Analyse automatique des images échographiques de la colonne vertébrale

L'échographie est une modalité d'imagerie médicale généralement utilisée pour visualiser les tissus mous dans différentes applications cliniques. Cette technique est très avantageuse étant donné son faible coût, sa portabilité et surtout l'absence de rayons ionisants pour former des images. Cependant, le contenu de ces images est complexe et peut être difficile à interpréter même pour un expert. De plus, afin d'obtenir des images échographiques exploitables, un positionnement adéquat de la sonde est nécessaire lors de l'acquisition. Ces deux inconvénients sont encore plus importants lors de l'acquisition d'images de structures osseuses. Ces structures réfléchissent entièrement les ondes ultrasonores, créant ainsi des surfaces très brillantes et des ombres acoustiques en dessous d'elles, rendant ainsi leur interprétation encore plus complexe. Dans le cas d'une vertèbre, la surface de l'apophyse épineuse est tellement petite que sa brillance est particulièrement dépendante de l'orientation et de la position de la sonde. D'autre part, la forme complexe de la vertèbre rend la frontière de son ombre acoustique plus difficile à définir. Cependant l'utilisation de l'échographie de la colonne vertébrale à la place de radiographies lors du suivi clinique de patients atteints de scoliose pourrait réduire le cumul de radiation. Plusieurs méthodes utilisant l'échographie ont été développées ces dernières années afin d'évaluer la scoliose ou de réajuster le corset pour des patients atteints de scoliose idiopathique adolescente (SIA). Ces méthodes requièrent des images de bonne qualité et une segmentation manuelle du contenu. Dans ce projet, nous proposons d'effectuer une analyse automatique des images échographiques vertébrales afin de comprendre le modèle de formation de ces images et de segmenter automatiquement les structures d'intérêt. Dans un premier temps, nous avons développé une méthode de segmentation automatique de l'apophyse épineuse et de l'ombre acoustique dans les images échographiques vertébrales afin d'aider l'utilisateur à interpréter ce type d'images. Cette méthode s'appuie, tout d'abord, sur l'extraction de différentes caractéristiques et leur validation afin de sélectionner l'ensemble le plus pertinent. Puis un classifieur est utilisé afin d'associer chaque pixel de l'image à une des trois régions suivantes : apophyse épineuse, ombre acoustique ou autres tissus. Finalement, une étape de régularisation est appliquée afin de prendre en compte les différentes propriétés des vertèbres. Nous avions une base de données contenant 181 images échographiques, mais nous n'en avons utilisé que 107, car seules celles-ci avaient une qualité acceptable. Un taux de classification de 84% pour l'apophyse épineuse et de 92% pour l'ombre acoustique ont été obtenus. De plus, le centroïde de l'apophyse épineuse segmentée se trouvait en moyenne à 0.38 mm de celui de la vérité terrain, provenant d'une segmentation manuelle validée par un radiologue. Nous avons aussi évalué la précision de la méthode proposée en comparant les régions segmentées automatiquement à celles délimitées manuellement et avons obtenu un coefficient de similarité DICE de 0.88 pour l'ombre acoustique et de 0.72 pour l'apophyse épineuse.

Abstract

Ultrasound (US) imaging is a medical imaging modality that is often used to visualize soft tissues in the human body in various clinical applications. This technique has several important advantages, in particular its low cost, portability, and the fact that it is radiation-free. However, the content of US images is rather complex and can be hard to interpret even for an expert. Furthermore, the quality of the content of US images will depend of the positioning of the probe during the acquisition. When measuring bone surfaces, these two disadvantages are accentuated. Indeed, the acoustic waves are entirely reflected by these hard structures, thereby creating bright surfaces with acoustic shadows below them, which make the interpretation of such images even more challenging. In the case of a vertebra, the surface of the spinous process is so small that its appearance in US images will strongly depend on the orientation and position of the probe. Moreover, it can be difficult to determine the boundary of the acoustic shadow created by the bone structure given the complicated shape of the vertebra. Nevertheless, in the clinical monitoring of scoliosis, using US images of the spine instead of X-rays could be very useful to reduce the cumulative radiation received by patients. In recent years, several methods using US imaging to evaluate scoliosis, or to adjust the brace in the treatment of adolescent idiopathic scoliosis (AIS), have been developed. These methods require good quality images and use manual segmentation of the image content. In this project, we propose a framework for the automatic analysis of US images of the spine (vertebrae) that utilizes an image formation model and an automatic segmentation of the regions of interest. First, we developed an automatic segmentation method to detect the spinous process and the acoustic shadow in the US images, aimed at helping the end user interpret the images. This method uses feature extraction and selection process in order to determine the most relevant set of features. The aim of the classification task is to discriminate three different regions: spinous process, acoustic shadow and other tissues. An LDA classifier is used to assign each image pixel to one of the three regions. Finally, we apply a regularization step which exploits several properties of vertebrae. Using a database of 107 US images, we obtained a classification rate of 84% for the spinous process and 92% for the acoustic shadow. In addition, the centroid of the automatically segmented spinous process was located 0.38 mm on average from that of the ground truth, as provided by a manual labelling that was validated by a radiologist. We also compared the automatically and manually segmented regions and obtained DICE similarity coefficients of 0.72 and 0.88 for the spinous process and acoustic shadow respectively.