Un nouveau descripteur iconique topologique pour l'appariement d'images de structures anatomiques

L'objectif principal de notre projet de recherche est de créer un descripteur iconique topologique qui permet de faire des appariements de structures anatomiques en se basant sur l'organisation topologique des intensités dans une image. Ce descripteur doit définir un espace métrique afin de pouvoir effectuer des comparaisons efficaces. Les descripteurs actuellement disponibles ne font pas intervenir les composantes distantes d'images pour décrire un lieu dans l'image. De façon inhérente, ils sont locaux dans leurs analyses des caractéristiques de l'image. Bien sûr, certains d'entre eux incluent un certain voisinage, mais aucun des descripteurs que nous avons analysés incorpore l'information de l'image dans son ensemble. Pour arriver à nos fins, nous proposons une représentation sous forme de graphe de l'espace image. Pour construire ce graphe nous proposons deux approches. La première considère l'image comme un graphe implicite dans lequel les noeuds sont les pixels de l'image et la connectivité des noeuds du graphe représente le voisinage des pixels. La deuxième est, quant à elle, plus élaborée et est bâtie en analysant les régions définies par une sursegmentation de l'image. Dans celle-ci, les régions sont les noeuds du graphe et les arêtes du graphe représentent la connectivité des régions. Pour décrire un lieu dans l'image, nous proposons d'extraire un arbre du graphe image pour chacun des endroits d'intérêt. Pour extraire cet arbre, nous utilisons un processus de minimisation de la rencontre des gradients, autrement dit, les branches de cet arbre poussent de manière à réduire les gradients traversés. Cet arbre est une vue de l'image telle que perçue par le lieu étudié. L'arbre ainsi conçu est notre descripteur sous sa forme la plus complète. Pour être en mesure de comparer et de conserver ces arbres, nous en extrayons une représentation en histogramme. Nous avons étudié plusieurs versions, sous forme d'histogrammes, des arbres, chaque version étant plus ou moins riche en information. Le passage à une telle représentation nous permet une sauvegarde efficace et configurable. En effet, si nous désirons inclure plus d'information relative à l'arbre dans l'histogramme le représentant, nous pouvons utiliser un histogramme ayant plus de classes. Ce passage à une représentation en histogramme nous permet également l'utilisation de mesures de métriques fiables pour quantifier la distance entre deux de nos descripteurs. Les résultats obtenus montrent que nos descripteurs sont en mesure de faire l'appariement d'organes présents dans des acquisitions de tomographie axiale (CT), et ce, dans la même image ou dans des images distinctes. Pour mesurer la capacité d'appariement des descripteurs que l'on propose, nous avons proposé un algorithme basé sur les rangs médians de distances. Cet algorithme nous permet d'évaluer la capacité de correspondance en tenant compte de tous les descripteurs des images. Les résultats que nous avons obtenus sont très prometteurs si on tient compte des difficultés de la tâche, liées, entre autres, au fait que l'appariement soit basé sur une seule instance d'un descripteur et au manque de structure apparente dans les images 2D. En effet, compte tenu des temps de calculs considérables, nous avons restreint notre analyse des appariements des descripteurs à des images 2D de thorax. Les structures anatomiques étant compréhensibles seulement lorsque l'on effectue une analyse 3D, la qualité des résultats obtenus est impressionnante. Le passage à des descripteurs 3D ne demande aucune modification des algorithmes utilisés et devrait nous fournir des résultats d'appariement des structures anatomiques encore meilleurs.

Abstract

The main objective of our research project is to create a topological iconic descriptor that allows for the matching of anatomical structures based on the topological organization of intensities in an image. This descriptor must define a metric space in order to be able to make efficient comparisons. Currently available descriptors do not involve remote image components to describe a location in the image. Inherently, they are local in their analyzes of the characteristics of the image. Of course, some of them include some neighborhood, but none of the descriptors we have analyzed incorporate the image information as a whole. To arrive at our ends, we propose a representation in the form of a graph of the image space. To build this graph we propose two approaches. The first considers the image as an implicit graph in which the nodes are the pixels of the image and the connectivity of the nodes of the graph represents the neighborhood of the pixels. The second is, in turn, more elaborate and is built by analyzing the regions defined by an over-segmentation of the image. In this one, the regions are the nodes of the graph and the edges of the graph represent the connectivity of the regions. To describe a region in the image, we propose to extract a tree from the image graph for each of the regions of interest. To extract this tree, we use a process of minimizing the gradients encounter, that is, the branches of this tree grow in order to reduce the gradients crossed. This tree is a view of the image as perceived by the region studied. The tree thus conceived is our descriptor in its most complete form. To be able to compare and preserve these trees, we extract a histogram representation. We have studied several versions, in the form of histograms, of the trees, each version being more or less rich in information. Moving to such a representation allows us an efficient and configurable storage. Indeed, if we want to include more information about the tree in the histogram representing it, we can use a histogram with more classes. This shift to a histogram representation also allows us to use reliable metric measurements to quantify the distance between two of our descriptors. The results show that our descriptors are able to match organs present in axial tomography (CT) acquisitions, in the same image or in separate images. To measure the ability to match the descriptors proposed, we proposed an algorithm based on the median ranks of distances. This algorithm allows us to evaluate the matching capability taking into account all the descriptors of the images. The results that we obtained are very promising if we take into account the difficulties of the task. Indeed, given the considerable computation time, we have restricted our analysis of descriptor matches to 2D images of thorax. The anatomical structures are understandable only when performing a 3D analysis, the quality of the results obtained is impressive. The shift to 3D descriptors requires no modification of the algorithms used and should provide us with even better anatomical structure matching results.