Louis-Martin Girouard IMAGERIE PORTALE EN RADIOTHÉRAPIE: LOCALISATION AUTOMATIQUE DE LA PROSTATE Mémoire présenté à la Faculté des études supérieures de l’Université Laval pour l’obtention du grade de Maître ès Sciences (M. Sc.) Département de génie électrique et génie informatique FACULTÉ DES SCIENCES ET DE GÉNIE UNIVERSITÉ LAVAL NOVEMBRE 1996 © Louis-Martin Girouard, 1996 À mes parents RÉSUMÉ Cette étude, faite en collaboration avec le département de radio-oncologie du CHUQ, Pavillon Hôtel-Dieu de Québec, a permis de développer un algorithme de localisation de la prostate lors des traitements de radiothérapie en utilisant l’imagerie portale. La localisation se fait à deux niveaux, soit la détection de marqueur radio-opaque implanté à l’apex prostatique et au niveau des structures osseuses de la région pelvienne. La méthode de détection du marqueur est basée sur la recherche d’un minimum global dans le champ de traitement. Un critère a été trouvé pour améliorer la robustesse au bruit et aux atténuations de contours osseux. Cet algorithme a été validé avec des images cliniques. Pour les structures osseuses, la déviation de leurs positions par rapport à une image de référence est mesurée par corrélation d’images de contours osseux après avoir rehaussés ces derniers dans les images originales. Les images doivent aussi être restaurées pour éliminer les artefacts. Cet algorithme a été validé avec des images de squelette. Louis-Martin Girouard Étudiant Dr Xavier Maldague Co-directeur de recherche Dr André Zaccarin Co-directeur de recherche Dr Jean Pouliot Co-directeur de recherche iii AVANT-PROPOS Je veux remercier Xavier Maldague pour m’avoir permis de faire cette maîtrise. Je remercie également André Zaccarin pour sa disponibilité démontrée au cours de ce travail. Tous les deux sont du département de génie électrique et génie informatique de l’Université Laval. Merci à Jean Pouliot pour son intérêt et son appui démontrés tout au long de la maîtrise et au Groupe de recherche en physique du département de radio-oncologie du CHUQ, Pavillon Hôtel-Dieu de Québec pour son soutien financier. Mes remerciements s’adressent aussi à mes collègues de maîtrise, Charles Cleary, JeanPierre Couturier, Jean-Bernard Dambrin et Jean-François Pelletier, pour leur support et nos échanges d’idées. Je ne voudrais pas oublier non plus les autres membres du Laboratoire de Vision et Systèmes Numériques. Aussi, je ne pourrais passer sous silence le support constant que m’a procuré pendant ces deux dernières années ma compagne, Marie-Claire. iv v TABLE DES MATIÈRES RÉSUMÉ ......................................................................................................................... iii AVANT-PROPOS ........................................................................................................... iv TABLE DES MATIÈRES ................................................................................................v CHAPITRE 1 : Introduction ...........................................................................................1 CHAPITRE 2 : Acquisition des images ...........................................................................3 2.1 Introduction au traitement médical ...................................................................3 2.2 Principe de la formation des images .................................................................7 2.3 Système d’imagerie portale...............................................................................7 CHAPITRE 3 : Détection du marqueur radio-opaque ................................................11 3.1 Introduction.....................................................................................................11 3.2 Quadriques ......................................................................................................14 3.2.1 Minimum local ................................................................................14 3.2.2 Classification des minimums ..........................................................14 3.3 Algorithme de détection..................................................................................16 3.3.1 Tri des pixels ...................................................................................16 3.3.2 Analyse de la quadrique ..................................................................17 3.3.3 Perceptron ........................................................................................19 3.3.4 Présentation du marqueur ................................................................20 3.4 Résultats..........................................................................................................21 3.5 Autres applications de la détection du marqueur............................................22 CHAPITRE 4 : Corrélation des images pour déterminer les déplacements du patient....................................................................................................................24 4.1 4.2 4.3 4.4 Introduction.....................................................................................................24 Détection des contours osseux ........................................................................25 Mesure du déplacement. .................................................................................29 Explication de l’algorithme.............................................................................30 4.4.1 Référentiel .......................................................................................30 4.4.2 Convolution et corrélation ...............................................................30 vi 4.4.3 Détection des passages par zéro ......................................................31 4.4.4 Aide à la validation .........................................................................32 4.5 Restauration des images..................................................................................33 4.6 Validation de l’algorithme ..............................................................................36 CHAPITRE 1 : Conclusion .............................................................................................39 RÉFÉRENCES ................................................................................................................41 ANNEXE I : Images de passages par zéro ....................................................................43 ANNEXE II : Images de corrélation .............................................................................46 CHAPITRE 1 Introduction Le succès du traitement d’un cancer par radiothérapie repose sur la capacité d’irradier avec précision le volume cible, la tumeur, tout en épargnant les tissus sains. La probabilité de contrôle local de la tumeur augmente rapidement avec la dose. Cependant, le risque de causer des lésions aux tissus sains s’accentue lui aussi avec l’importance de la dose reçue. En raison de cette extrême sensibilité de la réponse biologique, un haut degré de précision est nécessaire à toutes les étapes du traitement de radiothérapie. L’irradiation de tissus sains est nécessaire puisqu’aucune cellule cancéreuse ne peut être oubliée. Cette marge de tissus sains est fonction de la confiance dans la position de la zone irradiée. Un outil permettant d’augmenter cette confiance, lors de l’irradiation, est l’utilisation du système d’imagerie portale qui permet la prise d’images de la zone de traitement en temps réel. L’utilisation de l’imagerie portale est beaucoup plus pratique que l’utilisation des films portaux utilisés antérieurement. Les films ne permettant pas la vérification de la position lors du traitement même puisqu’il faut les développer. De plus, pour les utiliser en traitement d’images, il faut les numériser ce qui demande plus de manipulations. 1 2 L’imagerie portale, quant à elle, offre des images numérisées en temps réel. Il est donc intéressant de les utiliser pour vérifier la position du patient. Dans le cas du cancer de la prostate, la vérification se fera à deux niveaux. Le premier est la détection d’un marqueur radio-opaque implanté à l’apex prostatique pour aider sa localisation puisque les tissus mous ne se différencient pas à cause de la haute énergie d’irradiation [1]. Le deuxième est la détection des structures osseuses de la région de la prostate pour comparer leurs positions avec une image de référence. Quelques outils de vérification de la position des patients ont déjà été élaborés. Ils servent à comparer la position lors du traitement avec celle de la simulation. Les algorithmes utilisent le ‘Chamfer matching’ pour corréler les images des contours osseux. Les contours sont rehaussés par la transformée du chapeau haut-de-forme [3] ou l’opérateur de la dérivée d’une gaussienne [4]. Le présent mémoire retrace l’ensemble du travail effectué dans cette recherche. Le chapitre 2 constitue une introduction au traitement en mégavoltage de la prostate et au système d’acquisition d’images portales utilisé. Le chapitre 3 présente la détection du marqueur. Elle est basée sur la recherche d’une atténuation d’intensité de forme parabolique (minimum local) et de la détermination de sa position. La vérification de la position relative des structures osseuses est vue au chapitre 4. Elle est basée sur le rehaussement des arêtes de structures osseuses de deux images portales et sur la corrélation des images d’arêtes. La restauration des images nécessaires à cause d’artefacts produits lors de l’acquisition est aussi traitée. Les résultats et discussions à propos de ces deux algorithmes sont présentés dans leurs chapitres respectifs. Enfin, le chapitre 5 présente la conclusion du présent mémoire. CHAPITRE 2 Acquisition des images 2.1 Introduction au traitement médical La technique de traitement utilisée pour traiter la prostate est celle de la boîte. Puisqu’il faut irradier toutes les cellules cancéreuses, le volume cible est un cube contenant la prostate et en plus une zone de sécurité pour s’assurer de toujours irradier la tumeur. Ce cube a 8 cm de côté. Quatre champs de traitement sont irradiés soit celui antéro-postérieur (AP) et posto-antérieur (PA), ainsi que celui latéral-gauche (LG) et droit (LD). L’utilisation de quatre champs permet de concentrer la dose à l’intersection des champs puisque le dépôt de la dose est additif. Les quatre champs sont obtenus en faisant la rotation du bras de l’accélérateur (section 2.3). La Figure 2.1 illustre la disposition dans l’espace de deux champs d’irradiation et du volume cible. Pour les champs de traitement pelvien, les points de repères sont les structures osseuses. La structure visible pour les champs AP et PA est l’os pubien, alors que pour les images latérales, la structure visible est la partie supérieure du fémur. Les images de simulation 3 4 Antérieur Tête Gauche Droite Champ latéral droit Pieds Postérieur Champ AP Figure 2.1 Illustration de deux faisceaux de rayon x. (Figures 2.2 et 2.3) montrent ces structures. Le carré central sur ces images délimite le champ de traitement. Ces images servent à simuler le traitement selon la prescription du médecin et proviennent du simulateur qui est un appareil de même configuration qu’un accélérateur, mais équipé d’un système à rayons x conventionnel à basse énergie (80 125KeV). De cette façon, la détermination de la région traitée est plus facile. Les Figures 2.4 et 2.5 montrent les images portales des mêmes sites que les images de simulation précédentes ainsi qu’une version des images dont le contraste a été augmenté par égalisation d’histogramme [15]. La perte de contraste est évidente. La dose d’irradiation, pour un traitement de radiothérapie de la prostate, est fournie en 28 fractions, une fraction par jour. Chaque fraction comprend les quatre champs AP, PA, LD et LG. Pour chaque champ, 30 à 40 mu1 sont données. Cette dose peut varier selon la morphologie du patient. L’accélérateur a un débit d’environ 300 mu/minute, ainsi le 1. monitor unit, unité de dose 5 traitement d’un champ dure environ 6 secondes. Comme le débit varie, le temps de traitement peut varier puisque c’est la dose totale déposée qui importe. Le repositionnement journalier des patients représente le maillon faible dans la chaîne de procédures lors d’un traitement de radiothérapie. Le positionnement se fait par rapport à des marques tracées sur la peau lors de la simulation et grâce aux lasers présents dans la salle de traitement. Ceci n’est toutefois pas absolument fiable puisque, par exemple, le patient peut maigrir au cours du traitement. Ainsi pouvoir visualiser l’anatomie irradiée avec l’imagerie portale est très intéressant. La déviation maximale admise sur la position est de 5 mm. Champ de traitement Figure 2.2 Image de simulation du champ AP. Figure 2.3 Image de simulation du champ LG. 6 a) b) Figure 2.4 Image AP a) originale et b) avec égalisation d’histogramme. a) b) Figure 2.5 Image LG a) originale et b) avec égalisation d’histogramme. 7 2.2 Principe de la formation des images Comme vu plus tôt, les images portales sont semblables aux radiographies. Dans les deux cas, ce sont des images de projection. Ce qui diffère, c’est l’énergie de la source d’excitation, 80-125 KeV pour le radiodiagnostic contre 23 MeV pour la radiothérapie de la prostate. Selon l’énergie d’irradiation, les effets produisant les atténuations dans la matière diffèrent. Ces effets sont l’effet photo-électrique (EPE) et l’effet de Compton (EC). Pour le radiodiagnostic, c’est l’EPE qui domine alors qu’en radiothérapie, c’est l’EC. De plus: 3 EPE ∝ Z ⁄ E 3 EC ∝ ρ e – ∝ Z (2.1) (2.2) où Z est le nombre atomique, E , l’énergie et ρ e– , la densité électronique de l’élément. Ainsi, les os constitués de calcium, Z=20, et les tissus (eau) constitués d’hydrogène et d’oxygène, Z = 1 et 8 respectivement, induisent beaucoup plus de contraste en radiodiagnostic qu’en radiothérapie. À 23 MeV, ce sont les différences de densité qui sont bien visibles comme une jonction air-tissus alors qu’une jonction tissus-os l’est moins. 2.3 Système d’imagerie portale Le système d’imagerie portale BEAMVIEWPLUS de Siemens (Figure 2.6) comprend un module détecteur-caméra vidéo [5] et une unité d’acquisition et de traitement des images. Le système est monté sur le bras de l’accélérateur linéaire (modèle KD2 de Siemens). Les composantes du système d’imagerie sont les suivantes: • un détecteur métal-phosphore; • un miroir à 45˚; 8 • une caméra vidéo Newvicon; • une carte d’acquision d’images et • une station SUN. Bras de l’accélérateur Module détecteurcaméra Figure 2.6 Plan d’un accélérateur et du système d’imagerie. Les paramètres de l’installation (Figure 2.7) sont les suivants. En radiothérapie, la source d’excitation qui est la cible de rayon x, est ponctuelle. Les faisceaux de projection sont donc divergents. Le volume cible du patient se trouve à une distance S-P standard de 100 cm de la source. Le champ de traitement est de 8 cm de côté à l’isocentre. Le détecteur est positionné à une distance S-D de 139 cm. Les données de traitement sont spécifiées à l’isocentre puisque le faisceau de radiation est divergent, les dimensions de champ varient avec la distance de la source. Source Collimateur SP SD z x Patient Détecteur y Bras de l’accélérateur Figure 2.7 Plan des distances vu vers l’accélérateur. 9 Figure 2.8 Image portale. C’est un logiciel qui gère l’acquisition. Il y a différentes sortes d’images prises durant le traitement. Premièrement les images sont acquises à une fréquence d’environ 16 trames par seconde. Lors d’un traitement, après la détection du faisceau de radiation, il y a 16 trames enregistrées pour établir les paramètres d’acquisition, comme le niveau de noir et de blanc pour la quantification de l’intensité des pixels lors de la numérisation. Ensuite, la moyenne des images de chaque bloc de huit trames est effectuée de façon matérielle pour former des images de localisation durant toute la durée du traitement. Enfin, la moyenne de toutes les images de localisation forme l’image de vérification. C’est cette dernière image qui est utilisée pour vérifier la localisation du patient. Les images ont 480 pixels de hauteur par 512 pixels de largeur. Le champ de traitement pour la prostate ne prend que 150 pixels de haut par 115 pixels de largeur. Les images sont quantifiées en tons de gris sur 8 bits. Il y a donc 256 niveaux de gris. Le format des images est spécifique à BEAMVIEWPLUS et comprend une entête de 1150 caractères qui contient de l’information sur le patient, la date, etc. Ensuite, c’est l’image ligne par ligne. Les pixels sont de type caractère non-signé. L’origine des images est le pixel supérieur gauche. La dimension des pixels correspond à 0,6757 mm de largeur (axes x ou z) et à 0,5208 mm de 10 hauteur (axe y) à l’isocentre puisque les pixels de la caméra sont rectangulaires. La Figure 2.8 montre une image portale complète d’un champ AP. CHAPITRE 3 Détection du marqueur radio-opaque 3.1 Introduction Afin de localiser la prostate, un marqueur radio-opaque est introduit dans la prostate sous guidage échographique avant le début du traitement. La détection du marqueur radioopaque sur les images portales permet de positionner la prostate [6]. Ce marqueur est un cylindre composé d’or et ses dimensions sont de 3,0 mm de long et de 1,6 mm de diamètre [2]. Il apparaît dans l’image comme une atténuation qui peut être modélisée par une parabole. Cette parabole est un minimum global dans la zone de recherche pour les images antéro-postérieur (AP) et posto-antérieur (PA) et donc facile à détecter. Quant aux images latérales, il peut y avoir des atténuations du contour osseux du fémur plus importantes que celle du marqueur (Figure 3.1). La recherche d’un minimum global n’est donc pas suffisante. Cependant, comme les atténuations du marqueur et du fémur se modélisent comme une parabole ou une vallée, il est possible de représenter ces topologies par une quadrique, soit une surface 3D d’ordre 2 de la forme suivante [7]: 11 12 2 z = c1 + c2 ⋅ x + c3 ⋅ y + c4 ⋅ x + c5 ⋅ x ⋅ y + c6 ⋅ y 2 (3.1) a) d) fémur marqueur Figure 3.1 a) Image AP avec égalisation d’histogramme; b) surface de l’image a brute; c) surface de l’image a après un moyennage; d) image latérale brute; e) et f) sont identiques à b et c, mais pour l’image d. 13 Voici l’algorithme de détection du marqueur sous forme schématique: Détection du champ de traitement Détermination de la zone d’intérêt Tri des pixels en ordre croissant d’intensité et de position en x Pixel d’intensité minimum dans une région de 5x5 pixels2 non Pixel minimum suivant non Pixel minimum suivant oui Détermination des coefficients de la quadrique Est-ce un marqueur? oui Affichage de la position Fin Figure 3.2 Organigramme de l’algorithme de détection du marqueur. Nous présentons dans les prochaines sections, l’algorithme de détection de marqueurs que nous avons utilisé. 14 3.2 Quadriques 3.2.1 Minimum local Lorsque l’on connaît les coefficients de la quadrique (3.1), représentant une surface, celleci peut être catégorisée comme un plan, une vallée ou une parabole dans une zone donnée en déterminant des paramètres de la courbe comme le gradient, ∇z , la concavité, et les dérivées partielles secondes [7]. Les coefficients sont déterminés par la méthode des moindres carrés en utilisant un voisinage de 7x7 pixels2 autour du point d’intérêt. Ensuite, le plus simple est de déterminer s’il y a présence d’un minimum local d’une parabole. Ceci permettra de rejeter les points minimums d’une vallée. Un minimum local se vérifie en déterminant si [8]: ∂z ∂z , ) = 0 ∂x ∂y ∇z = ( 2 2 ∂z = 2 × 2 – >0 ∂ xy ∂x ∂y 2 ∆ ∂z x0 y0 2 f = ∂ z 2 xx ∂x 2 ∂z 2 > 0 ou f = ∂ z 2 yy ∂ y x0 y0 où x0 et y0 sont les coordonnées où ∇z = 0 (3.2) >0 x0 y0 dans le voisinage de 7x7 pixels2. L’application de ces critères permet de conserver seulement les minimums locaux paraboliques. Mais il est désirable de détecter un minimum seulement quand un marqueur est présent. On a donc essayé de discriminer les bons minimums locaux des mauvais qui proviennent du bruit ou d’une atténuation du fémur. 3.2.2 Classification des minimums Il faut donc trouver une manière de discriminer les minimums locaux attribuables à l’atténuation du marqueur de ceux causés par le bruit. Au premier abord, il semble que les 15 atténuations du marqueur devraient provoquer une concavité plus forte que celle du bruit. Aussi, comme le contour du fémur est une atténuation verticale, la concavité en y devrait être faible étant donné que la surface est presque plane dans cette orientation. Ainsi, dans le but d’analyser les atténuations, les concavités en x et en y ont été relevées à partir de 142 images provenant de quatre patients, dont deux dans lesquels un marqueur a été implanté. Pour chaque image, deux zones d’intérêt sont définies pour la recherche: le quart supérieur et le quart inférieur du champ de traitement. Le marqueur se trouve dans ce dernier. Cette série d’images a permis de constituer un échantillon de 200 minimums locaux. 0.35 0.3 minimums à rejeter minimums à conserver Fréquence 0.25 0.2 0.15 0.1 0.05 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 fyy 0.9 1 1.1 1.2 1.3 1.4 1.5 Figure 3.3 Distribution des concavités en y. D’un premier coup d’oeil, il semble qu’il soit possible de séparer les bons sites des mauvais en utilisant la concavité en y (fyy) seule. Mais comme le montre la Figure 3.3, il y a un chevauchement entre les deux catégories. Par la suite, fyy a été comparée à fxx et comme le montre la Figure 3.4, les deux camps sont apparus séparables. Pour identifier la droite qui sépare les deux régions, un algorithme de classification par réseau neuronique, le perceptron, a été utilisé [9]. Les faux-vrais sont liés entre autre aux artefacts de balayage produits à l’acquisition des images. Ceci provoque de fortes concavités en y, soit dans la 16 direction verticale. Quant aux faux-faux, ils se produisent pour les images latérales parce que le contraste est diminué par l’atténuation supérieure du corps vu de côté, ce qui diminue la concavité. 2 1.5 fyy 1 0.5 0 Faux 0 0.5 Vrais 1 1.5 2 2.5 fxx Figure 3.4 Distribution des concavités en x et en y. 3.3 Algorithme de détection 3.3.1 Tri des pixels L’algorithme effectue d’abord la détection du champ [10]. La zone de recherche du marqueur peut alors être déterminée comme constituant le quart inférieur du champ. Ensuite, un tri des pixels formant un minimum local dans la zone de recherche est fait [11]. Ce tri classe les pixels en ordre croissant d’intensité et de position en x. Parmi tous les pixels, seul un nombre prédéterminé de pixels est conservé. Ici, les 50 pixels de moindre intensité sont conservés. Puis une première vérification est faite pour déterminer si ce minimum est bien un minimum dans une région de 5x5 pixels2 qui peut excéder la zone de recherche. Ce processus permet d’éliminer les pixels qui sont dans la pénombre du champ de traitement, mais qui représentent un minimum dans la zone de recherche. Si un pixel passe ce dernier test, il sera traité à l’aide de l’expression de la quadrique (3.1) déterminée 17 dans un voisinage de 7x7 pixels2 autour de la position en question. Comme il y aura toujours une zone de 7x7 pixels2 autour du pixel, le système d’équations peut être résolu. 3.3.2 Analyse de la quadrique Voici la démarche pour la résolution du système. Premièrement, l’expression matricielle représentant l’équation (3.1) est: A×C = Z (3.3) où A est la matrice des termes en x et y de (3.1), C, la matrice des coefficients des termes en x et y et Z, la matrice d’intensité. En résolvant pour C [12], on obtient: t t A ×A×C = A ×Z t –1 t C = A × A × A × Z (3.4) Puisqu’un référentiel local au pixel d’intérêt est utilisé, la matrice A est connue d’avance. t –1 t Après avoir calculé la matrice, A × A × A , les coefficients s’obtiennent en faisant une simple multiplication matricielle. Pour vérifier le critère de minimum local (3.2), les dérivées premières et secondes de (3.1) sont évaluées, à partir des coefficients obtenus, de cette façon: ∂z = c 2 + 2c 4 x + c 5 y ∂x (3.5) 18 ∂z = c 3 + c 5 x + 2c 6 y ∂y (3.6) 2 ∂z ∂x 2 = 2c 4 (3.7) 2 ∂z = 2c 6 (3.8) ∂z = c5 ∂ xy (3.9) ∂y 2 2 Pour calculer l’endroit où le gradient est nul, le système suivant est résolu: ∂ z ( x 0, y 0 ) = 0 ∂x ∂ z ( x 0, y 0 ) = 0 ∂y (3.10) où xo et yo doivent être dans l’intervalle [– 3,3] . La position du marqueur est définie comme étant la position du minimum local déterminé avec (3.10). La Figure 3.5 montre la surface des intensités de pixels autour du pixel minimum du marqueur dans une image AP et la quadrique obtenue. Cette quadrique a l’expression suivante: 2 2 z = 216, 27 – 0, 0969 ⋅ x – 0, 5408 ⋅ y + 0, 6003 ⋅ x + 0, 1058 ⋅ x ⋅ y + 0, 3163 ⋅ y (3.11) et répond aux critères d’un minimum local de (3.2). Voici ses caractéristiques: ∇z = 0 au point x0 = 0,00 et y0 = 0,85, 19 ∆ x0 y0 = 0, 7484 , et fxx = 1,20. 228 228 226 226 224 224 222 222 220 220 218 218 216 4 216 4 3 2 x 3 2 2 0 1 0 −2 −1 −4 −3 −2 x 2 0 1 0 −2 y −1 −4 −3 a) −2 y b) Figure 3.5 a) Atténuation d’un marqueur sous forme de surface et b) la quadrique obtenue. 3.3.3 Perceptron Le perceptron sert à classifier des données. Il représente un critère afin de séparer deux groupes de données. Ce critère est dans le cas présent une droite qui divise les deux groupes avec le moins d’erreurs possibles tel qu’illustré à la Figure 3.4. Ensuite, avec un vecteur perpendiculaire, W , à cette droite, un point quelconque dans le plan des concavités peut être classé. Le test se fait en appliquant un simple produit scalaire entre W et P , un vecteur reliant un point quelconque à l’origine. Il faut aussi un élément de décalage, b . Ce qui s’énonce ainsi: W⋅P+b>0 (3.12) où d’après les résultats obtenus, W = 73, 91u x + 36, 80u y et b = – 61.93 où u x et u y sont des vecteurs unitaires dans la direction des x et des y respectivement. Pour l’exemple de la Figure 3.5, le produit scalaire donne 50, ce qui vérifie (3.12). 20 3.3.4 Présentation du marqueur Une fois le marqueur détecté, il faut le marquer. Pour retrouver les pixels pouvant faire partie du marqueur, un histogramme d’intensité est fait dans la région de recherche (Figure 3.6). Cet histogramme permet de déterminer l’intensité minimum du fond de l’image. Quand une intensité fait partie du fond, il y a explosion de l’occurrence de cette intensité par rapport à l’intensité précédente qui se trouve à être l’intensité maximale estimée (Iest) du marqueur. Mais, comme c’est expliqué dans [11], la plage de l’intensité minimum à Iest surestime la grandeur du marqueur. Un facteur est alors utilisé pour diminuer cette estimation en une intensité corrigée, Ic, de cette façon: H ( I est ) H ( I c ) = -----------------facteur (3.13) où Ic est la première intensité ayant Hc comme occurrence à partir de Iest vers l’intensité minimum. Un facteur donnant de bons résultats est 2 . Dans la section 3.4, nous Occurrences, H(I) présentons des images dont le marqueur a été rehaussé de cette façon. Marqueur Fond Ic Iest Intensité, I Figure 3.6 Histogramme pour définir les intensités appartenant au marqueur. 21 3.4 Résultats L’algorithme a été testé sur 286 images provenant de quatre patients comprenant les quatre champs de traitements. Il y a un taux de réussite de détection de 87% si le marqueur est loin du bord du champ de traitement i.e. > 10 pixels. La plupart des détections se font après avoir appliqué un filtre moyen uniforme de 3x3 pixels2. Il est à noter que le filtre doit utiliser dans son calcul les intensités recalculées sans quoi la détection ne réussit pas bien. Chez un patient dont le marqueur était situé dans la symphyse pubienne, la détection s’effectue seulement sans filtrage dans le cas du champ PA. Pour les autres champs, la détection se fait avec le moyennage. Cela porte alors à croire que la détection devrait être tentée avec un filtre et dans la négative, sans filtre, ce qui permettrait un grand taux de détection avec un minimum d’interventions de l’utilisateur. Avec cette méthode, il y a eu quatre mauvaises détections, 1,4%, où un contour osseux était détecté à la place du marqueur. De plus seulement deux détections, 0,7%, ont été observées dans une zone de recherche sans marqueur dans cet échantillonnage d’images. L’algorithme s’effectue en 0,55 seconde avec un ordinateur SPARCstation 2 de SUN. a) b) c) d) Figure 3.7 a) Image AP avec marqueur; b) image a avec le marqueur détecté; c) image LG avec marqueur et d) image c avec le marqueur détecté. 22 3.5 Autres applications de la détection du marqueur Deux applications de l’algorithme de détection du marqueur ont été développées pour le contrôle de qualité de la position du faisceau de rayonnement des accélérateurs linéaires. Dans un premier cas, le positionnement du rayon est déterminé à l’aide d’un faisceau de lumière et de marques sur la personne traitée. Il faut donc s’assurer que le champ de lumière concorde bien avec celui du champ de radiation. Pour ce faire, on utilise un gabarit en plexiglas sur lequel un champ de 200X200 mm2 est indiqué. Le champ de lumière devra remplir cette région. Dans le gabarit, quatre marqueurs ont été insérés aux coins d’un carré de 180x180 mm2. Ces marqueurs permettront de repérer le champ de lumière une fois le gabarit irradié (Figure 3.8a), alors que le champ de radiation est déterminé par le contour du champ dans l’image portale. La concordance entre les deux champs est déterminée à partir de la variation entre les centres géométriques des champs lumineux et de radiation. Le centre du champ de radiation est calculé à partir de son contour. Quant au centre du champ lumineux, il est déterminé à partir de la moyenne des positions des marqueurs qui ont été détectés avec l’algorithme de détection. Seule la translation est importante puisque les faisceaux lumineux et de radiation sont formés par le même collimateur fixe. a) b) Figure 3.8 a) Image de vérification du champ de lumière et b) avec son centre géométrique(+) et les marqueurs du champ de lumière. Une deuxième application sert pour le contrôle du faisceau en traitement stéréotaxique1. Ce traitement s’effectue en arc à l’aide d’un petit faisceau (2cm). Ici, il est important de vérifier 1. Qui utilise un repérage précis dans les trois plans de l’espace. 23 la concordance entre l’axe de rotation mécanique de l’accélérateur et le point focal du faisceau. Pour ce faire, on installe une bille radio-opaque au centre de rotation du bras. Ensuite, plusieurs images (Figure 3.9) sont prises à différentes positions angulaires du bras. La détection du marqueur avec l’algorithme de détection détermine la position du centre de rotation du bras. Enfin, la détection du contour de champ permet d’obtenir le centre géométrique du faisceau du rayon. Un écart entre les deux positions indique un problème de convergence. a) b) Figure 3.9 Image de vérification en chirurgie stéréotaxique a) originale et b) avec le marqueur et centre du champ détectés. En plus de la détection du marqueur radio-opaque dans les images AP et latérales provenant des séances de traitement de la prostate en radiothérapie, l’algorithme de détection est utilisé dans des applications de contrôle de qualité pour les accélérateurs. Ces applications sont la détermination de la concordance entre le champ de lumière et le champ de radiation ainsi que la vérification de la convergence des rayons en traitement stéréotaxique. CHAPITRE 4 Corrélation des images pour déterminer les déplacements du patient 4.1 Introduction La détermination des erreurs de positionnement des patients lors des traitements de radiothérapie se fait en utilisant les images portales prises lors de l’irradiation. Dans le cas du cancer de la prostate, les éléments qui aident à la vérification sont principalement les os du pubis pour les images des champs posto-antérieurs, PA, et antéro-postérieurs, AP, et la partie supérieure du fémur pour les images latérales. La mesure de déplacement est basée sur les contours des structures osseuses. Ces derniers sont détectés à l’aide du laplacien d’une gaussienne. Puisqu’une détection d’arêtes est faite, il faut se débarrasser des bandes de balayage produites à l’acquisition [14]. Enfin, le déplacement sera mesuré en faisant la corrélation entre une image de référence et l’image testée de contours de structures osseuses [13]. Voici un schéma de l’algorithme: 24 25 Détection du champ de traitement Restauration de l’image Convolution avec le LoG Détection des passages par zéro Corrélation des images de passages par zéro Recherche du maximum de corrélation = Translation Figure 4.1 Organigramme de l’algorithme de corrélation. 4.2 Détection des contours osseux Étant donné l’énergie du rayonnement des photons, 23 MV, les images sont peu contrastées et seuls les contours osseux sont visibles parce qu’ils provoquent une atténuation étroite. Cette atténuation est produite puisque le bord d’un os est plus dense que son milieu qui contient de la moelle osseuse. Pour la détection des contours osseux, il faut traiter les images à l’aide d’un filtre passe-haut ou passe-bande pour rehausser les gradients provoqués par ces atténuations. Conséquemment, les algorithmes habituels de détection d’arêtes, Prewitt ou Sobel [15], se sont montrés peu efficaces considérant le peu de contraste présent et le bruit. Par la suite, deux opérateurs dérivés de la gaussienne (4.1) ont été utilisés. Il s’agit de la dérivée première de la gaussienne, DoG, et de son laplacien, LoG (Figure 4.2). Leurs expressions analytiques sont données dans (4.2) et (4.3) respectivement. 26 Une particularité de la DoG est qu’elle est directionnelle contrairement au LoG qui possède une symétrie de révolution. La Figure 4.3 montre des profils de la réponse de la convolution (4.4) de la DoG et du LoG sur une image simulant des atténuations. Il est possible de voir que la DoG ne provoque qu’un seul passage par zéro alors que le LoG en produit deux. La localisation des passages par zéro permet la détection d’arêtes [16]. −3 −3 x 10 x 10 5 8 6 4 0 2 0 −5 10 −2 10 5 5 10 10 5 0 −5 0 −5 −5 −10 y 5 0 0 −10 −5 −10 y x −10 x a) b) Figure 4.2 Masque de convolution a) de la DoG et b) du LoG. 2 G ( x, y ) = e 2 x +y – --------------2 2σ 2 –x ∂G = -----2- e σ ∂x (4.1) 2 x +y – --------------2 2σ (4.2) 2 –r 2 --------r 2σ2 2σ – 2 - e ∇ G ( r ) = ------------------ σ4 2 2 2 (4.3) 2 où r = x + y . i c = i ⊗ op (4.4) où ic est l’image convoluée, i, l’image originale et op, l’opérateur de convolution. 27 0.01 0.008 0.006 0.004 Amplitude 0.002 0 −0.002 Profil DoG −0.004 LoG −0.006 −0.008 −0.01 20 30 40 50 60 70 Position 80 90 100 110 Figure 4.3 Réponse de la DoG et du LoG à des atténuations. Des essais ont été effectués avec différentes valeurs d’écarts types, σ , allant de 0,5 à 1,7 pixel pour les deux opérateurs. Les résultats avec la DoG sont décevants puisqu’il y a présence de doubles passages par zéro après la convolution alors qu’un seul est attendu. Quant aux résultats avec le LoG, il y a certes des doubles passages par zéro mais les contours sont plus complets. Les Figures 4.4 et 4.5 montrent des images portales originales avec des équivalentes sur lesquelles les passages par zéro du LoG ont été superposés. L’ANNEXE I montre des images binaires pour différentes valeurs d’écarts types pour les deux types d’opérateurs. Dans ces images, plus l’écart-type est petit, plus le bruit est rehaussé. Ceci se produit puisque que la largeur de bande du filtre dans le domaine fréquentiel augmente (Figure 4.6). Alors augmenter l’écart-type, diminue la largeur de bande et réduit ainsi la contribution du bruit lors de la détection. Les contours osseux persistent avec la diminution de la bande passante et sont donc dans les basses fréquences. Ce résultat concorde avec le peu de contraste présent dans les images. Empiriquement, les meilleures détections se font avec un écart type de 1,5 pixels. Enfin, il faut rappeler que le support d’un LoG d’écart type de 1,5 pixels est assez large. Il s’agit d’un masque de 21x21pixels2. 28 Figure 4.4 superposés. a) b) Image AP a) originale et b) avec les passages par zéro a) b) Figure 4.5 Image latérale a) originale et b) avec les passages par zéro superposés. 1.8 1.6 et=1 et=1,5 1.4 Amplitude 1.2 1 0.8 0.6 0.4 0.2 0 0 Fréquence Figure 4.6 Réponses en fréquence de l’opérateur LoG. 29 0.24 0.22 0.2 c 0.18 0.16 0.14 0.12 0.1 16 12 8 4 0 −4 −8 −12 −16 16 b 12 4 8 0 −4 −8 −12 −16 a 4.3 Mesure du déplacement. La mesure du déplacement sera faite en calculant la corrélation entre deux images de passages par zéro, soit celle de test et celle de référence. La corrélation se définit comme suit: (4.5) où iref est l’image de référence; i, l’image de test; H, la hauteur des images et L, la largeur. Le maximum de c indique la meilleure concordance entre l’image de référence et celle testée. La Figure 4.7 montre la proéminence du maximum. Il est donc facile à trouver. Les paramètres a et b indiquent alors la translation que doit subir l’image de test en y et x 30 respectivement. Le terme du dénominateur permet de normaliser la corrélation et comme la corrélation est utilisée sur des images binaires, ces termes constituent le nombre de pixels de passage par zéro dans les images. Le terme de i au dénominateur devrait être de la forme i(y+a, x+b) [18], mais cela alourdirait le traitement et pour les petites translations présentes il est possible d’omettre les termes a et b. La corrélation a été calculée sur les images brutes sans grand succès étant donné le peu de contraste; le maximum se trouvant toujours à la position (0,0). 4.4 Explication de l’algorithme 4.4.1 Référentiel Les deux images doivent être mises dans le même référentiel pour faire de bonnes mesures. Il arrive à l’occasion, que le détecteur n’ait pas été sorti complètement et mis en position bloquée, ce qui change la position du champ d’irradiation dans l’image. De plus, d’un jour à l’autre la grandeur du champ peut fluctuer. Pour remédier à ces problèmes, le contour du champ de traitement est détecté pour obtenir son centre géométrique ainsi que sa largeur et sa hauteur: nous utilisons la largeur et la hauteur maximales parallèles aux axes à cause de la simplicité à les obtenir. Les images traitées subséquemment seront de grandeur minimales et centrées selon leur centre géométrique. La prise de la grandeur minimale nous assure d’être dans le champ d’irradiation dans les deux images. 4.4.2 Convolution et corrélation Les opérations de convolution et de corrélation se font de façon beaucoup plus efficaces quand elles sont effectuées dans le domaine des fréquences à l’aide de la Transformée de Fourier Rapide (TFR) [17]. Seule une multiplication des transformées des signaux est nécessaire au lieu des multiples sommations nécessaires dans le domaine spatial (4.5). Cela s’avère fort utile considérant les dimensions du masque du LoG et des images à corréler. Ainsi, les équations (4.4) et (4.5) deviennent dans le domaine des fréquences: 31 I c ( ξ y, ξ x ) = I ( ξ y, ξ x ) M ( ξ y, ξ x ) et (4.6) C ( ξ y, ξ x ) = I ( ξ y, ξ x ) I ref∗ ( ξ y, ξ x ) (4.7) où Ic = TFR(ic), I= TFR(i), M = TFR(LoG), C = TFR(c), Iref = TFR(iref) et I= TFR(i), * indique le complexe conjugué de I. ξ y et ξ x sont les fréquences spatiales en y et x respectivement. Pour faire les opérations avec la TFR, il faut que la largeur et la hauteur de l’image soient de grandeur 2n. Le champ de traitement est alors mis dans le coin supérieur gauche d’une matrice image de grandeur 2n. Il se pose alors un problème: quelles doivent être les valeurs des pixels surnuméraires? Il faut qu’elles soient le plus homogènes possible avec l’image traitée pour ne pas ajouter un échelon sur le contour de l’image. De plus un échelon important autour du champ inhiberait les structures présentes près du bord sur une demilargeur du masque de convolution. Une solution consiste à soustraire la moyenne d’intensité à l’image pour amener l’information autour de l’intensité zéro. L’algorithme de restauration, section 4.5, permet de faire cela. 4.4.3 Détection des passages par zéro Après avoir fait la TFR inverse de l’image convoluée avec le LoG, Ic, il faut détecter les passages par zéro. Ceci se fait simplement en recherchant les changements de signe entre des pixels voisins de la façon suivante. Si deux pixels voisins sont de même signe alors leur multiplication sera positive. Dans le cas contraire, la multiplication sera négative. Donc les multiplications négatives sont à rechercher. Ainsi, à chaque pixel de l’image, le changement de signe est recherché dans deux directions, soit en haut et à gauche comme l’illustre la Figure 4.8. Pixels de test Pixel testé Figure 4.8 Orientations de la détection des passages par zéro pour un pixel. 32 4.4.4 Aide à la validation Pour aider à la validation, une image couleur est créée (Figures 4.9 et 4.10). Elle est composée de la superposition des images de passages par zéro de l’image de référence et de l’image testée, l’image testée ayant subit une translation conforme au maximum de la translation. L’image est formée de la façon suivante: imag e ( y, x ) = i ref ( y, x ) + 2 × i ( y + a, x + b ) (4.8) Il faut rappeler que les images de passages par zéro sont binaires et que l’image ainsi formée comporte 4 couleurs. Voici leurs significations: • noir: pixels à 0; • rouge: pixels représentant un passage par zéro dans l’image de référence, iref; • orange: pixels représentant un passage par zéro de l’image testée, i et • blanc: pixels représentant des passages par zéro de iref et i. Conséquemment quand un passage par zéro concorde dans les deux images, celui-ci est mis en évidence. a) b) Figure 4.9 Image AP binaire de contours a) originale et b) avec la meilleure concordance. 33 a) b) Figure 4.10 Image LD binaire de contours a) originale et b) avec la meilleure concordance. 4.5 Restauration des images. Les images portales comportent des artefacts produits lors de leur acquisition. Ce sont des bandes de balayages provoquées par l’excitation du détecteur par les impulsions de rayons x plus rapides que l’acquisition des images. Les pulsations de rayons x sont à une fréquence de 126 Hz pour un faisceau de protons de 23 MV, alors que l’acquisition des images se fait à 30 Hz. Cela provoque des sauts d’intensités qui se visualisent comme des bandes horizontales d’intensités différentes (Figure 4.11 a) ce qui cause un fond non-constant dans les images (Figure 4.11 b) et ces variations d’intensités sont détectées par l’opérateur d’extraction d’arêtes. Comme cet opérateur est isométrique, il détecte des contours sans égard à leurs orientations dont les arêtes de bandes de balayages. Ces lignes horizontales forcent, dans certains cas, la corrélation vers une mauvaise position s’il y a des bandes dans les deux images en cours de test. Il faut donc un algorithme capable de débarrasser les images de cet artefact. Il existe un opérateur de mathématique morphologique qui est utile pour défaire les images des non-uniformités du fond. Cet opérateur est le chapeau haut-deforme noir. Il permet d’éliminer les non-uniformités douces d’un fond clair d’une image en 34 soustrayant le fond de l’image originale. Dans le cas présent, le mécanisme de l’artefact est bien connu, c’est un changement d’intensité momentané entre deux lignes successives qui se retrouve sur toute la largeur de l’image jusqu’à la prochaine impulsion de rayons x. Donc intuitivement, c’est le fond, ligne par ligne, qu’il faut supprimer [19]. L’élément structurant est ainsi une bande de la largeur du champ de traitement. a) b) c) Figure 4.11 a) Image LG originale; b) image du fond et c) image restaurée. Les opérateurs morphologiques en tons de gris travaillent avec les extremums d’intensités sous l’élément structurant. Dans le cas de l’opérateur chapeau haut-de-forme noir, le fond est déterminé en effectuant l’opération morphologique de fermeture. Ce qui revient à rechercher le maximum dans une ligne de champ de traitement. Ce traitement augmente le bruit surtout dans les images de champ pelvien où le contraste est faible. Une variante plus appropriée que la fermeture consiste à utiliser un opérateur de moyennage uniforme pour chaque ligne. Ainsi la moyenne d’une ligne est soustraite de chaque pixel de la même ligne, ceci pour tous les pixels du champ de traitement. Cette méthode semble bien circonscrire le problème des bandes de balayage comme le montre la Figure 4.11 c. Les graphes de la Figure 4.12 montrent un profil d’une ligne et de sa moyenne et un profil vertical d’un champ avant et après la restauration. Le profil est alors beaucoup plus plat. Cette opération augmente quelque peu le bruit dans l’image. Mais utiliser un filtre laplacien d’un écart type de 1,7 pixels règle le problème lors de la détection des contours osseux. Il ne reste ensuite qu’à appliquer la corrélation. L’image de référence doit aussi être traitée avec cet opérateur. 35 La Figure 4.13 montre très bien l’amélioration apportée aux images. Les contours osseux sont plus complets. De plus, il y a moins d’inhibition sur le bord du champ. 240 230 Original Moyen 220 210 205 200 200 190 Original Restauré 195 180 190 200 220 240 260 280 300 320 170 140 160 180 200 220 240 260 280 36 4.6 Validation de l’algorithme Pour valider l’algorithme, des images portales ont été prises avec des translations connues et l’habileté de l’algorithme à retrouver ces mouvements a été constatée. L’objet irradié était Rando, un squelette humain recouvert d’un plastique ayant les même propriétés radiologiques et la même forme que le corps humain. À la hauteur des hanches, Rando est coupé en tranche de 2,5 cm. Ce sont deux de ces tranches vues en coupe qui ont été utilisées pour faire deux séries d’images de test. Une autre série a été faite avec son crâne vu du dessus. Pour les images des séries avec les coupes de la hanche, les parties visibles sur les images étaient l’os de la hanche et la colone vertébrale, toutes deux vues en coupe. Quant aux images du crâne, c’est la mâchoire qui était observable. Des rotations ont aussi été effectuées sur quelques images du crâne. La Figure 4.14 montre une image de chacune de ces séries. Le champ d’irradiation était toujours carré avec 8 cm de côté. La première série de la hanche a reçu une dose de 35 mu, l’autre 40 et le crane quant à lui, 100. Cela implique une différence dans le temps d’intégration des images de vérification. Des variantes d’installation possible en clinique étaient aussi incluses telles que ne pas enclencher le détecteur en position ouverte et mettre la grandeur de champ à 7,8 cm de côté. Les résultats sont illustrés sous forme de distribution de l’erreur obtenue pour l’algorithme avant et après la restauration (Figure 4.15). a) b) c) Figure 4.14 a) Image du crâne; b) image de la hanche (1e série) et c) image de la hanche (2e série). 25 25 20 20 15 15 Fréquence Fréquence 37 10 10 5 0 5 −6 −5 −4 −3 −2 −1 0 Erreur (pixels) 1 2 3 4 0 5 −9 −8 −7 −6 −5 −4 25 20 20 15 15 10 10 5 5 0 −6 −5 −4 −3 −2 −1 0 Erreur (pixels) c) 0 1 2 3 4 5 0 1 2 3 4 5 b) 25 Fréquence Fréquence a) −3 −2 −1 Erreur (pixels) 1 2 3 4 5 0 −9 −8 −7 −6 −5 −4 −3 −2 −1 Erreur (pixels) d) Figure 4.15 Distribution des erreurs. Avant restauration a) en X et b) en Y. Après restauration c) en X et d) en Y Le Tableau 4.1 montre bien que la restauration a plus d’influence sur la corrélation en Y comparée à X où elle n’a presque pas d’influence pour les déplacements parfaits. Pour les autres intervalles, la restauration améliore les deux distributions et élimine les erreurs extrêmes qui sont causées par les lignes de balayage (Figure 4.15 a et b). Les erreurs extrêmes en X sont reliées à celle en Y. L’ANNEXE II illustre ceci en montrant des cas de corrélations erratiques avant la restauration et sans erreur après, ainsi qu’un cas de corrélation sans erreur dans les deux cas. Les deux cas encore à l’écart avec la restauration s’expliquent, dans un cas, par la rotation de l’image, et dans l’autre, par l’erreur expérimentale puisque l’image corrélée est bonne. Les variations de la position du détecteur ou des grandeurs de champs n’ont pas apporté d’erreur dans la recherche de la 38 translation. Le temps de traitement de l’algorithme avec un ordinateur SPARCstation 2 de SUN est de 6 secondes. Sans Restauration Intervalle d’erreurs X Avec Restauration Y X Y 0 0,34 0,17 0,36 0,45 +/- 1 0,70 0,75 0,81 0,88 +/- 2 0,94 0,90 0,98 0,94 Tableau 4.1 Distribution de l’erreur cumulative. CHAPITRE 5 Conclusion Ce mémoire présente des algorithmes servant à localiser automatiquement la prostate. Ceci à deux niveaux, soit la détection d’un marqueur radio-opaque localisant la prostate puisqu’elle n’est pas visible à prime abord et les variations de positions du patient d’un jour à l’autre en se basant sur les structures osseuses. La détection du marqueur a été réussie dans 87% des fois pour un échantillon de 142 images. Pour les déplacement, il a été possible de les mesurer avec une erreur de seulement +/- 1,35 mm dans la direction des X, 98% des fois, et +/- 1,04 mm dans la direction des Y, 94% des fois. Ceci représente +/- 2 pixels dans les deux directions. Cinquante-trois images ont été utilisées pour tester l’algorithme de corrélation. La détection du marqueur est basée sur la détection de minimums locaux dans une zone d’intérêt qui répondent à certains critères de concavités pour les différencier des minimums causés par le bruit ou par des contours osseux. En cours de route, on a remarqué que l’erreur moyenne absolue entre la surface analytique et l’image est moindre dans une région de 5x5 pixels2 et encore plus faible si la surface est modélisée par une cubique. Il serait intéressant de regarder s’il y a de l’amélioration à obtenir de ce côté malgré le fait que l’analyse de la cubique soit beaucoup plus lourde que celle de la quadrique. Les dérivées secondes 39 40 directionnelles seraient aussi une piste intéressante puisqu’elles sont invariantes à l’orientation des éléments examinés contrairement à fxx et fyy. La mesure des déviations de positionnement de patients est basée, quant à elle, sur la corrélation d’images de contours osseux. Les contours osseux sont déterminés à partir des passages par zéro présents à la suite de la convolution des images avec l’opérateur du Laplacien d’une gaussienne. Les images nécessitent une restauration pour éliminer les bandes de balayage présentes à l’acquisition. Un point à approfondir serait l’obtention d’une seule arête par contour osseux au lieu de la double arête telle que présentée. Il serait également intéressant de vérifier s’il y a moyen d’utiliser la valeur de corrélation (4.7) pour se donner une mesure de confiance de la corrélation. Enfin, il faudrait pouvoir détecter les rotations. Cet algorithme devra aussi être validé avec un grand nombre d’images cliniques. Les deux algorithmes, mis au point au cours de ce travail, seront implantés pour utilisation en clinique. Ils pourront être utilisés en commun pour quantifier les mouvements de la prostate par rapport à la structure osseuse par exemple. RÉFÉRENCES [1] Balter, J.M., «Measurement of prostate movement over the course of routine radiotherapy using implanted markers», Int. J. Radiation Oncology Biol. Phys., Vol.31, No. 1, pp 113-118; 1995. [2] Vigneault, E et al, «The choice of a Radio-Opaque Marker for the Localization of the Prostatic apex during Megavoltage Irradiation», 41st Comp annual meeting proc., pp. 177-178, 1995; (résumé), Med Phys., vol. 22, No 5, pp. 679-680, 1995 . [3] Gilhuijs, K.G.A. and M. van Herk, «Automatic on-lin inspection of patient setup in radiation therapy using digital portal images», Med. Phys., Vol. 20, No 3, pp 667677; 1993. [4] Loose, S. et al, «Evaluation of an Automated System for Portal Verification» (résumé), Med. Phys., Vol. 22, No 5, p 678; 1995. [5] Boyer, A.L. et al, «A review of electronic portal imaging devices (EPIDs)», Med. Phys., Vol. 19, No 1, pp 1-16; 1992. [6] Girouard, L.-M. et al, «Détection automatique de radio-marqueurs avec l’imagerie portale», 41st Comp annual meeting proc.,pp 165-166,1995; (résumé anglais), Med. Phys., Vol. 22, No 5, p 678; 1995. [7] Haralik.R.M. et al, «The Topological Primal Sketch», International Journal of Robotics Research, Vol. 2, No 1, pp 50-72; 1983. [8] Ouellet, G., 1984, «Calcul 3: Théorie, exemples, problèmes», Sainte-Foy, Le Griffon d’argile. [9] Demuth, H. et M. Beale, 1994, «Neural Network Toolbox: For Use with MATLAB®», The MathWorks Inc. [10] Glutchev, G et S. Shalev, «Fast algorithm for radiation field edge detection», SPIE Image Processing, vol. 1898, pp 296-303; 1993. 41 42 [11] Maldague, X. et al, «Thermographic Nondestructive Evaluation(NDE): An Algorithm For Automatic Defect Extraction In Infrared Images», IEEE Trans. Sys. Man. Cybern., vol. SMC-20, pp 722-25; 1990. [12] Gille, J.-C. et M. Clique, 1984, «Calcul matriciel et introduction à l’analyse fonctionnelle»; Tome 1, 2 et 3; 3e ed, Outremont, Lidec. [13] Girouard L.-M. et al, «Bone structure correlation algorithm for the automatic detection of setup deviations during prostate treatment.», EPI 96 Workshop program and abstract book, p. 35; 1996. [14] Rajapakshe, R. et al,«Temporal and Spatial Statistics of Image Noise in Real Time Video Imaging: a Study on On-Line Portal Imaging», SPIE Physics of Medical Imaging, Vol 1896, pp 62-72; 1993. [15] Castleman, K. R., 1996, «Digital Image Processing», New Jersey, Prentice Hall. [16] Marr, D. et E. Hildreth, «Theory of edge detection», Proc. R. Soc. Lond., Series B, Vol. 207, pp 187-217; 1980. [17] Press, W. et al, 1992, «Numerical Recipes in C: The art of scientific computing», 2e ed., Cambridge University Press, Cambridge, UK. [18] Jones, S. M. et A.L. Boyer, «Investigation of an FFT-based correlation techique for verification of radiation treatment setup», Med. Phys.,Vol. 18, No. 6, pp 1116-1125; 1991. [19] Sternberg, S. R., «Biomedical Image Processing» , IEEE Computer, Vol. 16, No. 1, pp 22-34; 1983. ANNEXE I Images de passages par zéro σ = 1 σ = 2 en Y en X Figure I.1 Images de passages par zéro avec l’opérateur DoG. 43 44 a) b) c) d) Figure I.2 Images de passages par zéro pour une image PA avec l’opérateur LoG et un écart type de a) 0,8 b) 1,0 c) 1,5 et d) 1,7. 45 a) c) b) d) Figure I.3 Images de passages par zéro pour une image LD avec l’opérateur LoG et un écart type de a) 0,8 b) 1,0 c) 1,5 et d) 1,7. ANNEXE II Images de corrélation Voici des images de corrélation (Tableau II.1) qui sont problématiques sans restauration, mais qui sont correctes après restauration. Cependant, l’image 9899000216 est correcte dans les deux cas. L’image de référence est celle 9899000139 (rouge). Le problème est en fait une fausse corrélation par rapport au déplacement effectué manuellement. L’écart dans la déviation est causé par les lignes de balayage présentes dans ces images. Le déplacement obtenu après restauration est correct puisque les artefacts ont été éliminés. 46 47 Tableau II.1 Images de corrélation. Avant la restauration Après la restauration Position originale Position originale Position de la corrélation max Position de la corrélation max No d’images 9899000210 9899000213 9899000216 9899000219