiques descendants à l'aide d'un changement de repère obtenu par application des paramètres de recalage du premier vers le dernier masque de segmentation initiale de la région d'intérêt, et

• une amélioration du calcul des champs de déplacements spécifiques descendants par une prise en compte des champs de déplacements spécifiques ascendants à l'aide d'un changement de repère obtenu par application des paramètres de recalage du dernier vers le premier masque de segmentation initiale de la région d'intérêt.

De façon optionnelle également :

- la combinaison des propagations automatiques ascendante et descendante entre elles comporte en outre une combinaison supplémentaire des champs de déplacements spécifiques ascendants et descendants améliorés à l'aide du changement de repère, entre les première et dernière représentations d'images, obtenu par application des paramètres de recalage estimés, pour l'obtention de champs de déplacements ascendants ou descendants optimisés, et

- on obtient des masques de segmentations sur toutes les représentations d'images de la série ordonnée par application de ces champs de déplacements ascendants ou descendants optimisés au premier masque de segmentation initiale de la première image ou au dernier masque de segmentation initiale de la dernière image.

De façon optionnelle également : - la segmentation initiale en dimension N est réalisée sur plusieurs régions d'intérêts dans les première et dernière représentations d'images de la série ordonnée, pour l'obtention respective de premier et dernier masques de segmentations initiales de chaque région d'intérêt, et

- l'estimation des paramètres de recalage, les propagations automatiques ascendante et descendante ainsi que leur combinaison entre elles sont réalisées pour chaque région d'intérêt initialement segmentée.

De façon optionnelle également :

- une série longue ordonnée, dans ladite (N+1 )-ième dimension, de représentations d'images de dimension N est préalablement acquise et subdivisée en une pluralité de séries ordonnées successives,

- la segmentation initiale en dimension N de la région d'intérêt est réalisée dans les première et dernière représentations d'images de chaque série ordonnée, sachant que la première représentation d'image de chaque série ordonnée à partir de la deuxième est aussi la dernière représentation d'image de la série ordonnée qui la précède, et

- l'estimation des paramètres de recalage, les propagations automatiques ascendante et descendante ainsi que leur combinaison entre elles sont réalisées pour chaque série ordonnée de la série longue ordonnée. De façon optionnelle également, l'acquisition est une acquisition mono- ou multi-modale d'images IRM, chaque représentation d'image incluant N=2, 3 ou 4 dimensions parmi :

- au moins deux de trois dimensions spatiales possibles,

- une dimension temporelle, et

- une dimension modale,

la série ordonnée étant acquise dans la (N+1 )-ième dimension sélectionnée parmi :

- l'une des trois dimensions spatiales possibles,

- la dimension temporelle, et

- la dimension modale.

II est également proposé un programme d'ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur et/ou exécutable par un processeur, comprenant des instructions pour l'exécution des étapes d'un procédé de propagation automatique d'une segmentation d'images selon l'invention, lorsque ledit programme est exécuté sur un ordinateur. Il est également proposé un dispositif d'acquisition et de segmentation d'images par propagation automatique dans une (N+1 )-ième dimension d'une segmentation d'images initialisée en dimension N, N>2, pour l'obtention d'une segmentation finale de dimension N+1 dans une série ordonnée de représentations d'images, comportant :

- des moyens d'acquisition d'une série ordonnée, dans ladite (N+1 )-ième dimension, de représentations d'images de dimension N,

- une mémoire pour le stockage de premier et dernier masques de segmentations initiales respectives en dimension N d'une région d'intérêt dans les première et dernière représentations d'images de la série ordonnée,

comportant en outre un processeur programmé pour :

- estimer des paramètres de recalage entre les premier et dernier masques de segmentations initiales de la région d'intérêt,

- propager automatiquement de façon ascendante la segmentation initiale de la région d'intérêt, à partir de la première représentation d'image, à toutes les autres représentations d'images de la série ordonnée par recalage de proche en proche jusqu'à la dernière,

- propager automatiquement de façon descendante la segmentation initiale de la région d'intérêt, à partir de la dernière représentation d'image, à toutes les autres représentations d'images de la série ordonnée par recalage de proche en proche jusqu'à la première, et

- combiner les propagations automatiques ascendante et descendante entre elles à l'aide d'un changement de repère, entre les première et dernière représentations d'images, obtenu par application des paramètres de recalage estimés.

L'invention sera mieux comprise à l'aide de la description qui va suivre, donnée uniquement à titre d'exemple et faite en se référant aux dessins annexés dans lesquels :

- la figure 1 représente schématiquement la structure générale d'un dispositif d'acquisition et de segmentation d'images selon un mode de réalisation de l'invention,

- la figure 2 illustre une succession d'instructions d'un programme d'ordinateur en mémoire dans le dispositif de la figure 1 , - la figure 3 illustre les étapes successives d'un procédé de propagation automatique d'une segmentation d'images exécuté par un processeur du dispositif de la figure 1 suivant les instructions du programme de la figure 2,

- la figure 4 illustre un diagramme de résultats expérimentaux, et

- la figure 5 illustre une généralisation du procédé de la figure 3.

Le dispositif 10 d'acquisition et de segmentation d'images représenté schématiquement sur la figure 1 n'est qu'un exemple non limitatif de dispositif convenant pour une mise en œuvre d'un procédé de propagation automatique d'une segmentation d'images selon la présente invention. Il s'agit d'un dispositif d'imagerie par résonance magnétique (IRM) comportant un appareil d'acquisition 12 et un dispositif 14 de commande et de traitement, reliés l'un à l'autre en transmission de données.

L'appareil d'acquisition 12 comporte par exemple, de façon connue en soi, un tunnel 16 entouré d'un aimant cylindrique 18, dans lequel vient coulisser en translation commandée un lit 20 sur lequel est allongé un sujet d'observation 22, notamment un être humain ou animal, pour l'imagerie d'une partie de son corps, par exemple une cuisse.

Le dispositif 14 de commande et de traitement comporte un dispositif informatique 24 programmé pour la commande de l'appareil d'acquisition 12, c'est-à- dire pour la transmission de signaux de commande. Ce dispositif informatique 24 est en outre programmé pour le traitement de signaux de mesure retournés par l'appareil d'acquisition 12. Il présente une unité centrale de traitement 26, telle qu'un microprocesseur conçu pour émettre et recevoir respectivement les signaux de commande et de mesure, et une mémoire 28 dans laquelle est enregistré un programme d'ordinateur 30. La mémoire 28 comporte en outre une zone 32 de stockage de données traitées ou à traiter par l'unité de traitement 26 sur exécution du programme 30.

Le dispositif 14 de commande et de traitement comporte en outre des éléments d'interactivité avec un praticien tel qu'un expert de l'acquisition d'images IRM. Ces éléments incluent un écran d'affichage 34, un clavier 36 et un dispositif de pointage pour ordinateur tel qu'une souris 38.

Selon une technologie parfaitement connue et maîtrisée, l'appareil d'acquisition 12 est conçu pour engendrer un champ magnétique dans le tunnel 16 et pour en obtenir, sur commande du dispositif 14 piloté par le praticien, l'imagerie tridimensionnelle d'une portion volumique du corps humain ou animal exposé. Cette portion, par exemple une cuisse, est illustrée par la zone hachurée entre pointillés sur la figure 1 . En paramétrant l'appareil d'acquisition 12 à l'aide du dispositif 14 de commande et de traitement, le praticien définit l'épaisseur globale du volume souhaité, un nombre de coupes souhaitées ou une distance souhaitée entre chaque coupe, l'épaisseur de chaque coupe et la résolution de chaque coupe. On obtient ainsi autant d'images parallèles que souhaité à partir d'une imagerie tridimensionnelle de tout un volume de portion de corps humain ou animal.

On se place donc ici dans le cas particulier d'une acquisition IRM d'une série, ordonnée longitudinalement, d'images bidimensionnelles transversales d'une cuisse ou d'un mollet du sujet d'observation 22. Une telle acquisition permet de visualiser le volume d'organes tels que des muscles ou des nerfs. Un objectif de l'invention est de pouvoir en fournir une segmentation précise pour accéder à des données quantitatives de volumes, de formes ou autres paramètres pertinents pour des applications médicales ou sportives par exemple. Le principe général suivi par un procédé selon l'invention appliqué au contexte de la figure 1 est de partir d'une segmentation initiale spatialement bidimensionnelle d'au moins une région d'intérêt réalisée dans une partie des images de la série ordonnée, pour propager automatiquement cette segmentation initiale bidimensionnelle aux autres images de la série acquise de manière à obtenir ainsi une segmentation finale spatialement tridimensionnelle.

En variante, une même coupe pourrait être acquise selon une série ordonnée d'instants successifs de manière à obtenir une imagerie volumique spatialement bidimensionnelle mais à dimension temporelle également. En variante également, une même coupe pourrait être acquise selon une série ordonnée de modes d'acquisition successifs de manière à obtenir une imagerie volumique spatialement bidimensionnelle mais à dimension modale également. Dans tous ces cas, le principe général suivi par un procédé selon l'invention appliqué au contexte de la figure 1 reste de partir d'une segmentation initiale spatialement bidimensionnelle d'au moins une région d'intérêt réalisée dans une partie des images de la série ordonnée, pour propager automatiquement cette segmentation initiale bidimensionnelle aux autres images de la série acquise de manière à obtenir ainsi une segmentation finale tridimensionnelle, la troisième dimension étant spatiale, temporelle ou modale.

De façon plus générale encore, le principe suivi par un procédé selon l'invention est de partir d'une segmentation initiale de dimension N, N>2, d'au moins une région d'intérêt réalisée dans une partie des représentations d'images d'une série ordonnée dans une (N+1 )-ième dimension, pour propager automatiquement cette segmentation initiale de dimension N aux autres représentations d'images de la série acquise de manière à obtenir ainsi une segmentation finale de dimension N+1 , la (N+1 )-ième dimension étant spatiale, temporelle ou modale.

Concrètement, lorsque l'acquisition est une acquisition mono- ou multi-modale d'images IRM, chaque représentation d'image inclut N=2, 3 ou 4 dimensions parmi :

- au moins deux de trois dimensions spatiales possibles,

- une dimension temporelle, et

- une dimension modale,

la série ordonnée étant acquise dans la (N+1 )-ième dimension sélectionnée parmi :

- l'une des trois dimensions spatiales possibles,

- la dimension temporelle, et

- la dimension modale.

Le programme d'ordinateur 30 est détaillé séquentiellement sur la figure 2. Il comporte tout d'abord des instructions 40 pour acquérir une série ordonnée, dans le sens longitudinal précité, de n+1 images transversales (n>2) notées l ₀ , ... , I,, I _n d'une cuisse du sujet d'observation 22. Ces instructions comportent une sollicitation des éléments d'interactivité 34, 36, 38 pour que le praticien puisse définir lui-même certains paramètres d'acquisition. La série ordonnée acquise peut être conservée en mémoire 28 dans la zone de stockage 32.

Le programme d'ordinateur 30 comporte en outre des instructions 42 pour réaliser une segmentation initiale bidimensionnelle d'au moins une région d'intérêt dans les première et dernière images de la série ordonnée, pour l'obtention d'un premier masque de segmentation initiale de chaque région d'intérêt dans la première image de la série ordonnée et d'un dernier masque de segmentation initiale de chaque région d'intérêt dans la dernière image de la série ordonnée. De même, ces instructions comportent avantageusement une sollicitation des éléments d'interactivité 34, 36, 38 pour que le praticien puisse participer lui-même à la réalisation de cette segmentation initiale, par exemple conformément à l'enseignement de segmentation manuelle détaillé dans le document précité de Barnouin et al. En variante, la segmentation initiale peut être semi-automatique et supervisée ou automatique selon l'un quelconque des enseignements de l'art antérieur. Les masques de segmentations initiales ainsi obtenus peuvent être conservés en mémoire 28 dans la zone de stockage 32. Le programme d'ordinateur 30 comporte en outre des instructions 44 pour estimer des paramètres de recalage entre les premier et dernier masques de segmentations initiales de chaque région d'intérêt tels qu'obtenus par exécution des instructions 42. Ces paramètres sont estimés automatiquement puis enregistrés sous forme de tableaux dont les coefficients indiquent pour chaque pixel du masque de segmentation initiale de l'image de départ, des valeurs de déplacement vers un pixel correspondant du masque de segmentation initiale de l'image cible. Ces tableaux sont appelés « champs de déplacements » et constituent des transformations issues du recalage souhaité. Considérant une région d'intérêt donnée ou un ensemble de régions d'intérêt données, un premier champ de déplacement comporte les coefficients de déplacement du premier masque de segmentation initiale de cette région d'intérêt ou de cet ensemble de régions d'intérêt dans la première image de la série ordonnée pour le recaler sur le dernier masque de segmentation initiale de cette même région d'intérêt ou de ce même ensemble dans la dernière image. Ce premier champ de déplacement peut être qualifié de champ de déplacement global ascendant et sera noté L _a par la suite. Considérant la même région d'intérêt donnée ou le même ensemble de régions d'intérêt données, un deuxième champ de déplacement comporte les coefficients de déplacement du dernier masque de segmentation initiale de cette région d'intérêt ou de cet ensemble dans la dernière image de la série ordonnée pour le recaler sur le premier masque de segmentation initiale de cette région d'intérêt ou de cet ensemble dans la première image. Ce deuxième champ de déplacement peut être qualifié de champ de déplacement global descendant et sera noté L _d par la suite. La technique de recalage ne sera pas détaillée parce qu'il en existe un grand nombre que l'homme du métier est apte à choisir en fonction de l'application visée. Dans le domaine de l'imagerie neuromusculaire IRM, il est avantageux d'utiliser des modèles basés sur des transformations non linéaires, par exemple un recalage par transformation difféomorphique symétrique tel qu'enseigné dans l'article de Avants et al, intitulé « Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurodegenerative brain », publié dans Médical Image Analysis, volume 12, n°1 , pages 26-41 , février 2008.

On notera que le champ de déplacement global ascendant L _a permet en fait de réaliser un changement de repère, en partant d'un premier repère lié au premier masque de segmentation initiale de la première image pour se placer dans un dernier repère lié au dernier masque de segmentation initiale de la dernière image. Inversement, le champ de déplacement global descendant L _d permet de réaliser un changement de repère, en partant du dernier repère lié au dernier masque de segmentation initiale de la dernière image pour se placer dans le premier repère lié au premier masque de segmentation initiale de la première image.

Le programme d'ordinateur 30 comporte en outre des instructions 46 pour propager automatiquement les segmentations initiales de chaque région d'intérêt à toutes les images de la série ordonnée par recalage de proche en proche. Ainsi, ces instructions sont définies pour que l'unité de traitement 26 puisse exécuter une propagation automatique ascendante de la segmentation initiale de chaque région d'intérêt, à partir de la première image, à toutes les autres images de la série ordonnée par recalage de proche en proche jusqu'à la dernière image. De même, elles sont en outre définies pour que l'unité de traitement 26 puisse exécuter une propagation automatique descendante de la segmentation initiale de chaque région d'intérêt, à partir de la dernière image, à toutes les autres images de la série ordonnée par recalage de proche en proche jusqu'à la première image. Comme précédemment, la technique de recalage ne sera pas détaillée parce qu'il en existe un grand nombre que l'homme du métier est apte à choisir en fonction de l'application visée. Il est ici de nouveau avantageux d'utiliser des modèles basés sur des transformations non linéaires, par exemple un recalage par transformation difféomorphique symétrique tel qu'enseigné dans l'article précité de Avants et al. Chaque transformation résultant d'un recalage souhaité est calculée entre deux images successives de la série ordonnée et produit un champ de déplacement local entre ces deux images. Une transformation permettant de réaliser un recalage entre deux images non successives peut ensuite être obtenue par composition des transformations successives estimées entre ces deux images pour produire un champ de déplacement spécifique entre ces deux images. En particulier, une transformation spécifique ascendante permettant de réaliser un recalage ascendant entre la première image de la série ordonnée et une autre image quelconque peut être obtenue par composition des transformations successives ascendantes estimées entre ces deux images, c'est-à-dire des champs de déplacements locaux ascendants successifs. De même, une transformation spécifique descendante permettant de réaliser un recalage descendant entre la dernière image de la série ordonnée et la même autre image quelconque peut être obtenue par composition des transformations successives descendantes estimées entre ces deux images, c'est-à- dire des champs de déplacements locaux descendants successifs. Ces deux transformations spécifiques peuvent être avantageusement combinées entre elles.

Le programme d'ordinateur 30 comporte donc des instructions 48 pour combiner entre elles les propagations automatiques ascendante et descendante telles qu'obtenues par exécution des instructions 46. En particulier, les instructions 48 sont définies pour combiner les deux transformations spécifiques ascendante et descendante définies ci-dessus pour chacune des images de la série ordonnée. Cette combinaison peut se faire grâce aux changements de repères rendus possibles par les calculs réalisés par exécution des instructions 44, c'est-à-dire par le champ de déplacement global ascendant L _a et par le champ de déplacement global descendant L _d . Il en résulte une amélioration possible des recalages ascendants par prise en compte des recalages descendants correspondants grâce au changement de repère réalisable à l'aide du champ de déplacement global ascendant L _a : on obtient ainsi des champs de déplacements spécifiques ascendants améliorés. Il en résulte également une amélioration possible des recalages descendants par prise en compte des recalages ascendants correspondants grâce au changement de repère réalisable à l'aide du champ de déplacement global descendant L _d : on obtient ainsi des champs de déplacements spécifiques descendants améliorés.

Cette combinaison des propagations automatiques ascendante et descendante est en outre avantageusement réalisée à l'aide de coefficients de pondération prédéterminés appliqués aux résultats des propagations ascendantes et descendantes, c'est-à-dire aux champs de déplacements ascendants et descendants correspondants. De préférence, ces coefficients décroissent de la première à la dernière image pour la propagation automatique ascendante et décroissent de la dernière à la première image pour la propagation automatique descendante. Ils tiennent ainsi avantageusement compte des dérives probables des propagations automatiques lorsqu'elles s'éloignent de leur image de référence.

Enfin, le programme d'ordinateur 30 comporte des instructions 50 pour combiner entre eux les champs de déplacements spécifiques ascendants et descendants améliorés tels que calculés par exécution des instructions 48, toujours grâce aux changements de repères rendus possibles par les calculs réalisés par exécution des instructions 44 et à l'aide des coefficients de pondération prédéterminés indiqués ci-dessus. Cette combinaison permet d'obtenir des champs de déplacements spécifiques ascendants ou descendants optimisés applicables au premier masque de segmentation initiale de la première image, ou au dernier masque de segmentation initiale de la dernière image, pour l'obtention de masques de segmentations sur toutes les images de la série ordonnées. Ces instructions sont bien sûr applicables à chaque région d'intérêt considérée ou à chaque ensemble de régions d'intérêt considérées.

En référence à la figure 3, un procédé 100 de propagation automatique d'une segmentation d'images mis en œuvre par le dispositif 10 de la figure 1 grâce à l'exécution des instructions de la figure 2 va à présent être détaillé.

Au cours d'une première étape 102, réalisée conformément à l'exécution des instructions 40 par l'unité de traitement 26, les n+1 images ordonnées l ₀ , ... , I,, I _n sont obtenues par commande de l'appareil d'acquisition 12. Elles sont enregistrées en zone de stockage 32.

Ensuite, au cours d'une étape 104, réalisée conformément à l'exécution des instructions 42 par l'unité de traitement 26, les première et dernière images l ₀ et l _n sont initialement segmentées pour l'obtention d'un premier masque de segmentation initiale de chaque région d'intérêt dans la première image l ₀ et d'un dernier masque de segmentation initiale de chaque région d'intérêt dans la dernière image l _n . Comme par exemple illustré sur la figure 3, quatre régions d'intérêt sont segmentées manuellement dans la première image l ₀ par le praticien et labellisées Z1 , Z2, Z3 et Z4, pour l'obtention de quatre premiers masques de segmentation initiale. Quatre régions d'intérêt correspondantes sont de même segmentées manuellement dans la dernière image l _n par le praticien et labellisées Z1 , Z2, Z3 et Z4, pour l'obtention de quatre derniers masques de segmentation initiale.

Les étapes suivantes 106, 108, 1 10 et 1 12 peuvent être exécutées indépendamment pour chacune des régions d'intérêt Z1 , Z2, Z3 et Z4, ou conjointement pour un ensemble quelconque de régions d'intérêt considérées. On notera donc Z l'une quelconque de ces régions d'intérêt ou l'un quelconque de ces ensembles de régions d'intérêt, M ₀ le premier masque de segmentation initiale de cette région ou de cet ensemble d'intérêt Z dans la première image l ₀ et M _n le dernier masque de segmentation initiale de cette région ou de cet ensemble d'intérêt Z dans la dernière image l _n .

Au cours de l'étape 106, réalisée conformément à l'exécution des instructions 44 par l'unité de traitement 26, les paramètres de recalage entre les masques de segmentation initiale M ₀ et M _n sont estimés sous la forme des champs de déplacements globaux ascendants et descendants L _a et L _d . En notant Reg la transformation de recalage utilisée, cette étape revient, dans un mode de réalisation préféré, à exécuter les instructions suivantes :

L _a = Reg(M ₀ , M _n )

L _d = Reg(M _n , M ₀ )

Au cours de l'étape 108, réalisée conformément à l'exécution des instructions

46 par l'unité de traitement 26, les segmentations initiales sont propagées de proche en proche par la même transformation de recalage Reg, mais cette fois-ci appliquée aux images. En notant v, le champ de déplacement local ascendant estimé entre les images Ι _Μ et I,, w, le champ de déplacement local descendant estimé entre les images l _i+1 et Ι,, V, le champ de déplacement spécifique ascendant estimé entre les images et I,, W, le champ de déplacement spécifique descendant estimé entre les images l _n et I, , « ° » le symbole de la composition de fonctions appliquée aux champs de déplacements et ld le champ de déplacement nul recalant une image sur elle- même, cette étape revient, dans un mode de réalisation préféré, à exécuter les instructions suivantes :

V ₀ = W _n = ld

Pour i allant de 1 a n :

v, = Reg(l _h1 , l _; )

ν, = ν, ο V _h1

W _n , = w _n , o W _n+1 ,

Fin de boucle

Au cours de l'étape 1 10, réalisée conformément à l'exécution des instructions 48 par l'unité de traitement 26, les propagations automatiques ascendantes et descendantes obtenues précédemment, c'est-à-dire les champs de déplacement spécifiques ascendants et descendants V, et W _n .i, pour i allant de 1 à n, sont améliorées par combinaisons entre elles via des changements de repères rendus possibles par les champs de déplacement globaux ascendants et descendants L _a et L _d . En notant A, le champ de déplacement spécifique ascendant amélioré calculé entre les images et Ι,, B, le champ de déplacement spécifique descendant amélioré calculé entre les images l _n et I,, a, les coefficients de pondération ascendants et β, les coefficients de pondération descendants, cette étape revient, dans un mode de réalisation préféré, à exécuter les instructions suivantes :

A ₀ = B _n = ld

Pour i allant de 1 a n : A, = a, (v, ° A ₁ ) + β, (W, L _a )

B _m = β, (w _m o B _n+1 -,) + a _n -i (V _m o L _d )

Fin de boucle

Le choix des coefficients de pondération dépend de l'application envisagée. Un choix particulièrement adapté à la propagation d'une segmentation de région d'intérêt musculaire dans une série d'images IRM d'un membre inférieur ou supérieur d'un être humain ou animal observé est le suivant pour tout indice i compris entre 0 et n :

or, = [tan ¹ (-i + η/2)]/π + 0,5

β, = [tan ¹ (i - η/2)]/π + 0,5

Enfin, au cours de l'étape 1 12, réalisée conformément à l'exécution des instructions 50 par l'unité de traitement 26, les champs de déplacements spécifiques ascendants et descendants améliorés tels que calculés par exécution des instructions 48 sont combinés entre eux pour obtenir des champs de déplacements spécifiques ascendants ou descendants optimisés. En notant P, le champ de déplacement spécifique ascendant optimisé calculé entre les images et I,, et M, le masque de segmentation résultant de la région d'intérêt Z dans l'image I,, cette étape revient, dans un mode de réalisation préféré, à exécuter les instructions suivantes :

Pour i allant de 1 a n :

Fin de boucle

En variante et de manière similaire, en notant Q, le champ de déplacement spécifique descendant optimisé calculé entre les images l _n et I,, l'étape 1 12 peut revenir, dans un mode de réalisation préféré, à exécuter les instructions suivantes : Pour i allant de 1 a n :

M _n , = Q _n ,(M _n )

Fin de boucle

En procédant ainsi, on a pu propager à l'ensemble de la série ordonnée les masques de segmentation initiaux.

Des tests expérimentaux ont été menés sur des séries ordonnées d'images IRM musculaires de la cuisse d'un sujet d'observation et des résultats sont illustrés pour une série de treize images IRM sur la figure 4. Dans cette série, seules les première et dernière images ont été initialement segmentées manuellement pour une région d'intérêt. Les résultats de plusieurs propagations automatiques des segmentations manuelles sont comparés par calcul de leur coefficient de similarité DICE avec une segmentation entièrement manuelle de la série.

La courbe A en pointillés fins donne les coefficients de DICE pour une propagation de segmentation ascendante par interpolation linéaire réalisée à l'aide du champ de déplacement global L _a en partant de la segmentation manuelle de la première image : bien entendu, cette courbe converge aux extrémités de la série mais dérive rapidement et fortement entre les deux. La courbe B en traits interrompus courts donne les coefficients de DICE pour une propagation de segmentation descendante par interpolation linéaire réalisée à l'aide du champ de déplacement global L _d en partant de la segmentation manuelle de la dernière image : bien entendu, cette courbe converge également aux extrémités de la série mais dérive rapidement et fortement entre les deux. La courbe C en traits interrompus moyens donne les coefficients de DICE pour une propagation de segmentation ascendante à l'aide des champs de déplacement V, calculés à l'étape 108 en partant de la segmentation manuelle de la première image : cette courbe dérive nettement moins rapidement que la courbe A en début de série, mais continue à dériver tout au long de la série jusqu'à diverger fortement en fin de série. La courbe D en traits interrompus long donne les coefficients de DICE pour une propagation de segmentation descendante à l'aide des champs de déplacement W, calculés à l'étape 108 en partant de la segmentation manuelle de la dernière image : cette courbe dérive également nettement moins rapidement que la courbe B en fin de série, mais continue à dériver tout au long de la série jusqu'à diverger fortement en début de série. Enfin, la courbe E en trait continu donne les coefficients de DICE pour une propagation de segmentation réalisée selon le procédé 100 décrit précédemment. Cette courbe reste toujours au-dessus des quatre autres. Il convient même de noter qu'elle montre des résultats nettement meilleurs que chacun des meilleurs résultats des autres courbes en milieu de série.

La figure 5 illustre une généralisation du procédé de la figure 3. Selon cette généralisation, une série longue ordonnée de par exemple cent soixante-seize images IRM, notées l ₁₅ à l ₁₉₀ , est acquise à l'étape 102 et subdivisée en une pluralité de séries ordonnées successives. Cinq séries ordonnées successives sont ainsi définies : une première série ordonnée des images l ₁₅ à l ₁₀₅ , une deuxième série ordonnée des images l ₁₀₅ à l ₁₂ o, une troisième série ordonnée des images l ₁₂₀ à l ₁₃₄ , une quatrième série ordonnée des images l ₁₃₄ à l ₁₅₅ , une cinquième série ordonnée des images l ₁₅₅ à l ₁₉₀ . L'étape 104 est appliquée à chacune de ces cinq séries, de sorte qu'une segmentation initiale de régions d'intérêts est réalisée dans les images l ₁₅ , l _{1 0} 5, I 120, I 134, I 155 et I 190 pour la fourniture de masques de segmentations initiales M ₁₅ , M _{1 0} 5, 120, ₁₃₄ , M ₁₅₅ et 90, comme illustré en partie gauche de la figure 5.

Les étapes 106 à 1 12 sont également appliquées à chacune de ces cinq séries et pour chacune de leurs régions d'intérêt. Cela permet d'obtenir tous les autres masques de segmentation par propagation automatique selon les principes de la présente invention, par exemple les masques de segmentation M ₆₀ , M _{1 12} , M ₁₂₇ , M ₁₄₄ et M ₁₇₂ illustrés en partie droite de la figure 5.

II apparaît clairement qu'un dispositif d'acquisition et de segmentation d'images tel que celui décrit précédemment permet d'obtenir de très bons résultats en segmentation par propagation de masques de segmentations initiales sur des données difficiles telles que des séries de représentations d'images IRM musculaires, avec des applications multiples en médecine et suivi sportif.

On notera par ailleurs que l'invention n'est pas limitée au mode de réalisation décrit précédemment. Il apparaîtra en effet à l'homme de l'art que diverses modifications peuvent être apportées au mode de réalisation décrit ci-dessus, à la lumière de l'enseignement qui vient de lui être divulgué.

En particulier, les instructions de programme d'ordinateur décrites précédemment ont été présentées comme incluses dans un unique programme d'ordinateur. Mais elles peuvent plus généralement être regroupées ou séparées selon toutes les combinaisons possibles en un ou plusieurs logiciels. Leur distinction est en outre purement fonctionnelle. Enfin, leurs fonctions pourraient aussi être au moins en partie micro programmées ou micro câblées dans des circuits intégrés dédiés. Ainsi, en variante, le dispositif informatique 24 mettant en œuvre l'unité de traitement 26 pourrait être remplacé par un dispositif électronique composé uniquement de circuits numériques (sans programme d'ordinateur) pour la réalisation des mêmes actions.

Par ailleurs, les principes de l'invention sont applicables à d'autres domaines d'imagerie que l'IRM.

D'une façon générale, dans les revendications qui suivent, les termes utilisés ne doivent pas être interprétés comme limitant les revendications au mode de réalisation exposé dans la présente description, mais doivent être interprétés pour y inclure tous les équivalents que les revendications visent à couvrir du fait de leur formulation et dont la prévision est à la portée de l'homme de l'art en appliquant ses connaissances générales à la mise en œuvre de l'enseignement qui vient de lui être divulgué.