Contexte & Objectifs
Le suivi longitudinal des gliomes et glioblastomes cérébraux repose sur la comparaison temporelle de scanners IRM réalisés à plusieurs mois d’intervalle. Ce projet fournit un pipeline complet de traitement et de visualisation 3D permettant :
- D’aligner géométriquement (recalage 3D) deux volumes IRM d’un même patient pour compenser les variations de position de la tête entre deux séances.
- D’isoler et segmenter la masse tumorale avant et après recalage, sur les deux acquisitions.
- De calculer l’évolution volumétrique précise de la tumeur (en $\text{mm}^3$ et $\text{cm}^3$) pour quantifier une régression ou une progression.
- De visualiser en 2D et 3D la superposition exacte des structures anatomiques et tumorales.
Le projet exploite deux acquisitions IRM 3D au format NRRD :
case6_gre1.nrrd (scan initial — image fixe) et case6_gre2.nrrd (scan de suivi — image mobile à recaler).
Interface Graphique (PyQt6 + VTK)
L’application est construite sous PyQt6 avec un thème sombre médical Deep Slate. Elle est structurée en deux écrans principaux.
Tableau de Bord de Résultats
Une fois les algorithmes exécutés en arrière-plan via des QThread, le tableau de bord principal s’affiche :
Ce tableau de bord combine :
- Un viewport VTK 3D (gauche) : rendu surfacique des deux tumeurs superposées avec la boîte crânienne volumique en semi-transparent.
- Trois vues de coupes 2D (droite) : vues Sagittale (X), Coronale (Y) et Axiale (Z) avec sliders interactifs synchronisés, permettant de naviguer dans les tranches de l’IRM.
- Un panneau analytique (sidebar) : scores de convergence de la métrique pre/post-recalage, graphique Matplotlib d’optimisation, et volumétries tumorales calculées.
| Donnée | Valeur |
|---|---|
| Volume Tumeur 1 (initiale) | 4,72 cm³ |
| Volume Tumeur 2 (suivi) | 7,64 cm³ |
| Évolution volumétrique | +61.8% |
Recalage d’Images Médicales 3D (ITK)
Le recalage cherche une transformation spatiale $\mathcal{T}: \mathbf{x} \mapsto \mathbf{x}'$ alignant l’image mobile $M(\mathbf{x})$ sur l’image fixe $F(\mathbf{x})$.
Transformations Implémentées
Trois types de transformations ont été développées :
| Transformation | Degrés de Liberté | Usage |
|---|---|---|
Rigide (VersorRigid3DTransform) |
6 DOF | Déplacements de tête entre séances |
Affine (AffineTransform) |
12 DOF | Déformations globales d’acquisition |
| B-Spline (grille de contrôle) | N DOF | Déformations locales tissulaires |
Stratégies d’Optimisation Avancées
Le pipeline ITK embarque plusieurs mécanismes pour garantir la robustesse du recalage :
- Initialisation par moments géométriques (
CenteredTransformInitializer) : aligne les centres de masse avant l’optimisation. - Métrique d’Information Mutuelle de Mattes (
MattesMutualInformationImageToImageMetricv4) avec 50 bins : $$\text{MI}(F, M) = \sum_{f} \sum_{m} p(f,m) \log \left( \frac{p(f,m)}{p(f)\,p(m)} \right)$$ - Pyramide multi-résolution à 3 niveaux (facteurs
[4, 2, 1], sigmas gaussiens[2, 1, 0]) pour éviter les minima locaux. - Échantillonnage aléatoire à 10% des voxels par itération — gain ×5 en vitesse sans perte de précision.
- Estimation automatique d’échelle (
RegistrationParameterScalesFromPhysicalShift) pour équilibrer rotations (radians) et translations (millimètres).
Graphique de Convergence de l’Optimiseur
L’évolution de la métrique au fil des itérations illustre la minimisation progressive lors du recalage :
Segmentation Tumorale & Volumétrie 3D
Segmentation Automatique (Multi-Otsu + Solidité Morphologique)
Le pipeline automatique s’enchaîne en trois étapes :
- Seuillage Multi-Otsu (
OtsuMultipleThresholdsImageFilter) — découpe l’histogramme des niveaux de gris en 4 classes pour isoler les hyper-intensités du noyau tumoral. - Ouverture Morphologique (
BinaryMorphologicalOpeningImageFilter) — élimine le bruit et détache les petites structures vasculaires via un élément structurant rectangulaire 2D. - Composantes Connexes & Critère de Solidité — labélise les régions (
ConnectedComponentImageFilter). Pour chaque composante de plus de 500 voxels, sa solidité est évaluée :
La région à la solidité géométrique maximale est sélectionnée comme tumeur.
Segmentation Semi-Automatique (Region Growing)
L’algorithme ConfidenceConnectedImageFilter s’étend depuis un point germe au cœur de la tumeur vers les voxels voisins dont l’intensité s’inscrit dans :
où $\mu$ et $\sigma$ sont la moyenne et l’écart-type de la région courante ($c = 2.3$).
Calcul du Volume Physico-Médical
Le volume physique est calculé à partir du spacing ITK $(s_x, s_y, s_z)$ :
$$V_{\text{tumeur}} \; (\text{mm}^3) = N_{\text{voxels}} \times (s_x \times s_y \times s_z)$$ $$V_{\text{tumeur}} \; (\text{cm}^3) = \frac{V_{\text{tumeur}} \; (\text{mm}^3)}{1000}$$Visualisation 3D Interactive (VTK)
La couche de visualisation s’appuie sur le binding Python de VTK et QVTKRenderWindowInteractor :
- Rendu surfacique 3D (
vtkDiscreteMarchingCubes) — extrait les isosurfaces 3D des masques binaires. Tumeur 1 en rouge#EF4444, Tumeur 2 en bleu#3B82F6, avec opacité 0.95. - Rendu volumique anatomique de fond (
vtkSmartVolumeMapper) — boîte crânienne et tissu cérébral affichés en arrière-plan semi-transparent (opacité max 0.08) viavtkColorTransferFunction. - Fusion d’images 2D multi-calques (
vtkImageBlend) — blend en temps réel de l’IRM en niveaux de gris avec les masques colorés semi-transparents viavtkImageMapToColors.
Discussion & Perspectives
L’analyse visuelle révèle plusieurs éléments cliniques importants sur ce cas :
- Traces de résection chirurgicale : une cavité et une cicatrice visibles indiquent une intervention antérieure.
- Récidive tumorale périphérique : la tumeur prolifère en bordure de la zone réséquée, et non comme une sphère isolée.
- Limitation NRRD vs. HU : contrairement aux données CT en unités Hounsfield, les valeurs IRM du format NRRD sont des intensités relatives non calibrées, rendant impossible le pré-filtrage direct par densité tissulaire.
Perspectives : intégration de modèles de deep learning 3D (nnU-Net) pour surmonter les variations de contraste IRM, et extension à la gestion des tumeurs multifocales.