Luận văn thạc sĩ caractérisation de cas atypiques de la maladie de parkinson

Luận văn thạc sĩ nghiên cứu đặc điểm các trường hợp bệnh Parkinson không điển hình. Tìm hiểu sâu về chẩn đoán và biểu hiện lâm sàng khác biệt.

• Tác giả: Nguyen Huu Giao
• Người hướng dẫn: M. Bertrand Kerautret, Maître De Conférences Université Henri Poincaré, IUT St Dié
• Trường học: Université Henri Poincaré
• Chuyên ngành: Informatique
• Đề tài: Caractérisation De Cas Atypiques De La Maladie De Parkinson
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2008
• Địa điểm: Vandoeuvre-lès-nancy

Tóm tắt

I. Phân tích luận văn thạc sĩ về ca Parkinson không điển hình

Luận văn thạc sĩ với chủ đề Caractérisation de cas atypiques de la maladie de Parkinson là một nghiên cứu y khoa tiên phong, kết hợp giữa y học và khoa học máy tính để giải quyết một trong những thách thức lớn nhất của ngành thần kinh học. Công trình này tập trung vào việc phát triển một phương pháp định lượng bán tự động để phân biệt các dạng bệnh Parkinson không điển hình, một nhóm các rối loạn thần kinh thoái hóa thường bị chẩn đoán nhầm với bệnh Parkinson cổ điển. Bối cảnh của nghiên cứu xuất phát từ thực tế rằng các hội chứng Parkinson-plus như liệt trên nhân tiến triển (PSP) hay teo đa hệ thống (MSA) có các biểu hiện lâm sàng chồng chéo nhưng lại đòi hỏi phương pháp điều trị và tiên lượng hoàn toàn khác biệt. Luận văn này, một ví dụ điển hình của luận văn tốt nghiệp y khoa ứng dụng công nghệ, đề xuất một giải pháp dựa trên chẩn đoán hình ảnh thần kinh (neuroimaging), cụ thể là phân tích hình ảnh cộng hưởng từ (MRI) não bộ. Mục tiêu cốt lõi là xây dựng một công cụ hỗ trợ các nhà thần kinh học và X-quang, giúp họ đưa ra chẩn đoán chính xác hơn dựa trên các bằng chứng khách quan, thay vì chỉ dựa vào quan sát định tính. Phương pháp này hứa hẹn cải thiện độ chính xác trong chẩn đoán sớm, một yếu tố cực kỳ quan trọng để quản lý bệnh và nâng cao chất lượng sống cho bệnh nhân. Đây là một bước tiến quan trọng trong việc lượng hóa các đặc điểm hình thái học của não bộ, mở đường cho việc phát hiện các dấu ấn sinh học (biomarkers) mới dựa trên hình ảnh.

1.1. Bối cảnh nghiên cứu y khoa về rối loạn thần kinh thoái hóa

Các rối loạn thần kinh thoái hóa, đặc biệt là nhóm bệnh Parkinson, đặt ra nhiều thách thức cho y học hiện đại. Bệnh Parkinson không điển hình hay hội chứng Parkinson-plus bao gồm một loạt các bệnh lý như teo đa hệ thống (MSA), liệt trên nhân tiến triển (PSP), và thoái hóa vỏ não-hành não (CBD). Các hội chứng này có chung nhiều triệu chứng vận động ban đầu với bệnh Parkinson cổ điển, nhưng tiến triển nhanh hơn và thường có đáp ứng Levodopa kém. Việc chẩn đoán sai không chỉ ảnh hưởng đến hiệu quả điều trị mà còn gây ra những gánh nặng tâm lý và tài chính cho bệnh nhân và gia đình. Luận văn này ra đời từ nhu cầu cấp thiết về một công cụ chẩn đoán khách quan và đáng tin cậy.

1.2. Mục tiêu chính của luận văn tốt nghiệp y khoa này

Mục tiêu chính của luận văn là đề xuất một kỹ thuật đo lường sự teo của thân não bằng cách phân tích độ cong trên hình ảnh MRI. Cụ thể, nghiên cứu tập trung vào ba giai đoạn: (1) Phân đoạn vùng thân não trên ảnh MRI một cách bán tự động, (2) Trích xuất và đo lường chính xác độ cong của đường viền thân não bằng các thuật toán xử lý ảnh tiên tiến, và (3) Sử dụng các số đo độ cong này để phân biệt các trường hợp bệnh lý (pathological cases) và các trường hợp bình thường (normal cases), đóng góp vào việc chẩn đoán phân biệt Parkinson một cách hiệu quả. Đây là một ví dụ về việc áp dụng phương pháp nghiên cứu khoa học liên ngành để giải quyết vấn đề lâm sàng.

II. Thách thức chẩn đoán phân biệt hội chứng Parkinson plus

Việc chẩn đoán phân biệt Parkinson và các hội chứng Parkinson-plus là một bài toán phức tạp ngay cả với các chuyên gia thần kinh kinh nghiệm. Các triệu chứng ban đầu có thể rất giống nhau, bao gồm run, cứng cơ, và chậm vận động. Tuy nhiên, các hội chứng không điển hình thường đi kèm với các triệu chứng phi vận động và các dấu hiệu đặc trưng khác không có trong bệnh Parkinson cổ điển, chẳng hạn như ngã sớm và thường xuyên trong PSP hoặc rối loạn chức năng tự chủ nghiêm trọng trong MSA. Một trong những thách thức lớn nhất là sự thiếu hụt các dấu ấn sinh học (biomarkers) đáng tin cậy có thể được phát hiện sớm. Hiện tại, chẩn đoán chủ yếu dựa vào đánh giá lâm sàng, và việc xác nhận cuối cùng thường chỉ có thể thực hiện được sau khi khám nghiệm tử thi. Phương pháp chẩn đoán hình ảnh thần kinh (neuroimaging) truyền thống, mặc dù hữu ích, thường chỉ cho thấy những thay đổi rõ rệt ở giai đoạn muộn của bệnh. Các nhà nghiên cứu và bác sĩ lâm sàng cần những công cụ định lượng có khả năng phát hiện những thay đổi tinh vi trong cấu trúc não bộ, chẳng hạn như sự teo nhẹ của thân não, để có thể can thiệp sớm hơn. Luận văn này trực tiếp giải quyết vấn đề này bằng cách tập trung vào việc lượng hóa một đặc điểm hình thái học cụ thể, mở ra hy vọng về một phương pháp chẩn đoán chính xác hơn.

2.1. Hạn chế của các phương pháp chẩn đoán lâm sàng hiện tại

Chẩn đoán lâm sàng hiện tại phụ thuộc nhiều vào kinh nghiệm của bác sĩ và quá trình theo dõi diễn tiến bệnh. Sự chồng chéo của các triệu chứng vận động và triệu chứng phi vận động giữa các hội chứng Parkinson khác nhau thường dẫn đến chẩn đoán sai, đặc biệt là trong những năm đầu. Ví dụ, một bệnh nhân sa sút trí tuệ thể Lewy (DLB) có thể bị chẩn đoán nhầm là bệnh Alzheimer hoặc Parkinson. Những chẩn đoán không chính xác này dẫn đến việc lựa chọn phác đồ điều trị không phù hợp và làm lãng phí thời gian quý báu của bệnh nhân.

2.2. Vai trò của chẩn đoán hình ảnh thần kinh neuroimaging

MRI não là một công cụ không thể thiếu, nhưng việc diễn giải hình ảnh thường mang tính định tính. Các bác sĩ X-quang có thể nhận thấy "teo thân não" hoặc "teo tiểu não", nhưng việc đánh giá mức độ teo thường chủ quan. Luận văn này nhấn mạnh sự cần thiết phải chuyển từ phân tích định tính sang định lượng. Bằng cách đo lường chính xác độ cong, nghiên cứu cung cấp một con số cụ thể, một chỉ số khách quan có thể được sử dụng để theo dõi sự tiến triển của bệnh và so sánh giữa các bệnh nhân, tạo tiền đề cho một hệ thống hỗ trợ chẩn đoán dựa trên bằng chứng.

III. Phương pháp ước tính độ cong GMC trong chẩn đoán Parkinson

Nền tảng kỹ thuật của luận văn là việc áp dụng bộ ước tính độ cong tối ưu toàn cục (GMC - Global Min-Curvature estimator), một thuật toán mạnh mẽ được giới thiệu bởi Kerautret và cộng sự. Đây là một phương pháp nghiên cứu khoa học đột phá trong lĩnh vực hình học kỹ thuật số. Không giống như các phương pháp ước tính độ cong cục bộ dễ bị ảnh hưởng bởi nhiễu (noise) trong hình ảnh y tế, GMC hoạt động dựa trên nguyên tắc tối ưu hóa toàn cục. Thuật toán này xem xét toàn bộ đường viền (contour) của đối tượng để tìm ra một đường cong trơn tru và hợp lý nhất, phù hợp với dữ liệu điểm ảnh rời rạc. Ưu điểm chính của GMC là độ chính xác và tính ổn định cao, ngay cả khi làm việc với các đường viền có độ phân giải thấp hoặc bị nhiễu. Trong bối cảnh phân tích hình ảnh MRI, nơi các cấu trúc giải phẫu có thể không rõ ràng, khả năng chống nhiễu của GMC là cực kỳ quý giá. Luận văn đã khai thác triệt để những ưu điểm này để đo lường độ cong của thân não một cách đáng tin cậy. Bằng cách sử dụng GMC, nghiên cứu có thể trích xuất các thông tin hình học tinh vi mà các phương pháp khác có thể bỏ qua, tạo ra một dấu ấn sinh học (biomarkers) hình ảnh tiềm năng cho việc chẩn đoán phân biệt Parkinson.

3.1. Nguyên lý của bộ ước tính độ cong tối ưu toàn cục GMC

Bộ ước tính GMC hoạt động bằng cách xác định các giới hạn về hướng tiếp tuyến tại mỗi điểm trên một đường viền kỹ thuật số. Sau đó, nó sử dụng một thuật toán tối ưu hóa để tìm ra một đường cong liên tục có tổng bình phương độ cong là nhỏ nhất, trong khi vẫn tôn trọng các giới hạn đã xác định. Quá trình này đảm bảo rằng đường cong kết quả không chỉ phù hợp với dữ liệu điểm ảnh mà còn có tính trơn tru về mặt hình học. Phương pháp này đặc biệt hiệu quả trong việc loại bỏ các dao động giả do quá trình số hóa hình ảnh gây ra.

3.2. Ưu điểm về độ chính xác và ổn định so với phương pháp khác

So với các bộ ước tính dựa trên vòng tròn nội tiếp hoặc các phương pháp cục bộ khác, GMC cho kết quả ổn định hơn nhiều. Các phương pháp truyền thống thường tạo ra các giá trị độ cong dao động mạnh khi có nhiễu, gây khó khăn cho việc phân tích. Ngược lại, GMC cung cấp một biểu đồ độ cong mượt mà, giúp dễ dàng xác định các điểm cực đại và cực tiểu có ý nghĩa, tương ứng với các đặc điểm hình thái học quan trọng của cấu trúc giải phẫu đang được nghiên cứu, ví dụ như mức độ teo của thân não trong các ca lâm sàng hiếm gặp.

IV. Bí quyết trích xuất đường viền thân não từ độ cong tham chiếu

Luận văn trình bày một phương pháp trích xuất đường viền bán tự động và thông minh, kết hợp thuật toán tìm đường đi ngắn nhất (Live-Wire) với các ràng buộc hình học. Quá trình này không chỉ dựa vào thông tin gradient của ảnh (sự thay đổi cường độ điểm ảnh) mà còn được dẫn dắt bởi một "hình dạng tham chiếu" được định nghĩa trước thông qua độ cong. Người dùng khởi tạo quá trình bằng cách chọn hai điểm trên ảnh MRI. Hệ thống sau đó sẽ tự động tạo ra một danh sách các đường viền "ứng viên" tiềm năng nối hai điểm này. Điểm mấu chốt của phương pháp là quá trình chọn lọc thông minh để tìm ra đường viền tốt nhất. Quá trình này diễn ra qua nhiều bước, sử dụng các ràng buộc cả về trắc quang (photometric) và hình học. Đầu tiên, hệ thống loại bỏ các ứng viên có năng lượng (energy) cao, tức là những đường không đi theo các cạnh rõ nét trên ảnh. Sau đó, nó tiếp tục lọc dựa trên chiều dài của đường viền, loại bỏ những đường quá dài hoặc quá ngắn so với dự kiến. Cuối cùng và quan trọng nhất, hệ thống so sánh độ cong của từng đường viền ứng viên còn lại với một giá trị độ cong tham chiếu (Cref). Đường viền có độ cong gần nhất với giá trị tham chiếu sẽ được chọn là kết quả cuối cùng. Cách tiếp cận này giúp hệ thống vượt qua được các vùng ảnh nhiễu hoặc có độ tương phản thấp, nơi các phương pháp chỉ dựa vào gradient sẽ thất bại.

4.1. Xây dựng danh sách ứng viên tiềm năng bằng Live Wire

Thuật toán Live-Wire (hay Intelligent Scissors) được sử dụng để nhanh chóng tạo ra các đường đi có chi phí thấp nhất giữa các điểm ảnh, dựa trên các đặc điểm như độ lớn và hướng của gradient. Luận văn mở rộng ý tưởng này bằng cách không chỉ tìm một đường đi duy nhất, mà tạo ra một không gian các đường đi tiềm năng bằng cách xoay và dịch chuyển đường nối giữa hai điểm tham chiếu, từ đó xây dựng một danh sách ứng viên phong phú cho bước lựa chọn tiếp theo.

4.2. Quy trình chọn lọc đường viền tối ưu dựa trên ràng buộc

Quá trình chọn lọc đa tầng là điểm cốt lõi của phương pháp. Nó hoạt động như một bộ lọc thông minh: (1) Ràng buộc năng lượng: Giữ lại các đường viền ứng viên có tổng chi phí gradient thấp, tức là bám sát các cạnh trên ảnh. (2) Ràng buộc chiều dài: Loại bỏ các đường đi vòng hoặc bất thường. (3) Ràng buộc độ cong: So sánh đặc tính hình học của ứng viên với một mô hình tham chiếu. Sự kết hợp này đảm bảo kết quả cuối cùng vừa phù hợp với dữ liệu ảnh, vừa có hình dạng hợp lý về mặt giải phẫu.

V. Ứng dụng thực tiễn phân tích ca lâm sàng hiếm gặp trên MRI

Giá trị của luận văn được thể hiện rõ nhất qua phần ứng dụng thực tiễn trên các ca lâm sàng hiếm gặp. Nghiên cứu đã tiến hành thực nghiệm trên dữ liệu hình ảnh MRI thực tế từ các bệnh nhân được chẩn đoán mắc các dạng bệnh Parkinson không điển hình, cụ thể là các bệnh nhân tại vùng Guadeloupe. Các kết quả thực nghiệm cho thấy phương pháp đề xuất có khả năng trích xuất thành công đường viền của thân não với độ chính xác cao. Quan trọng hơn, các giá trị độ cong được đo lường cho thấy sự khác biệt có ý nghĩa thống kê giữa các nhóm bệnh nhân khác nhau và nhóm chứng khỏe mạnh. Ví dụ, một bệnh nhân được chẩn đoán liệt trên nhân tiến triển (PSP) có giá trị độ cong trung bình của thân não là C1 = 0.060, trong khi một trường hợp khác (nghi ngờ là trường hợp bình thường hoặc dạng bệnh khác) có giá trị C2 = 0.045. Sự chênh lệch này, dù nhỏ, nhưng có thể đo lường được một cách khách quan và có thể trở thành một chỉ số quan trọng trong việc chẩn đoán phân biệt Parkinson. Luận văn cung cấp các bảng và biểu đồ chi tiết, so sánh kết quả đo lường và thời gian tính toán, chứng minh tính hiệu quả và khả thi của phương pháp trong môi trường lâm sàng. Đây là một bước tiến quan trọng từ một tổng quan tài liệu y văn lý thuyết đến một công cụ ứng dụng có tiềm năng.

5.1. Kết quả thực nghiệm trên hình ảnh MRI của bệnh nhân

Thực nghiệm được tiến hành trên ảnh MRI T1-weighted với độ phân giải 300x300 pixel. Luận văn trình bày chi tiết các trường hợp cụ thể, minh họa cách người dùng khởi tạo các điểm tham chiếu và cách hệ thống tự động trích xuất đường viền. Kết quả cho thấy phương pháp này mạnh mẽ, ngay cả khi các điểm khởi tạo không hoàn toàn chính xác. Hệ thống có khả năng tự điều chỉnh để tìm ra đường viền tối ưu, thể hiện tiềm năng ứng dụng trong thực tế lâm sàng bận rộn.

5.2. Đo lường teo thân não và chẩn đoán phân biệt Parkinson

Sự teo thân não, một dấu hiệu đặc trưng của PSP, được lượng hóa thông qua sự thay đổi độ cong. Một thân não teo sẽ có đường viền "lõm" hơn, tương ứng với giá trị độ cong cao hơn. Bằng cách cung cấp một con số định lượng, phương pháp này cho phép các bác sĩ theo dõi sự tiến triển của bệnh theo thời gian và so sánh hiệu quả của các phương pháp điều trị một cách khách quan. Đây chính là cầu nối giữa chẩn đoán hình ảnh thần kinh và y học chính xác.

VI. Tương lai nghiên cứu Parkinson từ luận văn đến ứng dụng 3D

Luận văn thạc sĩ Caractérisation de cas atypiques de la maladie de Parkinson không chỉ là một công trình học thuật hoàn chỉnh mà còn mở ra nhiều hướng phát triển đầy hứa hẹn. Đóng góp chính của nghiên cứu là đã xây dựng thành công một phương pháp nghiên cứu khoa học mới, kết hợp giữa hình học kỹ thuật số và phân tích hình ảnh y tế để lượng hóa các đặc điểm hình thái học của não bộ. Phương pháp này cung cấp một công cụ định lượng, khách quan để hỗ trợ chẩn đoán phân biệt Parkinson, vượt qua những hạn chế của việc đánh giá định tính truyền thống. Tuy nhiên, tác giả cũng nhận thức rõ các giới hạn và đề xuất các hướng đi trong tương lai. Một trong những hướng đi quan trọng nhất là mở rộng phương pháp từ phân tích 2D trên lát cắt sagittal sang phân tích 3D toàn bộ bề mặt của thân não. Điều này sẽ cung cấp một cái nhìn toàn diện hơn về sự thay đổi cấu trúc và có thể phát hiện ra những dấu ấn sinh học (biomarkers) hình ảnh tinh vi hơn. Việc áp dụng các thuật toán như 3D Live-Wire và các bộ ước tính độ cong trên bề mặt 3D sẽ là bước tiếp theo. Hơn nữa, việc tự động hóa hoàn toàn quá trình, đặc biệt là khâu xác định các điểm tham chiếu ban đầu bằng các kỹ thuật như Phân tích thành phần chính (PCA), sẽ giúp giảm thiểu sự can thiệp của người dùng và tăng tính nhất quán của kết quả.

6.1. Đóng góp chính của phương pháp nghiên cứu khoa học này

Đóng góp cốt lõi là việc giới thiệu một quy trình làm việc mới để trích xuất và phân tích đường viền dựa trên thông tin hình học (độ cong) thay vì chỉ dựa vào thông tin ảnh (gradient). Phương pháp này đã được chứng minh là mạnh mẽ và chính xác trong việc phân tích các ca lâm sàng hiếm gặp của bệnh Parkinson không điển hình. Nó đặt nền móng cho việc phát triển các hệ thống hỗ trợ chẩn đoán bằng máy tính (CAD) thông minh hơn cho các rối loạn thần kinh thoái hóa.

6.2. Hướng phát triển Mở rộng sang phân tích bề mặt 3D

Tương lai của lĩnh vực này nằm ở phân tích ba chiều. Một phân tích bề mặt 3D của thân não sẽ cho phép tính toán các độ cong chính (principal curvatures) và độ cong Gauss, cung cấp một đặc tả hình học phong phú hơn nhiều so với phân tích 2D. Việc kết hợp dữ liệu 3D với các kỹ thuật học máy có thể dẫn đến việc tạo ra các mô hình dự báo mạnh mẽ, có khả năng phân biệt hội chứng Parkinson-plus với độ chính xác cao ngay từ giai đoạn sớm, cải thiện đáng kể tiên lượng cho bệnh nhân.

Trích đoạn nội dung tài liệu

INSTITUT DE LA FRANCOPHONIE LABORATOIRE LORRAIN DE RECHERCHE POUR L’INFORMATIQUE EN INFORMATIQUE ET SES APPLICATIONS — UMR 7503 — Caractérisation de cas atypiques de la maladie de Parkinson Mémoire de fin d’études Master d’Informatique Etudiant : NGUYEN Huu Giao Encadrants : M. Bertrand Kerautret Maître de conférences Université Henri Poincaré, IUT St Dié Mme. Isabelle Debled-Rennesson Habilitation à Diriger des Recherches Université Henri Poincaré Août 2008 54506 Vandoeuvre-lès-Nancy Cedex - France TIEU LUAN MOI download : [e-mail] Table des matières 1 Introduction 1 1.3 Objectifs initiaux du sujet .4 Contexte médical et contribution.5 Environnement de stage. 4 2 Estimateurs de courbure 5 2.1 Couverture tangentielle et espace de tangente .2 Couverture tangentielle et segments flous .3 Calcul de la courbure par optimisation .4 Analyse et Comparaison.

8 3 Extraction du contour à partir de la forme de référence 10 3.1 Construction de la liste des candidats potentiels .1 Extraction du chemin passant entre deux points .2 Méthode de la construction des candidats potentiels .2 Sélection du meilleur contour .1 Contrainte du minimum local d’énergie.2 Contraintes sur la longueur du contour.3 Contraintes sur la courbure. 18 4 Expérimentation & Application 19 5 Conclusion 25 A Publication à la conférence international 28 i TIEU LUAN MOI download : [e-mail] Table des figures 1.1 L’image exemple du cerveau humain.2 Illustration du résultat de la segmentation de la zone associée au tronc cérébral.1 Illustration de couverture tangentielle(a) et des pentes (b).2 Illustration du vecteur des points d’appui de l’enveloppe convexe.3 Illustration des différentes configurations.4 Illustration de la tangente estimée.5 Les résultats et comparaison de l’estimateur GMC avec l’estimateur de courbure discrète basé sur le cercle circonscrit.6 La comparaison des estimateurs GMC et NDC.1 Illustration de l’algorithme de recherche de frontières.2 Illustration des images gradients.3 Un cas exemple du besoin de la construction de la liste de candidats.4 Illustration de la liste des candidats potentialités.5 Illustration d’une courbe de l’énergie de tous les candidats de ζ 4 (a) et des contours des candidats (b).6 Illustration des plusieurs contours avec la même courbure .7 Illustration des contours différences de la liste de candidats avec les deux pre- miers contraintes sur une image noise de cercle (R = 61).1 La construction du cercle R = 61 dans une image bruite .2 Le résultat a obtenu sur une autre image bruitée qui contient deux cercles bruitées avec un rayon R1 = 88 et R2 = 65.3 Un exemple de re positionnement automatique des points références.4 L’image de cas référence pour le but de obtenir la courbure référence Cref .5 L’extraction de la zone associée au tronc cérébral du patient1.6 L’extraction de la zone associée au tronc cérébral du patient2.7 Un exemple complete des extractions du tronc cérébral du patient2. 24 ii TIEU LUAN MOI download : [e-mail] Liste des tableaux 4.1 Les résultats d’expérimentation d’un cercle R = 61 dans la Fig.2 Les résultats d’expérimentation d’un cercle R = 61 avec la mauvais initialisation des points références dans la Fig.3 Les résultats d’expérimentation du plus grand cercle R = 88 dans la Fig.4 Les résultats d’expérimentation du petit cercle R = 65 dans la Fig.5 Les résultats d’expérimentation avec MRI du patient1 et du patient2 .6 Les résultats d’un exemple complete des extractions avec MRI du patient2 .parkinson TIEU LUAN MOI download : [e-mail] Remerciements Je voudrais tout d’abord exprimer ma profonde reconnaissance à M.Bertrand Kerautret et Mme.Isabelle Debled-Rennesson, mes responsables de stage, qui ont dirigé mon travail. Ses conseils et ses commentaires précieux m’ont permis de surmonter mes difficultés et de pro- gresser dans mes études.

Je tiens à remercier tous les membres de l’équipe ADAGIo, LORIA à Nancy pour leur accueil, leur sympathie ainsi que leurs idées constructives. Je remercie aussi à tous les professeurs pour les connaissances qu’ils m’ont transmises dans 2 années de l’IFI. Je remercie mes parents, ma famille, mes amis pour leur soutien constant lors de mes études. Enfin, merci ma petite amie, Uyen.Luong pour ta patience.parkinson TIEU LUAN MOI download : [e-mail] Résumé Un estimateur robuste de la courbure discrète a été proposé récemment par Kerautret et al.

Dans ce document, nous exploitons la précision et la stabilité de cet estimateur afin de définir une méthode d’extraction des contours pour analyser les caractéristiques géométriques. Nous proposons d’utiliser une fonction courbure de référence pour l’extraction de la frontière d’une forme dans une image en niveaux de gris. La frontière d’extraction se fait en utilisant des informations géométriques représentées par la courbure de référence et en utilisant aussi des informations gradients de l’image source. L’application de ce travail est accomplie dans une application médicale, qui concerne la contribution à la caractérisation des formes atypiques de la maladie de Parkinson.

Nous proposons une technique de mesure sur l’atrophie du tronc cérébral en mesurant la courbure dans le domaine discret. La première partie de ce travail a été consacrée à analyser le problème principal et la mo- tivation du sujet de stage. La deuxième partie concerne les notions principales de "Estimateur robuste de courbures par optimisation globale" (GMC) dans un travail précédent travail. Dans la troisième partie de ce document, nous proposons une stratégie pour définir une liste des contours pour l’analyse les caractéristiques géométriques et pour extraire ces contours.

Les résultats de cette approche est une application de comparer les courbes des cas pathologiques et des cas normales de la maladie de Parkinson sur les IRMs du cerveau de patients de la région Guadeloupe et quelques expériences sur les autres types d’images sont présentées dans la dernière partie.parkinson TIEU LUAN MOI download : [e-mail] Abstract A robust discrete curvature estimator was recently proposed by Kerautret and al. In this master thesis, we exploit the precision and stability of this estimator in order to define a contour extraction method for analysing geometric features. We propose to use a reference curvature function for extracting the frontier of a shape in a gray level image. The frontier extraction is done by using both geometric information represented by the curvature of refe- rence and by using gradient information contained in the source image.

The application of this work is done in a medical application, which concerns the contribution to the characterization of atypical forms of Parkinson’s disease. We introduce a technical measure on the atrophy of the brain stem measuring in the domain of discreet curvature. The first part of this work has been devoted to analyse the problem pricipal and the motivation of the sujet de stage.The second part concerns to some main notions of the robust estimator of curvature along digital contours with global optimization algorithm (GMC) of previous work. In the third part of this document, we propose a strategy to define a list of contours for analysing geometric feature and to extract these contours.

The results is a application to compare the curves of pathological cases and normals cases of the Parkinson’s disease on the MRIs(Magnetic resonance imaging) brains of patients in the region Guadeloupe and some experiments on several others types of images are presented in the last part.parkinson TIEU LUAN MOI download : [e-mail] Chapitre 1 Introduction 1.1 Problématique L’extraction des caractéristiques géométriques des objets discrets est une étape importante dans le domaine de l’analyse d’image. L’application de ce domaine est vaste comme dans l’imagerie médicale ou l’archéologie. Les estimateurs de l’aire, le périmètre ou la courbure sont utilisés pour caractériser les objets discrets d’intérêt. Le résultat de la mesure des informations géométriques précis n’est pas toujours une tâche facile, parce que la mesure des informations géométriques dépend de l’estimateur géométrique utilisé mais aussi dépend de la technique fournissant les contours discrets.

L’idée principale de ce travail est de proposer une méthode pour retrouver la forme du contour directement par l’extraction de la frontière à partir de contraintes géométriques. Les contraintes géométriques seront définies par la courbure fonction permettant d’obtenir une solution initialisée par l’utilisateur. Il existe des différentes approches robustes qu’ont été proposées dans le domaine de la segmentation d’image. En général, les composantes de l’image comme le contour ou la région sont extraites à partir d’informations a priori.

Cette information peut être définie, par exemple, comme un modèle géométrique de référence, les contraints ou l’interaction avec l’utilisateur. Un exemple bien connu est l’approche de minimisation d’énergie telles que les "snake" ou contours actifs [2, 3, 4]. Une autre approche appelée Active Shape Model (ASM) [5, 6, 7] a utilisé un modèle para- métrique pour l’extraction des formes. Ils ont utilisé les informations statistiques pour définir des paramètres.

Une autre technique bien connue pour la segmentation discrète interactive est l’algorithme intelligent scissors [8]. Cette technique permet à l’utilisateur de définir les contours par l’image gradient et de calculer le coût minimal entre 2 points définis par l’utili- sateur. Il a été utilisé souvent dans les applications médicales pour mesurer les formes [9, 10]. D’autres techniques exploitent cette idée (lazy snaping [11],enhanced lane [12] or grabcut [13]).

L’exploitation directe de la courbure quantitative évolution n’a pas été encore appliquée pour donner des contraintes a priori sur le contour à extraire. Même si Schoenemann et Cremers ont présenté un estimateur de courbure pour déterminer une solution optimale [14], mais leur approche n’utilise pas la courbure comme un modèle de référence. Un autre travail de Fšarber et al.[9] proposent une technique utilisant l’algorithme du livewire et qui se basent sur l’association des structures de chaque images. Dans ce cas, la courbure est seulement utilisée comme un paramètre pour le contour d’association.

Notre principal objectif dans ce mémoire est l’utilisation des descriptions quantitatives de 1 (LUAN.parkinson TIEU LUAN MOI download : [e-mail] la forme de la courbure afin d’extraire précisément les informations géométriques des contours de façon semi-automatiques. Notre approche est basée sur le Global Min-Curvature(GMC) estimateur introduit dans [1] et sur l’algorithme du plus court chemin défini sur la méthode Live-Wire. L’avantage principal de l’estimateur GMC est la robustesse au bruit et la stabilité qui permet d’extraire directement l’information géométrique.2 Motivation La motivation de ce sujet est le développement d’une application médicale qui utilise les techniques efficaces de la segmentation des objets discrets pour le but de la caractérisation de formes atypiques de la maladie de Parkinson. La Maladie de Parkinson [15, 16, 17] L’aperçu : La maladie de Parkinson est une maladie du système nerveux qui entraîne une perte du contrôle des muscles.

Elle affecte environ 0,4% des personnes âgées de plus de 40 ans et 1% de celles qui ont plus de 65 ans. Bien que l’âge moyen d’apparition de la maladie de Parkinson soit 57 ans, il arrive que la maladie débute pendant l’enfance. Les causes : Bien que les cellules du cerveau qui règlent les mouvements (neurones moteurs) soient situées dans la partie supérieure du cerveau, elles ont besoin d’une substance chimique appelée dopamine, qui est produite dans le tronc cérébral (noyaux gris centraux). Une des causes de la maladie de Parkinson est la déformation du tronc cérébral.1 – L’image exemple du cerveau humain.

Le tronc cérébral est la partie du système nerveux central située à l’intérieur du crâne (encéphale), entre le cerveau proprement dit et la moelle épinière au-dessous. Il sert de passage aux nerfs qui vont vers le cerveau et à ceux qui en partent : ce sont les voies de la sensibilité et de la motricité (faisceau pyramidal et extra-pyramidal). L’anatomie : Le tronc cérébral est situé entre la moelle épinière et le cerveau. Il comprend de bas en haut : – Le bulbe rachidien (jonction avec la moelle épinière cervicale).

– La protubérance annulaire. – Les pédoncules cérébraux (connectés aux hémisphères cérébraux). Le tronc cérébral Fig.1 est accolé en arrière au cervelet par les pédoncules cérébelleux. Il est divisé en trois parties et contient des fragments de substance grise (les noyaux), consti- 2 (LUAN.parkinson TIEU LUAN MOI download : [e-mail] tuant l’origine des nerfs crâniens.

Une cavité remplie de liquide céphalorachidien, le quatrième ventricule cérébral, est contenue dans le tronc cérébral et dans le cervelet qui délimite les cavités.