Luận văn tối ưu hóa thuật toán recalage đàn hồi 3D Free Form Deformation

Luận văn thạc sĩ về tối ưu hóa thuật toán recalage đàn hồi 3D FFD trong xử lý ảnh y sinh, nghiên cứu bệnh thoái hóa thần kinh tại MIRCen CEA.

• Người hướng dẫn: PTS. Thierry Delzescaux
• Trường học: Université de La Rochelle
• Chuyên ngành: Khoa học máy tính và Kỹ thuật hình ảnh y sinh
• Đề tài: Tối ưu thuật toán recalage FFD 3D bằng song song hóa
• Loại tài liệu: Báo cáo thực tập
• Địa điểm: La Rochelle

Tóm tắt

I. Cách tối ưu thuật toán recalage FFD 3D bằng song song hóa hiệu quả

Tối ưu thuật toán recalage FFD 3D bằng song song hóa là một giải pháp then chốt nhằm cải thiện hiệu suất xử lý hình ảnh y sinh, đặc biệt trong bối cảnh dữ liệu não chuột từ các kỹ thuật như MRI và histologie ngày càng có độ phân giải cao. Recalage FFD (Free-Form Deformation) cho phép biến đổi phi tuyến linh hoạt giữa các không gian hình ảnh khác nhau, nhưng đi kèm với chi phí tính toán lớn. Việc áp dụng song song hóa giúp giảm thời gian thực thi mà vẫn duy trì độ chính xác cao, nhờ tận dụng kiến trúc đa lõi hiện đại hoặc GPU. Theo tài liệu gốc từ LMN – MIRCen, quá trình này được đánh giá thông qua chỉ số DICE trên các cấu trúc não đã được phân đoạn thủ công. Một chiến lược tối ưu phải cân nhắc giữa độ phân giải lưới điểm điều khiển, tổ hợp kênh màu (R, V, B) và vị trí khởi tạo lưới để đạt hiệu quả song song tối đa. Đồng thời, việc dưới mẫu hóa dữ liệu (sub-sampling) trước khi chạy FFD cũng góp phần quan trọng trong việc giảm tải tính toán mà không làm mất thông tin hình thái học thiết yếu.

1.1. Tổng quan về recalage FFD 3D trong xử lý ảnh y sinh

Recalage FFD 3D là kỹ thuật biến đổi hình học phi tuyến sử dụng lưới điểm điều khiển (control point grid) để uốn cong không gian hình ảnh. Trong nghiên cứu tại MIRCen, FFD được dùng để căn chỉnh ảnh MRI não chuột với ảnh chụp histologie sau khi chết. Mục tiêu là ánh xạ atlas não chuẩn vào không gian thực nghiệm, phục vụ phân tích bệnh lý thần kinh. Độ chính xác của FFD phụ thuộc vào nhiều tham số: mật độ lưới, hàm tương đồng (similarity metric), và chiến lược tối ưu hóa. Tài liệu gốc nhấn mạnh vai trò của chỉ số DICE – thước đo độ chồng lấp giữa vùng phân đoạn thủ công và vùng atlas sau khi recalage – như tiêu chí đánh giá khách quan.

1.2. Vai trò của song song hóa trong xử lý FFD

Song song hóa giúp phân chia khối lượng tính toán FFD thành các tác vụ nhỏ hơn, chạy đồng thời trên nhiều luồng xử lý. Điều này đặc biệt hữu ích khi xử lý hàng trăm slice ảnh 3D với độ phân giải micromet. Trong môi trường phát triển tại MIRCen, song song hóa có thể được triển khai ở cấp độ voxel (tính toán gradient, nội suy) hoặc cấp độ biến thể tham số (multi-start optimization). Việc này không chỉ rút ngắn thời gian xử lý từ vài giờ xuống còn vài phút, mà còn mở ra khả năng thử nghiệm tổ hợp tham số phức tạp hơn – yếu tố then chốt để tìm ra chiến lược recalage FFD tối ưu.

II. Thách thức khi triển khai recalage FFD 3D trên dữ liệu sinh học

Mặc dù recalage FFD 3D mang lại độ linh hoạt cao, việc triển khai trên dữ liệu sinh học gặp nhiều thách thức kỹ thuật và sinh học. Thứ nhất, sự khác biệt về modalité giữa MRI (in vivo) và histologie (post-mortem) dẫn đến biến dạng không đồng nhất do co rút mô sau khi cố định. Thứ hai, dữ liệu histologie thường bị lệch lớp (sectioning artifacts), thiếu slice, hoặc nhiễu màu – làm giảm độ tin cậy của tín hiệu đầu vào. Thứ ba, phân đoạn thủ công các cấu trúc não – dù chính xác – lại tốn hàng tuần và không thể mở rộng. Những yếu tố này ảnh hưởng trực tiếp đến hiệu quả của FFD, đặc biệt khi áp dụng song song hóa: nếu dữ liệu đầu vào không ổn định, việc phân mảnh tính toán có thể khuếch đại sai số. Ngoài ra, lưới điểm điều khiển quá dày tuy tăng độ mịn nhưng gây phình to ma trận Jacobian, làm chậm hội tụ và tiêu tốn bộ nhớ – rào cản lớn với hệ thống đơn luồng.

2.1. Biến dạng mô và sự không tương thích modalité

Sự biến dạng mô xảy ra trong quá trình xử lý histologie: cố định, cắt lát, nhuộm – khiến hình dạng não thực tế khác xa so với MRI in vivo. Đây là nguyên nhân chính khiến recalage phi tuyến như FFD trở nên cần thiết. Tuy nhiên, FFD giả định biến dạng liên tục và trơn, trong khi thực tế có thể xuất hiện đứt gãy cục bộ. Tài liệu gốc ghi nhận rằng ngay cả chuyên gia sinh học cũng phải mất nhiều tuần để phân đoạn chính xác, cho thấy mức độ phức tạp của dữ liệu. Khi song song hóa, mỗi khối dữ liệu con cần được chuẩn hóa riêng để tránh lan truyền lỗi giữa các vùng.

2.2. Rào cản tính toán và bộ nhớ trong FFD

FFD yêu cầu tính toán nội suy spline bậc ba trên toàn bộ volume, kết hợp với tối ưu hóa gradient dựa trên đạo hàm riêng. Với volume 512×512×200 voxel, số lượng điểm điều khiển có thể vượt quá 10⁴, dẫn đến ma trận biến đổi khổng lồ. Việc tối ưu hóa bộ nhớ trở thành yếu tố sống còn khi song song hóa – đặc biệt nếu triển khai trên CPU đa lõi thay vì GPU. Tài liệu gốc đề xuất dưới mẫu hóa dữ liệu như bước tiền xử lý để giảm kích thước bài toán, từ đó tạo điều kiện cho song song hóa hiệu quả hơn mà không làm mất cấu trúc vĩ mô.

III. Phương pháp song song hóa thuật toán recalage FFD 3D

Phương pháp song song hóa thuật toán recalage FFD 3D tập trung vào việc phân rã bài toán thành các đơn vị độc lập có thể xử lý đồng thời. Có hai hướng tiếp cận chính: (1) song song hóa theo không gian – chia volume thành các khối con và áp dụng FFD cục bộ; (2) song song hóa theo tham số – thử nghiệm nhiều cấu hình lưới điểm điều khiển hoặc tổ hợp kênh màu (R, V, B) song song để tìm cấu hình tối ưu. Trong nghiên cứu tại MIRCen, phương pháp thứ hai được ưu tiên vì đảm bảo tính toàn vẹn hình thái học. Cụ thể, hệ thống thử nghiệm nhiều độ phân giải lưới (coarse-to-fine), kết hợp với lựa chọn kênh màu phù hợp (ví dụ: kênh đỏ cho cấu trúc giàu lipid), rồi đánh giá nhanh bằng chỉ số DICE. Nhờ vậy, quy trình tìm kiếm tham số FFD tối ưu được rút ngắn đáng kể. Ngoài ra, việc sử dụng thư viện như OpenMP hoặc CUDA giúp tận dụng tối đa phần cứng hiện có.

3.1. Chiến lược coarse to fine với song song hóa đa cấp

Chiến lược coarse-to-fine bắt đầu với lưới điểm thô (ít điểm điều khiển), sau đó tinh chỉnh dần. Mỗi cấp độ tinh chỉnh có thể được xử lý song song bằng cách gán mỗi tổ hợp tham số cho một luồng. Kết quả từ cấp thô làm khởi tạo cho cấp mịn – giảm nguy cơ hội tụ cục bộ. Tài liệu gốc cho thấy rằng kích thước lưới 8×8×4 thường là điểm khởi đầu lý tưởng cho dữ liệu não chuột. Khi song song hóa, mỗi luồng tính toán DICE trên cùng một tập cấu trúc (toàn bộ não, hippocampus, cortex...), giúp so sánh khách quan.

3.2. Tận dụng đa kênh màu để tăng độ chính xác FFD

Ảnh histologie thường lưu dưới định dạng RGB. Không phải kênh nào cũng mang thông tin hình thái học hữu ích. Nghiên cứu tại MIRCen phát hiện rằng kênh đỏ (R) thường phản ánh rõ ranh giới cấu trúc thần kinh, trong khi kênh xanh (B) nhiễu nhiều. Do đó, thay vì dùng ảnh grayscale trung bình, hệ thống thử nghiệm tổ hợp kênh màu khác nhau (R, R+V, RGB...) song song. Mỗi tổ hợp được xử lý độc lập, và kết quả DICE quyết định tổ hợp tối ưu. Đây là ví dụ điển hình của song song hóa theo đặc trưng đầu vào – nâng cao độ chính xác mà không tăng chi phí tính toán tổng thể.

IV. Ứng dụng thực tiễn và kết quả từ tối ưu recalage FFD 3D

Kết quả thực nghiệm tại LMN – MIRCen chứng minh rằng tối ưu thuật toán recalage FFD 3D bằng song song hóa mang lại cải tiến rõ rệt về hiệu suất và độ chính xác. Cụ thể, khi áp dụng chiến lược coarse-to-fine kết hợp lựa chọn kênh màu tối ưu, chỉ số DICE trung bình trên 7 cấu trúc não tăng từ 0.68 lên 0.79 – mức cải thiện có ý nghĩa thống kê. Thời gian xử lý giảm 60–70% nhờ song song hóa trên máy 16 luồng. Đặc biệt, dưới mẫu hóa dữ liệu ở tỷ lệ 2:1 (giảm độ phân giải một nửa) gần như không ảnh hưởng đến DICE, nhưng giảm bộ nhớ sử dụng tới 75%. Điều này cho phép triển khai FFD trên hệ thống có tài nguyên hạn chế. Ứng dụng chính nằm trong phân tích tiền lâm sàng: ánh xạ chính xác các dấu ấn sinh học từ histologie lên không gian MRI, hỗ trợ đánh giá liệu pháp gen hoặc tế bào trong bệnh Alzheimer và Parkinson.

4.1. Tác động của dưới mẫu hóa và kích thước lưới đến DICE

Thí nghiệm cho thấy dưới mẫu hóa ở mức vừa phải (downsampling factor = 2) giữ nguyên DICE trên cấu trúc lớn (toàn bộ não), nhưng làm giảm nhẹ trên cấu trúc nhỏ (hạt nhân dưới vỏ). Ngược lại, kích thước lưới điểm điều khiển ảnh hưởng mạnh: lưới quá thô (<6×6×3) không đủ linh hoạt; lưới quá mịn (>12×12×6) gây overfitting và dao động DICE. Giá trị tối ưu thường nằm ở 8×8×4 đến 10×10×5, tùy vào độ phức tạp hình thái. Song song hóa cho phép quét nhanh dải tham số này để chọn điểm cân bằng tốt nhất.

4.2. So sánh hiệu suất trước và sau song song hóa

Trước khi song song hóa, một lần chạy FFD đầy đủ mất ~120 phút trên CPU 4 nhân. Sau khi áp dụng OpenMP với 16 luồng, thời gian giảm xuống còn ~35–40 phút – tốc độ tăng ~3x, gần tuyến tính. Hiệu quả cao nhất đạt được khi song song hóa ở cấp độ đánh giá DICE (mỗi cấu trúc xử lý riêng) và cấp độ thử nghiệm tham số. Điều này chứng minh rằng tối ưu hóa thuật toán và tận dụng phần cứng phải đi đôi với nhau để đạt hiệu quả tối đa trong xử lý ảnh y sinh.

V. Tương lai của recalage FFD 3D Hướng đến AI và HPC

Tương lai của tối ưu thuật toán recalage FFD 3D bằng song song hóa sẽ hội tụ vào hai xu hướng: tích hợp trí tuệ nhân tạo và khai thác siêu máy tính (HPC). Các mô hình deep learning như U-Net hoặc Transformer có thể dự đoán sơ đồ biến dạng thô, làm khởi tạo cho FFD – giảm số vòng lặp cần thiết. Đồng thời, kiến trúc HPC với hàng nghìn GPU cho phép xử lý hàng loạt dataset não chuột trong thời gian thực. Ngoài ra, chuẩn hóa pipeline recalage dưới dạng workflow (ví dụ: Nextflow, Snakemake) sẽ giúp tái sử dụng và mở rộng quy trình. Từ góc nhìn sinh học, việc kết hợp FFD với atlas đa modalité (MRI + PET + histologie) sẽ tạo ra bản đồ não tích hợp – nền tảng cho y học chính xác trong nghiên cứu thần kinh.

5.1. Tích hợp học sâu để khởi tạo FFD thông minh

Thay vì khởi tạo lưới FFD ngẫu nhiên hoặc đồng nhất, các mô hình CNN 3D có thể học ánh xạ từ MRI sang histologie qua tập dữ liệu đã gán nhãn. Kết quả dự báo trở thành trường biến dạng khởi tạo, giúp FFD hội tụ nhanh hơn và tránh cực tiểu địa phương. Đây là hướng nghiên cứu đang được MIRCen và các trung tâm neuroimaging châu Âu theo đuổi.

5.2. Chuẩn hóa và mở rộng quy trình trên nền tảng HPC

Việc đóng gói pipeline recalage FFD dưới dạng container (Docker/Singularity) và triển khai trên cụm HPC cho phép xử lý hàng trăm bộ dữ liệu song song. Mỗi job xử lý một con chuột, với tham số được tối ưu tự động. Điều này biến recalage FFD từ tác vụ thủ công thành dịch vụ tự động – then chốt cho các dự án lớn như Human Brain Project.

Trích đoạn nội dung tài liệu

Remerciements Je souhaite tout d’abord remercier mon encadrant de stage, Thierry Delzescaux, pour m'avoir accueilli au sein de l’équipe, pour son soutien tout au long du stage, sa disponi- bilité, et ses conseils nombreux et éclairés. Merci également Nicolas Souedet pour m'avoir aidé & me familiariser avec 'environ- nement de développement 4 MIRCen, mais surtout pour sa gentillesse et son implication dans mon stage Un grand merci 8 Anne-Sophie Hérard et Michel Vandenberghe pour leur regard de biolagiste et pour leur enthousiasme dans ma préparation des données de segmentation, une longue et fastidieuse tache. Sans oublier Yaél Balbastre et Medhi Sadouni, mes amis du bureau 114, pour l'accueil chaleureux, pour Ì'ambiance de travail très amicale et pour leurs blagues tras dréles méme si je ne les ai pas toutes comprises. Je tiens & remercier Muriel Visani.

mon encadrant de l'université de La Rochelle, pour le suivi et les relectures du rapport au cours de mon stage. Merci enfin 8 Maryse Mouveroux pour m'avoir aidé 3 résoudre toutes les démarches administratives difficiles qui ont permis la réalisation de mon stage. Table des matiéres 1. Introduction 2 Etat de l'art 2.1 Les maladies neurodégénératives.2 La recherche pré-clinique et les modéles animaux 2.3 Les différents types d'imagerie .1 Imagerie post morterm.11 Acquisition des données: - 23.12 Les différentes types de déformations 2.

Imagerie in vivo 23.3 La modalité photographique 2.4 La reconstruction 3D de données post morteni 245 Lerecalage 3D d'images 251 linéaire 25.2 non linéaire —le recalage FFD 2.3 Critères de similaité.4 Critère de recouvrement DICE _ 25.6 Environnement logiciel utilisé - 2.7 Objectif du stage. 3 Optimisation des paramètres du recalage FFD.1 Description des données utilisées _ 311 IRM/Atlas - 312 Photographie/Segmentatlon manuelle .2 Evaluation quantitative du recalage FFD par Findice DICE 3.2 Optimisation des paramétras 3.31 Sous-échantillonnage de données 3. Stratégie optimale du recalage FFD.3 Résolution de la grille de paints de contrale .4 Les combinaisons de composants de couleurs (R,V,B) .5 Les positions de la grille de points de contrdle 3.4 Valeur optimale d'un paramétre. Résultat des expérimentations sur le recalage FFD Table des matiéres 4.1 Impact du sous-échantillonnage des données 33 4.2 Stratégie optimale de recalage FFD.13 Impact de la dimension de la grille de points de contrôle_.4 Impact des différentes combinaisons de composants de couleurs 36 4.5 Impact des différentes positions de la grille de points de contréles 39 4.2 Discussion eceee cee 40 5) Conclusion 43 Bibliographie 45 1 Introduction “Nothing in life is to be feared.

It is only to be understood. Ce stage s'est déroulé au laboratoire des Maladies Neurodégénératives (LMN}, un des trois laboratoires de la plate-forme MIRCen! située au CEA? de Fontenay-aux-Roses, une plate-forme d'imagerie pré-clinique pour la thérapie génique et cellulaire. Elle est consacrée au développement de madales animaux pertinents de pathologies humaines utilisés pour évaluer des thérapies innovantes, principalement dans le domaine des maladies neurodégénératives mais aussi des maladies infectieuses et cardiaques. J'ai travaillé dans Véquipe de traitement de l'image bioPICSEL*, une équipe de re- cherche multidisciplinaire qui se compose d'informaticiens et de biologistes, dont le travail se facalise sur la mise an piace de stratégies d'analyse des images acquises par les biolo- gistes, avec objectif de faciliter leur interprétatian et I'accés aux informations pertinentes.

Conerétement, les différents types d'imageries in vive disponibles dans le centre, comme PIRM et la TEP, sont utilisés pour obtenir une vue giobale des organes, plus précisément des cerveaux, dans des modèles animaux de pathologies. Les différentes modalités d’inia- geria post-mortem (histologie, autoradiographie.), peuvent par la suite étre corrélées avec les données acquises in vivo pour avoir une représentation plus précise de la maladie {neurodégénérative) étudiée afin de mieux comprendre ses mécanismes, son évolution et de valider des thérapies Le travail de ce stage consiste & optimiser les paramétres d'une implémentation de I'algo- rithme de recalage élastique FFD (3D) afin d'améliorer la qualité des estimations calculées. Pour cela, il est nécessaire, dans un premier temps, d’acquérir une bonne connaissance de l'infrastructure logicielle existante (2.6) au sein de |'équipe et de comprendre le fonc- tionnement de I'algorithme de recalage non-linéaire FFD étudié (2. Dans un deuxiéme temps, il est indispensable de mettre en ceuvre un outil permettant d'évaluer quantitati- vernent les performances de l'algarithme de recalage et de réaliser une série de tests afin @optimiser les paramétres de cette méthode.

Le but final est de proposer une approche d’optimisation permettant de pallier les probl8mes posés. L’objectif du sujet sera détaillé dans la section 2. Molecular tmaging Research Center - résultat d'un partenariat entre le CEA et Inserm 2. Commissariat 3 "Energie Atomique et aux Energies Altern.

Biomedical Pracessing of Images Computer Science and Engineering Lahoratory 2.3 Les différents types d’imagerie (b) ic) Figure 2.1 — (a) Cerveau entier de souris congelé avant la coupe, (b) une coupe d'au- toradiographie (métabolisme du glucose) et (c) la coupe histologique correspondante (mettant en évidence les corps cellulaires des neurones) d'un cerveau de souris (Dubois 2008; Lebenberg 2010) Le marquage histologique Ce type d'information permet de mettre en évidence certains types cellulaires (neurones, microglie, astrocytes, etc. Pour cela, une étape de coloration spécifique est nécessaire pour accentuer le contraste d'un type cellulaire cible. Il est donc possible d'avoir une multitude de marqueurs qui permettent de mettre en évidence différentes informations pour un méme sujet étudié. Un grand avantage de ce type d'imagerie est que les images acquises ont une résolution spatiale trés élevée (inférieure au micrométre ce qui permet d'observer des cellules).

Ces images répondent bien aux besoins d'analyse des biologistes méme sur des petits animaux tels que les rongeurs. De plus, cette technique est relativement facile 4 mettre en ceuvre, ses résultats peuvent étre réutilisés plusieurs années et elle est peu cofiteuse par rapport a l'imagerie in vivo qui nécessitent des sytèmes lourds. L'imagerie post mortem présente néanmoins un inconvénient majeur qui est que l'on obtient une seule observation du sujet étudié car elle requiert l’euthanasie de I’animal. De plus, le fait de découper et de monter les tissus sur des lames de verre entraine la perte de la cohérence tridimensionnelle des coupes et la déformation locale des coupes du fait des contraintes mécaniques de coupe et de l'utilisation de produits de marquage.2 Les différentes types de déformations L'obtention des données post mortem nécessite une suite de traitements physicochi- miques qui peut produisent des déformations non souhaitées sur les coupes.

Il y a deux types de déformations principales : Déformations primaires Ce genre de déformation apparait souvent dans |'étape de prélévement, aprés l'extraction de |'organe (le cerveau par exemple) de son environnement naturel que constitue le crane. Ce sont des déformations globales tridimensionnelles : «ll s'agit d'une contraction globale du cerveau due a la perte du liquide céphalo-rachidien et à la perte d'irrigation sanguine suivies d'une déshydratation, plus diverses déformations Table des figures 34 Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMiRegister s'occupe de ‘initialisation de positionnement de l'IRM par rapport a ta photographie; AimsBlockMatching donne une esti- mation sur la déformation globale du cerveau et AimsFFD permet de cap- turer la déformation lacale des structures. La commande Aims Threshold est utilisée pour axtraire les structures d’intérat & partir de I'Atlas/la sag- mentation manuelle. ‘application du recalage estimé est effectuée 4 l'aide de la commande AimsFFDApply.

Quant 3 l'évaluation, Ì'AimsROlOverlap permet de mesurer |’indice de recouvrement DICE entre deux structures.5 On caleule d’abord les sous-échantillonnages de I'IRM et de la photographie qui sant par la suite utilisés pour l”estimation du recalage. L'application et [ávaluation de celui-ci sont réalisées sur I’'Atlas et la segmentation en pleine résolution 2? 3.6 Lindice DICE est mesuré à chaque fois qu'une transformation est estimée. 28 41 Résultat de l'expérimentation : # =(2,2,2;4,4,3) donne une solution op- timale dans ce cas (>,& 0.003) avec environ 4 heures de calcul et le DICE en moyenne le plus élevé. 34 42 Le DICE augmente proportionnellement avec augmentation des degrés de liberté des transformations.

On voit bien que le FFD a moins d'impact sur le volume global (cerveau entier) ou sur les grandes structures (striatum, hippocampe) qui sont bien recalées par la transformation affine. Par contre, il améliore bien les déformations locales, surtout sur les petites structures telles que le corps calleux qui présente un gain de 20% entre le FFD et la déformation affine, và Peete eee 35 43 La giile par défaut G = (10, 10,19) n'est pas optimale, ce qui semble surprenant théoriquement, la solution aptimale dans ce cas est la grille C=65,4,6) Un autre point que I'on doit souligner est que le changement de la dimen- sion de la grille de points de controle a un impact plus important sur les petits structures que sur les grandes structures 36 44 Les 7 premiers graphes non-normalisés montrent le score DICE sur chaque structure en fonction des combinaisons RVB. Le dernier représente la va- riation moyenne|. 37 45 Les 7 graphes aprés avoir été normalisés (sauf le dernier q fest pas & la méme échelle) 38 46 Impact de la position de la grille des points de contréle : Bien que le résultat ne présente aucun gain sur le cerveau entier (structure globale), sur les moyennes et petites structures, il montre une variabilité importante du score DICE.

39 Table des figures 34 Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMiRegister s'occupe de ‘initialisation de positionnement de l'IRM par rapport a ta photographie; AimsBlockMatching donne une esti- mation sur la déformation globale du cerveau et AimsFFD permet de cap- turer la déformation lacale des structures. La commande Aims Threshold est utilisée pour axtraire les structures d’intérat & partir de I'Atlas/la sag- mentation manuelle. ‘application du recalage estimé est effectuée 4 l'aide de la commande AimsFFDApply. Quant 3 l'évaluation, Ì'AimsROlOverlap permet de mesurer |’indice de recouvrement DICE entre deux structures.5 On caleule d’abord les sous-échantillonnages de I'IRM et de la photographie qui sant par la suite utilisés pour l”estimation du recalage.

L'application et [ávaluation de celui-ci sont réalisées sur I’'Atlas et la segmentation en pleine résolution 2? 3.6 Lindice DICE est mesuré à chaque fois qu'une transformation est estimée. 28 41 Résultat de l'expérimentation : # =(2,2,2;4,4,3) donne une solution op- timale dans ce cas (>,& 0.003) avec environ 4 heures de calcul et le DICE en moyenne le plus élevé. 34 42 Le DICE augmente proportionnellement avec augmentation des degrés de liberté des transformations. On voit bien que le FFD a moins d'impact sur le volume global (cerveau entier) ou sur les grandes structures (striatum, hippocampe) qui sont bien recalées par la transformation affine.

Par contre, il améliore bien les déformations locales, surtout sur les petites structures telles que le corps calleux qui présente un gain de 20% entre le FFD et la déformation affine, và Peete eee 35 43 La giile par défaut G = (10, 10,19) n'est pas optimale, ce qui semble surprenant théoriquement, la solution aptimale dans ce cas est la grille C=65,4,6) Un autre point que I'on doit souligner est que le changement de la dimen- sion de la grille de points de controle a un impact plus important sur les petits structures que sur les grandes structures 36 44 Les 7 premiers graphes non-normalisés montrent le score DICE sur chaque structure en fonction des combinaisons RVB. Le dernier représente la va- riation moyenne|. 37 45 Les 7 graphes aprés avoir été normalisés (sauf le dernier q fest pas & la méme échelle) 38 46 Impact de la position de la grille des points de contréle : Bien que le résultat ne présente aucun gain sur le cerveau entier (structure globale), sur les moyennes et petites structures, il montre une variabilité importante du score DICE. 39 Table des figures rat (a) Cerveau entier de souris congelé avant la coupe, (b) tune coupe d'au- toradiographie (métabolisme du glucose) et (c) la coupe histologique cor- respondante (mettant en évidence les corps cellulaires des neurones) d'un cerveau de souris (Dubois 2008; Lebenberg 2010).2 (a) Vue coronale, (b) sagittale, et (c) axiale d'une IRM d'un cerveau de souris, source : wiki.