Traitement des images médicales

Ce cours présente les principes fondamentaux du traitement des images médicales numériques en trois et quatre dimensions. Il met l’accent sur les applications à la recherche biomédicale, neuroscientifique et clinique.

Ces dernières années, le domaine du traitement des images médicales a connu une croissance exponentielle dans les secteurs académique et privé.

Les objectifs du traitement des images médicales peuvent être divisés en 3 grands groupes : l’aide au diagnostic, l’aide au traitement et la recherche sur la physiopathologie des maladies, et le développement de biomarqueurs. Depuis les premières applications des rayons X, l’imagerie médicale a représenté une percée dans la médecine. Aujourd’hui, le nombre de modalités d’imagerie ne cesse de croître, fournissant une variété croissante de différents types d’informations. L’intégration de différentes modalités pour l’extraction, la visualisation et l’interprétation automatisées d’informations est le principal moteur du développement de nouvelles technologies de traitement des images médicales. En particulier, le traitement des images médicales joue plusieurs rôles dans la médecine d’aujourd’hui :

    • Visualisation et quantification des données d’images dans le but de réduire l’erreur humaine dans le diagnostic
    • Assistance à la planification chirurgicale
    • Suivi automatisé de… changements en réponse à un traitement donné
    • Investigation de la physiopathologie des maladies
    • Développement de biomarqueurs

    Dans ce cours, nous verrons une introduction générale au domaine, les principaux problèmes en suspens ainsi que les outils mathématiques permettant d’y apporter des solutions.

    Objectifs

    L’objectif principal de ce cours est de présenter aux étudiants une introduction générale au domaine du traitement des images médicales en partant de l’acquisition des images jusqu’aux applications en planification chirurgicale et en neurosciences.

    Programme

    1. Acquisition : Principes fondamentaux de l’acquisition d’images par tomographie assistée par ordinateur et par résonance magnétique nucléaire.
      • Introduction générale aux différentes modalités d’imagerie médicale en trois et quatre dimensions : Tomodensitométrie, résonance magnétique nucléaire, tomographie par émission de positons et, tomodensitométrie par émission de photons uniques .
      • Reconstruction d’images numériques de tomodensitométrie en utilisant la résolution des systèmes linéaires
      • Acquisition d’images de résonance magnétique nucléaire. En particulier les images fonctionnelles anatomiques T1, T2, à contraste dépendant du niveau d’oxygène dans le sang, et l’imagerie pondérée en diffusion.
    2. Traitement du signal : Brève présentation des principes fondamentaux de la représentation et du traitement du signal numérique.
      • Introduction aux principes fondamentaux des signaux numériques, décomposition de Fourier, théorie de l’échantillonnage de Nyquist, quantification et rapport signal/bruit.
      • Principes de filtrage et d’amélioration du rapport signal/bruit dans les images à deux ou plusieurs dimensions.
    3. Segmentation d’images et identification d’objets : principes fondamentaux de la segmentation d’images en divers objets d’intérêt, par exemple le fond et l’objet principal ; identification de divers organes dans les tomodensitométries à large champ de vision, tels que le foie et les poumons ; identification des structures corticales et sous-corticales du cerveau.

      • Segmentation utilisant des seuils combinés et la morphologie mathématique.
      • Séparation des fonctions de probabilité multimodales pour la segmentation de différents tissus.
      • Incorporation de connaissances a priori dans les modèles de segmentation.
  • Représentation tridimensionnelle des structures anatomiques : une fois que les structures anatomiques d’intérêt ont été segmentées, ce module examinera les différentes manières de représenter ces structures par le calcul.
    • Extraction d’objets tridimensionnels à partir d’images binaires, méthode des cubes de mars.
    • Représentation de structures à l’aide de systèmes particulaires.
  • Enregistrement d’images médicales : Introduction à l’enregistrement d’images médicales, enregistrement entre paires d’objets, création d’atlas et enregistrement de groupes

    • Enregistrement de structures anatomiques : représentation par des repères, des surfaces tridimensionnelles et des images tridimensionnelles.
    • Modèles linéaires : fonctions de similarité, familles de transformations, enregistrement rigide et affine.
    • Modèles déformables : représentation informatique des modèles déformables, champs de vitesse, modèles polyaffines, transformations inversibles.
    • Méthodes d’optimisation pour le recalage des images médicales.

    Applications dans les études de population et la planification chirurgicale

    • Applications de l’analyse statistique de population : modèles de morphométrie statistique à base de voxels, analyse d’imagerie par résonance magnétique fonctionnelle et analyse de morphométrie tensorielle.
    • Applications à la planification chirurgicale cérébrale et thoraco-abdominale.

    Connaissances préalables recommandées

    • Connaissance de la programmation et des structures de données
    • Analyse mathématique et algèbre linéaire
    • Éléments de calcul numérique

    En particulier, en ce qui concerne les étudiants du département d’informatique de la FCEyN, UBA, cela équivaut à avoir suivi les matières :

      • Algorithmes et structures de données I
      • Méthodes numériques
        .

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *