Etude de la volumétrie rénale en IRM par un algorithme de ...

Etude de la volumétrie
rénale
en IRM
par un algorithme de segmentation
basé sur les fonctions de croyance
PH Vivier, M. Dolores, P. Zhang, P. Vannoorenberghe, I. Gardin, J.N. Dacher
Service de Radiologie – CHU de Rouen
LITIS EA 4108 – Faculté de Médecine et de Pharmacie de Rouen

Sommaire
Introduction
Matériel et méthodesm
Résultats
Discussion
Applications cliniques
Conclusion et perspectives
Annexe : fonctionnement des fonctions de croyance
Références
Remerciements

Introduction

Introduction
En pédiatrie, p
l’hydronl
hydronéphrose
représente la principale
indication d’urod
uro-IRM fonctionnelle.
Une indication opératoire peut être retenue en cas
d’altération de la fonction rénale r
sépars
parée.
2 paramètres fonctionnels sont étudiés s :
La fonction rénale r
sépars
parée
L’excrétion (recherche d’obstruction)
d

La fonction rénale r
sépars
parée
L’examen de référence r rence dans l’exploration l
fonctionnelle des
hydronéphroses est la scintigraphie au MAG-3 3 ou au DTPA.
Cependant la scintigraphie:
est (faiblement) irradiante
ne fournit aucun renseignement anatomique
ne permet pas d’éd
’étudier sépars
parément les 2 pôles rénaux r
d’une d
duplicité
urétérale.
rale.
L’IRM en revanche, ne possède aucun de ces inconvénients, nients, et de
nombreux auteurs ont mis en évidence une bonne corrélation
entre les données fonctionnelles scintigraphiques et IRM [1-4]
.

Fonction rénale r
sépars
parée e en IRM
Classiquement [1-3]
: 2 éléments sont nécessaires n
:
Séquence dynamique :
1 coupe coronale oblique
est répétée
au cours du temps
après injection

Le problème
Les volumes des 2 reins sont estimés s en délimitant d
manuellement
2 aires, à partir d’une d
image de la séquence s
dynamique.
Cette estimation est grossière re car:
une éventuelle atrophie focale située e en avant ou en arrière re de l’image l
n’est n
pas prise
en compte
le plan de coupe doit passer strictement par le grand axe des 2 reins, ce qui est en
pratique aléatoire
atoire
les reins ne sont pas forcément réguliers r
et symétriques par rapport au plan de
coupe optimal (coronal oblique).
Par ailleurs, certains auteurs ont insisté sur la prépond
pondérance du
volume rénal r
dans le calcul de la fonction rénale r
sépars
parée [4] .

Rationnel de l’él
’étude
La volumétrie rénale r
en IRM est donc nécessaire. n
Plusieurs études ont eu recours à :
une segmentation manuelle associée [5-6]
ou non à un seuillage [7
Longue (segmentation de toutes les images)
Et modérément ment reproductible
une segmentation semi-automatique
[4,11]
[4,11] :
Plus rapide
Mais la précision et la reproductibilité n’ont pas été évaluées.
[7-10]
:

But de l’él
’étude
Evaluer la fiabilité d’un algorithme de segmentation
semi-automatique basé sur les fonctions de croyance,
dédié à la volumétrie rénale. r
Cet algorithme est intégr
gré dans un plug-in, que notre
laboratoire a développd
veloppé : MR Urography [12,13] .
Il permet de traiter les images d’urod
uro-IRM fonctionnelle.
Il fonctionne sous ImageJ, logiciel téléchargeable
t
gratuitement, sur le site du NIH* : http://rsb.info.nih.gov/ij
*National Institutes of Health

Evaluations
Précision +++
Variabilité intra- et inter-observateurs
Temps de post-traitement
traitement

Matériel et méthodesm
Retour au sommaire

Les fonctions de croyance
Théorie mathématique
matique :
- introduite par Dempster (1967)
- gère les aspects imprécis et incertains des données
- notamment : bruit et volume partiel
Segmentation 3D, à partir d’une d
pile d’images, d
par
étiquetage des voxels [14]

Rein
Pour aborder le fonctionnement des fonctions de croyance, prenons un exemple simple.
La formalisation mathématique des fonctions de croyance est abordée en annexe.

Image n du rein
Présence de volume partiel et de bruit

Image n
Intéressons nous à ce pixel représentant du bruit.
La question est de savoir si ce pixel appartient ou non au rein.
Son niveau de gris est compatible avec celui du rein, et à son contact immédiat.
Des techniques classiques de segmentation peuvent être mises en défaut :
- un seuillage conservera les pixels noirs
- une segmentation par croissance de germe conservera ce pixel qui est en contact avec le rein

Image n
L’algorithme basé sur les fonctions de croyance étudie :
- le niveau de gris du voxel à segmenter (« étiqueter »)
- et les niveaux de gris des 8 voxels adjacents (« connexes ») sur la même image

Absence de voxels ayant un niveau de gris compatible avec du rein
Image n-1
Image n
L’algorithme basé sur les fonctions de croyance étudie également
Les 18 (9x2) voxels adjacents des images sus et sous-jacentes
⇒ Analyse 3D (de 27 voxels)
Image n+1

faible
probabilité que le voxel étudié appartienne au rein
Intermédiaire
faible
Image n-1
Image n
Image n+1
L’analyse de l’ensemble de ces données (« fusion d’informations »)
permet à l’algorithme de décider si le voxel étudié appartient ou non au rein (« prise de décision »)

probabilité que le voxel étudié appartienne au rein
Après fusion d’informations
(provenant de 27 voxels)
faible
Prise de décision
Le voxel étudié est éliminé
L’analyse de l’ensemble de ces données (« fusion d’informations »)
permet à l’algorithme de décider si le voxel étudié appartient ou non au rein (« prise de décision »)

Tous les voxels dont la probabilité (après analyse 3D) d’appartenir au rein est faible sont éliminés
Image n finale après segmentation

Etude : reins d’animauxd
9 reins d’agneaux d
(pour mimer des reins d’enfants) d
11 reins de porcs (pour mimer des reins d’adultes) d
Mesures des volumes de référence r rence : par immersion dans
du sérum s
physiologique («(
déplacement de fluide »)
Fantômes IRM : Reins en suspension dans un milieu
graisseux (huile végétale v
et végétaline) v taline).

Acquisitions IRM
2 IRM : 1T (Philips), 1.5T (Siemens)
Densité de protons, , pour augmenter le signal des reins
(car in vivo l’él
’étude se fait en T1 avec injection de gadolinium)
Echo de gradient 3D (THRIVE, VIBE)
Avec saturation de la graisse
Axial et coronal
coupes d’éd
’épaisseurs différentes, jointives et chevauchées
es

Acquisitions 3D chevauchées
es
Acquisitions 3D :
Réglage par défaut d
sur les IRM Philips
Non réalisable r
sur l’IRM l
Siemens
Effectuées es avec une épaisseur de 4 mm (axial et coronal)
Durée e d’acquisition d
divisée e par 2 par rapport à des coupes
jointives de même épaisseur (4 mm), donc a priori intéressant
ressant…
Mais, en fait :
coupes de 8 mm d’éd
’épaisseur
chevauchées es de 4 mm

L’algorithme utilisé pour l’él
’étude :
2 classes (cf. annexe) car pas d’organes d
de voisinage
Ouverture d’une d
pile d’imagesd
L’utilisateur doit sélectionner la première et la dernière image où le rein est présent

L’algorithme utilisé pour l’él
’étude :
2 classes (cf. annexe) car pas d’organes d
de voisinage
Puis il trace un rectangle autour du rein sur l’image où le rein est le plus représenté
Ce rectangle doit entourer la totalité du reins sur les autres coupes sans le couper
(une vérification avant validation du rectangle est possible)
Puis la segmentation est lancée…

L’algorithme utilisé pour l’él
’étude :
2 classes (cf. annexe) car pas d’organes d
de voisinage
Etape de vérification de la segmentation
correction manuelle si besoin

L’algorithme utilisé pour l’él
’étude :
2 classes (cf. annexe) car pas d’organes d
de voisinage
Volume rénal (mL)

2 observateurs
Traitement des images
Pour chaque observateur, chaque acquisition, et pour
chaque rein : 4 mesures IRM indépendantes, sans
connaissance des vraies valeurs :
2 mesures sans modification manuelle
2 mesures avec modifications manuelles autorisées
Recueil pour chaque mesure:
Volume
Modifications manuelles de la segmentation
Temps de post-traitement
traitement

Calculs de la précision et des variabilité intra- et inter-observateurs
selon la méthode m
de Bland-Altman
[15] .
Les résultats r
présent
sentés s correspondent aux limites de concordance les plus importantes.
Ces calculs ont été effectués s pour des coupes d’éd
’épaisseurs variables, en axial et en coronal, sans et avec modifications manuelles

Résultats
Retour au sommaire

Volumes rénaux r
de référencer
rence
Volume moyen = 114 mL
Reins de porcs:
Volume moyen = 155 mL
[74 mL ; 224 mL]
Reins d’agneauxd
Volume moyen = 63 mL
[38,5 mL ; 99 mL]

Exemple de graphique de Bland-Altman utilisé pour évaluer la précision
de l’algorithme de segmentation basé sur les fonctions de croyance
Exemple correspondant aux paramètres suivants :
- l’IRM 1 Tesla, acquisition axiale, coupes jointives de 4 mm d’épaisseur
- 1ères mesures de l’observateur 1, sans modification manuelle.
Chaque point correspond à une erreur de mesure (« différences » en mL)
→ Biais (moyenne des erreurs de mesure de l’observateur 1) = 0,1 mL
→ Ecart type des différences (SDD) = 1,07 mL
→ LC 95% = 4 x 1,07 = 4,3 mL correspondant à [-2,1 mL; 2,2 mL]

Seules les limites de concordance
les plus larges sont reportées
Afin de limiter le nombre de résultats r
et d’en d
faciliter l’interprl
interprétation, tation, seules les
SDD les plus larges (résultats les moins satisfaisants) sont reportés
Ex: Pour l’acquisition l
correspondant aux paramètres précédents, les SDD sont:
1,07 pour l’observateur l
1 à partir des images de l’IRM l
1 T (diapo. précédente)
1,05 pour l’observateur l
2 à partir des images de l’IRM l
1 T.
1,75 pour l’observateur l
1 à partir des images de l’IRM l
1,5 T.
2,1 pour l’observateur l
2 à partir des images de l’IRM l
1,5 T. T (diapo suivante)
Ainsi 2,1 mL a été retenu comme le SDD le plus important, et a permis de
calculer les LC 95% = 4 x 2,1 = 8,4 mL (ce qui correspondait, d’aprd
après s les mesures
de l’observateur l
2 à partir des images de l’IRM l
1,5 T, à l’intervalle [-3[
3 mL; 5.4
mL], reporté dans le graphique de la diapositive suivante).

Précision
Axial
Coronal
♦ sans modifications
- avec modifications
Limites de concordance à 95% des précisions en fonction de l’orientation et de l’épaisseur des coupes.
8* : coupes de 4 mm chevauchées, ayant une épaisseur réelle de 8 mm.
Toutes les limites de concordance passent par 0.
Les SDD maximaux avaient pour valeur :
Pour les coupes adjacentes :
- 2,2 mL en axial
- 3,7 mL en coronal
Pour les coupes de 4 mm chevauchées :
- 1,4 mL en axial
- 10,2 mL en coronal

Variabilité intra-observateur
Axial
Coronal
♦ sans modifications
- avec modifications
Limites de concordance à 95% des précisions en fonction de l’orientation et de l’épaisseur des coupes.
8* : coupes de 4 mm chevauchées, ayant une épaisseur réelle de 8 mm.
Toutes les limites de concordance passent par 0.
Les SDD maximaux avaient pour valeur :
Pour les coupes adjacentes :
- 0,6 mL en axial
- 3,3 mL en coronal
Pour les coupes de 4 mm chevauchées :
- 0,6 mL en axial
- 8,1 mL en coronal

Variabilité inter-observateurs
Axial
Coronal
♦ sans modifications
- avec modifications
Limites de concordance à 95% des précisions en fonction de l’orientation et de l’épaisseur des coupes.
8* : coupes de 4 mm chevauchées, ayant une épaisseur réelle de 8 mm.
Toutes les limites de concordance passent par 0.
Les SDD maximaux avaient pour valeur :
Pour les coupes adjacentes :
- 1,8 mL en axial
- 5,4 mL en coronal
Pour les coupes de 4 mm chevauchées :
- 0,6 mL en axial
- 5,7 mL en coronal

Modifications manuelles: exemple
Segmentation de la graisse intra-sinusale
Segmentation
automatique
Segmentation adaptée :
la graisse intra-sinusale n’est pas prise en compte
Mais, elle était prise en compte pour les
mesures de références (par immersion)

Modifications manuelles: exemple
Segmentation de la graisse intra-sinusale
Segmentation
automatique
Correction
manuelle

Toujours < 75 s
Durées de post-traitement
traitement

Discussion
Retour au sommaire

Coupes jointives
Coupes axiales :
Précises
: SDD ≤ 2,2 mL
Reproductibles :
SDD intra-obs
SDD inter-obs
SDD
SDD
≤ 0,6 mL
≤ 1,8 mL
Car peu de volume partiel
Acquisition difficile chez les enfants (respiration libre) :
-durée d’acquisition plus longue qu’en coronal (car + d’images)
- flou cinétique : mouvements respiratoires cranio-caudaux
Coupes coronales : moins fiables
Moins précises
: SDD ≤ 3,7 mL
Moins reproductibles :
SDD intra-obs
SDD inter-obs
SDD
SDD
≤ 3,3 mL
≤ 5,4 mL
En raison du volume partiel
Mais d’autant plus fiables
que les coupes sont fines
Durée e de traitement d’images d
toujours < 75 s

Coupes 3D 4 mm chevauchées
es
Volume partiel +++ (épaisseur réelle r
des coupes : 8 mm)
Coronal : inacceptable
Précision : SDD ≤ 10,5 mL
Var. intra-obs. : SDD ≤ 8,1 mL
Var. inter-obs. : SDD ≤ 5,7 mL

Limites de l’él
’étude
Nombre limité de classes : 2 (3 in vivo, cf. annexe)
Absence d’organes d
de voisinage (simplicité du fantôme)
Absence de graisse et de cavités s intra-sinusales
à éliminer
Absence de mouvements respiratoires

Applications cliniques
Quand et comment
acquérir les images volumétriques
Retour au sommaire

Protocole d’acquisition d
d’une d
uro-IRM
Repérage dans les 3 plans
Acquisition « urographique »
Séquence fortement pondérée e T2 fat sat coronale oblique (balanced(
FFE, ou ES rapide)
Acquisition dynamique
EG T1 rapide 3D (ou à défaut 2D monocoupe), avec une résolution r
temporelle < 5 s :
Positionnement coronal oblique dans l’axe l
des reins
Acquisition à blanc pendant 1 minute
Puis pendant 15-20 minutes après s injection de 0,05 mmol/kg de gadolinium
± Angio-IRM si syndrome de jonction
Acquisition volumique des 2 reins
Reprendre le temps tubulaire de la séquence s
dynamique 3D si coupes < 5 mm
Sinon acquisition EG T1 coronale oblique ou axiale (2D ou 3D), coupes < 5 mm
d’épaisseur :
Immédiatement après s l’angiol
angio-IRM
Sinon, , après s réinjection r
de 0,05 mmol/kg de gadolinium, au temps tubulaire

Conclusion et perspectives
Retour au sommaire

Conclusion
Les fonctions de croyance permettent une segmentation précise,
reproductible et rapide à partir de coupes axiales adjacentes.
Les résultats r
sont plus fiables en axial qu’en coronal, en raison des
effets de volume partiel.
Plus les coupes sont fines, plus les résultats r
de la segmentation sont
bons.
L’utilisation des coupes chevauchées es est à utiliser avec prudence :
l’épaisseur réelle r
correspond au double de la valeur affichée e sur
l’imageur
Le logiciel permet de traiter des images IRM provenant de
constructeurs différents.

Volumétrie corticale
Perspectives
Qui serait encore mieux corrélée à la fonction glomérulaire, que les volumes parenchymateux.
Pourrait être utilisée comme volume d’intérêt (VOI)
pour une étude dynamique à partir d’une acquisition 3D.

Volumétrie corticale
Perspectives
Fonctions de croyance : autres organes, y
compris en scanner.

Annexe
Fonctionnement des fonctions de croyance
en 5 étapes
Retour au sommaire

1 – Définition des sources d’informationd
Le voxel central V à étiqueter
Les voxels voisins V i
Taille du filtre (3x3x3)
Vi’’1
Vi’’2
Vi’’3
Vi1
Vi2
Vi3
Vi’’4
Vi’’
Vi’’5
Vi’1
Vi’4
Vi’2
Vi’
Vi’3
Vi’5
Vi4
Vi6
V
Vi7
Vi5
Vi8
Vi’’6 Vi’’7 Vi’’8
Coupe n+1
Vi’6
Vi’7
Vi’8
Coupe n
Coupe n-1

2 – Choix des caractéristiques ristiques des VOI
Nombre k de VOI (volumes d’intd
intérêt ou « classes »)
→ connu par l’application l
en fonction du type d’éd
’étude
→ 3 classes pour la volumétrie rénale r
in vivo

2 – Choix des caractéristiques ristiques des VOI
Nombre k de VOI (volumes d’intd
intérêt ou « classes »)
→ connu par l’application l
en fonction du type d’éd
’étude
→ 3 classes pour la volumétrie rénale r
in vivo

2 – Choix des caractéristiques ristiques des VOI
Nombre k de VOI (classes)
→ connu par l’applicationl

2 – Choix des caractéristiques ristiques des VOI
Nombre k de VOI (classes)
→ connu par l’applicationl
Les centres de gravité C k de chacune des classes
→ détermination automatique par l’algorithme l
des k-meansk
k = 3

3 – Calcul des masses de croyance
Degré de croyance qu’un un voxel appartienne à VOI k
1) du voxel étudié : V
m[V](VOI
VOI k ) = δ.e
-( γ.d V,Ck )
δ = 0,9
γ = 0,05

3 – Calcul des masses de croyance
2) des voxels voisins ViV
m[V i ](VOI
k ) = α i . δ. e -( γ.d Vi ,C
,C k
)
α i = e -(β.d Vi,V)
Pondération de la fiabilité des informations
en fonction de la distance euclidienne d V i , V
séparant le voxel étudié
des autres voxels du voisinage apportant une information

4 – Fusion des informations
V : k masses de croyances
V i : k.V i masses de croyances
Fusion des informations :
-loi mathématique matique de combinaison de Dempster
→ V : obtention de k masses de croyance
fusionnées : m f [V](VOI
VOI k )

5 – Prise de décisiond
Décision d’appartenance d
du voxel V à un VOI k
m f [V](VOI
VOI k ) la + forte permet d’attribuer d
le
voxel à une classe
k = 3
Revenir aux fonctions de croyance
(matériel et méthodes)

Références
Retour au sommaire

Références (1)
1. Rohrschneider WK, Becker K, Hoffend J, et al. Combined static-dynamic
MR urography for the
simultaneous evaluation of morphology and function in urinary tract obstruction. . II. Findings in
experimentally induced ureteric stenosis. Pediatr Radiol 2000;30:523
;30:523-532532
2. Rohrschneider WK, Haufe S, Clorius JH, Troger J. MR to assess renal function in children. Eur
Radiol 2003;13:1033
;13:1033-10451045
3. Rohrschneider WK, Haufe S, Wiesel M, et al. Functional and morphologic evaluation of
congenital urinary tract dilatation by using combined static-dynamic
MR urography: findings in
kidneys with a single collecting system. Radiology 2002;224:683-694
694
4. Grattan-Smith
JD, Perez-Bayfield
MR, Jones RA, et al. MR imaging of kidneys: functional
evaluation using F-15
perfusion imaging. Pediatr Radiol 2003;33:293-304
304
5. Coulam CH, Bouley DM, Sommer FG. Measurement of renal volumes with contrast-enhanced
MRI. J Magn Reson Imaging 2002;15:174-179
179
6. van den Dool SW, Wasser MN, de Fijter JW, Hoekstra J, van der Geest RJ. Functional renal
volume: : quantitative analysis at gadolinium-enhanced
MR angiography--
--feasibility
study in healthy
potential kidney donors. Radiology 2005;236:189-195
195
7. Bakker J, Olree M, Kaatee R, de Lange EE, Beek FJ. In vitro measurement of kidney size:
comparison of ultrasonography and MRI. Ultrasound Med Biol 1998;24:683-688
688
8. Bakker J, Olree M, Kaatee R, et al. Renal volume measurements: accuracy and repeatability of US
compared with that of MR imaging. Radiology 1999;211:623-628
628

Références (2)
9. Cheung CM, Shurrab AE, Buckley DL, et al. MR-derived
renal morphology and renal function
in patients with atherosclerotic renovascular disease. Kidney Int 2006;69:715-722
722
10. Cibulskyte D, Engberg A, Pedersen M, et al. Kidney volume increases during long-term
ciclosporin a treatment. Transplant Proc 2006;38:2714-2718
2718
11. Jones RA, Easley K, Little SB, Scherz H, Kirsch AJ, Grattan-Smith
JD. Dynamic contrast-
enhanced MR urography in the evaluation of pediatric hydronephrosis: : Part 1, functional
assessment. . AJR Am J Roentgenol 2005;185:1598-1607
1607
12. Lefort C, Dacher JN. Analyse de la fonction rénale r
sépars
parée e et de l'excrétion urinaire par IRM.
Application au syndrome de la jonction pyélour
lourétérale. . Feuillets de Radiologie 2005; 45:174-
190.
13. Lefort C, Marouteau-Pasquier Pasquier N, Pesquet AS, Pfister C, Vera P, Dacher JN. Dynamic MR
urography in urinary tract obstruction: implementation and preliminary results. Abdom
Imaging 2006; 31:232-240.
240.
14. Dieudonne A, Zhang P, Vannoorenberghe P, Gardin I. Semiautomated thoracic and abdominal
computed tomography segmentation using the belief functions theory: : application to 3D
internal dosimetry. . Cancer Biother Radiopharm 2007; 22:275-280.
280.
15. Bland JM, Altman DG. Statistical methods for assessing agreement t between two methods of
clinical measurement. Lancet 1986; 1:307-310.
310.

Remerciements
Retour au sommaire

Remerciements
À la Société Française aise de Radiologie : bourse de
Master.
Au Pr Jacques Thiébot
bot, , sans qui cette étude
n’aurait pas été possible.
A l’ensemble des manipulateurs d’IRMd
du CHU
de Rouen, pour leur compétence et leur
disponibilité.