Normalisation des données Oury Monchi Ph D Centre

Normalisation des données Oury Monchi, Ph. D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal

Qu’est-ce la normalisation ? Localisation du voxel = localisation anatomique Avec des valeurs d’intensité exactes

Terminologie de la normalisation Estimation de la transformation : trouver la matrice de transformation (pas de resampling) Resampling : on applique la transformation estimée La normalisation signifie la combinaison des 2 Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,

Principes de la normalisation Nous devons comprendre: Transformations spatiales Interpolation Fonctions de similitude Recherche / Optimisation Résolution multiple Espace standard

Transformations spatiales Pour aligner les images, il faut les transformer Il y a beaucoup de types de transformation Les degrés de liberté décrivent la transformé partiellement Par exemple : Corps rigide (6 df) Affine (12 df) Rigide en parties (6 df partie) Non-linéaire (fluide, élastique, spline, etc. )

Transformations à corps rigide 6 degrés de liberté en 3 D Inclut: 3 Rotations 3 Translations Utilisées pour co-registration ou pour correction du mouvement intra-sujet

Transformations affines 12 degrés de liberté en 3 D Transformation linéaire Inclut: 3 Rotations 3 Translations 3 « Scalings » 3 Skews / Shears Utilisé pour des normalisations sujet-standard (e. g. Talairach)

Transformations non-linéaires Plus que 12 degrés de liberté Peuvent être locales Quelques contraintes: Rigide en partie Fonctions de base (e. g. Splines) Fluide Utilisé pour une normalisation inter-sujet de bonne qualité

Normalisation non-linéaire T = rotation, « scaling » , translation D = Transformation de plus grand ordre, exige déformation locale

Espace Stéréotaxique Basé sur des points de repère anatomiques (commissures antérieure et postérieure) Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e. g. thalamotomie, pallidotomie) Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3 -Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988

Repère AC-PC commissure postérieure Ligne AC-PC commissure antérieure VAC

Espace stéréotaxique J Talairach & P Tournoux, Co-planar stereotaxic atlas of the human brain, Georg Thieme, 1988

Espace stéréotaxique

La variabilité anatomique reste Atlas de Talairach et Tournoux, 1988 Variabilité du sulcus central de 20 sujets

Données non registrées Images courtesy A. Zijdenbos, MNI

Données registrées

Normalisation en espace stéréotaxique Avantages pour l’imagerie anatomique et structurelle Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc. Permet de moyenner entre sujets pour augmenter le SNR Permet l’utilisation de masques spatiales pour des analyses post-traitement (e. g. des hypothèses basées sur l’anatomie) Permet d’utiliser des classifications spatiales Permet d’utiliser des modèles anatomiques (segmentation) Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis

Normalisation en espace Advantages for functional imaging: stéréotaxique Avantages pour l’imagerie fonctionelle Fournit une structure conceptuelle pour l’analyse 3 D automatisée à travers tous les sujets Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites. . . Extrapole les résultats à la population en large Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet Augmente le nombre de degrés de liberté permis dans un modèle statistique Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu

Atlas stéréotaxique Talairach Inconvénients pour l’imagerie fonctionelle Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!) Ignore les différences entre les hémisphères droit et gauche Séparation des tranches variable, jusqu’à 4 mm Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3 D

Espace stéréotaxique Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur Fournit une structure conceptuelle pour l’analyse 3 D complètement automatisée à travers tous les sujets L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach

Histoire des modèles anatomiques du MNI ICBM 152 non-linéaire Average 305 MNI 250 1992 Colin 27 ICBM 152 Cerveau Jacob 1993 1996 1998 2001 2004

Cerveau moyen MNI 250 Evans, A. C. , Collins, D. L. , Milner, B. (1992). An MRI-based stereotaxic atlas from 250 young normal subjects. Society Neuroscience Abstracts. 18: 408

Normalisation manuelle

MNI 250 Pour : 250 sujets représente la population moyenne Peut être utilisée comme cible de normalisation Contre : Normalisation manuelle (variable) Ne couvre pas complètement le haut de la tête et le cervelet Manque de détail cortical N’a jamais été rendu publique

Average 305 du MNI Pour : Normalisation automatique 305 sujets Plus de contraste Utilisé comme cible de normalisation MRITOTAL Disponible publiquement avec mni_autoreg Contre : Ne couvre pas complètement le haut du cerveau et le cervelet Manque de détail cortical Collins, D. L. , Neelin, P. , Peters, T. M. , Evans, A. C. (1994). Automatic 3 -D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192 -205

Colin 27 Pour : Normalisation automatique 1 sujet, 27 scans S/N et C/N très grands Détail anatomique très beau Peut être utilisé comme cible de normalisation Disponible publiquement avec mni_autoreg Contre : Un seul sujet – même si normal, peut être un outlier Ne représente pas la variabilité de la population Holmes, C. , Hoge, R. , Collins, D. L. , Woods, R. , Toga, A. W. (1998). Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2): 324 -333.

Atlas Jacob Un seul sujet Dessiné manuellement (Noor Kabani, 96 structures) Même si normal, peut être un « outlier » Ne représente pas la variabilité de la population N’a pas été rendu publique « Basis for SPAM Atlas in Talairach Daemon »

Moyenne ICBM 152 Moyenne T 1 Moyenne PD Moyenne T 2 Mazziotta et al. (2001). A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc I and B Biol Sci. 356: 1293 -322.

ICBM 152 – Groupes de tissus Moyenne MG Moyenne CSF Moyenne MB

ICBM 152 Pour : Normalisation linéaire automatique 152 sujets Meilleur contraste Couvre toute la tête Modèles T 1/T 2/PD et MG/MB/CSF Utilisé comme cible de normalisation MRITOTAL Disponible publiquement avec mni_autoreg, SPM 2, FSL Contre : Manque de détail cortical

ICBM 152 non-linéaire Pour: Normalisation automatique Meilleur contraste Couvre la tête au complet Utilisé comme cible de normalisation MRITOTAL Détail cortical signifiant Contre: ?

Modèles stéréotaxiques Moyenne linéaire 305 ICBM 152 linéaire Colin 27 linéaire ICBM 152 non-linéaire

Normalisation d’images Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template) mritotal: crée la matrice de transformation. xfm Transformation : « Resample » d’après les paramètres de transformation déterminés e. g. mincresample ou resample_tal: applique la transformation aux données

Quelle est la matrice ? Il y a deux types « d’output » d’une normalisation Image transformée (réorientée) Matrice de transformation La matrice de transformation est sauvegardée en tant que matrice 4 x 4 M 14, M 24, M 34 sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling Ceci est sauvegardé en nom dufichier. mat par le GUI, et spécifié par l’option –omat dans la ligne de commande M 11 M 12 M 13 M 14 M 21 M 22 M 23 M 24 M 31 M 32 M 33 M 34 0 0 0 1

Interpolation Trouve les valeurs d’intensité entre les points de la grille

Interpolation Trouve les valeurs d’intensité entre les points de la grille

Interpolation Trouve les valeurs d’intensité entre les points de la grille Différents types incluent Voisin le plus proche Trilinéaire Sinc Spline Méthode espace k

Interpolation Trouve les valeurs d’intensité entre les points de la grille Différents types incluent Voisin le plus proche Trilinéaire Sinc Spline Méthode espace k

Interpolation Voisin le plus proche Trilinéaire Affecte la précision des analyses à venir Important pour l’imagerie quantitative Peut affecter la largeur des artéfacts Sinc

Fonctions de similitude Mesure la validité de l’alignement Cherche la valeur maximale Plusieurs variétés principales

Fonctions de similitude Important: « allowable image modalities » Moins important: détails Moindres carrés Même modalité (paramètres de séquence exacts) Corrélation normalisée Même modalité (peut changer le contraste et l’intensité) Rapport de corrélation N’importe quelle modalité RM Information mutuelle N’importe quelle modalité (incluant CT, TEP, etc. ) Information mutuelle normalisée N’importe quelle modalité (incluant CT, TEP, etc. )

Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple: trouve le meilleur angle de rotation Essai 1: angle = -45 degrés

Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 2 : angle = -15 degrés

Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 3 : angle = 0 degrés

Optimisation Maximise la fonction de similitude par des essais répétés, et la recherche Par exemple : trouve le meilleur angle de rotation Essai 4 : angle = +30 degrés

Optimisation Après N essais

Maximums locaux et globaux L’exemple précédent était facile Mais c’est plus difficile en pratique parce que : Une dimension par degré de liberté Il est difficile de discerner entre le maximum global et le maximum local Maximum global Maximum local

Initialisation La position de départ est importante pour la stratégie recherche/optimisation locale Doit être dans la zone de capture Zone de capture pour un maximum global

Multi résolutions Pourquoi utiliser des résolutions plus basses ? Calculs plus rapides 8 mm – 80 mille calculs 1 mm – 40 millions de calculs Pas sensible aux structures subtiles Progressivement améliore la résolution pendant la normalisation

Méthodes de normalisation linéaire Talairach et Tournoux MRITOTAL Collins AIR Woods SPM Friston, Ashburner FSL Smith, Jenkinson

Normlisation Linéaire : mni_autoreg et MRITOTAL Méthode : Axe de transformation principal Corrélation de données floues à fwhm de 16 mm Corrélation de données floues à fwhm de 8 mm Corrélation de données « gradient magnitude » de 8 mm Optimisation « simplex » PAT Collins, D. L. , Neelin, P. , Peters, T. M. , Evans, A. C. (1994). Automatic 3 -D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192 -205

AIR: Automated Image Registration Interpolate reslice image onto reference image Compute/minimize intensity ratio for common area Successively finer subsampling. Every 81 st, 27 th, 9 th, 3 rdvoxel Errors ~ 1 -2 mm Intra + inter modality registration -Woods, R. P. , Cherry, S. R. , Mazziotta, J. C. (1992). Rapid automated algorithm for aligning and reslicing PET images. Comput Assis Tomog. 16: 620 -633. - Woods, R. P. , Mazziotta, J. C. , Cherry, S. R. (1993). MRI-PET registration with automated alogirhm. Comput Assis Tomog. 17: 536 -546

SPM : Statistical Parametric Déterminer la transformation spatiale qui minimise la somme carré entre une image et une combinaison linéaire de une ou plusieurs templates Commence avec une normalisation affine afin que la grandeur et la position de l’image correspondent Suivi par un warping non-linéaire afin de correspondre à la forme générale du cerveau Utilise une structure Bayesienne pour maximiser simultanément les lissages des warps J. Ashburner, FIL, London

FSL Normalisation accomplie avec FLIRT FMRIB’s Linear Image Registration tool Optimisation à résolutions multiples En utilisant différentes positions de départ Objectifs de fonctions multiple Pour s’occuper de la normalisation inter- et intramodalité La normalisation stéréotaxique est accomplie en utilisant l’atlas des volumes MNI (moyenne ICBM 152 linéaire)

Problèmes de normalisation : quelle méthode ? Différentes optimisations veut dire différentes forces

Quoi faire s’il n’y a pas de modèle pour mes données? ? Modèles spécifiques à des populations particulières

Bâtir un modèle spécifique à une population

Idée de Neuro. Lens Pourquoi normaliser des données fonctionnelles sur un ‘template’ anatomique ? Création d’un template T 2* Visualisation du processus d’optimisation !

Remerciements et références Références: FIN Prochain cours: IRM anatomique Louis Collins, Montreal Neurological Institute Andrew Janke, Montreal Neurological Institute Remerciements: Cécile Madjar, Kristina Martinu FSL & Free. Surfer Course, f. MRIb, Oxford