Analyse et modélisation 3D du comportement dynamique du coeur en imagerie multimodalité ANALYSE ET MODÉLISATION 3D DU COMPORTEMENT DYNAMIQUE DU CŒUR EN IMAGERIE MULTIMODALITÉ I.E. MAGNIN UMR CNRS 5515 affiliée à l’INSERM, INSA502 - Villeurbanne - 1. Introduction 2. Les paramètres cliniques L’évaluation non invasive de la fonction cardiaque présente un intérêt majeur en pathologie cardio-vasculaire [1]. Elle est utile à la fois dans les phases diagnostiques, thérapeutiques et interventionnelles. Sachant que le retentissement fonctionnel d’une lésion dépend de sa nature, de sa localisation et de son étendue, il est clair que la pertinence du diagnostic médical est directement liée à l’appréciation quantitative qui peut en être faite. Les anomalies induites affectent, selon les cas, le rythme, la perfusion, la contraction ou encore le métabolisme myocardique. Dans ce contexte, l’imagerie médicale constitue un outil privilégié d’investigation, car elle donne accès à des informations morphologiques (forme, dimensions, volume), dynamiques (mouvement, déformation, vitesse) et fonctionnelles (perfusion, activité métabolique). Cependant, malgré les progrès importants réalisés ces 15 dernières années [2,3], les systèmes d’imagerie actuels fournissent des données dont le caractère partiel limite l’évaluation clinique. Le clinicien établit généralement son diagnostic en inférant mentalement le comportement dynamique tridimensionnel du coeur, à partir de séquences temporelles d’images 2D issues soit de projections (angiographies RX) soit de séries de coupes (scanner X mono- et multi-coupes, IRM, US, TEP). Cette démarche nécessite une grande expérience. Elle reste difficile et peu précise. La seule imagerie réellement tridimensionnelle utilisée en routine clinique est l’imagerie isotopique SPECT. Quant aux méthodes numériques de traitement, certains auteurs [4] [5] remarquent que les analyses, à partir de séquences temporelles 2D, sont limitées par le fait qu’elles ne peuvent accéder qu’à la fraction projetée du mouvement du coeur dans le plan image. Les paramètres cliniques qui caractérisent la fonction cardiaque et intéressent le clinicien sont de nature globale (fraction d’éjection, masse myocardique, courbe de volume de la cavité VG au cours du cycle, vitesse de raccourcissement des fibres) ou de nature locale (contractilité segmentaire, déformation pariétale, perfusion, vitesse locale du déplacement, évolution spatio-temporelle). Ces paramètres sont intrinsèquement de nature tridimensionnelle bien qu’ils soient encore, dans la majorité des cas, estimés à partir de données 2D. Ils caractérisent principalement le ventricule gauche (VG) du coeur qui assure à lui seul 80% de la fonction cardiaque. Dans cet article, nous proposons une bibliographie commentée des principaux travaux menés actuellement pour modéliser et analyser le comportement dynamique tridimensionnel du coeur normal et pathologique en s’appuyant sur les modalités d’imagerie complémentaires disponibles. Revue de l'ACOMEN, 1999, vol.5, n°2 3. Analyse et modélisation Le recours au traitement automatique des séquences d’images cardiaques en vue d’extraire le plus efficacement possible les paramètres cliniques nécessaires au diagnostic, est une obligation, compte tenu des quantités impressionnantes de données acquises chaque jour en routine hospitalière. Cependant, ces techniques doivent non seulement être capables de réaliser les mesures standards mais, à plus long terme, pouvoir extraire des images beaucoup plus d’informations quantitatives que cela n’est fait aujourd’hui afin de fournir au praticien de nouveaux indices plus pertinents pour quantifier la fonction cardiaque en général. L’approche 3D constitue l’élément clé de ce progrès. 3.1. Segmentation 3D des cavités La mesure des paramètres les plus courants, comme la fraction d’éjection, nécessite la délimitation de la surface endocardique VG afin d’en estimer le volume et ceci, aux deux instants caractéristiques du cycle à savoir la télédiastole et la télésystole. En terme de traitement d’image, ceci se traduit par la nécessité de segmenter la cavité VG, c’est à dire d’en définir les contours le plus précisément possible. Plusieurs équipes se sont intéres- 191 I.E. MAGNIN sées à la segmentation 3D du VG à partir d’une segmentation réalisée soit coupe par coupe en échographie US [6] en utilisant un modèle de Fourier pour les contours 2D [7] ou pour la surface 3D [8, 9], soit directement sur l’ensemble des coupes du volume en IRM en s’appuyant sur une représentation paramétrique de la surface [10, 11] (Figure 1). De même, un modèle de représentation triangulée basée sur un concept de graphe a été proposé [12, 13]. La segmentation d’images fonctionnelles SPECT 3D a également été abordée à partir d’un modèle a priori de forme géométrique simple de type balle de fusil [14] ou à l’aide d’un modèle paramétrique à base de fonctions exprimées dans un système de coordonnées adapté à la forme du VG [15]. - FIGURE 1 Représentation de la surface de l’endocarde VG à l’aide d’une surface paramétrique de type B-spline. Une approche de segmentation 3D avec adaptation d’une surface a des données US par réseau de neurone a été également proposée [16]. Lorsque la segmentation est réalisée sur toutes les images du cycle, il est possible d’accéder à l’évolution temporelle de la cavité VG par l’analyse de sa dynamique. Les méthodes capables d’extraire automatiquement les parois endocardiques et épicardiques VG sont encore peu nombreuses et surtout trop peu robustes aux variations de la qualité des images pour pouvoir être utilisées de façon fiable en routine clinique. 3.2. Estimation de mouvement 3D La qualité des données limite les traitements qui peuvent leur être appliqués. A ce propos, les images angiographiques 3D fournies par le scanner X 3D, Dynamic Spatial Reconstructor (DSR) sont uniques par leur résolution spatiale isotrope de 0,9 mm, leur résolution temporelle et leur excellent contraste cavité/muscle. Ces données ont permis d’estimer les champs de déplacement 3D de la paroi endocardique du coeur gauche (Figure 2), ventricule et oreillette, à l’aide d’une méthode différentielle d’estimation de mouvement comme le montrent Gorce et al. [17], en s’appuyant sur les travaux antérieurs de Fitzpatrick [18] et de Song et Leahy [19]. L’hypothèse de base d’une méthode différentielle d’estimation de mouvement est la conservation du niveau de gris des points de l’image au cours du mouvement: il convient donc de noter qu’une telle hypothèse ne porte pas directement sur les caractéristiques du mouvement cardiaque, mais sur les propriétés des images traitées. Cette technique d’estimation du mouvement, utilisée avec succès sur les données angiographiques X, serait mal adaptée aux traitement de séquences IRM, en supposant que l’on puisse disposer de données spatialement isotropes, lorsque les variations de contraste au cours du cycle deviennent prépondérantes. La Figure 2a, représente les vecteurs de vitesse de déplacement de l’endocarde au cours du cycle sur un coeur gauche de chien . La Figure 2b représente le module de cette vitesse au cours du cycle cardiaque complet. On observe deux zones de vitesses importantes, au niveau de l’atrium et de l’apex. Ces deux régions sont séparées par une zone de vitesses plus faibles, correspondant à la base du ventricule gauche. L’orientation des vecteurs vitesse, visible sur la figure, montre que le mouvement localisé sur l’apex du ventricule gauche caractérise une dilatation (vecteurs sortants), contrairement à celui observé sur l’atrium qui caractérise une contraction (vecteurs invisibles donc rentrants). A l’instant suivant (Figure2b) la contraction de l’atrium est terminée alors que la dilatation du ventricule gauche est encore visible et caractérisée par la zone de mouvements située plus haut, juste en dessous de la base du ventricule. Ces résultats font apparaître l’inhomogénéité et la complexité de la répartition spatiale de la vitesse lors des phases de mouvement important (milieu de diastole ou de systole). L’observation animée des contraction/ dilatation du VG au cours du cycle, témoigne d’une excellente concordance avec la physiologie [17]. 192 L’estimation du mouvement 3D n’a pas encore été réalisée de façon similaire, ni sur des données IRM car celles-ci sont actuellement des séquences multicoupes anisotropes, ce qui rend impossible l’estimation 3D vraie du mouvement, ni sur des données US pour une raison liée a une acquisition de données 3D encore imparfaite, qui plus est Revue de l'ACOMEN, 1999, vol.5, n°2 Analyse et modélisation 3D du comportement dynamique du coeur en imagerie multimodalité très limitée par la qualité des images acquises (bruit de speckle, signal enveloppe). L’analyse du mouvement n’est possible actuellement qu’en segmentant les cavités au préalable et en suivant leur déformation au cours du cycle. a. b. - FIGURE 2 Données acquises en angiographie 3D (DSR, Mayo Clinic). Distribution 3D de la vitesse instantanée de la paroi endovasculaire d’un ventricule gauche de coeur de chien a) à un instant, b) au cours d’un cycle cardiaque. 3.3. Modélisation du mouvement 4D du VG Les premières études sur la dynamique VG ont porté sur des approches globales simples comme la caractérisation de la paroi libre [20], la modélisation des phases de contraction et dilatation [21] ou encore des méthodes de mise en correspondance de points de la cavité aux instants successifs de la séquence [4, 22]. Ces approches sont limitées dans le premier cas par la simplicité des modèles de mouvement mis en oeuvre et dans le deuxième cas par la complexité à obtenir des données de correspondance réellement tridimensionnelles. Plus récemment, des travaux de Revue de l'ACOMEN, 1999, vol.5, n°2 modélisation du comportement 4D de la cavité ont vus le jour. L’imagerie nucléaire est la seule modalité qui permette aujourd’hui des études quantitatives de la perfusion en ischémie myocardique en pratique clinique. Dans ce cadre, une méthode automatique [15] de mise en correspondance et d’alignement en vue de l’analyse quantitative de la perfusion myocardique en tomoscintigraphie a été récemment proposée. La restauration spatio-temporelle du coeur 4D en tomographie par émission de positons (TEMP) 193 I.E. MAGNIN a fait également l’objet de travaux récents par Murcia [14]. A cause de la nature très bruitée des images, l’auteur s’oriente vers une méthode géométrique et modélise le VG sous la forme d’un objet multicouche constitué de surfaces en U emboîtées. L’ajustement aux données de l’enveloppe myocardique (surfaces endo- et épicardiques) s’obtient par minimisation iterative d’une fonction coût (de gradient). Cette étape est repétée pour chaque instant de la séquence. Le mouvement du VG est inféré par la mise en correspondance des surfaces enveloppes, aux instants successifs du cycle. L’interpolation linéaire des paramètres du modèle entre ces surfaces, permet d’accéder au mouvement volumique du myocarde. L’auteur souligne néanmoins que la méthode d’estimation de mouvement choisie ne prend en compte ni la composante de torsion ni le caractère local du mouvement. Le modèle consiste à reconstruire récursivement le VG a un instant donné du cycle, en s’appuyant sur les projections acquises sur l’ensemble de la séquence. La résolution du problème s’effectue dans un cadre statistique. Malgré le manque de robustesse de la méthode, vis à vis de la loi d’évolution, les premiers résultats obtenus sur des données cliniques sont qualitativement intéressants. Deux modèles de comportement 4D du VG, basés l’un sur une analyse modale du mouvement [23], l’autre sur des transformations continues et régulières de l’espace et du temps [15] ont permis d’approcher le comportement moyen du ventricule au cours d’un cycle. A partir de tels modèles, le mouvement de la paroi peut alors être décomposé en mouvements élémentaires en vue d’une analyse quantitative. Ces transformations s’appuient en général sur l’existence d’une correspondance explicite point à point de l’objet aux différents instants de la séquence. Une telle correspondance n’étant pas disponible en pratique, l’extension du modèle au cas d’une correspondance purement géométrique est possible [15]. La restitution spatio-temporelle du VG en 4D à partir de séquences d’images écho-cardiographiques acquises à l’aide d’un nouveau type de sonde tournante a également été abordée. La superposition du mouvement de rotation de la sonde et du mouvement de balayage du secteur échographique conduit à une surface d’exploration réglée conique. Le modèle de restitution du mouvement global et local du VG au cours du cycle cardiaque s’appuie sur une représentation approchée de la forme du VG par un ellipsoïde dont la déformation globale non rigide est paramètrée selon les trois directions orthogonales du repère centré sur la cavité. L’estimation du modèle local passe par un algorithme itératif d’estimation des données manquantes par transformation globale discrète de Fourier. L’auteur propose également une modélisation spatio-temporelle de la déformation du VG, à l’aide d’un modèle harmonique de Fourier (MH4D) qui intègre explicitement la variable temporelle. Ce modèle est générique et peut s’adapter à une répartition quelconque des données. Les travaux que l’on vient d’évoquer ont pour objectif de caractériser le comportement dynamique global et local du cœur par le biais d’un modèle de déformation 4D. Une approche complémentaire a également été étudiée. Il s’agit de considérer l’évolution temporelle de descripteurs locaux de la surface en déformation judicieusement choisis. 3.4. Vers des descripteurs pertinents de la dynamique cardiaque Quelques équipes s’intéressent à l’analyse de l’évolution locale de la forme des parois ventriculaires au cours du cycle. Parmi elles nous citerons les travaux de Park et al.[24] qui traitent d’un modèle déformable physique permettant de paramètrer les changements locaux de la forme, ceux de Friboulet et al.[25] et de Clarysse et al.[26, 27] qui proposent respectivement une estimation et un suivi automatique de la courbure locale 3D de l’endocarde au cours du cycle. Le suivi de ces paramètres de forme fournit des lois d’évolution locale. La différence de comportement local de la courbure entre un VG sain et un VG ischémié a pu être mise en évidence grâce à des simulations du comportement dynamique de la paroi endocardique, obtenu par synthèse d’image. L’étape suivante consiste à identifier ces lois afin d’en extraire des paramètres simples susceptibles de fournir au praticien une description quantitative précise de la dynamique ventriculaire gauche [28]. 3.5. Suivi et analyse des déformations pariétales Méthodologiquement, l’estimation des déformations pariétales à partir de séquences d’images est un problème complexe, car aucune des modalités d’acquisition, excepté les techniques dites de marquage tissulaire Tagging [29] ou SPAMM (Spatial Amplitude Modulation of Magnetization) [30] en imagerie par résonance magnétique, ne donnent d’information explicite de mouvement ou de correspondance locale. 194 Le marquage tissulaire (Figure 3) a été utilisé pour estimer la torsion et le cisaillement circonférentiel - longitudinal [31], le raccourcissement circonférentiel [32] et les déplacements radiaires [33] du VG. Cependant ces indices sont souvent estimés en 2D. quelques études récentes se sont attachées à extraire des descripteurs 3D plus fiables pour décrire le mouvement. Les contraintes mécaniques intrapariétales ont été approchées par [34] [35] grâce au suivi des points d’intersection des marquages réalisés dans les 3 directions de l’espace. D’autre équipes [24, 36, Revue de l'ACOMEN, 1999, vol.5, n°2 Analyse et modélisation 3D du comportement dynamique du coeur en imagerie multimodalité 37, 38, 39] ont également exploité ces informations pour tenter d’approcher le mouvement et la déformation locale des parois en combinant modèle de mouvement des surfa- ces et trajectoire de points caractéristiques fournis par le tatouage magnétique [15]. a. b. - FIGURE 3 Coupe petit axe du coeur en IRM de marquage tissulaire. a) télédiastole, le marquage initial est régulier; b) télésystole, le marquage après déformation. 4. Conclusion Les travaux présentés dans ce document sont parmi les plus récents en matière d’analyse et de modélisation 3D du comportement dynamique du ventricule gauche du cœur in vivo. On note d’ailleurs qu’aucun d’entre eux ne traite de la dynamique du cœur dans son ensemble. Les recherches actuelles en traitement et analyse d’images cardiaques tentent de prendre en compte de plus en plus, les informations complémentaires extraites des différentes modalités d’images disponibles. Des premiers résultats de fusion de données anatomiques et fonctionnelles en IRM [40], en IRM et SPECT [41] ou PET [42] ont été publiés récemment. Ces travaux restent majoritairement 2D ce qui en limite actuellement la portée. 5. Remerciements Ce travail a été réalisé dans le cadre de l’action incitative "Cœur battant" soutenue par le GDR ISIS (unité CNRS 6740). 6. Références bibliographiques 1. Magnin IE, Mathieu C, Friboulet D, Clarysse P, Intérêt de l’imagerie cardiaque 3D: acquisition, segmentation, quantification», Symposium echocardiographie et analyse d’images ventriculaires, Dijon, 1993:119-132. 2. Robb RA, X-Ray computed tomography: advanced systems and applications in biomedical research and diagnosis. In: Threedimensional biomedical imaging, vol.1, Boca Raton: CRC Press, 1985:107-162. Revue de l'ACOMEN, 1999, vol.5, n°2 3. Robb RA, Ritman EL, Harris LD, Digital Image processing in Xray computed tomography : high-speed volume imaging with the DSR, in Cardiac Imaging and image processing, S.M. Collins and D.J. Skorton (Eds), 1986; 14:361-406. 4. Amini AA, Owen RL, Anandan P, Duncan JS, Non-rigid motion models for tracking the left-ventricular wall in: Colchester ACF, Howfes DJ, eds. Lecture notes in computer science : Information processing in medical imaging, Berlin: Springer-Verlag,1991:343357. 5. Mailloux GE, Bleau A, Bertrand M, Petit Clerc P, Computer analysis of heart motion from two dimensional echocardiograms. IEEE Tran.s Biomed. Eng., BME, 1987;34(5):356-364. 6. Eiho S, et Al., Reconstruction of 3D images of pulsating left ventricle from 2D sector scan echocardiograms of apical long axis view, Proc. Computers in Cardiology 1982:19-24. 7. Léger C, Contribution au suivi volumique en temps réel du ventricule gauche par échocardiographie. Thèse, Université d’Orléans, 1993:212 p. 8. Bonciu C, Restitution 4D du ventricule gauche du cœur par échocardiographie, thèse, 1997, Université d’Orléans. 265 p. 9. Staib LH, Duncan JS, Model-based deformable surface finding for medical images. IEEE Trans. Med. Imag., 1996;15(5):720-731. 10. Clarysse P, Jaouen O, Magnin IE, Morvan JM, 3D Representation and Deformation Analysis of the heart Walls from X-Ray and MR images, Computers in Cardiology, Bethesda, 1994:657-660. 11. Bardinet E, Modèles déformables contraints: application à l’imagerie cardiaque, thèse, 1996, Université de Paris-Dauphine. 12. Reissman PJ, Modélisation et mise en correspondance par pyramides actives : application à l’imagerie cardiaque par résonance magnétique, thèse, 1997, INSA deLyon. 13. Reissman PJ, Magnin IE, Modeling 3D Deformable Object with the Active Pyramid, The Int. Jour. of Pattern Recognition and Artificial Intelligence, 1997;11(7):1129-1139. 14. De Murcia J, Reconstruction d’images cardiaques en tomographie d’émission monophotonique à l’aide de modèles spatio-temporels, thèse, 1996, INPG, Grenoble. 15. Declerck J, Etude de la dynamique cardiaque par analyse d’images tridimensionnelles, thèse, 1997, Nice Sophia Antipolis. 195 I.E. MAGNIN 16. Coppini G., Poli R, Valli G,Recovery of the 3D sharpe of the left ventricle from echocardiographic images, IEEE Trans. on Medical Imaging, 1995, 14 (2) : 301-317 17. Gorce JM, Friboulet D, Magnin IE, Estimation of Three Dimensional Cardiac Velocity Fields: Assessment of a differential method and application to 3D CT data, Medical Image Analysis, 1997;1(3):245-261. 18. Fitzpatrick, The existence of geometrical density-image transformations corresponding to object motion. Computer vision, Graphics & Image processing 1988; 44:155-174. 19. Song SM, Leahy RM, Computation of 3D velocity fields from 3D Cine CT images of a human heart. IEEE Trans. on Medical Imaging, 1991; 10(3):295-306. 20. Sacks MS, Chuong CJ, Templeton GH, Peshock R, In Vivo 3D reconstruction and geometric characterization of the right ventricular free wall». Annals of Biomedical Engineering, 1993;21: 263-275. 21. Friboulet D, Magnin IE, Revel D, Assessment of a model for overall left ventricular three dimensional motion from MRI data, The Int. Jour. of Cardiac Imaging, 1992; 8:175-190. 22. Kambhamettu C, Goldgof DB, Toward finding point correspondences in nonrigid motion. Proc 7th Scandinavian Conf. on Image Analysis, Aalborg, Denmark, 1991:1126-1133. 23. Nastar C, Ayache N, Frequency based non rigid motion analysis: application to 4-dimensional medical images, IEEE Trans on PAMI, 1996;18(11):1067-1079. 24. Park J, Metaxas D, Young AA, Axel L, Deformable models with parameters functions for cardiac motion analysis from tagged MRI data, IEEE, Trans. on Medical Imaging, 1996; 15(3):278-289. 25. Friboulet D, Magnin IE, Mathieu C, Pommert A, Hohne KH, Assessment and visualization of the curvature of the left ventricle from 3d medical images, Computerized Medical Imaging and Graphics, 1993;17(4/5): 257-262. 26. Clarysse P, Friboulet D, Magnin IE, Curvature assessment of the heart walls in 3D dynamic imaging. Proc. of Computers in Cardiology, 1993:607-610. 27. Clarysse P, Friboulet D, Magnin IE, Tracking geometrical descriptors on 3D deformable surfaces. Application to the LeftVentricular surface of the heart, IEEE Trans. on Medical Imaging, 1997;16(4):392-404. 28. Han M, Clarysse P, Croisille P, Magnin IE, Revel D, Computer aided diagnosis of the myocardial ischemia based on a spatio-temporal deformation features analysis, Computers in Cardiology, Cleveland, 1998;25:749-752. 29. Zerhouni E, Parrish D, Rogers WJ, Yang A, Shapiro EP, Human heart: tagging with MR imaging. A method for noninvasive assessment of myocardial motion. Radiology, 1988; 169:59-64. 30. Axel L, Dougherty L, MR imaging of motion with spatial modulation of magnetization. Radiology, 1989; 171:841-845. 31. Buchalter, M.B., Weiss, J.L. , Rogers, W.L., Zerhouni, E.A., Weisfeldt, M.L., Beyar, R. and Shapiro, E.P. Noninvasive quantification of left ventricular rotational deformation in normal humans using magnetic resonance imaging myocardial tagging. Circulation, 1990;81:1236-1244. 32. Clark, N.R., Reichek, N., Bergey, P., Hoffman, E.A., Brownson, D., Palmon, L. and Axel, L. Circumferential Myocardial shortening in the normal human left ventricle. Assessment by Magnetic Resonance Imaging using spatial modulation of Magnetization. Circulation, 1991;84: 67-74. 33. Maier, S.E., Fisher, S.E., Mc Kinnon, G.C., Hess, O .M., Krayenbuehl, H.P. and Boesiger, P. Evaluation of left ventricular segmental wall motion in hypertrophic cardimyapathy with myocardial tagging. Circulation, 1992; 86: 1919-1928. 34. Moore, C.C., O’Dell, W.G., McWeigh, E.R. and Zerhouni, E.A. Calculation of three-dimensional left ventricular strains from biplanar tagged MR images. J Magn Reson Imaging, 1992; 2: 165175. 35. O’Dell WG, Moore CC, Hunter W,Zerhouni EA, Mc Veigh ER, Three dimensional myocardial deformations : calculation with displacement field fitting to tagged MR images, Radiology, 1995;195:829-835. 36. Prince JL, McVeigh E, Motion estimation from tagged MR image sequences, IEEE Trans on Medical Imaging, 1992; 11(2):238249. 37. Young AA, Axel L, Three-dimensional motion and deformation of the heart wall: estimation with spatial modulation of magnetization. A model-based approach. Radiology, 1992; 185:241-247. 38. Amini, A.A., Chen, Y., Curwen, R.W., Mani, V.and Sun, J. Coupled B-snake grids and constrained thin-plate splines for analysis of 2D tissue deformations from tagged MRI. IEEE Trans Med Imaging, 1998;17: 3, 344-356. 39. Young AA, Kraitchman DL, Dougherty L, Axel L, Tracking and finite element analysis of stripe deformation in magnetic resonance tagging. IEEE Trans. Med. Imag., 1995;14(3):413-421. 40. Dromigny-Badin A, Zhu YM, Magnin IE, Revel D, Fusion of cine-MR and contrast-enhanced first-pass MR data in patients with coronary artery disease: a feasibility study, Investigative Radiology, 1998; 33:12-21 41. Faber TL, Mc Coll RW, Opperman RM, Corbett JR, Peshock RM, Spatial and temporal registration of cardiac SPECT and MR images : methods and evaluation, Radiology, 1991; 179:857-861. 42. Sinha S, Sinha V, Czernin J, Porenta G, Schelbert HR, Non invasive assessment of myocardial perfusion and metabolism : feasability of registering gated MR and PET images AMO Roentgenol, 1995; 164:301-307. ______ 196 Revue de l'ACOMEN, 1999, vol.5, n°2