Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
N° d’ordre : 2008-ISAL-0087 Année 2008
THESE
Estimation 3D de la déformation des tissus mous biologiques par
traitement numérique des données ultrasonores radiofréquences
Présentée devant L’Institut National des Sciences Appliquées de Lyon
Le 14 novembre 2008
Pour obtenir
Le grade de docteur
Spécialité : Images & Systèmes École doctorale : Électronique, Électrotechnique, Automatique
Par
Jean-François DEPREZ
Composition du jury
M. Olivier BASSET Professeur Co-directeur Mlle Elisabeth BRUSSEAU Chargée de Recherche Cnrs Co-directeur M. Dominique CATHIGNOL Directeur de Recherche Emérite Inserm Président M. Denis COLIN Docteur Examinateur Mme Claudine GEHIN Maître de conférence HDR Membre invité Mme Christine FERNANDEZ-MALOIGNE Professeur Rapporteur M. Mickaël TANTER Directeur de Recherche Inserm Rapporteur
Thèse préparée au Laboratoire Creatis-Lrmn
N° d’ordre : 2008-ISAL-0087 Année 2008
THESE
Estimation 3D de la déformation des tissus mous biologiques par
traitement numérique des données ultrasonores radiofréquences
Présentée devant L’Institut National des Sciences Appliquées de Lyon
Le 14 novembre 2008
Pour obtenir
Le grade de docteur
Spécialité : Images & Systèmes École doctorale : Électronique, Électrotechnique, Automatique
Par
Jean-François DEPREZ
Composition du jury
M. Olivier BASSET Professeur Co-directeur Mlle Elisabeth BRUSSEAU Chargée de Recherche Cnrs Co-directeur M. Dominique CATHIGNOL Directeur de Recherche Emérite Inserm Président M. Denis COLIN Docteur Examinateur Mme Claudine GEHIN Maître de conférence HDR Membre invité Mme Christine FERNANDEZ-MALOIGNE Professeur Rapporteur M. Mickaël TANTER Directeur de Recherche Inserm Rapporteur
Thèse préparée au Laboratoire Creatis-Lrmn
Remerciements
J'adresse mes premiers remerciements à mes chers directeurs de thèse Elisabeth et Olivier, qui m'ont patiemment encadré pendant ces années de doctorat. Leurs conseils scientifiques, leur disponibilité et leurs encouragements ont été très précieux. Au-delà de leurs compétences en recherche, j'ai également pu apprécier leurs grandes qualités humaines et leur intérêt permanent pour mon avenir professionnel. J'aimerais ensuite remercier toute l'équipe du LBUM, et plus particulièrement Guy et Louise, Cédric, Jérémie et Roch, pour leur aide pendant mon séjour à Montréal, mais aussi pour leur accueil chaleureux et pour les très bons moments passés ensembles. C'tait écœurant ! Un grand merci à André et Claudine, sans qui cette thèse n'aurait pas eu lieu. Je remercie également l'ensemble des membres de CREATIS. En premier lieu la directrice Isabelle Magnin qui m'a accueilli dans son laboratoire. Merci aussi à l'ensemble des membres de l'équipe Ultrasons, notamment François pour sa disponibilité. Un merci particulier à Adrian et Hervé pour les bons moments et pour les discussions passionnées, qu'elles soient scientifiques ou... footballistiques ! Je remercie également les pros de l'informatique Fabrice et Pierre, qui ont toujours su me dépanner en cas de problème. Je souhaite enfin remercier l'ensemble des doctorants du laboratoire pour leur bonne humeur, spécialement ceux qui ont partagé mon bureau: Maria, Yanli et Huamei. Je tiens finalement à dire un grand merci à tous mes proches pour m'avoir accompagné pendant cette thèse: mes parents, ma sœur, tout le reste de la famille (avec une pensée particulière à ma grand-mère), et bien sûr tous les copains. Et que ceux qui auraient été oubliés ne m'en veuillent pas trop...
5
Sommaire
Table des matières
INTRODUCTION GENERALE 11
CHAPITRE 1
IMAGERIE DE L’ELASTICITE DES TISSUS 15
Introduction 15
I. Echographie 16 I.1. Principe 17 I.2. Signal radiofréquence (RF) et imagerie mode-B 17 I.3. Résolution ultrasonore et échantillonnage 19
II. Propriétés mécaniques des tissus mous biologiques 20 II.1. Notions de mécanique des milieux continus 21
II.1.1. Contrainte 21 II.1.2. Déformation 22 II.1.3. Relation entre contrainte et déformation 24
II.2. Application aux tissus biologiques 26 II.2.1. Non linéarité 26 II.2.2. Viscoélasticité 27 II.2.3. Anisotropie 28
II.3. Tissus sains et pathologiques 28 II.4. Vers l’imagerie de l’élasticité des tissus 30
III. Elastographie ultrasonore 32 III.1. Elastographie dynamique 32
III.1.1. Sono-élastographie 32 III.1.2. Elastographie transitoire 34
7
Sommaire
III.2. Elastographie statique 38 III.2.1. Elastographie statique 1D 40 III.2.2. Elastographie statique 2D 45 III.2.3. Elastographie statique 3D 51
IV. Elastographie par résonance magnétique 54
V. Conclusion 56
CHAPITRE 2
METHODE D’ESTIMATION DE LA DEFORMATION DES TISSUS 57
I. Estimation 2D de la déformation des tissus 58 I.1. Modèle de déformation 2D de l’image 58 I.2. Présentation de la méthode d’estimation 2D 60
I.2.1. Déplacement adaptatif de la région d’étude 60 I.2.2. Estimation conjointe des paramètres 63 I.2.3. Représentation des champs de paramètres 68
II. Estimation 3D de la déformation des tissus 69 II.1. Modèle de déformation 3D des tissus 69 II.2. Présentation de la méthode d’estimation 3D 71
II.2.1. Déplacement adaptatif de la région d’étude 71 II.2.2. Estimation conjointe des paramètres 73 II.2.3. Représentation des champs de paramètres 75
III. Conclusion 75
CHAPITRE 3
EVALUATION DE LA METHODE 77
I. Choix d’un critère d’évaluation 78 I.1. Critères d’évaluation basés sur la connaissance de la vérité de terrain 78 I.2. Critères d’évaluation indépendants d’une référence 80 I.3. Conclusions 82
II. Evaluation de la méthode d’estimation 3D de la déformation sur des données simulées 82 II.1. Méthodes de simulation acoustique et de calcul des déformations 83
II.1.1. Principe de formation des données RF ultrasonores 3D 83 II.1.2. Déformation du milieu 84
II.2. Premiers résultats sur deux cas simples de fantômes numériques 85 II.2.1. Propriétés des milieux 85 II.2.2. Généralités sur les paramètres de calcul 87 II.2.3. Choix des paramètres de calcul 88 II.2.4. Résultats obtenus pour le milieu homogène 88 II.2.5. Résultats obtenus avec le fantôme hétérogène 91
II.3. Détermination de la gamme de validité de la méthode d’estimation 3D de la déformation d’un milieu 95 II.3.1. Description de l’expérience 95 II.3.2. Paramètres de calcul 96
8
Sommaire
II.3.3. Résultats 3D 96 II.4. Comparaison entre les modèles 2D et 3D 100
II.4.1. Cas du calcul d’un volume de déformation 100 II.4.2. Cas du calcul d’un plan de déformation au sein d’un volume 105 II.4.3. Temps de calcul et procédure de correction 109 II.4.4. Conclusions 111
III. Evaluation sur des données expérimentales 113 III.1. Evaluation sur deux fantômes calibrés dédiés aux études élastographiques. 113
III.1.1. Tests sur le fantôme CIRS, modèle 049 113 III.1.2. Evaluation sur un fantôme de sein CIRS, modèle 059 120
III.2. Evaluation sur des données biologiques in vitro 123 III.2.1. Description de la manipulation 123 III.2.2. Echantillon biologique #1 123 III.2.2. Echantillon biologique #2 129
IV. Conclusion 130
CHAPITRE 4
APPLICATION A LA DETECTION PRECOCE DE L'ESCARRE 133
I. Problématique médicale 134 I.1. Définition 134 I.2. Les enjeux 134 I.3. Phénoménologie de l’escarre 135
I.3.1. Le mécanisme général 135 I.3.2. Les zones d’apparition de l’escarre 136 I.3.3. Les différents facteurs impliqués dans la formation d’une escarre 137 I.3.4. Les différents stades de l’escarre 138 I.3.5. Traitement de l’escarre 140
I.4. La prévention de l’escarre 140
II. Détection précoce de la formation de l’escarre par élastographie ultrasonore – Une étude de faisabilité 141
II.1. L’élastographie : une technique adaptée ? 141 II.2. Etude utilisant un modèle numérique d’escarre 146 II.3. Tests sur fantôme physique 150
II.3.1. Le cryogel d’alcool de polyvinyle, un matériau adapté pour l’élastographie 150 II.3.2. Description du fantôme 151 II.3.3. Résultats 152
II.4. Détection précoce de l’escarre in vivo chez le rat 155 II.4.1. Description du protocole expérimental 155 II.4.2. Résultats 157
CONCLUSIONS ET PERSPECTIVES 163
ANNEXE A - RESOLUTION DES PROBLEMES D’OPTIMISATION 167
9
Sommaire
BIBLIOGRAPHIE 177
LISTE DES FIGURES 185
LISTE DES TABLES 191
PUBLICATIONS 193
10
Introduction générale
Introduction générale
Mise au point dans les années 1970, l’échographie est une modalité d’imagerie aujourd’hui
largement répandue. Cette technique connait un grand succès car elle permet d’imager en
temps réel de nombreux organes du corps humain. En outre, elle possède le triple avantage
d’être non-invasive, simple à mettre en œuvre et d’un coût relativement faible par rapport à
d’autres modalités d’imagerie telles que l’IRM ou la TEP.
L’échographie montre cependant ses limites en ce qui concerne le diagnostic et la
quantification de certaines pathologies. Les images affichées à l’écran d’un échographe ne
représentent en effet que l’échogénécité du milieu étudié. Or ce paramètre, s’il offre des
informations relatives à l’anatomie, n’est pas toujours suffisamment discriminant pour révéler
le développement d’un processus pathologique. C’est pourquoi les développements
méthodologiques et applicatifs actuels cherchent à exploiter le signal ultrasonore radio-
fréquence, ou RF (signal obtenu en sortie de sonde - après la formation de voies - et plus riche
en information que les images mode B affichées sur l’écran de l’échographe), afin d’extraire
de nouveaux paramètres pertinents pour la caractérisation tissulaire.
Notamment, le signal ultrasonore RF est amplement utilisé depuis les vingt dernières années
dans le cadre d’une application particulière : l’élastographie ultrasonore. Le but de cette
technique est de fournir aux praticiens hospitaliers une information relative à l’élasticité
locale d’un milieu biologique. Ce type d’information présente en effet un intérêt fondamental
11
Introduction générale
en diagnostic clinique car les processus pathologiques sont généralement étroitement liés à
des variations d’élasticité dans les tissus biologiques. A titre d’exemple, certaines tumeurs
cancéreuses comme celles du sein ou de la prostate, se présentent sous la forme de nodules
beaucoup plus rigides que les tissus sains environnants. D’autres maladies, telles que la
cirrhose du foie, sont également connues pour modifier de manière significative l’élasticité du
tissu.
Ces maladies se traduisant par des variations d’élasticité, un examen médical simple utilisé en
première intention sur les organes accessibles est la palpation, c’est-à-dire l’examen manuel
des variations d’élasticité au sein des tissus. Toutefois, l’efficacité de la palpation reste limitée
à la détection d’anormalités superficielles et de taille relativement importante, autrement dit à
un stade déjà avancé de la maladie. De plus la sensibilité d’une telle méthode est réduite. Une
lésion dure ne pourra être discriminée que si la différence d’élasticité avec le milieu
environnant est suffisamment importante. L’élastographie a donc été développée comme un
outil de palpation « à distance », permettant d’obtenir des informations liées à l’élasticité des
tissus.
En élastographie ultrasonore, on recense différentes familles de techniques, qui se
différencient selon le mode d’application d’une contrainte, statique (de type compression) ou
dynamique (de type vibration). L’élastographie dite « statique », domaine dans lequel s’inscrit
ce travail, repose sur un principe simple de mécanique : sous l’action d’une même contrainte
une zone molle se déforme davantage qu’une zone rigide. L’élasticité locale d’un milieu peut
donc être révélée en imageant sa déformation sous l’action d’une contrainte. L'estimation de
la déformation est réalisée par une analyse des signaux échographiques acquis avant et après
compression du tissu, en mesurant les modifications induites par la contrainte.
Jusqu’à récemment, les techniques de traitement du signal utilisées en élastographie étaient
essentiellement des méthodes monodimensionnelles. Mais cette caractéristique s’avère trop
limitative, car les milieux biologiques se déforment de manière tridimensionnelle. Si l’on ne
tient pas compte du mouvement tissulaire local 3D, la déformation estimée sera erronée. Elle
le sera d’autant plus que la contrainte appliquée sera importante et que le milieu sera
hétérogène (ce qui caractérise justement les tissus biologiques).
Dans le cadre de cette thèse, nous proposons de développer un modèle numérique 3D de
traitement des données ultrasonores radiofréquences pour l’estimation de la
12
Introduction générale
déformation. L’élastographie ultrasonore trouvant des applications potentielles pour toute
pathologie s’accompagnant de variation significative des propriétés élastiques du milieu, nous
appliquerons en particulier l’algorithme développé à la détection précoce de l’escarre.
L'escarre est une plaie, s’apparentant à un ulcère, engendrée par la compression prolongée des
tissus mous interposés entre une saillie osseuse et un support (lit ou fauteuil). L’escarre se
forme d’abord en profondeur avant de s’ouvrir en surface, stade final de la pathologie. Elle
concerne essentiellement les personnes présentant des troubles de la sensibilité et/ou de la
mobilité. C'est un problème de santé publique en croissance constante, lié au vieillissement
des populations, au traitement des handicapés chroniques et accidentels (paraplégiques et
hémiplégiques), ainsi que des grands brûlés et des patients en longue hospitalisation.
Ce manuscrit comporte quatre chapitres. Il est organisé de la manière suivante : le premier
chapitre est consacré à la description du contexte général de l'imagerie de l'élasticité des
tissus biologiques. L’échographie est d’abord présentée, en particulier son principe physique,
ainsi que la formation et la mise en forme des signaux. Quelques notions de mécanique sont
ensuite rappelées, d’abord d’un point de vue général, puis en ce qui concerne les tissus mous
biologiques. Enfin, nous présenterons un état de l'art des différentes méthodes
élastographiques, en détaillant, en particulier, les techniques de traitement du signal utilisées
pour l'estimation de la déformation.
Le chapitre 2 est consacré à la description de la méthode que nous avons développée pour
l'estimation de la déformation des tissus sous contrainte statique. La méthode sera présentée
successivement dans sa forme bidimensionnelle, puis tridimensionnelle. Le modèle de
mouvement et de déformation tissulaire retenu, direction-spécifique, sera détaillé et justifié.
Puis la technique d’estimation des paramètres liés à la déformation sera présentée. Nous
verrons que ces paramètres sont localement et conjointement estimés comme les arguments
qui maximisent une fonction objectif basée sur un critère de similarité, entre une région du
milieu avant compression et sa version déformée, compensée par les paramètres recherchés.
La stratégie d’optimisation sous contrainte mise en œuvre, de type PQS (Programmation
Quadratique Séquentielle), sera finalement détaillée.
Le chapitre 3 est dédié à la présentation des résultats. Afin de quantifier l’amélioration
apportée par notre méthode, nous serons d’abord amenés à recenser et discuter les différents
13
Introduction générale
critères d’évaluation disponibles dans la littérature, pour ne retenir finalement que les critères
les plus pertinents. Les premiers tests seront réalisés sur des fantômes numériques, à la fois en
2D et en 3D. Ces simulations ont nécessité, d’une part, de calculer les configurations
déformées des milieux numériques et, d’autre part, de générer les volumes échographiques
radiofréquences correspondants. Les procédés ayant permis d’obtenir ces données seront donc
largement décrits. Les résultats obtenus permettent une comparaison approfondie des
performances respectives des algorithmes 2D et 3D. Notre méthode sera ensuite évaluée sur
des fantômes physiques calibrés dédiés aux études élastographiques, puis une dernière série
de tests sera réalisée sur des données biologiques in vitro. Les résultats correspondants sont
présentés et amènent une discussion sur l’intérêt de considérer l’aspect tridimensionnel en
élastographie.
Enfin le chapitre 4 est consacré à l'application plus particulière de l'élastographie au
problème de la détection précoce de l’escarre. L'escarre est une pathologie dont le mécanisme
de formation est encore largement méconnu, et pour lequel il n'existe actuellement aucune
technique de détection. Cependant, les zones endommagées par l'escarre semblent présenter
une variation d'élasticité par rapport à des tissus sains [Gefen-05] et l’élastographie
ultrasonore pourrait être un outil pour la détection précoce de formation d’une escarre. Une
étude de faisabilité, incluant notamment des résultats chez le rat in vivo, est présentée,
montrant l’apport potentiel de l’élastographie pour la détection de cette pathologie.
14
Chapitre 1 – Imagerie de l’élasticité des tissus
Chapitre 1
Imagerie de l’élasticité des tissus
Introduction
Détecter précocement le développement d’une pathologie demeure un enjeu fondamental pour
augmenter les chances de guérison des malades et améliorer leur qualité de vie. C’est dans ce
but que l’imagerie médicale a été largement développée, en tant qu’outil de diagnostic
complémentaire aux tests biologiques. En imagerie médicale, les recherches portent
essentiellement sur l’amélioration de la qualité des images et l’extraction de paramètres
pertinents pour la caractérisation tissulaire.
C’est ainsi qu’à la fin des années 80, des premières recherches ont porté sur le développement
d’une nouvelle technique d’imagerie basée sur l'échographie. Alors appelée sono-élasticité
[Krouskop-87], le but de ces travaux était de fournir au médecin une information sur
l'élasticité locale du tissu. Ce paramètre, non disponible avec les modalités d'imagerie
actuelles, présente un intérêt majeur en diagnostic clinique car le développement d'une
pathologie s'accompagne souvent d'une modification de l'élasticité des tissus, telles les
15
Chapitre 1 – Imagerie de l’élasticité des tissus
tumeurs cancéreuses, les maladies diffuses du foie ou encore l’athérosclérose. Etant basée sur
l’échographie, modalité d’imagerie temps réel, non invasive et de faible coût, l’élastographie
ultrasonore pourrait être utilisée non seulement pour le diagnostic, la quantification et le suivi
thérapeutique mais également pour le dépistage.
Bien que l’élastographie soit un sujet de recherche relativement jeune, concernant une
communauté restreinte de chercheurs, les techniques initiales ont largement évolué. Après la
sono-élasticité (ou sono-élastographie), sont apparues l’élastographie statique [Ophir-91] et
plus récemment l’élastographie impulsionnelle [Catheline-99]. A ces techniques basées sur
l’échographie, on peut également ajouter l’élastographie par résonance magnétique,
développée à partir de 1995 par Greenleaf et al. [Muthupillai-95].
Si certaines équipes en sont au stade des tests cliniques, obtenant d’ailleurs des résultats
encourageants, les thèmes de recherches actuels privilégient essentiellement le développement
de techniques plus robustes, rapides et précises afin de les appliquer à la détection de
pathologies réelles.
Ce premier chapitre est consacré à la description du contexte général de l'imagerie de
l'élasticité des tissus biologiques. L’échographie est d’abord présentée, en particulier son
principe physique, ainsi que la formation et la mise en forme des signaux. Quelques notions
de mécanique sont ensuite rappelées, d’abord d’un point de vue général, puis en ce qui
concerne les tissus mous biologiques. Enfin, nous présenterons un état de l'art des différentes
techniques de traitement du signal utilisées en élastographie. Etant donné que ce travail de
thèse fait partie des méthodes d’estimation de la déformation, celles-ci seront particulièrement
détaillées.
I. Echographie
L’échographie est une technique d’imagerie aujourd’hui largement utilisée dans le milieu
médical. Elle permet d’acquérir en temps réel une image des propriétés acoustiques du milieu
étudié. Par rapport à d’autres modalités d’imageries telles que la radiographie, l’IRM ou la
TEP, cette technique possède les avantages d’être non invasive, non ionisante, simple à mettre
16
Chapitre 1 – Imagerie de l’élasticité des tissus
en œuvre et d’avoir un coût relativement faible. L’échographie trouve des applications dans
de nombreuses disciplines médicales, notamment en cardiologie, en obstétrique et en urologie.
I.1. Principe Réaliser une échographie consiste à sonder un milieu biologique à l’aide d’une impulsion
ultrasonore et à convertir les échos réfléchis par le milieu afin d’obtenir une image de ses
propriétés acoustiques et de sa structure (figure 1.1). Typiquement, le temps de vol entre
l’émission de l’onde ultrasonore et la réception de l’écho donne une information sur la
localisation de la cible rencontrée par l’onde ultrasonore et l’amplitude de l’écho est
notamment relative à son pouvoir de rétrodiffusion.
L’élément central de l’échographe est la sonde ultrasonore. Elle est constituée d’une multitude
d’éléments piézo-électriques, qui assurent une double fonction : générer l’impulsion
ultrasonore et détecter le signal rétrodiffusé. En mode émission, les éléments piézoélectriques,
soumis à des impulsions électriques, vibrent, générant des ultrasons. En mode réception, ils
convertissent une onde ultrasonore en un signal électrique.
L’impulsion ultrasonore transmise au milieu est assimilable à une onde mécanique, qui va se
propager et interagir avec le milieu. Les interactions onde-tissu sont nombreuses et complexes,
faisant intervenir notamment des phénomènes de réflexion, de diffusion, de réfraction et
d’atténuation, qu'il est important de connaître pour comprendre la formation et le contenu
informationnel des images.
La portion de l’onde réfléchie et rétrodiffusée dans la direction de la sonde est traduite par
cette dernière en un signal électrique, appelé signal radiofréquence (RF).
I.2. Signal radiofréquence (RF) et imagerie mode-B Le signal radiofréquence est le signal échographique brut disponible en sortie de sonde,
immédiatement après la formation de voie et avant tout autre traitement. Un signal RF fournit
une information spatiale à une dimension.
L’image RF, constituée de la juxtaposition des signaux RF, subit alors un certain nombre de
traitements avant d’être affichée sur l’écran de l’échographe, afin de la rendre plus lisible.
17
Chapitre 1 – Imagerie de l’élasticité des tissus
Figure 1.1 : Illustration du principe de formation d’une image échographique. (1) Acquisition : une onde ultrasonore est émise, se propage et interagit avec le milieu. La portion de l’onde réfléchie et rétrodiffusée dans la direction de la sonde est convertie par cette dernière en un signal électrique ou signal RF (2). Les sondes étant multi-capteurs, elles permettent l’acquisition quasi simultanée d’un grand nombre de signaux RF (en général 128 ou 256) conduisant à l’obtention d’une image RF (3). Cette dernière subit plusieurs traitements dont un redressement bi-alternance, une détection d’enveloppe et une compression logarithmique de l’amplitude des signaux (4) conduisant à l’obtention des signaux mode-B (5) et donc à l’image échographique classique mode-B, affichée sur l’écran de l’échographe (6).
Trois opérations majeures sont généralement appliquées avant sa visualisation :
- une amplification ou TGC (Time Gain Compensation) fonction de la profondeur, et
destinée à compenser l’atténuation des ultrasons lors de leur propagation dans le
milieu matériel ;
- un redressement bi-alternance et une détection d’enveloppe du signal ;
- une compression logarithmique permettant d’adapter la dynamique de l’image à
notre vision, en faisant ressortir les faibles échos par rapport aux plus forts.
L’image finalement obtenue est l’image échographique traditionnelle (également appelée
image mode-B), représentant l’échogénécité du milieu étudié, c’est-à-dire son aptitude à
réfléchir et à rétrodiffuser les ultrasons.
Sonde ultrasonore
Zone imagée
(1) Acquisition
(4) Mise en forme du signal
(5) Signaux mode-B (6) Image échographique (mode-B)
(3) Image RF (juxtaposition des
signaux RF
Onde ultrasonore
…
…
Milieu examiné
(2) Signaux RF (ceux utilisés en élastographie)
18
Chapitre 1 – Imagerie de l’élasticité des tissus
Il apparaît clairement qu’en imagerie échographique traditionnelle, seule une partie de
l’information disponible dans le signal RF est exploitée.
C’est pourquoi le signal RF est à la base du développement de nouvelles techniques depuis
plusieurs années, en particulier pour la caractérisation ultrasonore des tissus biologiques. Ces
développements consistent à utiliser le signal RF afin de visualiser ou quantifier des
informations relatives à l’état sain ou pathologique du tissu exploré, informations qui ne sont
pas directement accessibles sur l’image échographique.
Notamment, le signal RF est amplement utilisé par la communauté scientifique pour une
application particulière : l’élastographie ultrasonore. L’élastographie consiste à fournir des
informations sur les propriétés mécaniques locales d’un milieu biologique.
I.3. Résolution ultrasonore et échantillonnage La résolution des images ultrasonore dépend de plusieurs paramètres. Dans la direction axiale
(celle du faisceau ultrasonore, figure 1.2), la résolution est l’aptitude à différencier des
réflecteurs placés dans l’axe de propagation des ultrasons. Elle dépend de la durée de
l’impulsion, mais également de la fréquence d’émission des ultrasons. Plus la fréquence est
élevée, plus la longueur d’onde est petite et plus la résolution axiale est bonne. Mais la
fréquence centrale de la sonde a également une influence sur l’atténuation des ultrasons : la
profondeur d’exploration diminue lorsque la fréquence des ultrasons augmente. En pratique
un échographe peut être équipé de différentes sondes avec des fréquences différentes. Pour un
usage courant, la fréquence centrale de la sonde est d’environ 3 MHz, donnant une résolution
de l’ordre du millimètre. Pour l’étude des couches superficielles de la peau ou pour l’étude du
petit animal, la fréquence d’émission peut être supérieure à 10 MHz, donnant une résolution
proche du dixième de millimètre. La résolution latérale est l’aptitude à différencier des détails
placés dans le plan de l’image, perpendiculairement à l’axe de propagation des ultrasons. Elle
est moins bonne que la résolution axiale et est liée à la taille (largeur) du faisceau ultrasonore.
Enfin, la résolution azimutale, perpendiculairement au plan de coupe de l’image, dépend de la
focalisation transversale.
L’échantillonnage axial (celui d’une ligne RF) est donné par la fréquence d’échantillonnage
du système. L’échantillonnage latéral, c’est-à-dire la distance latérale entre deux pixels de
l’image, est donné par la distance entre chaque ligne RF, qui est elle-même liée à la structure
19
Chapitre 1 – Imagerie de l’élasticité des tissus
de la sonde : nombre d’éléments piézo-électrique la composant, dimension des éléments,
écartement,…
Les données ultrasonores utilisées dans ce document ont pour la plupart été acquises avec un
échographe Ultrasonix RP (Ultrasonix Medical Corporation, Canada), équipé de deux
sondes : une sonde de 60 mm de large constituée de 256 éléments piézo-électriques et
permettant l’acquisition d’images 2D, ainsi qu’une sonde à balayage sectoriel, autorisant
l’acquisition de volumes 3D. Cet appareil fonctionne à une fréquence d’échantillonnage de 40
MHz pour la sonde linéaire et de 20 MHz pour la sonde à balayage sectoriel.
Sonde ultrasonore
Eléments piézo-électriques
Direction latérale
Direction azimutale
Direction axiale
Direction du faisceau ultrasonore
Zone imagée
Figure 1.2 : Orientations des directions en échographie. La direction le long de l’axe de propagation des ondes ultrasonores est appelée la direction axiale. La direction perpendiculaire dans le plan d’imagerie est la direction latérale. Enfin l’axe perpendiculaire au plan d’imagerie indique la direction azimutale.
II. Propriétés mécaniques des tissus mous biologiques
L’élastographie, c’est-à-dire l’imagerie des propriétés élastiques des tissus, cherche à
caractériser les tissus biologiques sains et pathologiques à partir de leurs propriétés
mécaniques. Ce paragraphe rappelle donc quelques notions de mécanique des milieux
continus, avant de considérer le cas des tissus mous biologiques.
20
Chapitre 1 – Imagerie de l’élasticité des tissus
II.1. Notions de mécanique des milieux continus
II.1.1. Contrainte
Soient un milieu matériel continu de volume V dans un repère orthonormé ),,,( kjiOℜ , et dV
un élément de volume interne au volume V. Soient dS un élément de surface de dV et n son
vecteur normal unitaire (figure 1.3). La contrainteσ s’exprime comme la force par unité de
surface, exercée par la matière située du côté de la normale sur la matière située de l’autre
côté, soit:
dS
fddS
lim0→
=σ (1.1)
dS dV
V
σ
fd
i
k
j
3σσ33
σ32σ31 2σσ23
σ22σ21
1σ
σ13
σ12σ11
(a) (b)
Figure 1.3 : (a) Définition de la contrainte. (b) Illustration des composantes de la contrainte.
Pour déterminer complètement l’état de la contrainte en un point donné, l’ensemble des
composantes de la contrainte doivent être déterminées. Considérons un volume élémentaire
cubique. Le principe d'égalité de l'action et de la réaction permet de dire que les forces avec
lesquelles les diverses parties du volume considéré agissent les unes sur les autres se
neutralisent mutuellement. Il en résulte que les contraintes agissant sur ce volume élémentaire
sont entièrement décrites par trois vecteurs contraintes, 1σ , 2σ et 3σ , s'exerçant sur trois faces
perpendiculaires. Chacun de ces vecteurs contraintes se décomposent en trois composantes
dans le repère ℜ . Par conséquent, la contrainte est décrite par 9 composantes formant un
tenseur :
21
Chapitre 1 – Imagerie de l’élasticité des tissus
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
333231
232221
131211
σσσσσσσσσ
σ (1.2)
D’autre part, le théorème des moments impose la symétrie de ce tenseur. On a donc :
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
332313
232212
131211
σσσσσσσσσ
σ (1.3)
Les composantes , et sont appelées contraintes normales, les autres composantes
étant les contraintes tangentielles ou contraintes de cisaillement.
11σ 22σ 33σ
Dans le cas particulier d’un solide soumis à une compression uni-axiale suivant la direction i ,
le tenseur est de la forme :
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
0000000011σ
σ (1.4)
II.1.2. Déformation
La déformation d’un milieu est définie comme la variation relative des distances entre les
particules qui le composent.
Soit Ω un ensemble de points matériels dans un repère orthonormé ),,,( kjiOℜ . On considère
deux points infiniment voisins P et Q, dont les coordonnées sont respectivement notées
et . La distance euclidienne entre ces deux points est
donc :
),,( 321 xxx ),,( 332211 dxxdxxdxx +++
23
22
21 dxdxdxPQdl ++== (1.5)
Lorsque ce milieu est soumis à une sollicitation mécanique, il se déforme. Les points P et Q
vont donc se retrouver respectivement en P' et Q'.
Soit )(Pu le vecteur déplacement de P et )(Qu le vecteur déplacement de Q. Nous pouvons
écrire la relation :
),()()('' QPduPQPuQuPQQP +=−+= (1.6)
où )Q,P(du mesure la variation du déplacement entre les points P et Q. La distance entre les
points P' et Q' devient ainsi:
22
Chapitre 1 – Imagerie de l’élasticité des tissus
233
222
211 )()()(''' dudxdudxdudxQPdl +++++== (1.7)
Soit, en utilisant la convention de sommation d’Einstein1 :
iiii dududxdudldl ..2²'² ++= (1.8)
Les composants du vecteur )Q,P(du peuvent s’écrire :
3,2,1 =∂∂
= idxxudu j
j
ii (1.9)
L'équation (1.8) devient alors:
3,2,1,, ²'² =⎟⎟⎠
⎞⎜⎜⎝
⎛
∂∂
∂∂
+∂
∂+
∂∂
+= kjidxdxxu
xu
xu
xudldl ji
i
k
j
k
i
j
j
i (1.10)
On définit alors la quantité :
⎟⎟⎠
⎞⎜⎜⎝
⎛
∂∂
∂∂
+∂
∂+
∂∂
=i
k
j
k
i
j
j
iij x
uxu
xu
xu
21ε (1.11)
comme la déformation dans la direction xi d'une surface perpendiculaire à xj. La déformation
est un déplacement relatif, il s'agit d'une grandeur sans dimension.
Les valeurs des déplacements étant généralement petites, le terme d'ordre 2 est négligeable.
L'expression de la déformation devient alors:
⎟⎟⎠
⎞⎜⎜⎝
⎛
∂
∂+
∂∂
≅i
j
j
iij x
uxu
21ε (1.12)
D'après l'équation (1.12), on remarque que εij=εji. Le tenseur de déformation est donc
symétrique et il est entièrement défini par 6 composantes :
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
332313
232212
131211
εεεεεεεεε
ε (1.13)
Les composantes normales ε11, ε22, et ε33, sont les termes représentant la compression ou
l'étirement du milieu (ε<0 pour une compression et ε>0 pour un étirement). Les composantes
tangentielles représentent les cisaillements.
Remarque : dans les études élastographiques, les tissus mous biologiques ont souvent été
modélisés comme des milieux élastiques linéaires isotropes et quasi-incompressibles. Dans le
cas particulier d’un solide isotrope soumis à une compression uni-axiale suivant la direction
k , la déformation s'écrit : 1 La convention de sommation d’Einstein représente une sommation sur les indices qui sont répétés dans un même monôme de l’égalité. Ici, on a donc : dl’2=dl2+2du1.dx1+2du2.dx2+2du3.dx3+du1
2+du22+du3
2.
23
Chapitre 1 – Imagerie de l’élasticité des tissus
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
33
33
33
33
22
11
000000
000000
ενε
νε
εε
εε (1.14)
avec ν le coefficient de Poisson. Dans le cas de milieux quasi-incompressibles, ν est
proche de 0.5. Il apparait alors clairement que la déformation des tissus biologiques est
tri-dimensionnelle.
II.1.3. Relation entre contrainte et déformation
En mécanique, la relation liant contraintes et déformations permet de définir entièrement les
propriétés mécaniques d'un milieu. Or, trois modèles idéalisés simples permettent de décrire
les propriétés mécaniques de la majorité des matériaux présents dans la nature. Ces trois
modèles sont celui du fluide non visqueux, celui du fluide visqueux newtonien et celui du
solide élastique linéaire [Fung-93].
II.1.3.1. Loi de Hooke généralisée Le modèle se rapprochant le plus des tissus biologiques est celui du solide élastique linéaire,
ou solide élastique de Hooke.
On dit qu’un solide est élastique s’il retrouve son état initial lorsque les forces extérieures qui
l’ont déformé disparaissent. La loi de Hooke généralisée permet de décrire le comportement
d’un tel solide dans sa plage de linéarité, c’est-à-dire quand il est soumis à une déformation
réversible de faible amplitude.
Cette loi stipule qu’en un point donné, les composantes de la déformation d’un solide sont
linéairement reliées aux composantes de la contrainte par un tenseur Cijkl, tel que :
klijklij C εσ .= (1.15)
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
=
121212131223123312221211
131213131323133313221311
231223132323233323222311
331233133323333333223311
221222132223223322222211
111211131123113311221111
CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC
Cavec ijkl (1.16)
ijσ est le tenseur de contrainte et est le tenseur de déformation. ijε
La connaissance de ce tenseur, c’est-à-dire de ces 36 constantes d’élasticité, détermine donc
entièrement le comportement élastique linéaire d’un solide. Le nombre de coefficients
24
Chapitre 1 – Imagerie de l’élasticité des tissus
indépendants est réduit à 21 en tenant compte de la stabilité énergétique du tenseur, imposant
sa symétrie. Cependant la détermination de 21 constantes demeure laborieuse, et des cas
simplifiés sont généralement considérés, tels que le cas du solide isotrope.
II.1.3.2. Solide élastique linéaire isotrope L’isotropie est l’invariance des propriétés physiques d’un milieu en fonction de la direction.
Pour un solide élastique linéaire et isotrope, les constantes d’élasticité sont donc
indépendantes de l’orientation. Notamment, le tenseur Cijkl est invariant à tout changement de
repère. Dans de telles conditions, il suffit de deux constantes λ et µ, appelées constantes de
Lamé, pour décrire entièrement le tenseur Cijkl :
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
++
+
=
⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
12
13
23
33
22
11
12
13
23
33
22
11
222
000000000000000000200020002
εεε
εεε
µµ
µµλλλ
λµλλλλµλ
σσσσσσ
(1.17)
ou encore : , avec δ∑=
+=3
1
2k
kkijijij ελδµεσ ij symbole de Kronecker (δij=1 si i=j, δij=0 sinon).
En biomécanique, plutôt que d’utiliser les constantes de Lamé λ et µ, la communauté préfère
utiliser deux autres constantes : E et ν. E est le module d’Young et représente le rapport entre
la contrainte appliquée et la déformation suivant l’axe de la contrainte, ce qui donne si la
contrainte est appliquée suivant l’axe x1 :
11
11
εσ
=E (1.18)
Le coefficient ν, appelé coefficient de Poisson, permet de caractériser la contraction de la
matière perpendiculairement à la direction de l’effort appliqué. Il est défini comme le rapport
entre la déformation latérale ou longitudinale sur la déformation axiale.
Dans le cas d’une contrainte appliquée suivant l’axe x1, les constantes λ, µ, E et ν sont reliées
par les équations :
)1(2et
)21)(1( νµ
νννλ
+=
−+=
EE (1.19)
ou
µµλµλ
µλλν .23et
)(2 ++
=+
= E (1.20)
25
Chapitre 1 – Imagerie de l’élasticité des tissus
II.2. Application aux tissus biologiques Les tissus biologiques sont composés de nombreux éléments (élastine, collagène,…), ce qui
en fait des matériaux hétérogènes dont le comportement mécanique est complexe. Nous
pouvons cependant donner trois caractéristiques communes aux tissus biologiques : la non-
linéarité, la viscoélasticité, et l’anisotropie.
II.2.1. Non linéarité
Pour les matériaux élastiques linéaires, la contrainte et la déformation sont liées par une
valeur unique et constante. La courbe représentant la contrainte en fonction de la déformation
est alors une droite dont la pente est le module d’Young du matériau.
Un matériau non linéaire ne peut pas être caractérisé par un module d’Young constant. Celui-
ci est une fonction de la déformation (figure 1.4), traduisant le fait que les constantes
élastiques dépendent de la pression appliquée.
Figure 1.4 : Illustration de la non-linéarité des tissus biologiques. La relation contrainte-déformation d’un spécimen de veine cave humaine post-mortem a été testée dans des conditions de charge et décharge uniaxiales. λ1 représente le ratio d’étirement, c’est-à-dire le rapport de la longueur du spécimen étiré (l) sur sa longueur initiale (l0). Nous pouvons constater que la relation entre la contrainte et la déformation n’est pas linéaire, exceptée pour les faibles déformations (λ1<1.15) [Sobin-77]
26
Chapitre 1 – Imagerie de l’élasticité des tissus
II.2.2. Viscoélasticité
La viscoélasticité traduit le fait que le comportement mécanique d’un matériau dépend du
temps. La viscoélasticité peut se concevoir physiquement comme « l’inertie » d’un matériau
soumis à une contrainte. Un corps viscoélastique possède un module d’Young complexe, dont
la partie réelle représente la composante élastique du matériau, et la partie imaginaire sa
composante visqueuse.
Trois phénomènes illustrent la viscoélasticité : la relaxation, le fluage et l’hystérésis.
Lorsqu’un corps est soumis à une déformation maintenue constante, les contraintes induites
dans le corps diminuent avec le temps. Il s’agit de la relaxation du matériau (figure 1.5). Le
fluage est le phénomène de déformation qui augmente avec le temps sous l’effet d’une
contrainte constante (figure 1.6). Enfin, lors d’une contrainte cyclique, on voit apparaître un
phénomène d’hystérésis, c’est-à-dire que la courbe contrainte – déformation obtenue lors de la
charge ne se superpose pas avec la courbe obtenue lors de la décharge. Ce point est
notamment illustré sur le graphe de la figure 1.4, où les courbes de charge et de décharge de la
veine cave sont données.
0 0 . 5 1 1 . 5 2 2 . 5 3 3 . 50
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0 T1Force mN
temps (min.)
Figure 1.5 : Courbe de relaxation du mésentère1 du lapin. Le spécimen a été mis sous tension avec un taux de déformation de 1.27 cm/min jusqu'à obtention d'une tension T1. Puis le dispositif a été stoppé afin de conserver une déformation constante. Nous pouvons observer que les contraintes correspondantes induites dans le corps diminuent avec le temps [Fung-93].
1 mésentère : membrane conjonctive reliant les anses de l'intestin grêle à la paroi postérieure de l'abdomen. ² Les muscles papillaires sont des muscles de la paroi ventriculaire du cœur.
27
Chapitre 1 – Imagerie de l’élasticité des tissus
Figure 1.6: Courbe de fluage des muscles papillaires² du lapin sous charge constante. La déformation est donnée en fonction du temps donné selon une échelle logarithmique. Nous pouvons constater que, alors que la contrainte est constante, la déformation augmente avec le temps [Fung-93].
II.2.3. Anisotropie
L’anisotropie est le fait de présenter des caractéristiques différentes selon la direction.
Certains tissus biologiques, notamment ceux présentant une structure particulière (comme les
muscles, organisés en fibres), ont ainsi un comportement mécanique différent selon la
direction de la contrainte appliquée.
II.3. Tissus sains et pathologiques Comme nous l’avons évoqué dans le paragraphe précédent, les milieux biologiques sont des
matériaux complexes à étudier. Cela explique qu’actuellement peu de données quantitatives
relatives à leurs propriétés mécaniques soient disponibles dans la littérature.
Les quelques études consacrées à la caractérisation des tissus biologiques ont cependant
révélé deux propriétés importantes concernant leur élasticité. La première est que la gamme
de valeurs du module d’élasticité pour ce type de tissu est très vaste [Parker-90]. La seconde,
28
Chapitre 1 – Imagerie de l’élasticité des tissus
la plus fondamentale, est que pour un tissu considéré, son élasticité varie de manière
importante selon que ce tissu est sain ou pathologique [Sarvazyan-93, Walz-93].
Dans le cadre d’une étude réalisée en 1998 sur les tissus cancéreux, Krouskop et al.
[Krouskop-98] ont mesuré le module d’Young (E) d’échantillons tissulaires de seins et de
prostates ex vivo et ont montré une différence significative entre les tissus sains et les tissus
cancéreux. Les résultats sont présentés en Tables 1.1 et 1.2.
Module d'élasticité du tissu (kPa)
5% pré-compression 20% pré-compression Fréquence de charge (Hz) Fréquence de charge (Hz)
Tissu du sein – Type
0.1 1.0 4.0 0.1 1.0 4.0 Normal graisseux (n=8) 18±7 19±7 22±12 20±8 20±6 24±6 Normal glandulaire (n=31) 28±14 33±11 35±14 48±15 57±19 66±17 Tissu fibreux (n=18) 96±34 107±31 116±28 218±87 232±60 244±85 Carcinôme (in situ) (n=23) 22±8 25±4 26±5 291±67 301±58 307±78 Carcinôme infiltrant (n=32) 106±32 93±33 112±43 558±180 490±112 460±178
Table 1.1 : Moyennes et écart-types du module d'élasticité du sein normal et pathologique pour différentes fréquences et différents niveaux de pré-compression [Krouskop-98]. n : nombre d'échantillons tissulaires utilisés pour l'étude statistique.
Module d'élasticité du tissu (kPa)
2% pré-compression 4% pré-compression Fréquence de charge (Hz) Fréquence de charge (Hz)
Tissu de prostate - Type
0.1 1.0 4.0 0.1 1.0 4.0 Normal antérieur (n=32) 55±14 62±17 59±19 60±15 63±18 63±16 Normal postérieur (n=32)
62±19 69±17 65±18 68±14 70±14 71±11
HPB (n=21) 38±8 36±9 38±8 40±12 36±11 41±13 Cancer (n=28) 96±19 100±20 99±18 230±34 221±32 241±88
Table 1.2 : Moyennes et écart-types du module d'élasticité de la prostate normale (face antérieure et postérieure de la glande) et pathologique pour différentes fréquences et différents niveaux de pré-compression [Krouskop-98]. HPB : Hyperplasie1 prostatique bénigne
1 Hyperplasie : développement excessif d'un tissu par multiplication de ses cellules, avec conservation d'une architecture et d'une capacité fonctionnelle normales.
29
Chapitre 1 – Imagerie de l’élasticité des tissus
II.4. Vers l’imagerie de l’élasticité des tissus
En conclusion, les tissus biologiques possèdent des propriétés mécaniques complexes, de
viscoélasticité, de non-linéarité et d’anisotropie. L’imagerie des propriétés mécaniques
nécessite donc d’effectuer certaines approximations. En particulier, sous certaines hypothèses
et conditions expérimentales, le modèle du solide élastique linéaire isotrope peut être utilisé
pour décrire le comportement mécanique des tissus biologiques. Les propriétés élastiques des
tissus sont dans ce cas entièrement caractérisées par le module d’Young E et le coefficient de
Poisson ν.
Il est ainsi possible de travailler dans la plage de linéarité du matériau à la condition de
travailler dans le cadre de déformations suffisamment faibles. Concernant la relaxation et le
fluage, il a été montré qu’un tissu déformé par petites compressions atteignait son état final de
déformation en un délai maximum d’une seconde, avec une très faible dérive après coup
[Céspedes-93]. En pratique, dans le cadre d’une compression statique, il est donc possible de
s’affranchir de ces deux phénomènes de viscoélasticité en réalisant une déformation rapide du
milieu et en attendant quelques secondes avant d’effectuer l’acquisition des données.
Cependant l’hypothèse la plus approximative et la plus contraignante est celle de l’isotropie
des tissus biologiques [Krouskop-87], notamment dans le cas des tissus pathologiques qui
peuvent être fortement anisotropes.
Une autre approche peut consister à chercher à accéder aux propriétés mécaniques des
tissus mous biologiques via une cartographie de la déformation, puisque sous l’action
d’une même contrainte les zones molles se déforment davantage que les zones rigides.
Prenons le cas de la figure 1.7. Il s’agit d’un milieu cubique homogène contenant en son
centre une inclusion sphérique plus dure. Les propriétés acoustiques de l’inclusion et du
milieu environnant sont les mêmes, si bien qu’une image mode B ne permet pas de détecter
l’inclusion (figure 1.7(b)). En revanche l’inclusion serait visible grâce à une image du module
d’Young : pour ce fantôme, la carte du module d’Young est en effet « binaire » (figure 1.7(c)),
avec une valeur de module d’Young pour l’inclusion (E1=90 kPa) et une seconde valeur pour
le milieu environnant (E2=30 kPa). En effet, lorsque le fantôme est soumis à une contrainte
axiale sur sa face supérieure, le milieu se déforme. Sa déformation axiale est représentée
figure 1.7(d) dans le cas d’une déformation globale de 4 %. Nous pouvons observer que le
faible niveau de déformation de l’inclusion permet aisément de la distinguer du milieu
30
Chapitre 1 – Imagerie de l’élasticité des tissus
environnant. Certes le milieu environnant ne présente pas une déformation uniforme, mais ses
variations progressives n’entravent pas la détection de l’inclusion sphérique qui apparaît avec
des contours bien définis. De plus, aucune hypothèse spécifique n’est à considérer
lorsqu’on se place dans le cadre de l’imagerie de la déformation. Cependant, cet avantage
est à nuancer par le fait que l’imagerie de la déformation peut être d’interprétation plus ou
moins aisée, selon la complexité du milieu étudié.
(a) (b) %
Figure 1.7 : Etude d’un milieu cubique homogène contenant en son centre une inclusion sphérique plus dure. (a) Géométrie du fantôme : le cube fait 30 mm de coté et l’inclusion 10 mm de diamètre. (b) Image mode-B de la section centrale. (c) Carte du module d’Young, avec E1=90 kPa et E2=30 kPa. (d) Déformation axiale pour une compression globale de 4 %. Même si la carte de déformation ne présente pas deux régions homogènes, elle constitue une représentation des propriétés mécaniques du milieu.
2.5
3
3.5
4
4.5
E2 5
E1
(c) (d)
31
Chapitre 1 – Imagerie de l’élasticité des tissus
III. Elastographie ultrasonore
Dans cette partie nous allons nous intéresser à l’élastographie ultrasonore, c’est-à-dire à
l’ensemble des méthodes permettant d’obtenir des informations sur les propriétés mécaniques
des tissus à partir du traitement numérique des données ultrasonores.
Les techniques d’élastographie ultrasonore peuvent être divisées en deux groupes,
l’élastographie quasi-statique et la sono-élastographie, selon que la sollicitation mécanique
appliquée aux tissus est statique ou dynamique.
III.1. Elastographie dynamique
III.1.1. Sono-élastographie
La sono-élastographie ou sono-élasticité consiste à associer une vibration mécanique avec des
techniques doppler ultrasonores [Krouskop-87]. Cette technique a été l’une des premières,
vers la fin des années 1980, à fournir des informations mécaniques sur les tissus biologiques.
La méthode alors développée [Lerner-88, Huang-92, Parker-92] consiste à mesurer
l’amplitude du mouvement de tissus soumis à une vibration mécanique basse fréquence (de
20 Hz à 1 kHz) (figure 1.8). L’hypothèse formulée par ces chercheurs est qu’une
inhomogénéité dure dans un milieu mou va perturber le mode de vibration normal du tissu.
Après application d’algorithmes de détection doppler, les régions dures vont apparaître avec
une faible amplitude de vibration par rapport aux régions molles. Lerner et al. [Lerner-88] ont
publié la première image de sono-élastographie (figure 1.9). Cette image, dont le niveau de
gris correspond à l’amplitude du déplacement local, correspond à l’intérieur d’une éponge
contenant une région plus dure.
32
Chapitre 1 – Imagerie de l’élasticité des tissus
Région imagée
Sonde Pot vibrant (fréquence de 20 Hz)
Onde mécanique basse fréquence
Figure 1.8 : Dispositif utilisé en sono-élastographie. Un pot vibrant génère une vibration mécanique basse fréquence dans le milieu, dont on image l’amplitude des déplacements locaux [Lerner-88].
3.5 cm
Inclusion
5 cm
Figure 1.9 : Image de l’amplitude des déplacements engendrés par une vibration mécanique basse fréquence dans une éponge contenant une inclusion dure. L’inclusion, dont l’amplitude des déplacements est plus faible, apparait plus sombre en bas à gauche [Lerner-88]. On peut noter la faible résolution spatiale de la cartographie obtenue.
Une deuxième approche [Yamakoshi-90, Lerner-90] a consisté à mesurer la vitesse de
propagation des ondes générées par le vibreur. Lorsqu’un milieu est excité par une source
mécanique, deux types d’onde se propagent : des ondes de compression (ondes P) et des
ondes de cisaillement (ondes S). Or les vitesses de ces ondes, cp et cs, sont directement liées
aux propriétés mécaniques du milieu par le biais des coefficients de Lamé λ et µ :
33
Chapitre 1 – Imagerie de l’élasticité des tissus
ρµ
ρµλ
=+
= Set 2 ccP (1.21)
où ρ est la masse volumique du milieu.
Nous avons vu lors des rappels de mécanique que les couples de paramètres (λ, µ) et (E, ν)
étaient reliés par les relations suivantes:
µµλµλ
µλλν .23et
)(2 ++
=+
= E (1.22)
Or, dans les tissus mous biologiques, λ est très grand devant µ : de l’ordre de 1 GPa pour le
premier contre 1 MPa pour le second. Pour les relations (1.22), il en résulte d’une part la
quasi-incompressibilité des tissus mous, et d’autre part une relation de proportionnalité entre
E et µ :
µν .3et 21
== E (1.23)
Ainsi, en mesurant la vitesse de propagation des ondes de cisaillement, on accède à une
estimation du module d’Young : 2..3.3 scE ρµ == (1.24)
En pratique, l’amplitude et la phase de l’onde basse fréquence sont estimées et permettent
d’accéder à sa vitesse de propagation.
Cependant, ces estimations se font sur des ondes stationnaires dont la propagation dans un
milieu fini pose des problèmes aux frontières du domaine. D’autre part, la coexistence des
ondes de cisaillement et de compression conduit à des phénomènes d’interférences, qui
peuvent induire un biais dans les estimations. Pour remédier à ces problèmes, l’utilisation
d’ondes transitoires a été envisagée.
III.1.2. Elastographie transitoire
L’élastographie transitoire (ou élastographie impulsionnelle) a été développée au Laboratoire
Ondes et Acoustique (ESPCI, Université Paris 7, UMR CNRS 7587) par l’équipe de Mathias
Fink. Dans cette technique, le milieu étudié n’est plus excité par une vibration sinusoïdale
entretenue, mais par une impulsion basse fréquence.
Catheline et al. [Catheline-99] ont effectivement montré qu’une telle sollicitation permettait
de s’affranchir des problèmes de conditions aux limites et d’interférences rencontrés lors
d’une excitation monochromatique.
34
Chapitre 1 – Imagerie de l’élasticité des tissus
L’intérêt d’une sollicitation impulsionnelle réside également dans le fait que l’onde de
compression (P) va disparaître très vite. En effet, la différence de grandeur entre λ et µ dans
les tissus mous fait que cP est grand devant cS (équation 1.21) : les ondes de compression se
propagent beaucoup plus vite que les ondes de cisaillement (environ 1500 m/s et 10 m/s dans
l’eau, respectivement). Très vite, il ne reste donc que l’onde de cisaillement, dont il s’agit de
mesurer la vitesse afin d’obtenir une estimation du module d’Young (équation 1.24).
Le dispositif utilisé est représenté figure 1.10. Ce montage expérimental permet une étude 1D
en transmission. Un mono-transducteur à 3.5 MHz est focalisé au milieu de l’échantillon afin
d’imager la propagation de l’onde basse fréquence (250 Hz) générée par un piston circulaire.
Afin de suivre précisément la propagation de l’onde, les signaux rétrodiffusés sont enregistrés
à une cadence élevée de 1300 Hz. Une technique d’inter-corrélation des signaux ultrasonores,
identique à celles utilisées en élastographie statique (décrite en détail dans la partie suivante),
permet d’estimer les déplacements induits dans le milieu par la propagation de l’onde.
Onde basse fréquence (250 Hz)
Transducteur ultrasonore (3.5 MHz)
Piston circulaire
Pot vibrant générant une impulsion
Enregistrement et traitement des signaux
Fantôme en gélatine d’agar
70 mm
Figure 1.10 : Dispositif expérimental utilisé par Catheline et al. [Catheline-99] en élastographie impulsionnelle 1D. Le transducteur à 3.5 MHz est focalisé au milieu de l’échantillon afin d’imager la propagation de l’onde basse fréquence (250 Hz).
Ces déplacements sont représentés à différentes profondeurs en fonction du temps (figure
1.11). La ligne (P) marque le début de l’onde de compression, la ligne (S) le début de l’onde
de cisaillement et la ligne (SP) correspond à une deuxième onde de compression due à la
35
Chapitre 1 – Imagerie de l’élasticité des tissus
réflexion sur la surface inférieure du fantôme. Conformément à la théorie, on constate que
l’onde (P) se propage presque instantanément, alors que l’onde de cisaillement (S) se propage
à faible vitesse. La pente du front d’onde de la ligne (S) permet d’obtenir une mesure de la
vitesse de l’onde de cisaillement et donc une estimation du module d’Young.
Figure 1.11 : Estimation des déplacements dans un fantôme en gélatine d’agar par élastographie impulsionnelle 1D en transmission. Chaque ligne représente l’évolution du déplacement à une profondeur donnée en fonction du temps. La ligne (P) met en évidence l’onde de compression, la ligne (S) l’onde de cisaillement et la ligne (SP) marque une deuxième onde de compression due à la réflexion sur la surface inférieure du fantôme [Catheline-99].
Cette technique souffre néanmoins de deux inconvénients : d’une part la mesure du module
d’Young est monodimensionnelle et d’autre part le dispositif (pot vibrant et transducteur de
part et d’autre du milieu) est difficilement applicable in vivo.
Afin de remédier à ces limites, Sandrin et al. ont mis au point un imageur utilisable en
réflexion (pot vibrant et transducteur cote-à-cote) et permettant d’établir une cartographie du
module d’Young [Sandrin-99, Tanter-02]. Cet imageur ultrasonore ultrarapide utilise une
formation de voie spécifique, permettant de réaliser jusqu’à 10 000 images par seconde
(contre 30 images par seconde pour un échographe classique). Le milieu est ainsi illuminé
avec une cadence suffisante pour suivre le déplacement du front de l’onde de cisaillement.
Par la suite, cette approche a encore été améliorée par des techniques permettant de
s’affranchir du vibreur externe [Sarvazyan-98, Nightingale-02, Bercoff-04]. C’est le système
36
Chapitre 1 – Imagerie de l’élasticité des tissus
d’imagerie ultrasonore qui joue ce rôle en créant à distance, au sein des tissus, une onde de
cisaillement à l’aide du faisceau ultrasonore focalisé. Cette technique, dite « par force de
radiation acoustique », est illustrée par la figure 1.12. Issues de [Bercoff-04], ces images
représentent la propagation de l’onde de cisaillement au sein d’un fantôme en gel d’agar
contenant une inclusion dure. On peut constater « l’accélération » de l’onde lorsque celle-ci
traverse la région plus dure. La carte d’élasticité correspondante est représentée figure 1.13.
Comparée à la sono-élastographie, l’élastographie impulsionnelle présente plusieurs
avantages, en particulier sa rapidité et sa faible sensibilité aux conditions aux limites.
Cependant, cette technique nécessite un imageur ultrasonore spécifique dédié à cette
application.
Figure 1.12 : Propagation de l’onde de cisaillement dans un fantôme en gel d’agar contenant une inclusion dure. Les déplacements dus à l’onde sont représentés à 2 ms, 12 ms et 17 ms (de gauche à droite). On peut constater l’accélération de l’onde lorsque celle-ci traverse la région plus dure [Bercoff-04].
Figure 1.13 : Cartographie de l’élasticité, obtenue par élastographie impulsionnelle 2D sur un fantôme en gel d’agar contenant une inclusion cylindrique plus dure (diamètre 20 mm) [Bercoff-04].
37
Chapitre 1 – Imagerie de l’élasticité des tissus
III.2. Elastographie statique En élastographie statique, l’estimation de la déformation peut être la finalité ou l’étape
préliminaire incontournable à la reconstruction du module d’Young E [Skovoroda-95, Nitta-
00, Doyley-00, Harrigan-04]. Mais l’estimation du module d’Young requiert la connaissance
de la distribution des contraintes dans le milieu, donnée qui n’est malheureusement pas
disponible et qui ne peut être mesurée localement. Les méthodes de reconstruction du module
d’Young utilisées en élastographie statique reposent ainsi principalement sur l’utilisation des
équations de base de l’élasticité. En général, le milieu est supposé élastique linéaire et
isotrope, et les termes de contraintes peuvent être substitués grâce à la connaissance des
déplacements et déformations estimés. Par conséquent, l’estimation précise de la déformation
est une étape primordiale en élastographie.
C’est pourquoi, dans le cadre de cette thèse, nous nous sommes intéressés aux méthodes
d’estimation de la déformation en élastographie statique.
Il est à noter que les techniques d’estimation de la déformation en élastographie se placent
dans un contexte bien précis. L’analyse des champs de déplacements et de déformations a
déjà connu de nombreux développements dans le domaine médical, notamment pour l’étude
des organes en mouvement tel que le cœur. D’une manière générale, l'analyse d'images peut
fournir un champ vectoriel décrivant le déplacement de chaque point entre deux images
successives ou une représentation plus globale du mouvement, en utilisant un modèle
dynamique décrit par un nombre limité de paramètres quantitatifs.
Ainsi, l’étude du mouvement et de la déformation myocardique, qui représente en enjeu
majeur pour l’évaluation de la viabilité du myocarde, a connu diverses approches, qui se sont
d’abord intéressées aux contours du cœur et leur dynamique [Duncan-91, Friboulet-92,
Amini-92, Clarysse-97] pour progressivement entreprendre d’estimer le mouvement dans
l’ensemble du myocarde [Gorce-97, Benayoun-98, Ledesma-Carbayo-05]. Les modèles
déformables ont obtenu un certain succès pour la segmentation et le suivi des contours du
cœur [Cohen-93, Jacob-99, Montagnat-05]. Avec le modèle des gabarits élastiques
déformables par exemple, le cœur est considéré comme un objet déformable, de géométrie
plus ou moins complexe et comportant plusieurs interfaces, doté d’une loi de comportement
élastique [Pham-01, Mäkelä-03, Schaerer-07]. Ce modèle est soumis à des contraintes pour le
déformer, contraintes obtenues à partir de l’observation de la déformation des structures au
sein des images. Ce type d’approche, par rapport aux contours déformables conventionnels,
38
Chapitre 1 – Imagerie de l’élasticité des tissus
permet à la fois de segmenter l’ensemble de la structure recherchée (le myocarde) et d’estimer
aussi son mouvement, et donc sa déformation (ou tout au moins certaines de ses composantes).
Cependant, elle nécessite que la structure d’intérêt se distingue de son environnement en
termes de niveau de gris ou de contours, dans les images.
Spécifiquement développées pour l’analyse du mouvement et donc la déformation des tissus
biologiques, certaines images médicales bénéficient d'un marquage physique de lignes et de
points : c'est le cas de l'IRM marquée ou tagged MRI, qui exploite les concepts de l’IRM et
des propriétés magnétiques des tissus pour créer un marquage virtuel (typiquement une grille)
dans les images, marquage qui se déforme suivant la déformation des tissus [Avel-89,
Zerhouni-88]. L’analyse de la déformation du marquage dans les séquences d’images permet
de remonter à une quantification assez précise de l’ensemble des composantes du mouvement
[Prince-92, O’Dell-95, Amini-98, Clarysse-00, Osman-00, Amini-01]. Ce type de marquage a
donné lieu à de nombreuses études, qui constituent une référence dans le domaine du
mouvement du cœur. Cependant ce type d’imagerie reste spécifique à l’IRM.
Le contexte des études élastographiques est différent ; il s’agit de mettre au point des
méthodes qui soient en mesure de détecter précocement l’apparition de lésions telles que les
tumeurs cancéreuses, lésions qui peuvent demeurer indétectables à l’échographie. Le verrou à
lever est donc de mettre au point des méthodes d’estimation de la déformation d’un milieu
afin d’identifier s’il y a ou non formation d’une ou plusieurs lésions, pour lesquelles des
approches de type segmentation basée sur les statistiques locales de l’image semblent échouer.
Comme il a été indiqué précédemment, l’élastographie statique a été inspirée par un principe
simple de mécanique : sous l’action d’une contrainte donnée, une région molle se déformera
davantage qu’une zone rigide.
En termes pratiques, deux images ultrasonores RF (radiofréquence) sont acquises, l’une avant
et l’autre après la compression du milieu (figure 1.14). Cette compression quasi-statique est
de faible amplitude, produisant une déformation du milieu de l’ordre de quelques pour cent.
D’une manière générale, la compression est appliquée en exerçant un appui de la sonde, et est
ainsi dirigée dans l’axe du faisceau ultrasonore. Les déplacements ou déformations induits par
la contrainte sont ensuite estimés, par une analyse des données ultrasonores RF acquises avant
et après compression. Afin d’obtenir une mesure locale, les données sont subdivisées en de
multiples régions d’intérêt sur lesquelles sont réalisées les estimations. La cartographie de
déformation finalement obtenue est appelée élastogramme.
39
Chapitre 1 – Imagerie de l’élasticité des tissus
Obtenir une estimation précise de la déformation du milieu demeure un point crucial en
élastographie statique. Pour cela, différentes méthodes de traitement des signaux ultrasonores
ont été développées.
Inclusion
rigide
Déformation
en %
Compression
Direction axiale
123456
(e)
(a)
Modélisation +
Traitement du signal
(d) Elastogramme
(b) Image RF I1à la pression P
(pré compression)
(c) Image RF I2 à la pression P+∆P (post compression)
Figure 1.14 : Schéma de principe de l’élastographie statique Soit un milieu cubique contenant en son centre une inclusion sphérique plus rigide (a). Deux images échographiques radiofréquences sont acquises, l’une (I1) avant compression (b), l’autre (I2) après compression du milieu (c). La déformation est alors estimée localement en analysant les variations des signaux induites par la compression (d), conduisant à l’image des déformations (e). Sur cet exemple issu d’une expérience sur un fantôme physique, nous pouvons observer que l’élastographie apporte des informations complémentaires à l’échographie. Alors que sur l’image échographique, l’inclusion n’est pas détectable, elle est clairement identifiée sur l’image des déformations, également appelée élastogramme.
III.2.1. Elastographie statique 1D
Jusqu’à récemment, les techniques d’estimation de la déformation utilisées en élastographie
sont restées principalement des méthodes monodimensionnelles. Elles réalisent une
estimation de la composante axiale de la déformation, c’est-à-dire le long des lignes RF
(correspondant également à la direction de propagation des ultrasons). Même si les méthodes
2D et 3D donnent généralement de meilleurs résultats, il est intéressant de s’attarder sur ces
méthodes dans la mesure où les concepts développés en 1D sont souvent repris par les
méthodes plus élaborées.
40
Chapitre 1 – Imagerie de l’élasticité des tissus
Dans la suite de ce paragraphe, on appelle I1 une image ultrasonore RF acquise avant
compression du milieu, et I2 l’image ultrasonores RF acquise après compression du même
milieu. Chacune de ces images est formée de plusieurs lignes RF, notées s1i pour I1 et s2i pour
I2 (i=1…N). Pour simplifier la notation, on omettra régulièrement l’indice i et on appellera s1
et s2 deux lignes RF de même indice i (c’est-à-dire ayant la même position par rapport à la
sonde).
III.2.1.1. Méthode du retard temporel Les premières publications en élastographie statique datent de 1991, par l’équipe de J. Ophir
[Ophir-91]. La technique alors développée, dite méthode d’estimation du retard temporel, fait
l’hypothèse que sous l'action d’une compression statique de faible amplitude, le tissu va subir
localement un déplacement assimilable à une translation dans la direction axiale
exclusivement. Cette translation se traduit, sur le signal RF, par un déphasage des signatures
acoustiques correspondantes.
Pour s1 et s2, deux lignes ultrasonores RF en correspondance, acquises respectivement avant et
après compression du milieu, cela se formule par la relation :
)()( 12 itsts τ+= (1.25)
avec t la variable temporelle et τi le déphasage local (figure 1.15).
Il s’agit donc d’estimer la valeur de ce déphasage local pour chaque position de la fenêtre
temporelle. Cela est réalisé par le calcul de l’intercorrélation entre les signaux s1 et s2 :
∫ +==T
* 'dt)t't(s)'t(sT
)t(s,s)t(C0
221 1
1 (1.26)
La fonction C(t) présente en effet un maximum lorsque les signaux s1 et s2 sont identiques,
c’est-à-dire en t = -τi. Pour chaque position de la fenêtre locale d’estimation, le déphasage
entre les signaux s1 et s2 est donc donné par la position du maximum de la fonction
d’intercorrélation C(t) [Ophir-91, Cespedes-93, Kallel-93, Hein-93, deKorte-97a, deKorte-
97b, Lubinski-99]. Le processus est répété pour chaque paire de lignes RF.
Une variante de cette première technique consiste à estimer le décalage entre les signaux
comme le zéro de la phase de la fonction d’intercorrélation des signaux complexes associés.
En effet, la position pour laquelle cette phase s'annule correspond au maximum de la fonction
d'intercorrélation des signaux réels correspondants [Pesavento-99]. De plus, le signal
complexe peut être aisément obtenu par la représentation analytique associée au signal réel.
41
Chapitre 1 – Imagerie de l’élasticité des tissus
Le signal analytique associé à un signal réel s(t) est effectivement un signal complexe, dont la
partie réelle est s(t) et la partie imaginaire est la transformée de Hilbert de s(t).
s2is1i
Wi τi
Direction axiale
(temps)
Signal RF post-compression
Signal RF pré-compression
Figure 1.15 : Illustration de la méthode du retard temporel. Ces techniques font l’hypothèse que sous l’action d’une compression statique de faible amplitude, la déformation physique du milieu entraîne localement un mouvement tissulaire assimilable à une translation uniquement axiale. Cette translation se traduit au sein des signaux RF par un simple déphasage des signatures acoustiques le long de la direction axiale. Ce déphasage (paramètre τi) est estimé localement sur une portion de signal (fenêtre temporelle Wi de longueur T), grâce à une analyse de la fonction d’intercorrélation.
Figure 1.16 : Image de déformation obtenue par la méthode d’estimation du retard temporel. Le milieu étudié est un fantôme en mousse dont la couche centrale est plus dure [Ophir-91].
Une fois le champ de déplacement estimé, la déformation est calculée comme le gradient du
déplacement. Plus précisément, la déformation locale est calculée par :
Wii
i ∆−
= + ττε 1 (1.27)
42
Chapitre 1 – Imagerie de l’élasticité des tissus
avec τi et τi+1 les déphasages locaux estimés pour les fenêtres Wi et Wi+1 et ∆W le pas de
déplacement entre les deux fenêtres.
La figure 1.16 représente une des premières images de déformation, obtenue par J. Ophir sur
un fantôme en mousse contenant une couche dure.
Cette méthode reste cependant limitée à la mesure de petites déformations (de l’ordre de 1 %).
Avec la compression physique du milieu, le signal subit effectivement une variation de forme,
responsable d’une décorrélation entre les signaux s1 et s2, dont on ne tient absolument pas
compte avec cette technique [Bilgen-96, Bilgen-97]. C’est pourquoi elle échoue rapidement
pour des déformations du milieu plus importantes, supérieures à 2%. Ceci est limitatif car, en
raison du caractère hétérogène des tissus, une faible déformation globale du milieu peut
conduire à des déformations locales de grande amplitude dans les régions où le module
d'Young est le plus faible.
Afin d’améliorer la corrélation entre les signaux avant et après compression du milieu, un
étirement temporel et global des signaux post-compression peut être réalisé préalablement à
l’estimation des retards temporels [Alam-97]. Cet étirement d’un facteur approprié pour
compenser la déformation moyenne du milieu induite par l’application de la contrainte,
contribue à atténuer les effets de la variation de forme du signal. Par conséquent, un tel
prétraitement permet d’améliorer la corrélation entre les signaux pré et post-compression.
Cependant cette technique exige une connaissance a priori de l’amplitude de la compression,
afin d’étirer les signaux de la valeur correspondante. Or cette information n’est pas toujours
disponible, notamment lors d’une application clinique. D’autre part le facteur d’étirement est
un paramètre dépendant de la déformation locale : considérer un facteur d’étirement constant
sur tout le signal reste donc une approximation trop grossière.
Ces limites ont conduit au développement de méthodes basées sur l’utilisation de facteurs
d’étirement locaux.
III.2.1.2. Méthode des facteurs d’échelle Alam et al. [Alam-98] ont ainsi montré que l’utilisation de facteurs d’étirement locaux
contribuait à améliorer la robustesse de l’estimation face au bruit de décorrélation.
La méthode dite « des facteurs d’échelle » considère que la compression physique du milieu
produit au sein des signaux non seulement un déphasage mais également une compression
dans la direction axiale des signatures acoustiques. Le signal après compression du milieu est
donc localement modélisé comme une version temporellement déphasée et comprimée du
43
Chapitre 1 – Imagerie de l’élasticité des tissus
signal avant compression. Si s1 et s2 sont les signaux pré et post-compression, respectivement,
leur relation sur une fenêtre d’estimation Wi peut s’écrire :
)()( 21 τα += tsts i (1.28)
avec t la variable temporelle, αi le facteur d’échelle local et τ le déphasage dû à la déformation
des régions antérieures à la fenêtre considérée. Si la sollicitation externe est une compression,
alors le facteur d’échelle est un facteur de compression (c’est-à-dire αi < 1).
En pratique, le facteur d’échelle est estimé en étirant localement le signal s2 de manière
itérative, jusqu’à maximiser le coefficient de corrélation entre le signal s2 étiré et le signal pré-
compression s1 (figure 1.17). La déformation locale liée à la fenêtre Wi est alors directement
reliée au facteur d’étirement αi trouvé, grâce à la relation :
1ˆ −= ii αε (1.29)
Estimation du facteur d'échelle permettant de maximiser la corrélation entre les 2 signaux
Signal post-compression (comprimé par rapport au
signal initial)
Signal pré-compression
temps
Figure 1.17 : Illustration de la méthode des facteurs d’échelle. L’hypothèse est que sous l’action d’une compression statique, la déformation physique du milieu se traduit au sein des signaux RF, non seulement par un déphasage mais également par une compression des signatures acoustiques le long de la direction axiale (représentée par la flèche).
La méthode des facteurs d’échelle a connu diverses améliorations [Bilgen-99, Brusseau-00] et
elle est plus robuste au bruit de décorrélation induit par la compression que les méthodes
précédemment citées. Mais si elle s’avère satisfaisante pour des faibles déformations, elle
échoue également pour des déformations plus importantes. La cause de ce manque de
robustesse réside dans le caractère monodimensionnel de ces méthodes.
En effet, les tissus mous biologiques sont composés en majorité d’eau et sont considérés
comme quasi-incompressibles (ν ≈ 0.5).
44
Chapitre 1 – Imagerie de l’élasticité des tissus
Lorsque le milieu subit une contrainte de chargement suivant la direction axiale, il en résulte
naturellement une compression dans cette direction. Mais il en résulte également une
dilatation dans les deux autres directions. Le mouvement des tissus est donc tridimensionnel.
Les diffuseurs acoustiques, ancrés au sein des tissus, subissent donc un déplacement 3D,
résultant en une transformation tridimensionnelle des données ultrasonores radiofréquences.
Or, les méthodes 1D ne prennent en compte que la transformation de la signature acoustique
du signal due au déplacement axial des diffuseurs, alors que les déplacements latéraux et
azimutaux des diffuseurs interviennent également dans la modification de cette signature
acoustique. S’il n’est pas considéré, le mouvement latéral est une source majeure de
décorrélation entre les signaux pré et post-compression, ce qui peut conduire à des estimations
erronées de la déformation.
L’estimation monodimensionnelle de la déformation parait alors trop limitative, que ce soit
pour des déformations importantes ou pour des configurations complexes du milieu,
caractéristique des tissus biologiques.
III.2.2. Elastographie statique 2D
Pour remédier au manque de robustesse des méthodes monodimensionnelles et approcher le
mouvement réel des tissus, des techniques d’estimation 2D ont d’abord été mises au point. Le
développement de méthodes 2D fut également motivé par le fait que les appareils
échographiques utilisés en routine clinique ne fournissent, pour la grande majorité, que des
images ultrasonores 2D.
On dénombre globalement huit approches en élastographie statique 2D, plus ou moins
indépendantes les unes des autres.
i. La première est la technique classique du suivi de speckle 2D [Bohs-91]. Cette
méthode est inspirée des algorithmes de block-matching, initialement utilisés pour la
compensation du mouvement en vidéo. Elle est devenue depuis une méthode classique
d’estimation du déplacement. Le déplacement local 2D est modélisé ici par une
translation, à la fois dans la direction axiale et dans la direction latérale. Pour une
région d’intérêt 2D spécifique sélectionnée sur l’image initiale (pré-compression), il
s’agit de trouver dans l’image finale (post-compression) la région 2D de mêmes
dimensions qui lui correspond le mieux. Cette recherche du meilleur correspondant se
fait de manière exhaustive ou adaptative, par la maximisation d’un critère de similarité
45
Chapitre 1 – Imagerie de l’élasticité des tissus
(par exemple coefficient de corrélation) ou par la minimisation d’un critère d’erreur
(somme des différences absolues, somme des différences carrées, …). Grâce à cette
mise en correspondance de régions 2D entre les deux images, une estimation locale du
déplacement est obtenue. En reproduisant ce schéma pour chaque région d’intérêt 2D
sélectionnée sur l’image avant déformation du milieu, le champ de déplacement est
estimé. La déformation est alors calculée comme le gradient du déplacement.
ii. Pellot-Barakat et al. [Pellot-Baraka-04] ont également utilisé le modèle de la
translation 2D pour décrire le mouvement local tissulaire induit par la compression du
milieu. Cependant ils ont montré que les données ultrasonores seules peuvent s’avérer
insuffisantes pour résoudre les ambiguïtés dues à une perte de corrélation, engendrée
par le mouvement non rigide des diffuseurs d’une ROI spécifique, inhérent à la
déformation, par un faible rapport signal sur bruit ou encore par un mouvement des
diffuseurs acoustiques hors du plan d’imagerie. Intégrer de l’information a priori dans
le processus d’estimation peut donc s’avérer nécessaire. Dans cette étude, l’estimation
du déplacement est réalisée par la minimisation d’une fonction de coût : d
))(.)((minargˆ21 dEdEd
dα+= (1.30)
où E1 est un terme d’attache aux données (conservation des échos), E2 est un terme de
régularisation sur la continuité du champ de déplacement, et α est un facteur de
régularisation. Un élastogramme obtenu avec cette méthode est montré figure 1.18.
Cependant, les méthodes mentionnées restent perfectibles, notamment parce que la
variation de forme du signal, engendrée par la déformation, n’est pas considérée.
46
Chapitre 1 – Imagerie de l’élasticité des tissus
inclusion
canal
Figure 1.18 : Elastogramme issu de [Pellot-Barakat-04], obtenu sur un fantôme en gélatine contenant une inclusion cylindrique rigide (6 fois plus dure que le milieu environnant) et un canal mou rempli d’un fluide en libre circulation.
iii. La troisième approche [Konofagou-98] propose d’estimer les déplacements locaux 2D
en recherchant les signatures acoustiques 1D de l’image pré-compression parmi
l’ensemble des signaux post-compression. Un prétraitement préalable consiste à
réaliser une compensation globale de la déformation des données ultrasonores par un
étirement temporel des signaux après compression. Les signaux RF post compression
sont ensuite assujettis à une interpolation linéaire dans la direction latérale, afin
d’améliorer l’estimation dans cette direction. Enfin pour chaque région d’intérêt 1D de
l’image pré-compression, sa version déformée est itérativement recherchée dans les
directions axiale et latérale parmi les signaux créés par l’interpolation (figure 1.19). Là
encore, le déplacement est donné par la position du maximum de la fonction
d’intercorrélation et la déformation se déduit du déplacement estimé par une opération
de dérivation. Mais deux limites principales sont à souligner. Comme il a été évoqué
précédemment, l’étirement global n’est pas adéquat puisque les transformations du
signal ont un caractère local. Cela peut avoir pour conséquence de déformer une
signature acoustique qui, initialement, n’avait subi aucune variation de forme. De plus
la résolution du déplacement latéral est limitée par le taux d’interpolation initialement
choisi.
47
Chapitre 1 – Imagerie de l’élasticité des tissus
n° lignes RF i-1 i i+1
Recherche dans une région 2D de la signature 1D correspondante la plus
similaire
Signal pré-compression
Signaux post-compression (après étirement temporel)
Signaux interpolés
Figure 1.19 : Illustration de la recherche de la signature acoustique correspondant à celle de la fenêtre initiale parmi les signaux interpolés.
iv. La méthode de compensation développée par Chaturvedi et al. [Chaturvedi-98] est une
technique de prétraitement du signal consistant à réaliser des opérations de
compensation du mouvement, d’abord à l’échelle globale afin de corriger la
déformation moyenne du tissu, puis à l’échelle locale. A chaque étape (globale ou
locale), il s’agit d’estimer le mouvement 2D entre des régions d’intérêt 2D (par la
minimisation d’un critère d’erreur), puis de recaler les signaux ultrasonores en
fonction du déplacement calculé. Une technique d’inter-corrélation est alors utilisée
afin de calculer le déplacement résiduel. Mais là encore, une variation de forme du
signal n’est pas considérée localement.
v. Chen et al. [Chen-04] ont développé une méthode originale pour remédier au manque
de précision des estimations du déplacement latéral. Cette équipe a proposé de créer
une phase synthétique dans la direction latérale afin d’améliorer l’estimation dans
cette direction, estimation qui s’avère bruitée par rapport aux déplacements axiaux
estimés. Les auteurs indiquent que, conceptuellement, l’estimation latérale peut être
plus précise si une information de phase, similaire à celle dans la direction axiale est
présente dans la fonction d’intercorrélation 2D finale. Une phase latérale synthétique
est donc créée numériquement en séparant le spectre du signal analytique en deux
moitiés (supérieure et inférieure) par rapport à la fréquence nulle de la direction
48
Chapitre 1 – Imagerie de l’élasticité des tissus
latérale, ce qui permet de générer en retour deux nouveaux signaux. Une fonction de
corrélation latérale et une fonction de corrélation axiale sont alors créées. Le double
passage par zéro de la phase de ces fonctions donne une estimation du déplacement
2D. La méthode proposée est très innovante, mais les auteurs soulignent que
l’amélioration de l’estimation du déplacement latéral par rapport aux autres techniques
reste limitée aux régions où la déformation est inférieure à 1%. Au-delà aucune
amélioration significative n’est observée.
vi. Pour prolonger la méthode précédente afin d’estimer précisément les composantes
axiales et latérales du déplacement, Liebgott et al. [Liebgott-05] ont proposé une
méthode originale de formation du signal ultrasonore. En agissant directement sur les
signaux reçus par chaque élément piézo-électrique de la sonde, ce schéma de
formation de voie permet de faire apparaitre des oscillations dans la direction latérale,
améliorant par conséquent le suivi du déplacement latéral. L’inconvénient majeur de
cette technique réside dans le fait qu’elle nécessite un échographe permettant d’agir
sur la formation de voie.
vii. L’approche développée par Maurice et al. [Maurice-04] est basée sur un modèle
linéaire de déplacement local des tissus pendant la compression. Ce mouvement est
décrit par une transformation affine T. Les paramètres de la déformation
(correspondant aux facteurs d’échelle) sont déterminés via la minimisation de l’erreur
quadratique moyenne entre une région d’intérêt 2D spécifique de l’image avant
compression du milieu et sa version déformée compensée par les paramètres
recherchés :
))(min(argˆ 221 ITIT
T−= (1.31)
où I1 est la région d’intérêt pré-compression, I2 est la région d’intérêt post-
compression. Cette minimisation est réalisée à l’aide d’un algorithme de type
Levenberg-Marquardt. Finalement, le tenseur de déformation est directement fonction
des facteurs d’échelle estimés. Mais les auteurs soulignent que préalablement à
l’estimation des paramètres de déformation, la translation 2D existant entre la ROI 2D
initiale et sa version déformée, et inhérente à la compression, doit être compensée. Or,
la technique de corrélation utilisée pour ce traitement peut s’avérer imprécise pour des
49
Chapitre 1 – Imagerie de l’élasticité des tissus
régions ayant subi une forte déformation, et peut conduire à une estimation erronée des
paramètres.
viii. Enfin, l’équipe de T. Varghese [Techavipoo-04] a développé une méthode basée sur
de multiples insonifications angulaires du milieu étudié (figure 1.20). Le déplacement
radial qθ (le long du faisceau ultrasonore) est d’abord estimé pour chaque angle
d’insonification θ et pour chaque ligne RF par une méthode d’intercorrélation
classique 1D. Pour chaque pixel, on peut alors écrire la relation :
ndAq += (1.32)
où q est le vecteur des observations (contenant les estimés de déplacement radial pour
chaque angle), A est une matrice faisant intervenir les angles d’insonification, d est le
vecteur de déplacement (inconnu) et n est le vecteur de bruit d’observation. Le
déplacement d est alors calculé par la méthode des moindres carrés.
Les auteurs montrent des résultats intéressants, comme l’illustre la figure 1.21. Mais
cette technique requiert un schéma complexe d’acquisition des données ultrasonores
suivant plusieurs angles, qui s’avère difficilement reproductible dans des conditions
cliniques.
Par rapport aux méthodes monodimensionnelles d’élastographie statique, ces estimateurs 2D
de la déformation ont apporté des améliorations significatives, en terme de précision de
l’estimation, mais également en terme de robustesse.
Cependant, le mouvement 3D des tissus lors de la compression n’est toujours pas considéré.
+θ° -θ°
Direction de compression
Sonde
Plaques Faisceaux angulaires
+θ°-θ°0°
Figure 1.20 : Illustration des insonifications multiples angulaires [Techavipoo-04].
50
Chapitre 1 – Imagerie de l’élasticité des tissus
Lésion
Figure 1.21 : Image de déformation axiale (en %) issu de [Techavipoo-04]. Le résultat a été obtenu sur un échantillon de foie canin contenant une lésion induite par hyperthermie.
III.2.3. Elastographie statique 3D
Il a été vu que, lorsque le milieu subit une contrainte dans la direction axiale, il en résulte une
compression dans cette direction et une dilatation dans les deux directions transverses. Le
mouvement des tissus est donc tridimensionnel et le signal ultrasonore subit lui aussi une
transformation 3D. Le mouvement azimutal est donc une source de décorrélation entre le
signal post-compression et le signal initial, au même titre que les mouvements dans le plan de
l’image (mouvements axiaux et latéraux).
Or, les méthodes 2D ne prennent en compte que partiellement la transformation de la
signature acoustique du signal. Dans le cas d’un important mouvement azimutal (hors du plan
de l’image), la perte de corrélation entre les signaux pré- et post-compression ne pourra être
compensée et conduira à des estimations erronées. L’estimation bidimensionnelle de la
déformation semble alors trop restrictive.
Pour remédier à ce problème de décorrélation et suivre le déplacement des diffuseurs dans les
tissus, le mouvement azimutal doit également être considéré, ce qui requiert l’utilisation
d’estimateurs tridimensionnels de la déformation. D’autre part, l’intérêt de mettre au point des
modèles numériques d’estimation 3D de la déformation des tissus est conforté par la
recherche et le développement actuels des sondes matricielles. Enfin, une méthode 3D peut
permettre l’estimation de l’ensemble des composantes du tenseur de déformation. Ceci est un
autre avantage, notamment dans le cadre d’un problème inverse de reconstruction du module
d’Young.
Cependant, peu d’estimateurs 3D ont été développés à ce jour. La plupart d’entre eux sont des
extensions d’estimateurs 2D.
51
Chapitre 1 – Imagerie de l’élasticité des tissus
Le suivi de speckle 2D a ainsi été étendu à la troisième dimension [Chen-05]. C’est donc la
translation 3D d’une région à l’intérieur d’un volume ultrasonore qui est estimé localement
pour chaque position de la fenêtre de calcul. Les auteurs ont ainsi été les premiers à démontrer
en pratique la faisabilité de l’élastographie ultrasonore 3D. La figure 1.22 montre les trois
composantes du déplacement pour une section d’un modèle numérique de ventricule gauche.
Mais la méthode utilisée reste perfectible, car le déplacement ne reste modélisé que par une
simple translation et ne prend en compte aucune variation de forme du signal.
(b) (a) (c)
Figure 1.22 : Composantes axiale (a), latérale (b), et azimutale (c) du déplacement, calculées par Chen et al. [Chen-05] sur un modèle numérique de ventricule gauche.
La méthode de Konofagou et al. [Konofagou-98] a, elle aussi, été adaptée au traitement des
données 3D [Said-06]. Pour chaque fenêtre 1D de l’image pré-compression, sa version
déformée est donc itérativement recherchée dans les directions axiale, latérale et azimutale
parmi les données post-compression interpolées. Là encore, le déplacement est donné par la
position du maximum de la fonction de corrélation et la déformation se déduit du déplacement
estimé par une opération de dérivation. Mais la méthode souffre des mêmes limites que la
version 2D correspondante. L’étirement global des données n’est pas adéquat puisque le
signal subit des transformations locales, et le déplacement estimé reste limité en résolution par
les taux d’interpolation choisis initialement dans les directions latérale et azimutale.
Enfin, la méthode proposée par Lindop et al. [Lindop-06] permet d’accéder à un volume
élastographique. L’originalité de leur technique réside dans la possibilité d’acquérir en main-
libre un volume de données ultrasonore à partir d’une sonde classique. Il s’agit en fait de
balayer la région d’intérêt avec une sonde équipée d’un dispositif de positionnement. Ce
dernier permet de localiser en permanence la position des acquisitions échographiques et ainsi
52
Chapitre 1 – Imagerie de l’élasticité des tissus
de reconstruire le volume ultrasonore correspondant (figure 1.23). Après deux balayages
successifs (donnant des volumes pré- et post-compression), il est donc possible de calculer un
élastogramme 3D (figure 1.24). Mais les auteurs soulignent que l’acquisition des données est
délicate et demande une certaine expérience. D’autre part, l’algorithme utilisé pour le calcul
de la déformation peut largement être amélioré dans la mesure où il s’agit une méthode 1D
d’estimation de retards temporels similaire à [Pesanvento-99].
Figure 1.23 : Dispositif permettant la reconstruction d’un volume ultrasonore grâce à un système de positionnement [Lindop-06].
Figure 1.24 : Elastogramme 3D issu de [Lindop-06] d’un fantôme en gélatine contenant une inclusion rigide.
53
Chapitre 1 – Imagerie de l’élasticité des tissus
IV. Elastographie par résonance magnétique
Il est important de signaler que l’échographie n’est pas la seule modalité d’imagerie
permettant d’obtenir des informations sur les propriétés mécaniques des tissus biologiques.
Suite aux travaux réalisés en élastographie ultrasonore, Greenleaf et al. [Muthupillai-95] ont
en effet développé, à partir de 1995, une technique d’élastographie basée sur l’imagerie par
résonance magnétique (IRM).
L’élastographie par résonance magnétique (ERM) consiste à utiliser l’IRM pour estimer les
déplacements induits dans les tissus par une vibration acoustique. Comme en élastographie
ultrasonore dynamique, il s’agit de suivre la propagation d’une onde de cisaillement dans le
milieu étudié. Cette onde, générée par un vibreur externe placé au contact de la région
d’intérêt, est monochromatique (de l’ordre de quelques centaines de Hertz) et synchronisée
par la séquence IRM.
En IRM, un déplacement dans le milieu se traduit par un déphasage du signal. Il a ainsi été
montré qu’en modifiant le processus d’acquisition et en utilisant des techniques de traitement
du signal adaptées, on pouvait déterminer au cours du temps l’amplitude du déplacement en
chaque point du volume considéré [Muthupillai-95, Muthupillai-96].
Il s’agit d’une technique précise, qui a été appliquée avec succès à l’étude du cerveau
[Muthupillai-95], du sein [Sinkus-00, Sinkus-05a], ou encore des muscles [Dresner-01,
Uffmann-04]. D’autres équipes se sont intéressées directement aux propriétés biomécaniques
des tissus biologiques, notamment l’anisotropie ou la viscosité, qui peuvent être des
paramètres intéressants pour la détection de certaines pathologies [Plewes-00, Oliphant-01,
Sinkus-05b]. L’intérêt de cette technique réside également dans le fait qu’on peut accéder aux
valeurs du tenseur d’élasticité.
La figure 1.25 donne l’exemple d’un résultat obtenu avec la technique ERM développée dans
notre laboratoire par l’équipe d’Olivier Beuf [Grenier-07, Milot-08]. Un autre résultat obtenu
en ERM est montré figure 1.26, sur un cancer du sein in vivo. [Sinkus-05b].
Quelques inconvénients de l’ERM sont cependant à signaler. En premier lieu, l’IRM est un
examen dont le coût est relativement élevé en comparaison à l’échographie. L’ERM est
également une technique assez lente, car l’acquisition doit être répétée pour plusieurs petits
volumes élémentaires. Le temps d’acquisition est généralement de plusieurs minutes (et
encore beaucoup plus si l’on s’intéresse au tenseur), si bien que l’étude des organes en
mouvement est coûteuse en temps et nécessite l’utilisation de techniques de synchronisation
54
Chapitre 1 – Imagerie de l’élasticité des tissus
sur les signaux physiologiques. En comparaison, l’échographie est une modalité d’imagerie
temps réel, non invasive et de faible coût, si bien que l’élastographie ultrasonore peut être
utilisée non seulement pour le diagnostic ou la quantification, mais également pour le
dépistage.
Fond: G=10 kPa
G=2 kPa 20 kPa18 kPa 6 kPa
(a) (b)
(c) Module de cisaillement estimé (kPa)
Figure 1.25 : Images obtenues en ERM dans notre laboratoire sur un fantôme calibré contenant quatre inclusions de propriétés mécaniques différentes de celles du milieu environnant. Les ondes sont générées par un vibreur de fréquence 177 Hz placé au sommet du fantôme. (a) Schéma du fantôme et valeurs d’élasticité données par le constructeur. (b) Propagation des ondes de cisaillement. (c) Reconstruction du module de cisaillement : malgré les artefacts observables sur le milieu environnant, les inclusions sont clairement visibles. Les propriétés mécaniques du milieu fournies par le constructeur s’expriment en termes de module d’Young et non en module de cisaillement. Cependant, dans le cas d'un milieu isotrope, le module de cisaillement est lié au module d'Young et au coefficient de Poisson par la relation suivante : G=E/[2(1+ν)].
55
Chapitre 1 – Imagerie de l’élasticité des tissus
Figure 1.26 : Illustration de l’ERM, issu de [Sinkus-05b]. Résultats in vivo d’un cancer du sein. (a) IRM en amplitude du sein (la tumeur est localisée dans le rectangle rouge). (b) Module de cisaillement correspondant.
V. Conclusion
Depuis les précurseurs de l'élastographie ultrasonore qu'ont été Thomas Krouskop ou
Jonathan Ophir, de nombreuses approches ont été développées pour accéder à l'élasticité des
tissus. Certains résultats sont prometteurs et les industriels du domaine médical montrent
maintenant un intérêt fort pour ce nouveau type d’imagerie. En particulier, l’imagerie de la
déformation statique des milieux est une approche intéressante car elle n’exige aucune
hypothèse sur le milieu étudié.
Néanmoins, les techniques actuelles peuvent s’avérer non satisfaisantes dans certaines
configurations. Dans le chapitre qui suit, nous détaillons donc un nouveau modèle numérique
3D pour l’estimation de la déformation.
56
Chapitre 2 – Méthode d’estimation de la déformation des tissus
Chapitre 2
Méthode d’estimation de la déformation des tissus
Ce deuxième chapitre est consacré à la description de la méthode que nous avons développée
pour l'estimation de la déformation des tissus sous contrainte statique. La méthode sera
présentée successivement dans sa forme bidimensionnelle, puis tridimensionnelle. Le modèle
de mouvement et de déformation tissulaire que nous avons retenu, direction-spécifique, sera
décrit et justifié. Puis la technique d’estimation des paramètres liés à la déformation sera
détaillée. Nous verrons que ces paramètres sont localement et conjointement estimés comme
les arguments qui maximisent une fonction objectif basée sur un critère de similarité, entre
une région du milieu avant compression et sa version déformée, compensée par les paramètres
recherchés. Cette estimation met en œuvre une stratégie d’optimisation sous contrainte de
type PQS (Programmation Quadratique Séquentielle).
57
Chapitre 2 – Méthode d’estimation de la déformation des tissus
I. Estimation 2D de la déformation des tissus
Comme nous l’avons évoqué précédemment, estimer précisément la déformation d’un milieu
suivant une direction nécessite de prendre en compte le mouvement 3D du tissu. Lors du
développement de notre méthode, nous avons commencé par mettre au point un estimateur
2D de la déformation [Brusseau-08] que nous avons ensuite étendu à la troisième dimension.
Ces méthodes 2D et 3D sont présentées dans la suite de ce chapitre.
I.1. Modèle de déformation 2D de l’image En élastographie, la plupart des techniques 2D modélisent la transformation tissulaire induite
par la compression du milieu par une simple translation. En d’autres termes, si l’on considère
une région d’intérêt 2D (ROI) de faible étendue au sein du milieu examiné, la compression
globale du milieu est supposée provoquer un déplacement rigide de cette ROI. Contrairement
à ces techniques, notre approche met en relief que la compression du milieu induit également
une déformation de cette région d’intérêt. Nous proposons donc un modèle de déformation de
l’image reflétant les transformations mentionnées. De plus, ce modèle est direction-spécifique,
tenant compte de la forte anisotropie de la résolution des données ultrasonores.
Des études menées en 1D [Alam-98, Bilgen-99] ont montré que modéliser localement l’effet
de la compression du milieu sur les signaux RF, non seulement par un déphasage mais
également par une variation de forme du signal produisait des estimations de la déformation
plus précises et plus robustes que les méthodes de type retard temporel. Dans notre modèle, il
a donc été décidé d’intégrer une variation de forme du signal dans la direction axiale,
assimilable à un facteur d’échelle. Dans cette direction, le signal ultrasonore post-
compression peut donc être modélisé comme une réplique localement déphasée et comprimée
du signal initial.
Une modélisation similaire peut être adoptée pour décrire les modifications latérales de
l’image. En effet, la compression axiale entraîne également des déformations dans les deux
autres directions, étant donné que les tissus biologiques sont quasi-incompressibles.
Soient I1 et I2 deux images ultrasonores RF, acquises respectivement avant et après
compression du milieu. Nous pouvons décrire localement les effets de la déformation par la
relation suivante :
),(),( 21 τβα ++= ydxIyxI (2.1)
58
Chapitre 2 – Méthode d’estimation de la déformation des tissus
où x et y sont les variables spatiales, respectivement axiale et latérale, α et β les facteurs
d’échelle (correspondant respectivement à une compression et à un étirement), d et τ les
composantes du vecteur translation.
Cependant, les images échographiques sont caractérisées par une résolution fortement
anisotrope, la résolution latérale étant bien plus grossière que la résolution axiale, ce qui rend
difficile une estimation précise d’un facteur d’échelle dans la direction latérale. Nous avons
donc choisi de considérer la relation suivante:
),(),( 21 τα ++= ydxIyxI (2.2)
où le facteur β n’est pas directement calculé, mais où la déformation latérale est prise en
compte globalement dans le terme de déplacement latéral.
A partir de ce modèle de déformation de l’image, trois paramètres doivent être estimés
localement: α, d et τ.
En élastographie, le caractère local de l’estimation est obtenu par l’utilisation d’une fenêtre
d’étude (ROI) déplacée régulièrement de manière à couvrir l’ensemble de l’image ; et pour
chacune de ses positions, les paramètres liés à la déformation sont estimés. Considérons une
ROI 2D spécifique de faible étendue. L’équation 2.2 peut être interprétée de la manière
suivante : la compression du milieu induit un déplacement de la ROI assimilable à une
translation 2D (d, τ) ainsi qu’une déformation axiale de cette ROI modélisée par un facteur
d’échelle α.
Cependant, il est à noter que ces trois paramètres ne sont pas indépendants. En effet le
déplacement axial τ est engendré par les déformations axiales (décrites par α) des régions
situées entre la sonde et la ROI courante. Ainsi, en adoptant une stratégie adéquate pour
déplacer cette ROI, toutes les informations de déformations axiales nécessaires pour
compenser le déplacement axial seront disponibles.
Pour réaliser l’estimation de la déformation, la méthode proposée comporte trois étapes :
• la première étape consiste à sélectionner les régions d’intérêt (ROI) sur les images
pré- et post-compression qui permettront l’estimation locale des paramètres.
• la deuxième étape est l’estimation des paramètres à proprement parler.
• la dernière étape consiste à calculer la déformation correspondant aux paramètres
estimés.
59
Chapitre 2 – Méthode d’estimation de la déformation des tissus
I.2. Présentation de la méthode d’estimation 2D Réaliser une estimation locale du jeu de paramètres choisi (α, d et τ) nécessite dans un premier
temps de sélectionner des régions d’intérêt (ROI), à la fois dans l’image pré-compression et
dans l’image post-compression.
I.2.1. Déplacement adaptatif de la région d’étude
Soit I1 l’image pré-compression et R1 une ROI locale dans I1. De manière identique, on notera
I2 l’image post-compression et R2 la ROI de I2 correspondant physiquement à la même région
de tissu que celle définie par R1. Positionnons-nous dans un repère dont l’origine O est le
centre de la sonde (au contact du tissu biologique, voir figure 2.1(a)). Dans ce repère, la
position de R2 dans I2 est différente de celle de R1 dans I1. Cela s’explique par le fait que lors
de la compression, les régions environnantes se sont elles aussi déformées et agissent ainsi sur
la position de la ROI considérée. Le but de cette première étape est donc de sélectionner pour
chaque position de R1 dans I1 une région R2 dans I2 proche de sa position finale, de manière à
travailler sur les mêmes régions physiques de tissu. Pour cela, on réalise un déplacement
adaptatif et simultané de R1 et R2, ce qui permet un meilleur suivi du mouvement des
diffuseurs lors de la compression. En conséquence, l’estimation de la déformation sera
réalisée sur des données ultrasonores correspondantes.
Pour couvrir la totalité de l’image ultrasonore RF I1, la région d’étude correspondante (R1) est
déplacée régulièrement dans les deux directions axiale et latérale, avec des pas constants notés
respectivement ∆ax et ∆lat. Un recouvrement des régions d’étude peut être considéré afin
d’améliorer la résolution finale de l’élastogramme. Plus précisément, R1 est déplacée de la
sonde (extrémité supérieure de l’image) vers la profondeur (extrémité inférieure de l’image)
dans la direction axiale, et dans la direction latérale, du centre de l’image vers l’extérieur.
Dans le référentiel lié à la sonde, on couvre ainsi une grille régulière où la position courante
est repérée par les indices m (en axial) et n (en latéral). La figure 2.1(b) illustre le déplacement
de R1 dans I1, ainsi que les indices permettant de repérer la position de R1. L’indice m varie de
0, lorsque la ROI est au sommet de l’image (c’est-à-dire au contact de la sonde), à M, lorsque
la ROI est à la limite inférieure de l’image (profondeur maximale d’exploration). L’indice n
est compris entre -N et +N (limites gauche et droite de l’image, respectivement), et vaut 0
lorsque la ROI est à l’aplomb du centre de la sonde.
60
Chapitre 2 – Méthode d’estimation de la déformation des tissus
y (latéral)
Figure 2.1 : (a) Géométrie de l’acquisition. (b) Explication du déplacement de la région d’étude R1 dans I1. R1 se déplace sur une grille régulière en suivant le motif donné par les flèches, avec un pas axial de ∆ax et un pas latéral de ∆lat. Les indices m et n permettent de repérer la position de R1 sur cette grille (m=1…M, n=-N…+N).
Alors que le déplacement de R1 dans I1 est régulier, un déplacement adaptatif est considéré
pour R2 dans I2. Ce déplacement adaptatif prend en considération l’impact de la déformation
des régions voisines sur la position de R2. Le positionnement axial de R2 est calculé par
accumulation des déformations axiales (décrites par α) des régions situées entre la sonde et la
position courante. Dans la direction latérale, la position de R2 est directement donnée par
l’accumulation des estimations précédentes du déplacement latéral (paramètre τ).
Soient uR1 la position de R1 dans I1 et uR2 celle de R2 dans I2. Dans le référentiel lié à la sonde,
R1 se déplace sur une grille et ses positions sont repérées par deux indices m et n
correspondant à une abscisse et une ordonnée (figure 2.2). En revanche, les positions prises
O
indice axial
n
∆lat
m
∆ax
indice latéral
SONDE
R1
Grille de déplacement de R1 dans I1
x (axial)
O
Milieu étudié
Zone imagée
(a)
+N
M
-1 +1
(b)
61
Chapitre 2 – Méthode d’estimation de la déformation des tissus
par R2 évoluent hors de cette grille. Plus précisément, uR1 et uR2 sont décrits par les
expressions suivantes :
0,pour ,.),(
).,.(),( puis
0 :0)( médian axel'sur tionInitialisa
0 :0)( tissus-sonde interfacel'à tionInitialisa
1
0,
1
0,2
1
21
21
≠⎪⎩
⎪⎨
⎧
⎟⎠
⎞⎜⎝
⎛∆=
∆∆=
===
===
∑∑−
=
−
=
nmnmu
nmnmu
nnn
mmm
n
kkm
m
kaxnkR
lataxR
uu
uu
RR
RR
τα
(2.3)
αk,n est le facteur d’échelle estimé pour R1 positionnée en uR1(k,n). τm,k est le déplacement
latéral signé entre R1 positionnée en uR1(m,k) et R2 localisée en uR2(m,k).
Ainsi, le vecteur de translation axiale entre R1 et R2 (paramètre d) peut être directement déduit
des facteurs d’échelle axiaux précédemment calculés. A l’indice (m,n), la translation axiale
dm,n est donnée, en absolu, par :
∑−
=
∆−∆=
=1
0,,
,0
..et
0m
kaxnkaxnm
n
md
d
α (2.4)
Par conséquent, seuls deux paramètres (α et τ) doivent être estimés parmi les trois du modèle
de déformation initial (α, d et τ).
Lorsque les positions de R1 dans I1 et de R2 dans I2 sont déterminées, le contenu de ces deux
ROI reste à préciser. Soit L et W la longueur et la largeur des ROI, respectivement, en nombre
d’échantillons. R1 positionnée en uR1(m,n) est alors la partie de I1 définie par :
⎣ ⎦ ⎣ ⎦ ⎟⎟⎠
⎞⎜⎜⎝
⎛
⎭⎬⎫
⎩⎨⎧
−+−∆≤≤−∆−+∆≤≤∆
=12/.2/.
1../,11 WWnyWn
LmxmyxIR
latlat
axax (2.5)
où ⎣.⎦ représente la fonction partie entière. La ROI post-compression R2 est définie d’une
manière analogue.
62
Chapitre 2 – Méthode d’estimation de la déformation des tissus
x (axial)
y (latéral)
Compression
Pré-c ssion
Sonde O
Post-compressionI2
ompreI1
Zone imagée
(a)
y n0∆lat
m0+1 (m0+1)∆ax
m0-1 (m0-1)∆ax
m0m0∆ax
m
n
n0∆lat
n0+1
(n0+1)∆lat
n0-1
(n0-1)∆lat y
n
uR2(m0,n0)
x
(n0+1)∆lat(n0-1)∆lat
Figure 2.2 : (a) Géométrie de l’acquisition 2D et (b) Illustration du déplacement adaptatif de la ROI. Alors que les positions successives de R1 dans I1 (à gauche) couvrent une grille régulière, R2 subit un déplacement adaptatif dans I2 (à droite), tenant compte de l’influence de la déformation des régions voisines sur sa position.
I.2.2. Estimation conjointe des paramètres
I.2.2.1. Formulation du problème d’estimation La première étape de la méthode a permis de sélectionner, pour chaque position de R1 dans I1,
une région R2 dans I2 proche de sa position finale. La seconde étape va consister à affiner la
position latérale de R2 ainsi qu’à estimer sa compression axiale.
Pour la ROI positionnée en (m,n), il s’agit donc de déterminer le facteur d’échelle axial αm,n et
la translation latérale τm,n. Afin de clarifier l’écriture, dans cette partie, nous noterons
simplement ces paramètres α et τ.
Cette estimation est réalisée en cherchant à maximiser une fonction objectif basée sur un
critère de similarité entre R1 et R2. Pour mesurer la similarité, nous avons choisi de considérer
axial
n0 n0+1 n0-1
m0+1
m0-1
m0
x m
latéraln
uR1(m0,n0)(m0-1)∆ax
m0∆ax
(m0+1)∆ax
(b)
63
Chapitre 2 – Méthode d’estimation de la déformation des tissus
le coefficient de corrélation normalisé. Les techniques basées sur ce critère sont en effet
connues pour être à la fois précises et robustes au bruit de type électronique. Ainsi, la ROI
post-compression R2 est recherchée dans I2 comme une réplique axialement comprimée et
latéralement translatée de R1.
Les problèmes d’optimisation étant souvent formulés sous la forme de la minimisation d’une
fonctionnelle, la fonction objectif à minimiser est donc définie comme l’opposé du coefficient
de corrélation normalisé entre R1 et R2, lorsque R2 est compensée par les paramètres
recherchés :
∑∑
∑
+
+−=
yxyx
yx
yxRyxR
yxRyxRf
,
22
,
21
,21
)),/(~(.)),(~(
),/(~).,(~
),(τα
τατα (2.6)
où iR~ est la région Ri centrée, définie par iii RyxRyxR −= ),(),(~ , avec iR la valeur moyenne
du signal sur Ri. R2(x/α,y+τ) est la version de R2 compensée par les paramètres recherchés.
En élastographie, les déformations provoquées par la compression du milieu sont
généralement faibles, de l’ordre de quelques pourcent. Rapporté au modèle de déformation
choisi, cela implique que le facteur d’échelle α sera proche de 1 (en restant inférieur à 1 car il
s’agit d’une compression), alors que le déplacement latéral τ sera proche de 0. Nous pouvons
donc limiter la gamme de valeurs autorisées pour les paramètres α et τ. Ces bornes sur les
valeurs des paramètres reviennent à réaliser une optimisation sous contraintes d’inégalités
linéaires. L’introduction de contraintes présente un double avantage. D’une part cela permet
d’accroître la robustesse de l’algorithme en réduisant la fréquence d’apparition de minima
locaux de la fonction objectif. D’autre part, la réduction du domaine admissible permet
d’accélérer le processus de convergence à chaque itération.
Le problème à résoudre peut donc être formulé de la manière suivante :
⎩⎨⎧
≤≤≤≤
=⎥⎦
⎤⎢⎣
⎡
maxmin
maxmin
,
avec
),(minargˆˆ
τττααα
τατα
ταf
(2.7)
Ou bien, en adoptant une notation vectorielle :
bXA
XfXX
≤
=
.
)(minargˆ (2.8)
64
Chapitre 2 – Méthode d’estimation de la déformation des tissus
où est le vecteur des paramètres à estimer, b le vecteur contenant les bornes du
domaines admissible, et A la matrice de coefficients reliant les paramètres et les bornes.
⎥⎦
⎤⎢⎣
⎡=
τα
X
I.2.2.2. Mise en œuvre Remarque : Une présentation succincte des principales techniques d’optimisation, notamment
pour le problème de minimisation sous contrainte de l’équation (2.8), est donnée en annexe A.
Un point admissible X* est un minimum local de (2.8) si :
⎪⎪⎪
⎩
⎪⎪⎪
⎨
⎧
∀=−
≥
=+∇⇔=∇
=≤
ibXA
AXfXfZZXHZ
bXAbXA
iii
TT
T
,0)..(0
0.)(0)(.positive définie-semiest ).(.
ˆ.ˆ avec .
**
*
***
*
**
λ
λ
λ (2.9)
Les trois dernières conditions définissent les conditions de Kuhn-Tucker, qui donnent le
critère d’arrêt de l’algorithme. A est la sous-matrice de A contenant les coefficients des
contraintes dites actives en X
ˆ
*, et b est le sous-vecteur de b tel que . Z est la matrice
de projection dont les colonnes forment une base orthogonale aux lignes de . représente
le gradient de la fonction objectif, et sont les projections du
gradient et du Hessien en X
ˆ bXA ˆ.ˆ * =
A f∇
)( *XfZ T ∇ ZXHZ T ).(. *
*. Enfin λ* est le vecteur contenant les multiplicateurs de Lagrange
λi*.
L’équation (2.8) est résolue par une technique de programmation quadratique séquentielle
(PQS) [Boggs-96], qui consiste à modéliser le problème, pour une solution approchée donnée,
par un sous-problème quadratique. Les techniques PQS peuvent être vues comme l’extension
des méthodes de type quasi-Newton au cas de l’optimisation sous contrainte.
A chaque itération, la solution courante dk du sous-problème quadratique associé donne une
direction de descente, utilisée pour construire une meilleure approximation, selon le schéma
suivant :
kkkk dXX .1 ρ+=+ (2.10)
où ρk est le pas de descente. Le sous-problème quadratique est défini par :
bXdA
dXHddXf
kX
XkT
XXT
kd X
≤+
+∇
).( : avec
).(..21.)(min
(2.11)
65
Chapitre 2 – Méthode d’estimation de la déformation des tissus
Dans cette équation, dX=X-Xk, est le gradient de la fonction objectif, et H est son Hessien. f∇
Le calcul exact du Hessien H est une opération coûteuse en temps de calcul, c’est pourquoi on
préfère en calculer une approximation. Il s’agit d’une procédure classique, pour laquelle il
existe plusieurs techniques. Nous avons choisi d’initialiser l’approximation de H par la
matrice identité, puis de construire itérativement une approximation définie positive par des
mises à jour de type BFGS [Gill-81].
La solution dX du sous-problème quadratique est calculée grâce à la technique des ensembles
actifs. Cette procédure itérative consiste à identifier quelles seront les contraintes actives à la
solution. Comme ces contraintes ne sont a priori pas connues, la technique consiste à donner
une prédiction de cet ensemble actif, puis à déterminer le sous-espace correspondant Z des
directions réalisables. Une itération typique j est donc donnée par la relation suivante :
jjjj dXX .1 ς+=+ (2.12)
où la valeur initiale de Xj correspond à Xk, et où dj=Zj.p est déterminé par la résolution de
l’équation :
⎩⎨⎧
=
−+∇=∇
∇−=
= kj
jj
jTjj
Tj
XXXXHXff
fZpZHZ
0
00 ).()( avec
.)...(
(2.13)
La longueur du pas de descente ζj est fixée à un, sauf si une telle valeur implique une violation
des contraintes, auquel cas la longueur du pas est la distance à la contrainte la plus proche.
Lorsque ζj est égal à un, les multiplicateurs de Lagrange sont calculés. Si ceux-ci sont tous
positifs, on considère que le minimum du programme quadratique est atteint. Dans le cas
contraire, c’est-à-dire si les multiplicateurs de Lagrange ne sont pas tous positifs, la contrainte
associée au multiplicateur le plus négatif est supprimée des contraintes actives. La matrice Zj
est alors mise à jour et le processus réitéré.
Si le pas de descente ζj correspond à la distance à la contrainte la plus proche, cette contrainte
« bloquante » est ajoutée à l’ensemble des contraintes actives, Zj est mise à jour et une
nouvelle itération est réalisée.
Une fois la direction de descente dk calculée (comme la solution du sous-problème
quadratique précédemment décrit (équation 2.11)), le pas de descente ρk de l’équation (2.10)
est déterminé. Les valeurs possibles pour ρk sont d’abord restreintes à l’intervalle [0;1]. Puis
la valeur de ρk est déterminée par dichotomie.
66
Chapitre 2 – Méthode d’estimation de la déformation des tissus
Une nouvelle estimation du vecteur de paramètres peut alors être construite. Ce processus est
répété jusqu’à ce que les conditions de Kuhn-Tucker soient satisfaites ou jusqu’à ce qu’un
nombre d’itérations maximum soit atteint.
I.2.2.3. Procédures de correction Les méthodes de type PQS ne garantissent pas la convergence de l’algorithme vers le
minimum global de la fonction objectif, mais seulement vers une solution locale. C’est
pourquoi un certain nombre de précautions doivent être prises afin de maximiser la
probabilité de convergence de la méthode vers le minimum global.
I.2.2.3.a. Réduction du domaine admissible Il est à noter que le fait de sélectionner un espace admissible de faible étendue (cf. chapitre 3)
n’élimine pas, mais contribue à diminuer drastiquement l’occurrence de minima locaux sur
cet espace, défini par :
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎩⎨⎧
≤≤≤≤
ℜ∈⎥⎦
⎤⎢⎣
⎡=
maxmin
maxmin2 /τττααα
τα
K (2.14)
I.2.2.3.b. Initialisation adaptative Nous savons qu’initialiser le processus d’optimisation proche de l’optimum global favorise la
convergence de l’algorithme vers la solution recherchée. Nous avons donc intégré à la
stratégie d’optimisation sous contrainte une initialisation adaptative, basée sur la propriété de
continuité des champs de déplacement et de déformation. Plus précisément, le vecteur de
paramètres de la ROI courante, localisée en (m,n), est initialisé en tenant compte des résultats
obtenus sur les régions avoisinantes. Ainsi, le facteur d’échelle axial est initialisé à la valeur
de la solution obtenue pour la ROI précédente (celle située en (m-1,n)). Pour les régions
situées à l’interface sonde-milieu, pour lesquelles il n’existe pas de ROI précédente, la valeur
initiale du facteur d’échelle axial est choisie arbitrairement comme la valeur médiane du
domaine admissible. Le paramètre de déplacement latéral est, quant à lui, initialisé à zéro, car
en raison du déplacement adaptatif des ROI, de faibles valeurs sont attendues pour ce
paramètre.
I.2.2.3.c. Réinitialisation Enfin, une dernière procédure de correction est mise en œuvre pour augmenter la fiabilité des
estimations. Cette procédure additionnelle a pour but de détecter les estimations
67
Chapitre 2 – Méthode d’estimation de la déformation des tissus
potentiellement incorrectes et de corriger leur estimation. Une estimation sera considérée
comme potentiellement incorrecte si son coefficient de corrélation normalisé (CCN) à la
solution n’est pas suffisamment proche de 1. En effet, un CCN proche de 1 signifie que les
paramètres recherchés ont été bien estimés, puisque la région d’intérêt déformée après
compensation des effets de la déformation est très similaire à la ROI initiale. Cependant, il est
à noter qu’un CCN plus faible ne correspond pas nécessairement à une estimation erronée,
mais à une estimation insuffisamment fiable qui nécessite une étude plus approfondie.
Lorsque le CCN est inférieur à un seuil Rseuil, une procédure de correction est donc lancée.
Comme nous l’avons vu, dans un processus d’optimisation, l’une des causes d’une estimation
erronée des paramètres peut être l’initialisation, si celle-ci est trop éloignée de la solution
globale. La procédure de correction permet donc une initialisation différente de l’algorithme :
N nouvelles estimations sont relancées, à partir de N points initiaux uniformément distribués à
l’intérieur du domaine admissible K. Parmi ces N nouvelles estimations, le vecteur de
paramètres retenu est celui pour lequel le CCN à la solution est le plus élevé.
I.2.3. Représentation des champs de paramètres
Pour chaque position (m,n) de R1 dans I1, le vecteur de paramètre (αm,n,τm,n) est ainsi estimé.
Nous obtenons donc pour chacun des deux paramètres α et τ une cartographie des estimations.
Pour notre application, le paramètre le plus significatif est la déformation axiale, notée ε, qui
reste la composante principale de la déformation. L’objectif est donc de représenter cette
grandeur, qui, à chaque position de R1, est directement reliée au facteur d’échelle axial estimé
par la relation suivante :
1,, −= nmnm αε (2.15)
De nombreuses méthodes estiment d’abord le déplacement dans les tissus et obtiennent
ensuite la déformation par dérivation. Contrairement à ces méthodes, nous accédons donc
directement à la déformation axiale par le facteur d’échelle. Nous évitons ainsi le recours à
l’opérateur de dérivation, connu pour être une source d’amplification du niveau de bruit.
D’autre part, notre algorithme évalue également le déplacement latéral, c’est pourquoi cette
distribution sera aussi représentée.
Enfin, le CCN sera également considéré. Il s’agit en effet d’une indication sur la qualité de
l’estimation : un CCN proche de 1 signifie que la cohérence entre les signaux pré- et post-
compression a pu être restaurée grâce aux paramètres adéquats et qu’on peut avoir une bonne
68
Chapitre 2 – Méthode d’estimation de la déformation des tissus
confiance dans l’estimation réalisée. Au contraire, un CCN plus faible indique une estimation
moins fiable.
Les résultats obtenus avec cet estimateur 2D de la déformation sont donnés dans les chapitres
suivants, notamment au chapitre IV.
Suite au développement de ce premier estimateur, nous avons étendu la méthode à la
troisième dimension. Le nouveau modèle de déformation des tissus et la méthode
d’estimation 3D sont décrits dans la suite de ce chapitre.
II. Estimation 3D de la déformation des tissus
II.1. Modèle de déformation 3D des tissus Comme nous l’avons vu précédemment, les tissus mous biologiques peuvent être considérés
comme quasi-incompressibles. Sous contrainte statique, ils subissent donc une déformation
3D (figure 2.3). Afin de réaliser une estimation précise de la déformation des tissus mous
biologiques, il est donc nécessaire de proposer un modèle lui aussi tri-dimensionnel,
reproduisant au mieux la réalité du phénomène physique rencontré.
Contrainte σxx
Direction latérale y
εxxDirection azimutale
z εyy
εzz
Support fixe
Direction axialex
Figure 2.3 : Avec la compression quasi-statique (contrainte σxx), les tissus subissent une compression axiale (déformation axiale εxx), mais également une dilatation dans les directions latérale et azimutale (déformation latérale εyy et déformation azimutale εzz).
69
Chapitre 2 – Méthode d’estimation de la déformation des tissus
A partir de la méthode d’estimation 2D de la déformation que nous avons développée, nous
avons réalisé une extension de cette méthode à l’estimation 3D de la déformation des tissus.
L’état de l’art des techniques d’élastographie ultrasonore a permis de voir que, comme pour
les méthodes 2D, les méthodes 3D modélisent essentiellement la transformation tissulaire
induite par la compression du milieu par une simple translation tridimensionnelle.
Contrairement à ces techniques, notre approche intègre également un facteur d’échelle dans la
direction axiale.
Comme nous l’avons vu pour la direction latérale, la résolution des données ultrasonores dans
la direction azimutale est bien plus grossière que la résolution axiale. L’estimation précise
d’un facteur d’échelle dans cette direction est donc difficile. Pour cette raison, nous
considérons uniquement une translation dans cette direction.
Le volume post-compression est donc considéré comme une version localement translatée et
comprimée du volume pré-compression dans la direction axiale, et comme une réplique
translatée dans les deux autres directions. Par conséquent, la transformation d’un volume
élémentaire peut être représentée par quatre paramètres : une translation axiale (notée d), un
facteur d’échelle axial (α), et des translations latérales et azimutales (respectivement τ et ν).
La relation entre les volumes pré- et post-compression V1 et V2, peut alors être formalisée par
la relation suivante :
),,.(),,( 21 ντα +++= zydxVzyxV (2.16)
où Vi(x,y,z) est l’amplitude du signal à la position (x,y,z) (figure 2.4).
Comme pour l’algorithme 2D, l’estimation des quatre paramètres retenus, α, d, τ et ν se fera
en trois étapes :
• la première étape est la sélection des régions d’intérêt (ROI) qui permettront
l’estimation locale des paramètres.
• la deuxième étape est l’estimation des paramètres.
• la dernière étape consiste à calculer la déformation correspondant aux paramètres
estimés.
70
Chapitre 2 – Méthode d’estimation de la déformation des tissus
R2
Sonde
R1
Sonde
Volume pré-compression V1 Volume post-compression V2
axial
αL
R1
R2
WD
d
L
ντ
DW
kj
i
latéral
azimutal
Figure 2.4 : Modèle de déformation choisi. V1 et V2 sont les volumes pré- et post-compression. Pour chaque ROI R1 sélectionnée dans V1, sa version déformée R2 est recherché dans V2, comme une réplique translatée et axialement comprimée de R1.
II.2. Présentation de la méthode d’estimation 3D
II.2.1. Déplacement adaptatif de la région d’étude
Comme pour l’algorithme 2D, il s’agit dans cette première étape de sélectionner deux régions
d’intérêt (ROI) dans les volumes pré- et post-compression, afin d’y réaliser l’estimation locale
des paramètres choisis (α, d, τ et ν).
Soit V1 le volume pré-compression et R1 une ROI locale dans V1, V2 le volume post-
compression et R2 une ROI de V2. Un déplacement adaptatif et simultané des ROI est
71
Chapitre 2 – Méthode d’estimation de la déformation des tissus
considéré pour que R1 et R2 correspondent physiquement à la même région de tissu et que
l’estimation de la déformation soit réalisée sur des données ultrasonores correspondantes.
Pour couvrir la totalité du volume ultrasonore V1, la région d’étude correspondante (R1) est
déplacée régulièrement dans les trois directions, avec des pas constants notés ∆ax, ∆lat et ∆az.
Un recouvrement des régions d’étude est utilisé afin d’améliorer la résolution finale de
l’élastogramme. Plus précisément, R1 est déplacée régulièrement en partant de la sonde
(extrémité supérieure du volume) vers l’extrémité inférieure du volume pour la direction
axiale, et du centre du volume vers l’extérieur pour les directions latérale et azimutale,
couvrant ainsi une grille régulière. Sur cette grille, la position de R1 est repérée par les indices
m (en axial), n (en latéral) et p (en azimutal). L’indice m varie de 0 (au contact de la sonde), à
M (extrémité inférieure du volume). L’indice n est compris entre -N et +N (extrémités
latérales du volume). Enfin, l’indice p est compris entre -P et +P (extrémités azimutales du
volume).
C’est pour le déplacement de R2 dans V2 qu’un déplacement adaptatif est effectué afin de
prendre en considération l’impact de la déformation des régions environnantes sur la position
de R2.
Les positions de R1 dans V1 et de R2 dans V2, notées uR1 et uR2, sont décrites par les
expressions suivantes :
0,,pour ,,.),,(
),.,.(),,( puis
0 :0)( azimutal médian plan lesur tionInitialisa
0 :0)( latéral médian plan lesur tionInitialisa
0 :0)( tissus-sonde interfacel'à tionInitialisa
1
0,,
1
0,,
1
0,,2
1
21
21
21
≠⎪⎩
⎪⎨
⎧
⎟⎟⎠
⎞⎜⎜⎝
⎛∆=
∆∆∆=
===
===
===
∑∑∑−
=
−
=
−
=
pnmpnmu
pnmpnmu
ppp
nnn
mmm
p
iinm
n
ipim
m
iaxpniR
azlataxR
uu
uu
uu
RR
RR
RR
ντα
(2.17)
avec αi,n,p le facteur d’échelle estimé pour une position de R1 en uR1(i,n,p), τm,i,p le
déplacement latéral signé entre R1 positionnée en uR1(m,i,p) et R2 en uR2(m,i,p) et νm,n,i le
déplacement azimutal signé entre R1 positionnée en uR1(m,n,i) et R2 en uR2(m,n,i).
Le vecteur de translation axiale entre R1 et R2 (paramètre d) est directement déduit des facteurs
d’échelle axiaux précédemment calculés. En (m,n,p), la translation axiale dm,n,p est donnée, en
absolu, par :
72
Chapitre 2 – Méthode d’estimation de la déformation des tissus
∑−
=
∆−∆=
=1
0,,,,
,,0
..et
0m
iaxpniaxpnm
pn
md
d
α (2.18)
Par conséquent, seuls trois paramètres (α, τ et ν) restent à estimer parmi les quatre du modèle
de déformation initial.
Soient L, W et D les dimensions d’une ROI (longueur, largeur et profondeur, respectivement),
le contenu de R1 positionnée en uR1(m,n,p) est donné par :
⎣ ⎦ ⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎟
⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
−+−∆≤≤−∆−+−∆≤≤−∆
−+∆≤≤∆=
12/.2/.12/.2/.
1../,,11
DDpzDpWWnyWn
LmxmzyxVR
azaz
latlat
axax
(2.19)
où ⎣.⎦ représente la fonction partie entière. La ROI post-compression R2 est définie de manière
similaire.
II.2.2. Estimation conjointe des paramètres
Une fois R1 et R2 déterminées, la seconde étape de l’algorithme est l’estimation conjointe des
paramètres restants, c’est-à-dire, pour la position (m,n,p), le facteur d’échelle axial αm,n,p, la
translation latérale τm,n,p et la translation azimutale νm,n,p, notés simplement α, τ et ν dans un
souci de clarté.
L’algorithme utilisé pour réaliser cette estimation est l’extension à la troisième dimension du
processus décrit pour l’estimation 2D.
On cherche toujours à minimiser une fonction objectif f définie comme l’opposé du
coefficient de corrélation normalisé entre R1 et R2, lorsque R2 est compensée par les
paramètres recherchés. Par conséquent f est donnée par :
∑∑
∑
++
++−=
zyxzyx
zyx
zyxRzyxR
zyxRzyxRf
,,
22
,,
21
,,21
)),,/(~(.)),,(~(
),,/(~).,,(~
),,(ντα
νταντα (2.20)
où iR~ est la région Ri centrée, définie par iii RzyxRzyxR −= ),,(),,(~ , avec iR la valeur
moyenne du signal sur Ri.
Lors de la recherche du minimum de cette fonction, des contraintes sont introduites,
définissant les valeurs admissibles des paramètres. Par rapport au cas 2D, une contrainte
supplémentaire est introduite, déterminant les limites du domaine admissible dans la direction
azimutale.
73
Chapitre 2 – Méthode d’estimation de la déformation des tissus
Le problème à résoudre peut donc être formulé par l’équation :
⎪⎩
⎪⎨
⎧
≤≤≤≤≤≤
=⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
maxmin
maxmin
maxmin
,,
avec
),,(minargˆˆˆ
ννντττααα
νταντα
νταf
(2.21)
ou par l’équation :
bXA
XfXX
≤
=
.
)(minargˆ (2.22)
avec , b le nouveau vecteur contenant les bornes du domaine admissible, et A la
nouvelle matrice de coefficients reliant les paramètres et les bornes.
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
ντα
X
Nous reprenons alors le même processus de minimisation que celui utilisé en 2D (paragraphe
I.2.2.2).
Grâce aux algorithmes PQS, on est assuré de trouver une solution locale du problème. Mais
comme nous l’avons mentionné précédemment, ce type d’algorithme ne garantit pas la
convergence vers le minimum global de la fonction objectif. De même que pour l’estimation
2D, plusieurs procédures sont donc mises en œuvre afin de maximiser la probabilité de
convergence vers le minimum global.
Les paramètres sont d’abord réduits à un domaine admissible restreint :
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎪⎩
⎪⎨
⎧
≤≤≤≤≤≤
ℜ∈⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
maxmin
maxmin
maxmin3 /
ννντττααα
ντα
K (2.23)
ce qui permet de limiter l’apparition de minima locaux.
Ensuite, l’algorithme est initialisé aussi près que possible du minimum global de la fonction
objectif. Pour cela, le vecteur de paramètres est initialisé en utilisant les solutions trouvées
pour les régions voisines de la ROI courante. Plus précisément, comme pour la méthode 2D,
le facteur d’échelle axial est initialisé à la solution obtenue pour la ROI précédente (celle
d’indice axial précédent). En ce qui concerne les régions situées à l’interface sonde-milieu,
74
Chapitre 2 – Méthode d’estimation de la déformation des tissus
pour lesquelles la ROI précédente n’existe pas, le facteur d’échelle axial est initialisée à la
valeur axiale moyenne du domaine admissible. Les paramètres de déplacement latéral et
azimutal sont quant à eux initialisés à zéro, car grâce au déplacement adaptatif des ROI, de
faibles valeurs pour ces deux paramètres sont attendues.
Une dernière procédure de correction, similaire à celle utilisée dans la technique 2D, est mise
en œuvre afin d’augmenter la fiabilité des estimations. Cette procédure additionnelle est
uniquement lancée lorsque le coefficient de corrélation normalisé (CCN) est inférieur à un
seuil Rseuil. Si l’initialisation de l’algorithme est trop éloignée de la solution globale, il se peut
que l’algorithme reste « bloqué » dans un minimum local. La procédure de correction consiste
donc à initialiser différemment le processus : N nouvelles estimations sont relancées, à partir
de N points initiaux uniformément distribués à l’intérieur du domaine admissibles K. Parmi
ces N nouvelles estimations, seul le jeu de paramètres associé au CCN le plus élevé est retenu.
II.2.3. Représentation des champs de paramètres
Pour chaque position (m,n,p) de R1 dans I1, l’algorithme fournit une estimation de chacun des
paramètres α, τ et ν, ainsi que la valeur du CCN pour cette estimation. Pour chaque paramètre,
nous avons donc au final un volume d’estimations, que nous pourrons explorer par la
visualisation de simples sections ou par un rendu volumique.
Nous nous intéresseront particulièrement à la déformation axiale ε, grandeur la plus
représentative en élastographie. Elle est obtenue à partir du facteur d’échelle axial estimé α
par la relation :
1,,,, −= pnmpnm αε (2.29)
III. Conclusion
Dans ce chapitre, nous avons présenté une méthode 2D puis son extension 3D, pour
l’estimation de la déformation des tissus mous biologiques sous contrainte statique.
Les modèles de déformation retenus tiennent compte de la forte anisotropie de la résolution
des données ultrasonores. Contrairement à beaucoup d’autres méthodes, une variation de
75
Chapitre 2 – Méthode d’estimation de la déformation des tissus
forme du signal dans la direction axiale est considérée en plus du déphasage classique,
autorisant des estimations de la déformation plus précises et plus robustes. Cette technique
permet en outre l’estimation de la déformation axiale sans recours à un opérateur de
dérivation, connu pour amplifier le niveau de bruit.
La méthode a été implémentée en utilisant une méthode de type Programmation Quadratique
Séquentielle, car il s’agit d’un algorithme réalisant un bon compromis entre précision, temps
de calcul et simplicité de mise en œuvre. Nous avons de plus cherché à mettre en place une
méthode dont la structure facilite les évolutions. Ainsi, notre algorithme permet l’ajout de
nouvelles contraintes linéaires sans modifications spécifiques. Par exemple, il peut être
envisagé une interdépendance des paramètres, le facteur d’échelle axial courant limitant les
valeurs courantes des déplacements latéraux et azimutaux. L’ajout de contraintes non linéaires
est également possible, moyennant quelques modifications (comme le calcul du Hessien du
Lagrangien plutôt que du Hessien de la fonction objectif).
Le chapitre suivant est consacré à l’évaluation de la méthode.
76
Chapitre 3 – Evaluation de la méthode
Chapitre 3
Evaluation de la méthode
Les méthodes 2D et 3D d’estimation de la déformation ayant été décrites dans le chapitre
précédent, cette troisième partie est consacrée à leur validation. Les performances des
algorithmes, notamment en termes de précision et de robustesse, vont être évaluées.
Afin de quantifier l’amélioration éventuellement apportée par notre méthode d’estimation 3D,
une rapide étude des différents critères d’évaluation recensés dans la littérature est d’abord
menée. La suite du chapitre est alors dédiée à la description des expériences et à la
présentation ainsi que la discussion des résultats. Les premiers tests concernent des
simulations numériques. Les procédés de simulation permettant d’obtenir ces données sont
largement décrits, aussi bien du point de vue de la mécanique que du point de vue de
l’acoustique. Les résultats obtenus, sur différents fantômes et dans différentes configurations,
permettent l’évaluation de la méthode selon les critères précédemment retenus. Une
comparaison approfondie des performances respectives des algorithmes 2D et 3D est
également réalisée. La méthode est ensuite évaluée sur des fantômes physiques calibrés,
spécifiquement dédiés aux études élastographiques. Enfin, une dernière série de tests est
réalisée sur des données biologiques in vitro.
77
Chapitre 3 – Evaluation de la méthode
L’ensemble des résultats obtenus amène finalement une discussion sur l’intérêt de considérer
ou non l’aspect tridimensionnel en élastographie.
I. Choix d’un critère d’évaluation
Dans la communauté liée à la recherche en élastographie, il n’existe pas de données de
référence utilisées pour l’évaluation d’une méthode. En d’autres termes, chaque équipe
produit ses propres simulations ou acquiert des données spécifiques à l’application visée, afin
d’évaluer la méthode développée.
Il n’existe pas non plus, à notre connaissance, de critère standard utilisé par toute la
communauté et permettant la comparaison et l’appréciation de l’amélioration fournie par une
méthode par rapport aux méthodes déjà publiées. Pour juger des performances d’une nouvelle
technique, on recense dans la littérature divers critères, aussi bien qualitatifs que quantitatifs.
Les critères quantitatifs ne sont en général intéressants que lorsque la valeur théorique du
paramètre estimé est disponible. Lorsque la vérité « de terrain » est inconnue, on doit souvent
s’en remettre à des critères qualitatifs.
L’objectif de ce paragraphe est donc de réaliser un rapide inventaire de ces critères, afin de ne
retenir que les plus pertinents pour l’évaluation de notre algorithme.
I.1. Critères d’évaluation basés sur la connaissance de la vérité de terrain Bien que les données simulées ne représentent que partiellement les difficultés des images
médicales, leur utilisation n’en demeure pas moins une première étape incontournable pour
l’évaluation des performances d’une méthode, car les valeurs théoriques des paramètres que
l’on cherche à estimer sont connues.
Ainsi, pour des simulations d’un milieu mécaniquement homogène et subissant une
déformation uniforme, le calcul de la moyenne de ce paramètre est une première manière
simple de comparer l’estimation à la théorie. Cette première mesure est d’une manière
générale associée à l’écart-type, qui apporte une information sur la dispersion des valeurs.
78
Chapitre 3 – Evaluation de la méthode
L’erreur au sens des moindres carrés (RMSE ou Root Mean Square Error) est un critère
classique utilisé dans de nombreux domaines. Pour un estimateur du paramètre θ, le RMSE
est défini par :
θ
))ˆ(()ˆ( 2θθθ −= ERMSE (3.1)
où E[.] représente l’opérateur d’espérance mathématique. Ainsi, pour un estimateur ε de la
déformation ε, la valeur de )ˆ(εRMSE est une mesure unique représentant la qualité de
l’estimation [Alam-04a]. La somme des différences absolues ou des différences au carrées (ou
leurs moyennes) sont également utilisées [Chaturvedi-98, Pellot-Barakat-04, Viola-05, Lee-
07].
D’autres auteurs proposent une appréciation visuelle du comportement de leur méthode, en
représentant par exemple un profil du paramètre estimé [Techavipoo-04]. En superposant le
profil estimé et le profil théorique le long d’une ligne du milieu considéré, on évalue le
comportement de la méthode, notamment sur les zones de transitions entre régions. La figure
3.1 illustre ce type de comparaison pour apprécier la qualité de l’estimation de la déformation
axiale dans le cas d’un fantôme numérique représentant une inclusion dure dans un milieu
plus mou.
(a) (b) (c) (d)
Figure 3.1 : Illustration de l’évaluation d’une méthode à partir des profils de déformation théorique et estimé le long d’une ligne traversant une inclusion plus dure que le milieu environnant. (a) cartographie théorique des déformations axiales, (b) cartographie estimée, (c) profils théorique et estimé le long de la ligne médiane verticale, (d) profils théorique et estimé le long de la ligne médiane horizontale [Techavipoo-04].
Afin de quantifier l’apport d’une nouvelle méthode par rapport à une méthode dite
« classique », Chen et al. [Chen-04] introduisent la notion de facteur d’amélioration, défini
comme le rapport des erreurs au sens des moindres carrés pour chacune des méthodes. Si le
paramètre considéré est la déformation axiale, l’erreur au sens des moindres carrés σε_ax est
79
Chapitre 3 – Evaluation de la méthode
donnée par :
])[( 2___ trueaxestimaxax E εεσ ε −= (3.2)
où E[.] représente l’opérateur d’espérance mathématique, et εax_estim et εax_true les déformations
axiales estimées et théoriques, respectivement. Le facteur d’amélioration βax s’écrit alors :
newestimax
classicestimaxax
__
__
σσ
β = (3.3)
Dans ce contexte, βax > 1 signifie que la nouvelle méthode produit de meilleures estimations
que la méthode « classique » à laquelle on la compare, et inversement dans le cas où βax < 1.
I.2. Critères d’évaluation indépendants d’une référence Cependant, la connaissance des valeurs théoriques des paramètres recherchés restent réservées
aux seules simulations. Dans le cas de données acquises lors d’expériences sur des fantômes
physiques ou des tissus mous biologiques, la déformation théorique du milieu est une
inconnue. Afin de pouvoir toutefois caractériser la qualité de l’estimation, d’autres critères ont
été introduits.
En particulier, un critère plus spécifique à l’élastographie est le rapport signal sur bruit
élastographique, noté RSBe. Il est défini comme le rapport entre la valeur moyenne estimée
d’un paramètre et l’écart-type pour ce paramètre. Si on considère la déformation axiale, on a
donc :
ax
axeRSB
σε ><
= (3.4)
avec <εax> la déformation axiale moyenne estimée et σax l’écart-type sur la déformation axiale
estimée. Plus le RSBe est élevé, meilleure est l’estimation. Ce critère est régulièrement utilisé
[Konofagou-98, Kallel-97].
Le rapport contraste sur bruit RCB est une mesure similaire au RSBe, notamment utilisée
lorsqu’on veut comparer le contraste entre deux milieux. Soient m1 et m2 les valeurs
moyennes des pixels appartenant aux milieux 1 et 2 (par exemple le milieu 1 étant une
inclusion dure et le milieu 2 correspondant au milieu environnant), et σ1 et σ2 les écarts-types
correspondants. Chaturvedi et al. [Chaturvedi-98] ont alors défini le RCB suivant la formule :
22
21
221 )(2
σσ +−
=mmRCB (3.5)
80
Chapitre 3 – Evaluation de la méthode
Mais RSBe et RCB sont généralement calculés pour un ensemble de pixels et pour des régions
homogènes de l’élastogramme estimé. Ils ne représentent donc que partiellement la qualité de
l’estimation.
Un autre critère fréquemment utilisé en élastographie est le coefficient de corrélation
normalisé, calculé entre une région initiale et sa version déformée compensée par les
paramètres de déformation estimés. En effet, la perte de corrélation entre les signaux pré- et
post-compression est engendrée par la déformation du milieu. Compenser les données post-
compression par les paramètres estimés revient donc à compenser la perte de corrélation. Si le
modèle de déformation choisi est réaliste et si l’estimation est correcte, la région déformée
après compensation des effets de la déformation sera très similaire à la région initiale, et le
coefficient de corrélation sera ainsi proche de 1. C’est pourquoi le coefficient de corrélation
entre une région initiale et sa version déformée compensée par les paramètres estimés est
souvent calculé, et représenté soit par sa valeur moyenne soit par une carte de ses valeurs
locales [Kallel-97, Alam-04b].
Pour obtenir une indication sur les valeurs attendues, une autre possibilité consiste à utiliser
un objet-test dont les propriétés sont connues a priori. Pour les études en élastographie
ultrasonore, il existe effectivement depuis peu des fantômes physiques calibrés
commercialisés, dont les caractéristiques géométriques, mécaniques et ultrasonores ont été
déterminées par le constructeur. Ces caractéristiques constituent alors la référence que l’on
cherche à approcher par une technique d’élastographie.
Il est également possible d’utiliser une technique « indépendante » (c’est-à-dire non liée aux
ultrasons dans le cas de l’élastographie), qui fait alors office de référence. Afin d’évaluer les
performances de différentes méthodes d’élastographie, Fromageau et al. [Fromageau-07]
réalisent des essais sur des fantômes en cryogel d’alcool de polyvinyle, dont les modules
d’Young sont mesurés par des tests mécaniques. Les résultats obtenus par ces tests
mécaniques constituent alors la « vérité de terrain » et servent de gold standard pour juger les
méthodes élastographiques ultrasonores.
Enfin, lorsqu’il s’agit d’évaluer une méthode par rapport à sa capacité à détecter ou non une
pathologie, un test biologique (histologie, analyse de sang, …) peut servir de référence
[Sandrin-03]. Les performances de la méthode proposée sont alors souvent mises en évidence
par l’utilisation de courbes ROC (sensibilité en fonction de la spécificité) [Sandrin-03, Tanter-
07].
81
Chapitre 3 – Evaluation de la méthode
I.3. Conclusions Parmi l’ensemble de ces critères d’évaluation, nous avons choisi de n’en retenir que quelques-
uns. Lors de calculs à partir de simulations, pour lesquels la modélisation par éléments finis
fournit une référence, confronter l’estimation à la théorie paraît primordial pour déterminer la
précision de la méthode développée. C’est pourquoi dans ce cas, l’erreur au sens des moindres
carrés (RMSE) entre l’élastogramme estimé et les valeurs théoriques sera calculée. Dans le cas
plus particulier de milieux homogènes subissant une déformation uniforme, la moyenne et
l’écart-type de l’estimation seront aussi indiqués, ainsi que le rapport signal sur bruit
élastographique (RSBe). Le facteur d’amélioration sera déterminé lorsqu’il s’agira de
comparer les méthodes 2D et 3D. Enfin, en l’absence de données de référence pour la
déformation, comme c’est le cas dans les conditions expérimentales, la valeur moyenne du
coefficient de corrélation normalisé ou une cartographie de ce paramètre seront privilégiés,
car cette information donne une indication sur la qualité de l’estimation.
II. Evaluation de la méthode d’estimation 3D de la déformation sur des données simulées
Nous avons vu précédemment qu’il existait une corrélation étroite entre le développement
d’un processus pathologique et la modification de l’élasticité des tissus. Cependant, nous
savons également que, sur le plan de l’acoustique, les tissus pathologiques peuvent ne pas
présenter de différence significative par rapport à des tissus sains. Ils ne sont donc pas
toujours détectables par un examen échographique classique (imagerie mode-B). Ce cas
représente la configuration la plus intéressante pour l’application de l’élastographie et c’est
pourquoi dans le cadre des simulations, nous avons choisi pour l’ensemble des fantômes, des
propriétés acoustiques uniformes sur tout le volume insonifié.
Enfin outre les propriétés acoustiques, les études élastographiques nécessitent de modéliser la
déformation des tissus.
82
Chapitre 3 – Evaluation de la méthode
II.1. Méthodes de simulation acoustique et de calcul des déformations
II.1.1. Principe de formation des données RF ultrasonores 3D
Lors des simulations réalisées, le principe général est le suivant : comme lors d’acquisitions
dans des conditions expérimentales, chaque volume ultrasonore RF simulé sera constitué d’un
ensemble de plans ou images. Et l’image échographique RF résulte de l’interaction de l’onde
ultrasonore avec l’ensemble des diffuseurs acoustiques du milieu.
Les fantômes sont constitués d’un grand nombre de réflecteurs acoustiques ponctuels,
positionnés aléatoirement dans le volume selon une loi uniforme. Chaque diffuseur se voit
également attribué un pouvoir de rétrodiffusion, suivant une distribution normale de moyenne
nulle et de variance égale à l’unité. Par rapport à l’histogramme d’une image mode-B, ces
réglages conduisent à une distribution de type Rayleigh pour l’amplitude des niveaux de gris.
Il s’agit d’un modèle statistique classique pour les images échographiques des tissus
biologiques, correspondant à un speckle pleinement développé [Wagner-87].
Chaque volume ultrasonore RF a été obtenu en concaténant un ensemble d’images RF
régulièrement espacées d’un pas de 0.25 mm. La simulation d’une image RF a été modélisée
par une opération linéaire et spatialement invariante de convolution. Le fantôme numérique a
d’abord été divisé, dans la direction azimutale, en sections (i.e. tranches) de 0.25 mm
d’épaisseur. Etant donné que cette épaisseur est faible devant les deux autres dimensions de la
tranche considérée (0.25 mm par rapport à 30 mm), la section est considérée d’épaisseur
négligeable. Par conséquent, tous les diffuseurs acoustiques lui appartenant sont supposés
localisés dans un même plan et se voient attribués la même coordonnée azimutale. L’image
ultrasonore associée à cette section est alors obtenue en convoluant la distribution des
diffuseurs acoustiques avec la réponse impulsionnelle de l’échographe (aussi appelée PSF
pour Point Spread Function).
La PSF choisie est représentée figure 3.2. Axialement, elle est modélisée par une fonction
cosinus de fréquence 7 MHz, modulée en amplitude par une gaussienne. Dans la direction
latérale, elle a une forme gaussienne. Une légère courbure a également été ajoutée afin de
reproduire la forme des PSF expérimentalement mesurées et disponibles dans la littérature
[Du-06].
Une fois l’ensemble des images RF simulées, le volume ultrasonore RF est construit en
83
Chapitre 3 – Evaluation de la méthode
concaténant le long de la direction azimutale, l’ensemble des images correspondant au
fantôme.
Pour finir, la fréquence d’échantillonnage est de 100 MHz et la vitesse des ultrasons est
considérée constante, égale à 1540 m/s.
0
0.1 0.2 0.3 0.4
Figure 3.2 : PSF du système d’imagerie ultrasonore pour les simulations numériques. Les dimensions sont en mm et le niveau de gris représente l’amplitude de la PSF.
II.1.2. Déformation du milieu
Avant de simuler le volume ultrasonore RF post-compression, la déformation du fantôme due
à la compression externe doit être calculée. Cette étape est réalisée au moyen du logiciel
Comsol Multiphysics (anciennement appelé Femlab). Il s’agit d’un outil de modélisation et de
simulation de phénomènes physiques utilisant les éléments finis.
La méthode des éléments finis permet de résoudre un problème de manière discrète. La
discrétisation est réalisée en maillant le milieu par des éléments finis (des tétraèdres dans le
cas d’un volume) et permet de trouver une solution approchée du problème initial.
Dans notre cas, les géométries et propriétés mécaniques des fantômes sont fournies au logiciel,
ainsi que les conditions aux limites. La surface supérieure des fantômes est soumise à un
déplacement donné dans la direction axiale alors que la surface inférieure est immobile dans
cette direction. On simule ainsi la compression du milieu, compression qui dans la pratique
est effectuée soit en exerçant une force sur le milieu en appuyant avec la sonde échographique,
soit par l’intermédiaire d’un système de compression dédié. Typiquement, ces conditions
correspondent à des niveaux moyens de compression axiale de l’ordre de quelques pourcent.
La simulation par éléments finis permet d’obtenir la configuration déformée du fantôme.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0.5 0.6 0.7 0.8 0.9
1
Direction latérale (mm)
Direction axiale (mm)
84
Chapitre 3 – Evaluation de la méthode
Appliquée à chaque diffuseur acoustique du milieu initial, la simulation permet donc
d’obtenir la nouvelle position des diffuseurs dans le milieu comprimé. Ces nouvelles
coordonnées des diffuseurs sont finalement utilisées pour simuler le volume ultrasonore post-
compression, selon le même procédé que celui décrit précédemment. Le principe de
simulation est résumé par la figure 3.3.
Milieu initial Milieu déformé
1. Simulation par Eléments Finis
Cartographie finale des diffuseurs (b)
Cartographie initiale des diffuseurs (a)
Inclusion
Milieu
2. Simulation ultrasonore
2. Simulation ultrasonore
Image post-compression (d)Image pré-compression (c) Figure 3.3 : Principe de simulation des images ultrasonores. La simulation par éléments finis (1) permet d’obtenir la configuration déformée du milieu. Appliquée à la position initiale des diffuseurs (a), elle permet donc d’obtenir la cartographie finale des diffuseurs (b). La simulation ultrasonore (2) donne alors les images pré- et post-compression (c et d).
II.2. Premiers résultats sur deux cas simples de fantômes numériques Afin d’évaluer la méthode que nous avons développée, des premiers tests ont été menés sur
deux fantômes numériques, l’un simulant un milieu cubique homogène, l’autre un milieu avec
une inclusion sphérique, permettant ainsi une première analyse du comportement et des
performances de l’algorithme 3D dans des conditions idéales.
II.2.1. Propriétés des milieux
Le premier fantôme est représenté figure 3.4(a). Il s’agit d’un milieu cubique homogène de 30
85
Chapitre 3 – Evaluation de la méthode
mm d’arête et dont le module d’Young vaut 30 kPa. Cette valeur d’élasticité correspond à ce
que l’on peut trouver dans la littérature pour des tissus biologiques humains, notamment en ce
qui concerne les tissus non pathologiques du sein [Krouskop-98]. La déformation du milieu a
été réalisée de la manière suivante. La surface supérieure du fantôme a été soumise à un
déplacement de 1.2 mm dans la direction axiale (vers le bas), alors que la surface inférieure
était immobile dans cette direction. Ces conditions correspondent à une déformation axiale
moyenne de 4 %. Pour ce fantôme comme pour les suivants, le coefficient de Poisson vaut
0.49 et la masse volumique du milieu a été fixée à 1050 kg/m3.
L’élastographie ultrasonore trouve des applications médicales pour toute pathologie induisant
des modifications locales de l’élasticité des tissus. Notamment, l’un des domaines d’intérêt est
la détection de tumeurs cancéreuses. C’est pourquoi il a été décidé d’évaluer la méthode
développée sur un deuxième fantôme représentant une tumeur plongée dans un tissu sain. La
géométrie de ce fantôme est expliquée figure 3.4(b). Comme précédemment, nous avons
considéré un cube de 30 mm d’arête, mais cette fois-ci, il contient en son centre une inclusion
sphérique de 10 mm de diamètre. Les propriétés mécaniques du fantôme ont été choisies en
considérant le fait que les tissus pathologiques tels que les tumeurs sont généralement plus
durs que les tissus sains [Krouskop-98]. Ici l’inclusion sphérique est trois fois plus dure que le
milieu environnant : son module d’Young est égal à 90 kPa, contre 30 kPa pour le reste du
fantôme. Ces valeurs sont en accord avec celles données dans [Krouskop-98] pour les
modules d’élasticité du carcinome et du tissu normal du sein, respectivement. Les conditions
d’application de la contrainte sont les mêmes que pour le premier fantôme.
30 mm (a) 30 mm (b)
Figure 3.4 : Géométrie des fantômes numériques. (a) Fantôme cubique homogène de 30 mm d’arête. (b) Fantôme cubique de 30 mm d’arête contenant en son centre une inclusion sphérique plus dure de 10 mm de diamètre.
86
Chapitre 3 – Evaluation de la méthode
II.2.2. Généralités sur les paramètres de calcul
Avant le lancement des calculs, plusieurs paramètres liés à l’algorithme doivent être fixés.
Ces paramètres de calcul ayant un effet non négligeable sur le résultat final, ils doivent être
choisis judicieusement.
Ainsi, la taille de la région d’intérêt R1 a une influence décisive sur la qualité de
l’élastogramme final. D’une part, il est intéressant d’avoir une fenêtre de calcul de petites
dimensions pour augmenter la résolution spatiale de l’élastogramme. Lors de calculs à la
frontière de régions mécaniquement hétérogènes, une petite fenêtre permettra la distinction
entre les deux régions et mettra en évidence leur frontière. Mais d’autre part, nous cherchons à
obtenir une estimation précise et robuste. Or pour cela, une fenêtre d’estimation de grande
taille est préférable. Il s’agit donc de réaliser un compromis entre précision et résolution
spatiale. En pratique, la taille de R1 est déterminée de manière empirique. Différents essais ont
été réalisés et ont montré que des faibles variations de la taille de la fenêtre n’entraînaient pas
des différences majeures sur l’élastogramme.
Le pas de déplacement de R1 permet quant à lui de faire varier la résolution de l’élastogramme,
en augmentant ou en diminuant le nombre d’estimations. L’utilisation d’un recouvrement des
ROI successives est d’ailleurs un moyen de remédier au compromis entre précision et
résolution évoqué précédemment. En effet, cela permet d’augmenter la résolution finale de
l’élastogramme, tout en conservant une grande fenêtre de calcul et donc une précision
suffisante pour les estimations. Toutefois, un taux de recouvrement trop important fera
augmenter le temps de calcul. Typiquement, les taux de recouvrement varient entre 50 et
80 % de la taille de la fenêtre de calcul.
Enfin, le choix des bornes des paramètres est lui aussi important. Il s’agit d’avoir un domaine
admissible suffisamment vaste pour autoriser toutes les valeurs de déplacements et de
déformations susceptibles d’être rencontrées, tout en limitant ce domaine afin d’éviter des
estimations erronées. Limiter la taille du domaine admissible permet également de réduire le
temps de calcul. De nombreux essais ont été réalisés, avec différentes bornes pour les
paramètres. Ces tests montrent une certaine tolérance de notre algorithme par rapport à une
faible variation du domaine admissible. Ainsi, des tests opéré sur les deux fantômes de cette
section ont montré que modifier légèrement les bornes du domaine admissible n’entraînait pas
de modifications significatives du résultat.
87
Chapitre 3 – Evaluation de la méthode
II.2.3. Choix des paramètres de calcul
Les paramètres de calcul ont été les mêmes pour les deux fantômes numériques. La taille de la
région d’intérêt R1 était de 1 x 0.9 x 0.75 mm3, ce qui correspond à 140 échantillons (ou 280
après interpolation d’un facteur deux) x 4 lignes RF x 3 sections. Cette région est déplacée sur
les données avant compression du milieu avec un recouvrement de 80 % dans la direction
axiale, 50 % dans la direction latérale et 66 % dans la direction azimutale.
Les bornes imposées aux paramètres estimés étaient les suivantes : αmin = 0.90 et αmax = 1 pour
le facteur d’échelle axial (ce qui autorise une déformation dans la plage de valeurs [0 - 10 %]),
τmin=–0.7 mm et τmax=0.7 mm pour le déplacement latéral (c’est-à-dire un mouvement de plus
ou moins 3 lignes RF), ν min=–0.5 mm et ν max=0.5 mm pour le déplacement azimutal (± 2
sections).
Enfin, les paramètres Rseuil (seuil du coefficient de corrélation normalisé en dessous duquel
l’estimation est considérée comme insuffisamment fiable, induisant le lancement de la
procédure de correction) et N (nombre de réinitialisations lors de la procédure de correction)
étaient égaux à 0.75 et 9, respectivement.
Pour chaque fantôme, les données sont donc constituées de deux volumes ultrasonores RF
(pré- et post-compression), chacun étant constitué de 4000 échantillons dans la direction
axiale, 128 lignes RF et 80 sections. Les volumes pré- et post-compression correspondant à un
fantôme sont alors utilisés en paramètres d’entrée de notre estimateur de la déformation.
II.2.4. Résultats obtenus pour le milieu homogène
En élastographie statique, la déformation axiale est la grandeur la plus souvent représentée car
il s’agit de la composante principale de la déformation. On se concentrera donc
essentiellement sur ce paramètre, même si pour cette première analyse, les champs de
déplacement latéral et azimuthal sont également présentés afin de mieux évaluer les
performances de notre algorithme 3D.
Les valeurs théoriques de déformation axiale, de déplacement latéral et de déplacement
azimutal sont représentées figure 3.5(b), (d) et (f) pour ce premier fantôme homogène. Ces
champs théoriques sont issus de la simulation par éléments finis. Les champs estimés
correspondants sont donnés figure 3.5(a), (c) et (e). D’une manière générale, nous pouvons
observer que les champs estimés sont proches des valeurs théoriques, avec des évolutions
comparables.
88
Chapitre 3 – Evaluation de la méthode
Etant donné que le fantôme est homogène, le champ de déformation axiale théorique est
constant. Bien que légèrement bruitée, la carte de déformation axiale estimée est relativement
homogène. Même sur les bords du fantôme, où les déplacements sont les plus grands, les
estimations sont correctes. La valeur moyenne de déformation axiale sur le volume a
d’ailleurs été calculée à 3.98 %, proche de la valeur théorique (4 %).
En raison des moins bonnes résolutions dans les directions latérale et azimutale, les cartes de
déplacement dans ces deux directions sont bruitées. Cependant, elles restent en accord avec
les champs théoriques. Par exemple, pour le volume de déplacement latéral, nous retrouvons
dans l’estimation la tendance indiquée par le volume théorique : le plan médian (de
coordonnée latérale 0 mm) a un déplacement presque nul, alors que sur les bords du fantôme,
le déplacement est maximum avec des valeurs atteignant ± 0.33 mm.
Enfin, la carte du déplacement azimutal estimé correspond elle aussi aux valeurs données par
la simulation par éléments finis. Le déplacement azimutal maximum (donné par la simulation
par éléments finis) atteint 0.34 mm, c’est-à-dire plus d’une fois la distance entre deux sections.
La prise en compte de la troisième composante du déplacement apparait donc primordiale, et
on peut imaginer qu’aux extrémités du fantôme, une estimation bi-dimensionnelle serait
problématique.
89
Chapitre 3 – Evaluation de la méthode
latéral
azimutal
axial
(b) (a)
Figure 3.5 : Résultats pour le fantôme cubique homogène. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm.
(f) (e)
axial
azimutal
latéral
-0.43 0.5 mm 0
0 2.4 5.6 % 0.8 4
(d)
0 0.3 mm -0.3
(c)
axial
latéral
azimutal
90
Chapitre 3 – Evaluation de la méthode
II.2.5. Résultats obtenus avec le fantôme hétérogène
Les résultats pour le fantôme contenant l’inclusion sphérique sont représentés figure 3.6.
Là encore, champs estimés (figures 3-6(a), (c) et (e)) et champs théoriques (figures 3-6(b), (d)
et (f)) sont relativement proches. Bien que l’inclusion ne soit pas détectable par une
échographie classique (figure 3.7(h)), conformément aux propriétés acoustiques homogènes
du fantôme, elle est clairement mise en évidence avec le volume de déformation axiale. Le
contraste est effectivement important entre l’inclusion, avec une déformation d’environ 2 %,
et le milieu environnant, dont la déformation est supérieure à 3 %. Le schéma complexe de
déformation visible sur les données théoriques se retrouve également dans le volume estimé,
notamment les régions de forte déformation situées au-dessus et en-dessous de l’inclusion.
Le volume du déplacement latéral estimé est bruité, mais on y retrouve la même évolution que
dans le volume théorique. La moins bonne résolution des données dans la direction latérale
peut expliquer ce niveau de bruit plus élevé. Le constat vaut également pour le volume de
déplacement azimutal. Pour ce dernier volume, les estimations correspondent bien à la théorie,
même si les valeurs semblent globalement légèrement surestimées aux extrémités azimutales
du fantôme.
Afin de comparer plus précisément l’estimation et la théorie, nous avons considéré une
section excentrée de 2.5 mm dans la direction azimutale par rapport au milieu du fantôme. Par
conséquent, cette section traverse l’inclusion. Les résultats correspondants sont regroupés
figure 3.7. Nous pouvons observer que sur la carte de déformation axiale estimée (figure
3.7(b)), l’inclusion se distingue clairement du milieu environnant, avec un contour bien défini.
De plus, la déformation moyenne calculée sur la région saine est près de deux fois supérieure
à celle simulant la tumeur (4.1 % contre 2.2 %, respectivement). Enfin, le diamètre de
l’inclusion est estimé à 9.7 mm, contre 10 mm en théorie. La distribution des déplacements
latéraux (figure 3.7(d)) est assez bruitée, mais elle présente les mêmes évolutions que la carte
théorique, avec des valeurs similaires. Enfin, le champ de déplacement azimutal est désormais
disponible avec notre estimateur 3D (figure 3.7(f)). Etant donnée la configuration du fantôme
et la localisation de cette section, cette dernière est assujettie à un déplacement azimutal non
nul. Ceci est confirmé par la cartographie correspondante estimée, qui est cohérente avec la
théorie. On peut aussi souligner que le champ de déplacement azimutal est loin d’être
uniforme. Les valeurs maximales atteignent 0.26 mm, soit plus que la distance entre deux
coupes azimutales successives. Cela tend à valider notre hypothèse de considérer un modèle
3D. Même si ce paramètre seul ne permet pas de différencier nettement l’inclusion, il est
91
Chapitre 3 – Evaluation de la méthode
important de le prendre en considération car il contribue à l’amélioration de la qualité et de la
robustesse de l’estimation de la déformation axiale.
L’avantage de la méthode d’estimation 3D est à nouveau démontré lorsque la comparaison est
faite avec l’estimateur 2D. Ce dernier correspond au modèle décrit au chapitre II.
L’estimateur 2D est équivalent à l’algorithme 3D pour lequel aucun déplacement azimutal
n’est autorisé (νmin = νmax = 0). Appliqué à la même section (à une distance de 2.5 mm du plan
médian dans la direction azimutale), il aboutit à l’élastogramme de la figure 3.7(g). On peut
vérifier que des estimations erronées apparaissent sur les bords de l’image, dues à
d’importants mouvements latéraux et hors-plan sur ces régions.
Enfin, il est intéressant de considérer le coefficient de corrélation normalisé. C’est
effectivement sur sa valeur que repose la fonction objectif permettant de trouver la
déformation optimale. Sa valeur moyenne (toujours pour la même section) est estimée à 0.79,
ce qui est une valeur satisfaisante compte tenu des médiocres résolutions des données
ultrasonores dans les directions latérale et azimutale, qui font chuter la corrélation entre les
données.
92
Chapitre 3 – Evaluation de la méthode
latéral azimutal
axial
(b) (a)
Figure 3.6 : Résultats pour le fantôme cubique contenant une inclusion sphérique plus dure que le milieu environnant. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm.
2 3.9 5.5 %
latéral azimutal
axial
(d) (c)
-0.25 +0.25 +0.5 mm-0.5 0
latéralazimutal
axial
(f) (e)
-0.5 -0.25 0 +0.25 +0.5 mm
93
Chapitre 3 – Evaluation de la méthode
5.554.543.532.521.5(b)(a)
(c)
-0.2
-0.1
0
0.1
0.2
0.3
0.4
(d)
-0.15-0.1-0.050
050.10.150.20.250.
0.3
1
(h) (g)
(f) (e)
5
3
4
2
Figure 3.7 : Résultats pour une section située à 2.5 mm du centre du fantôme dans la direction azimutale. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm. (g) Champ de déformation axiale (en %) obtenu par un estimateur 2D. (h) Image échographique mode B de cette section.
94
Chapitre 3 – Evaluation de la méthode
II.3. Détermination de la gamme de validité de la méthode d’estimation 3D de la déformation d’un milieu
Les premiers résultats encourageants nous ont amenés à déterminer la gamme de validité de
notre méthode pour l’estimation de la déformation axiale. Pour cette étude, nous avons choisi
de nous placer dans le cas d’un milieu homogène assujetti à des déformations uniformes
croissantes, milieu certes simple, mais nous permettant une analyse directe de l’impact de
l’amplitude de la déformation du milieu sur l’estimation.
II.3.1. Description de l’expérience
Le fantôme cubique homogène considéré est identique à celui décrit précédemment au
paragraphe II.2.1 (30 mm d’arête, module d’Young de 30 kPa). On soumet maintenant ce
fantôme à différents niveaux de compression, allant de 0 % à 18 % de déformation globale
par pas de 2 %.
Pour chaque niveau de déformation, l’algorithme d’estimation 3D a été appliqué et trois
positions spécifiques sont considérées (figure 3.8) :
i) au centre du fantôme, plan vertical médian dans la direction azimutale,
ii) à 5 mm du centre dans la direction azimutale,
iii) à 10 mm du centre du fantôme dans la direction azimutale.
0 mm
Azimutal z
Axial x
Latéral y
5 mm 10 mm
15
-15
Figure 3.8 : L’algorithme 3D est considéré en trois régions spécifiques, indiquées par les flèches (à droite) : au plan médian du fantôme dans la direction azimutale, à 5 mm du plan médian et à 10 mm du plan médian.
95
Chapitre 3 – Evaluation de la méthode
Dans le premier cas, le déplacement azimutal est quasiment nul. En revanche, un mouvement
azimutal vers l’extérieur est attendu dans les deux derniers cas, permettant d’appréhender
l’amélioration apportée par la prise en compte de la composante azimutale.
II.3.2. Paramètres de calcul
Les paramètres utilisés dans notre méthode pour l’estimation de la déformation 3D du milieu
sont indiqués table 3.1. Par rapport aux cas précédents, notre but est de déterminer les
déformations maximales que notre algorithme est capable d’estimer. Nous avons donc
autorisé une plus large gamme de valeurs pour les paramètres en augmentant leurs valeurs
limites. Pour les mêmes raisons, les dimensions de la ROI R1 ont également été augmentées
dans les directions latérales et azimutales.
Valeurs
Axial 280 échantillons (1 mm)
Latéral 7 lignes RF (1.6 mm) Dimensions
de R1 Azimutal 4 sections (1 mm)
Axial 80 %
Latéral 60 % Recouvrement Azimutal 75 %
α 0.78 à 1
τ ± 7 lignes RF (± 1.6 mm) Bornes ν ± 4 sections (± 1 mm)
Rseuil 0.75
N 9
Table 3.1 : Résumé des paramètres de calcul utilisés pour l’estimation de la déformation 3D.
II.3.3. Résultats 3D
Afin d’évaluer la précision de l’estimation, pour chaque niveau de déformation et pour
chacune des régions considérées, la déformation axiale moyenne estimée a été associée à
l’écart-type. Ces grandeurs ont été calculées sur la totalité de l’élastogramme calculé. Ainsi
pour chaque niveau de compression et pour chacune des régions, l’erreur d’estimation de
notre méthode peut être évaluée puisque les valeurs théoriques sont connues. Les résultats
sont reportés dans la table 3.2 et les élastogrammes sont représentés figure 3.9.
96
Chapitre 3 – Evaluation de la méthode
Au centre A 5 mm A 10 mm Déformation
théorique
(%)
Déformation
axiale moyenne
estimée (%)
RMSE (%)
Déformation
axiale moyenne
estimée (%)
RMSE (%)
Déformation
axiale moyenne
estimée (%)
RMSE (%)
2 1.99 ± 0.12 0.12 1.99 ± 0.26 0.26 1.99 ± 0.36 0.36
4 3.98 ± 0.26 0.26 3.97 ± 0.38 0.38 3.98 ± 0.32 0.32
6 5.97 ± 0.20 0.20 5.97 ± 0.37 0.38 5.97 ± 0.39 0.39
8 7.96 ± 0.25 0.25 7.96 ± 0.34 0.34 7.96 ± 0.41 0.41
10 9.95 ± 0.30 0.30 9.95 ± 0.30 0.31 9.95 ± 0.29 0.30
12 11.93 ± 0.35 0.35 11.93 ± 0.40 0.40 11.94 ± 0.45 0.46
14 13.93 ± 0.38 0.39 13.60 ± 1.85 1.89 13.47 ± 2.13 2.19
16 15.92 ± 0.42 0.43 14.82 ± 3.30 3.50 14.54 ± 3.68 3.96
18 15.84 ± 4.71 5.18 13.70 ± 5.93 7.32 13.88 ± 5.93 7.22
Table 3.2 : Evolution de la déformation axiale moyenne estimée (± écart-type) et du RMSE pour l’algorithme d’estimation 3D, en fonction du taux de compression et de la région d’estimation.
Nous pouvons observer que la méthode 3D proposée permet une estimation précise de la
déformation pour une large gamme de valeurs, avec un comportement quasi-analogue selon la
région du milieu examiné. Ainsi au centre du fantôme, région caractérisée par un déplacement
azimutal quasiment nul, la déformation moyenne estimée est très proche de la déformation
théorique, jusqu’à 16 % de déformation. L’erreur certes augmente avec le taux de
compression, mais elle reste faible pour atteindre 0.43 % pour une compression de 16%. Au-
delà de cette valeur, notre méthode ne parvient plus à estimer correctement la déformation.
L’une des sources majeures d’erreur est la décorrélation des signaux engendrée par la
déformation. En effet, en première approximation, nous avons considéré que les données
post-compression pouvaient être vues comme des répliques localement translatées et
axialement comprimées des données initiales. Cependant, avec l’augmentation de la
déformation, se produisent au sein des données ultrasonores radiofréquences des variations de
forme des signaux, des distorsions, bien plus complexes que de simples facteurs d’échelle.
Ces distorsions ne peuvent être prises en compte avec notre modèle de déformation de
l’image et constituent une source d’erreur importante pour les déformations de grande
amplitude.
Pour les régions situées à 5 mm et à 10 mm du centre, les résultats de l’estimation de la
déformation sont très similaires et proches des résultats obtenus pour la région centrale. En
particulier, la moyenne de la déformation axiale estimée est identique pour les trois régions,
97
Chapitre 3 – Evaluation de la méthode
pour des taux de compression allant jusqu’à 12 %. Seuls les écart-types sont un peu plus
élevés dans le cas des régions situées à 5 mm et 10 mm que dans le cas de la zone centrale,
mais ils demeurent relativement faibles (au maximum 0.45 %).
A partir de 12 % de compression, à la différence des résultats observés pour la région centrale,
l’estimation de la déformation sur les régions situées à 5 mm et 10 mm devient moins précise,
pour finalement échouer à partir de 14%. Cela peut être attribué au fait que, contrairement à la
zone centrale, les régions situées à 5 et 10 mm sont assujetties à un mouvement azimutal
d’amplitude significative, contribuant à la distorsion des données.
Nous pouvons remarquer que globalement, l’évolution du RMSE est similaire à celle de
l’écart-type. Jusqu’à 12 % de déformation, l’erreur reste relativement faible. A partir de 16 %,
les valeurs de ce critère deviennent plus significatives, atteignant un maximum d’environ 7 %.
Par conséquent, ces résultats ont permis de montrer que notre méthode permet d’estimer avec
précision les déformations dans la gamme de valeurs [0 – 14 %]. Certes ils ont été obtenus
dans le cas de simulations d’un milieu homogène soumis à différents niveaux de
compression ; et les simulations bien qu’elles cherchent à approcher au plus près la réalité,
n’en demeurent pas moins des cas idéaux. Cependant, la gamme de validité de notre méthode
est suffisamment étendue pour permettre l’examen de tissus biologiques.
98
Chapitre 3 – Evaluation de la méthode
Au centre A 5 mm A 10 mm
Déformation appliquée :
2 %
4 %
6 %
Déformation estimée (%)
2
4
6
8
10
12
14
16 8 %
10 %
12 %
14 %
16 %
18 %
Figure 3.9 : Evaluation de la méthode 3D pour l’estimation de la déformation axiale sur un fantôme homogène. Représentation des différents élastogrammes en fonction du taux de compression appliqué et de la position dans le fantôme.
99
Chapitre 3 – Evaluation de la méthode
II.4. Comparaison entre les modèles 2D et 3D
II.4.1. Cas du calcul d’un volume de déformation
II.4.1.1. Principe La première étape de cette comparaison repose sur l’expérience précédemment décrite d’un
milieu homogène uniformément déformé par des compressions successives. Cette
compression générée sur l’intégralité de la surface d’un milieu peut être obtenue dans le cas
de l’utilisation d’un dispositif de compression. Dans ce contexte, nous cherchons à évaluer les
performances des méthodes d’estimation 2D et 3D de la déformation. Bien que la technique
d’estimation 2D ne soit initialement pas adaptée au calcul de volumes de déformation, nous
avons cependant voulu étudier son comportement dans le cas de données 3D, afin de mesurer
l’influence du déplacement azimutal sur l’estimation. En effet, puisque les taux de
déformation appliqués en élastographie sont d’une manière générale de faible amplitude, le
mouvement azimutal pourrait demeurer suffisamment petit pour ne pas perturber une
estimation bidimensionnelle de la déformation.
III.4.1.2. Résultats Les calculs ont été faits avec les mêmes paramètres que ceux décrits table 3.1. Il est à noter
que pour la méthode d’estimation 2D, aucune dimension azimutale n’est considérée. Cela
signifie que la dimension azimutale de R1 est une section, qu’aucun recouvrement azimutal
n’est à considérer et que νmin = νmax = 0. Tous les autres paramètres axiaux et latéraux sont
identiques à ceux décrits en table 3.1.
La comparaison de la précision des algorithmes 2D et 3D est effectuée en analysant, pour
chacun des algorithmes, la moyenne et l’écart-type des estimations, et en les confrontant aux
valeurs théoriques. La figure 3.10 représente la moyenne de la déformation axiale estimée en
fonction de la déformation appliquée, pour chaque algorithme et pour chacune des zones
d’étude (à 0, 5 et 10 mm du plan médian dans la direction azimutale). En chaque point, les
barres d’erreur donnent l’écart-type (les barres d’erreur ont une longueur égale à deux fois
l’écart-type). On montre également figure 3.11 quelques élastogrammes correspondant à ces
expériences.
100
Chapitre 3 – Evaluation de la méthode
Au centre du fantôme (figures 3.10(a) et (b)), nous pouvons remarquer que l’algorithme 3D
présente l’avantage d’avoir une variance moins élevée par rapport à l’algorithme 2D,
notamment pour des compressions supérieures à 10 %. Mais les performances des deux
estimateurs restent relativement proches. Cela s’explique notamment par le fait qu’en cette
région du fantôme (plan médian), le déplacement azimutal est quasiment nul. Dans ces
conditions, la prise en compte du mouvement hors-plan ne procure pas un avantage
significatif, même pour de fortes compressions (figures 3.11(a) et (b)).
En revanche, dans les deux autres cas le mouvement hors-plan a une amplitude significative.
Lorsque nous nous plaçons à 5 mm du plan médian (figures 3.10(c) et (d)) et que nous
considérons, par exemple, une compression de 6 %, le déplacement azimutal est égal à 0.15
mm d’après la simulation par éléments finis. C’est pourquoi l’estimateur 2D échoue pour des
déformations supérieures à 6 % (figure 3.11(c)). En-dessous de 6 %, les estimations 2D sont
de moyennes acceptables mais caractérisées par une variance très élevée. En comparaison,
l’algorithme 3D offre une estimation précise de la déformation jusqu’à 14 %. Au-delà, la
décorrélation entre les signaux est trop importante pour que l’algorithme aboutisse à des
estimations correctes.
La différence entre les deux estimateurs est encore plus marquée lorsqu’on se place à 10 mm
du plan médian (figures 3.10(e) et (f)). A cette position, et pour une compression de 10 %, on
atteint un déplacement azimutal de 0.5 mm. Même pour une faible déformation de 2 %,
l’algorithme 2D ne parvient donc pas à restaurer la corrélation entre les signaux et aboutit à
un élastogramme erroné (figures 3.11(e)). L’algorithme 3D donne quant à lui des estimations
correctes pour des déformations allant jusqu’à 14 %.
L’évolution de la valeur moyenne du coefficient de corrélation normalisé est représentée en
figure 3.12. Lorsque l’estimation concerne le plan médian, les méthodes 2D et 3D sont très
proches et présentent des coefficients de corrélation élevés. Jusqu’à 14 % de déformation, les
valeurs restent d’une manière générale supérieures à 0.8 pour les deux algorithmes. Mais pour
la technique 2D, le coefficient de corrélation diminue rapidement en présence d’un
mouvement azimutal (c’est-à-dire à 5 ou 10 mm du centre) : exceptée la première estimation
(2 % de compression à 5 mm), les valeurs sont effectivement toujours inférieures à 0.6 (elles
sont même inférieures à 0.5 lorsqu’on est à une distance de 10 mm). En 3D, la valeur du
coefficient de corrélation normalisé reste globalement au-dessus de 0.7 jusqu’à 10 % de
déformation. A partir de 12 %, on observe néanmoins une chute significative de ce coefficient.
101
Chapitre 3 – Evaluation de la méthode
2D 3D
0 2 4 6 8 10 12 14 16 18 0
2
4
6
8
10
12
14
16
18
20
0 2 4 6 8 10 12 14 16 18 200
2
4
6
8
10
12
14
16
18
20
(a) (b)
0 2 4 6 8 10 12 14 16 18 200
2
4
6
8
10
12
14
16
18
20
(c)
0 2 4 6 8 10 12 14 16 180
2
4
6
8
10
12
14
16
18
20
20
Au centre
(d)
0 2 4 6 8 10 12 14 16 18 200
2
4
6
8
10
12
14
16
18
20
0 2 4 6 8 10 12 14 16 18 0
2
4
6
8
10
12
14
16
18
20
20
A 5 mm du centre
A 10 mm du centre
20
(e) (f)
Figure 3.10 : Comparaison des algorithmes 2D et 3D : tracé de la déformation axiale estimée en fonction de la déformation appliquée (l’écart-type est représenté par les barres d’erreur). Au centre du fantôme, (a) en 2D et (b) en 3D. A 5 mm du centre du fantôme, (c) en 2D et (d) en 3D. A 10 mm du centre du fantôme, (e) en 2D et (f) en 3D.
102
Chapitre 3 – Evaluation de la méthode
A 10 mm du centre Au centre A 5 mm du centreavec 2 % de déformation
avec 16 % de déformation
avec 6 % de déformation
Déformation estimée (%)
Figure 3.11 : Comparaison des algorithmes 2D et 3D. Déformation axiale estimée : au centre du fantôme et pour 16 % de déformation axiale appliquée, (a) en 2D et (b) en 3D ; à 5 mm et pour 6 % de déformation, (c) en 2D et (d) en 3D ; à 10 mm et pour 2 % de déformation, (e) en 2D et (f) en 3D.
Figure 3.12 : Comparaison des algorithmes 2D et 3D : tracé du coefficient de corrélation normalisé en fonction de la déformation appliquée, (a) en 2D et (b) en 3D. Pour chaque graphique, les symboles ‘+’ représentent les estimations dans le plan médian, les symboles ‘x’ les estimations à 5 mm du plan médian et les symboles ‘o’ les estimations à 10 mm du plan médian dans la direction azimutale.
2D
3D
(a) (c)
(b)
(e)
(d) (f)
2
4
6
8
10
12
14
16
2 4 6 8 10 12 14
5 mm
10 mm
Centre 2D 1
3D
5 mm
10 mm
Centre
16
1
0.9 0.9
0.80.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0 18 0 2 4 6 8 10 12 14 16 18
(a) (b)
103
Chapitre 3 – Evaluation de la méthode
RMSE (%) RSBeCompression Position
2D 3D 2D 3D
Facteur d’amélioration
0 mm 0.16 0.12 12.04 16.58 1.42 5 mm 2.03 0.26 1.19 7.65 7.81 2 %
10 mm 5.91 0.36 1.24 5.53 16.44 0 mm 0.42 0.26 9.30 15.31 1.65 5 mm 3.70 0.38 1.48 10.45 9.76 4 %
10 mm 5.42 0.32 1.51 12.44 16.97 0 mm 0.24 0.20 24.18 29.85 1.25 5 mm 4.00 0.38 1.70 16.14 10.53 6 %
10 mm 4.70 0.39 1.51 15.31 12.05 0 mm 0.30 0.25 26.48 31.84 1.20 5 mm 4.60 0.34 1.55 23.41 13.53 8 %
10 mm 4.66 0.41 1.54 19.41 11.37 0 mm 0.42 0.30 23.83 33.17 1.40 5 mm 5.51 0.31 1.51 33.17 17.77 10 %
10 mm 5.70 0.30 1.44 34.31 19.00 0 mm 0.97 0.35 12.22 34.11 2.80 5 mm 6.78 0.40 1.50 29.82 16.95 12 %
10 mm 6.93 0.46 1.48 26.53 15.09 0 mm 1.81 0.39 7.67 36.66 4.64 5 mm 8.40 1.89 1.50 7.35 4.45 14 %
10 mm 8.39 2.19 1.50 6.32 3.84 0 mm 2.48 0.43 6.37 37.90 5.79 5 mm 10.06 3.50 1.39 4.49 2.88 16 %
10 mm 9.98 3.96 1.43 3.95 2.52 0 mm 5.59 5.18 3.08 3.36 1.08 5 mm 11.34 7.32 1.43 2.31 1.55 18 %
10 mm 11.45 7.22 1.42 2.34 1.59
Table 3.3 : Evolution des critères RMSE, RSBe et facteur d’amélioration pour les deux algorithmes, en fonction du taux de compression et de la région d’estimation.
L’évolution des autres critères retenus est finalement présentée dans la table 3.3. Pour chaque
estimateur, l’erreur au sens des moindres carrés RMSE est exprimée en pourcent (et peut donc
être comparée directement au taux de compression appliqué). En dehors du plan médian, le
RMSE relatif à la méthode d’estimation 2D est toujours supérieur à 2 %. Cela signifie qu’on
commet une erreur d’au moins 2 % sur l’estimation de la déformation axiale, ce qui est une
erreur très importante et non compatible avec notre application. En revanche, le RMSE pour la
méthode 3D reste globalement en dessous de 0.3 % pour des taux de compression inférieurs à
10 %. Le rapport signal sur bruit élastographique (RSBe) a également été calculé. Sur
l’ensemble des cas considérés, le RSBe pour la méthode 3D est toujours supérieur à celui
obtenu pour la méthode 2D. Le bénéfice est surtout significatif lorsqu’on considère les
104
Chapitre 3 – Evaluation de la méthode
régions à 5 ou 10 mm du plan médian : en ces localisations, le RSBe est entre 2 et 20 fois
meilleur en 3D qu’en 2D. Enfin, le facteur d’amélioration entre la méthode d’estimation 2D et
la méthode d’estimation 3D a été calculé. Au centre du fantôme, ce facteur varie entre 1 et 6.
Lorsqu’on se place à 5 ou 10 mm du centre, il varie entre 1.5 et 19. Dans tous les cas, le
facteur d’amélioration est supérieur à 1, ce qui montre le gain apporté par la méthode 3D en
comparaison de la méthode 2D (précisément, ce facteur indique qu’on a une diminution de
l’écart-type sur les estimations).
II.4.2. Cas du calcul d’un plan de déformation au sein d’un volume
II.4.2.1. Description de l’expérience On considère maintenant un fantôme numérique cubique de 40 mm d’arête, contenant en son
centre une inclusion sphérique de 15 mm de diamètre. Le module d’Young de l’inclusion est
90 kPa et celui du milieu environnant est 30 kPa. Pour ce nouveau fantôme, nous n’allons
considérer que deux niveaux de compression : 1 % et 4 % de déformation globale. Ces
valeurs sont typiques de celles qu’on peut avoir en élastographie. Par contre, le milieu va être
déformé de manière à imiter au mieux une compression directement avec une sonde.
Autrement dit, la surface supérieure du fantôme ne sera pas déformée uniformément, comme
précédemment, mais par une barre représentant la sonde échographique (figure 3.13). D’autre
part, la position de cette barre par rapport au fantôme est variable. Trois situations sont
envisagées. Soit la barre est au milieu du fantôme et on image une région passant par le centre
de l’inclusion. Soit la barre est décalée de 2.5 mm dans la direction azimutale par rapport au
plan médian. Soit elle est décalée de 5 mm dans la direction azimutale. Dans tous les cas, la
région insonifiée traverse l’inclusion. Cependant, selon la zone considérée, le déplacement
azimutal sera plus ou moins important. Les méthodes 2D et 3D sont alors appliquées aux
données acquises dans ces différentes configurations.
II.4.2.2. Paramètres de calcul Les paramètres de calcul sont les mêmes que ceux utilisés au paragraphe II.2 et sont résumés
dans la table 3.4.
N.B. : compte tenu du fait que le nombre de lignes RF reste le même mais que la taille du
fantôme considéré est légèrement supérieure au cas II.2, les paramètres liés aux lignes RF ont
une dimension physique légèrement modifiée.
105
Chapitre 3 – Evaluation de la méthode
Valeurs
Axial 280 échantillons (1 mm)
Latéral 4 lignes RF (1.25 mm) Dimensions
de R1 Azimutal 3 sections (0.75 mm)
Axial 80 %
Latéral 50 % Recouvrement Azimutal 66 %
α 0.9 à 1
τ ± 3 lignes RF (± 0.94 mm) Bornes ν ± 3 sections (± 0.75 mm)
Rseuil 0.75
N 9
Table 3.4 : Paramètres pour le calcul d’un plan de déformation au sein d’un volume.
20
50
-20
azimutal (mm)
Position du plan médian
(0 mm)
Figure 3.13 : Fantôme numérique avec inclusion. Le fantôme est un cube de 30 mm de coté et l’inclusion est une sphère de 15 mm de diamètre. Leurs modules d’Young valent 30 et 90 kPa, respectivement. La barre au contact de la face supérieure du fantôme représente la sonde échographique, et c’est par son intermédiaire que la compression du milieu est effectuée. Trois positions sont considérées pour cette barre : au niveau du plan médian, à 2.5 mm du plan médian et à 5 mm du plan médian.
II.4.2.3. Résultats Les résultats sont regroupés dans les figures 3.14 à 3.16. Au centre du fantôme et pour les
deux taux de compression appliqués (figure 3.14), les élastogrammes de la méthode 2D et de
la méthode 3D sont très proches du résultat théorique donné par la simulation par éléments
finis. Les deux cartes sont également très similaires entre elles, car le déplacement azimutal
en cette région du fantôme est quasiment nul (de l’ordre du µm d’après la simulation par
éléments finis, figure 3.14(d) et (h)). Les cartes correspondant à l’algorithme 3D paraissent
106
Chapitre 3 – Evaluation de la méthode
simplement plus lisses que les cartes obtenues par la méthode 2D, ce qui confirme
visuellement le fait que la variance de cet estimateur est plus faible que celle de l’algorithme
2D.
Lorsque la compression est excentrée de 2.5 mm du plan médian (figure 3.15), les résultats
des méthodes 2D et 3D pour 1 % de déformation globale du milieu sont également proches et
en accord avec la théorie. Ponctuellement, nous pouvons simplement noter quelques
estimations erronées avec l’estimation 2D. Dans ce cas, le déplacement azimutal est
effectivement de l’ordre de 50 µm, ce qui est encore tolérable pour l’algorithme 2D. Mais à
4 % de compression, le déplacement azimutal moyen est d’environ 0.15 mm et atteint un
maximum de 0.35 mm, ce qui se traduit sur l’élastogramme 2D par une image largement
bruitée. Nous pouvons d’ailleurs faire un lien direct entre l’amplitude du déplacement
azimutal et la capacité de l’algorithme 2D à réaliser une estimation correcte. Dans la partie
supérieure de l’élastogramme, où le déplacement azimutal est le plus important (entre 0.15 et
0.35 mm), les estimations sont erronées. C’est à partir de la moitié de l’image, lorsque le
déplacement azimutal devient plus faible (inférieur à 0.15 mm), que les estimations sont à
nouveau correctes. Au-delà de cette valeur, la méthode 2D conduit généralement à une
estimation erronée. Nous pouvons donc remarquer que cette « valeur limite » n’est pas
rédhibitoire : bien que les premières estimations ne soient pas justes, la méthode a en effet la
capacité à réaliser des estimations correctes par la suite, lorsque le déplacement azimutal
redevient inférieur à 0.15 mm. En comparaison, les résultats 3D sont conformes à la théorie
quelle que soit l’amplitude du déplacement azimutal.
Lorsque la compression est appliquée à 5 mm du plan médian (figure 3.16), l’amplitude des
déplacements azimutaux devient encore plus importante, si bien que les problèmes rencontrés
précédemment par l’estimateur 2D sont amplifiés. Pour 1 % de déformation globale, seuls
quelques pixels sont erronés dans la partie supérieure de l’élastogramme (figure 3.16(a)), mais
ces mauvaises estimations empêchent la détection précise de la frontière supérieure de
l’inclusion. Avec 4 % de compression, c’est toute la moitié supérieure de l’élastogramme qui
est erronée, ce qui rend impossible la détection de l’inclusion (figure 3.16(e)). Comme
précédemment, les estimations erronées de l’algorithme 2D semblent liées à l’amplitude du
déplacement azimutal. D’après cette étude, il semble donc que le déplacement azimutal
maximum tolérable par notre algorithme 2D soit d’environ 0.15 mm. Grâce à la prise en
compte du mouvement hors-plan, l’inclusion est en revanche clairement visible sur les
élastogrammes calculés avec la méthode 3D et ceux-ci sont relativement proches des cartes
théoriques.
107
Chapitre 3 – Evaluation de la méthode
Dép. azimutal
-8
-6
-4
-2
0
2
4
6
8
x 10-3mm
%
(d) (a) (b)
1
2
3
4
5
6
7
8
9
1 %
4 %
(c)
3D Théorie2D
(e) (h) (g) (f) Centre du fantôme
Figure 3.14 : Déformation axiale estimée (en %) avec les algorithmes 2D ((a) et (e)) et 3D ((b) et (f)) au centre du fantôme, pour 1 et 4 % de déformation globale appliquée au milieu. Déformation théorique issue de la simulation par éléments finis pour 1 % (c) et 4 % (g) de déformation moyenne appliquée. Les déplacements azimutaux théoriques correspondants sont également indiqués ((d) et (h)) et exprimés en mm.
3D Théorie2D Dép. azimutal
% mm9
Figure 3.15 : Déformation axiale estimée (en %) avec les algorithmes 2D ((a) et (e)) et 3D ((b) et (f)) à 2.5 mm du centre du fantôme, pour 1 et 4 % de déformation globale appliquée au milieu. Déformation théorique issue de la simulation par éléments finis pour 1 % (c) et 4 % (g) de déformation moyenne appliquée. Les déplacements azimutaux théoriques correspondants sont également indiqués ((d) et (h)) et exprimés en mm.
A 2.5 mm du centre
(a) (b)
(e) (f)
1
2
3
4
5
6
7
81 %
4 %
(g)
(c) (d)
(h)
0
0.05
0.1
0.15
0.2
0.25
0.3
108
Chapitre 3 – Evaluation de la méthode
3D Théorie2D Dép. azimutal
(a) (b)
1
2
3
4
5
6
7
8
9
1 %
4 %
(c) (d)
% mm
0
0.1
0.2
0.3
0.4
0.5
0.6
(e) (g) (h) (f) A 5 mm du centre
Figure 3.16 : Déformation axiale estimée (en %) avec les algorithmes 2D ((a) et (e)) et 3D ((b) et (f)) à 5 mm du centre du fantôme, pour 1 et 4 % de déformation globale appliquée au milieu. Déformation théorique issue de la simulation par éléments finis pour 1 % (c) et 4 % (g) de déformation moyenne appliquée. Les déplacements azimutaux théoriques correspondants sont également indiqués ((d) et (h)) et exprimés en mm.
II.4.3. Temps de calcul et procédure de correction
Nous nous intéressons enfin au temps de calcul des deux algorithmes. Nous signalons que les
calculs ont été faits sur une grappe de PC (réseau d’ordinateurs dédiés aux calculs). Cette
grappe compte 20 « nœuds » et elle est constituée d’ordinateurs bi-processeurs ayant une
fréquence de 3.6 MHz et 2 Go de mémoire.
Les temps de calcul reportés dans cette section sont issus de l’étude présentée au paragraphe
II.4.1 concernant la comparaison des méthodes 2D et 3D pour le calcul d’un volume de
déformation sur un milieu homogène. Pour les différentes positions dans le fantôme,
l’évolution du temps de calcul, donné en minutes, est représenté figure 3.17 en fonction du
taux de compression appliqué. Seules les courbes réellement significatives ont été
représentées : ainsi on ne montre pas les temps de calcul de l’algorithme 2D à 5 ou 10 mm du
centre, car les élastogrammes produits sont erronés (comme celui de la figure 3.11(c) par
exemple). Ces temps de calculs correspondent donc au maximum d’itérations autorisées et ne
sont pas représentatifs d’une estimation correcte. Au centre du fantôme, le temps de calcul
pour la méthode 3D est environ le double du temps de calcul pour la méthode 2D. En-dessous
109
Chapitre 3 – Evaluation de la méthode
de 10 % de déformation, où la précision des deux algorithmes était sensiblement identique, la
méthode 3D semble donc moins intéressante. Au-dessus de 10 %, nous avons vu que la
variance de la méthode 3D était plus faible, mais ce gain en précision se fait donc au
détriment du temps de calcul. Lorsqu’on se place à 5 mm du plan médian, le temps de calcul
de l’algorithme 3D n’augmente que légèrement en-dessous de 10 % de déformation. C’est à
partir de 10 % de déformation qu’il augmente très nettement par rapport au temps mesuré
pour les calculs sur le plan médian. Cela correspond aussi à une augmentation de la variance
des estimations. On peut donc supposer que cette augmentation du temps de calcul est liée à
un passage plus fréquent de l’algorithme dans la procédure de correction. Enfin, à 10 mm du
centre, l’algorithme 3D devient très lent, avec des durées de calcul toujours supérieures à une
heure.
400
2D au centre
3D au centre
3D à 5 mm
3D à 10 mm 350
300
250Temps (min.) 200
150
100
50
00 2 4 6 8 10 12 14 16 18
Taux de compression (%) Figure 3.17 : Evolution du temps de calcul, en minutes, en fonction du taux de compression appliqué au fantôme et de la position de la région considérée.
Nous pouvons finalement étudier la fréquence d’utilisation de la procédure de correction.
Rappelons d’abord que cette procédure est mise en œuvre pour augmenter la fiabilité des
estimations. Son but est de détecter les estimations potentiellement incorrectes et de les
corriger. Lorsque le coefficient de corrélation normalisé est inférieur à la valeur Rseuil,
l’estimation est considérée comme insuffisamment fiable et l’algorithme a recours à la
procédure de correction : N nouvelles estimations sont relancées, à partir de N points initiaux
uniformément distribués à l’intérieur du domaine admissible. Parmi ces N nouvelles
estimations, le vecteur de paramètres retenu est celui pour lequel le coefficient de corrélation
à la solution est le plus élevé. Pour les calculs du paragraphe II.4.1 sur le fantôme homogène,
110
Chapitre 3 – Evaluation de la méthode
les valeurs de Rseuil et de N étaient respectivement 0.75 et 9. Le nombre de lancements de la
procédure de correction a alors été compté. La fréquence de recours à la procédure augmente
avec le taux de compression appliqué, mais elle n’augmente pas linéairement. Ainsi, au centre
du fantôme et pour 4 % de déformation appliquée, la procédure de correction a été utilisée
pour 1.7 % des estimations ; pour 10 % de déformation, la procédure concerne 2.8 % des
estimations ; et pour 16 % de déformation, elle concerne 83 % des estimations. Cette
augmentation de la fréquence d’utilisation de la procédure de correction avec le taux de
compression appliqué explique l’évolution du temps de calcul représenté figure 3.17. Le
recours à la procédure de correction augmente également avec la position considérée dans le
fantôme. Pour 2 % de déformation appliquée, 0.02 % des estimations sont recalculées par la
procédure au plan médian du fantôme, 15 % le sont à 5 mm du plan médian et 60 % à 10 mm
du plan médian. La figure 3.18 illustre l’influence de la procédure sur l’élastogramme final
pour un cas particulier, celui correspondant à la déformation maximale étudiée (18 %) et
ayant le plus recours à la procédure de correction. L’élastogramme de la figure 3.18(a) a été
calculé avec la procédure de correction, et l’élastogramme 3.18(b) a été calculé sans
l’utilisation de la procédure. Même si la première image présente de larges régions mal
estimées, elle reste en partie proche de la théorie, alors que la totalité de la deuxième image
est erronée.
2
4
6
8
10
12
14
16
Déformation estimée (%)
(b) (a)
Figure 3.18 : Illustration de l’intérêt de la procédure de correction. Les calculs correspondent au fantôme homogène étudié à 5 mm du plan médian et pour 18 % de déformation appliquée. (a) Elastogramme obtenu avec la méthode 3D et la procédure de correction. (b) Elastogramme obtenu avec la méthode 3D et sans la procédure de correction.
II.4.4. Conclusions
Les résultats obtenus avec les algorithmes 2D et 3D permettent de tirer quelques conclusions.
111
Chapitre 3 – Evaluation de la méthode
Les premiers résultats, concernant le calcul d’un volume de déformation pour un fantôme
homogène, ont d’abord permis de montrer l’influence du déplacement azimutal sur la qualité
de l’estimation. Dans les différentes configurations envisagées, l’algorithme 3D a en effet
fournit de bons résultats, même pour des taux de déformation supérieurs à 10 %. En
comparaison, l’algorithme 2D a échoué à produire des estimations correctes lorsque la
configuration choisie impliquait un important mouvement hors-plan. Ce constat semble
logique puisque l’algorithme 2D est basé sur un modèle de déformation plan, qui tolère un
faible déplacement azimutal, mais qui ne s’avère plus adéquat lorsque ce dernier devient trop
important. Les performances des méthodes 2D et 3D sont d’ailleurs très proches lorsque le
mouvement azimutal est faible. D’une manière générale, l’ensemble des critères de
comparaison choisis a montré les meilleures performances de la méthode 3D. En termes de
moyenne et de variance notamment, l’algorithme 3D s’est montré plus précis. La différence
entre les deux méthodes est d’autant plus marquée que la compression appliquée est
importante et que la configuration implique des mouvements hors-plan.
La seconde étude concernait le calcul d’un plan de déformation au sein d’un fantôme
contenant une inclusion sphérique. Cette configuration est a priori plus favorable à un
traitement 2D que l’étude précédente, et l’algorithme 2D s’est en effet montré satisfaisant
pour les faibles taux de compression (1 % de déformation globale). Mais pour des
compressions plus importantes, la présence de l’inclusion implique un déplacement azimutal
non homogène qui peut atteindre des valeurs importantes, faisant alors échouer l’estimation
de l’algorithme 2D. Pour remédier à ce problème, on peut envisager d’appliquer des pas de
compression successifs de faible amplitude et d’appliquer la méthode 2D à ces couples
d’acquisitions, le déplacement azimutal entre deux images successives restant majoritairement
de faible amplitude. La déformation globale est alors obtenue par cumul des élastogrammes.
La prise en compte de la composante azimutale par l’algorithme 3D permet de s’affranchir
des problèmes liés au mouvement hors-plan, et parvient à fournir des élastogrammes
satisfaisants pour les différentes positions et pour les différentes compressions appliquées.
D’autre part, nous avons pu remarquer que, pour cette étude, l’algorithme 2D tolérait un
déplacement azimutal maximal de 0.15 mm. Au-delà de cette valeur, la méthode 2D conduit
généralement à une estimation erronée. Signalons enfin que cette « valeur limite » n’est pas
rédhibitoire, c’est-à-dire que suite à des estimations erronées (dues au mouvement hors-plan),
l’algorithme est capable de fournir à nouveau des estimations correctes lorsque le
déplacement azimutal redevient faible.
112
Chapitre 3 – Evaluation de la méthode
D’un point de vue du temps de calcul, le traitement 3D est systématiquement plus long que le
traitement 2D. L’amélioration de la précision se fait donc au prix d’un temps de calcul plus
élevé, ce qui s’explique par l’augmentation de la quantité de données à exploiter et par la
recherche de la solution optimale dans un domaine admissible plus vaste (une dimension
supplémentaire).
III. Evaluation sur des données expérimentales
Les premiers résultats sur des données simulées ayant montré les performances et l’intérêt de
la méthode d’estimation 3D de la déformation d’un milieu, son application sur des données
expérimentales a été étudiée. Dans cette dernière partie, deux types de milieux ont été
considérés, des fantômes calibrés spécifiquement dédiés aux études élastographiques ainsi
que des échantillons biologiques fraîchement excisés.
III.1. Evaluation sur deux fantômes calibrés dédiés aux études élastographiques. Jusque récemment, l’utilisation d’un objet test pour évaluer une méthode en élastographie
impliquait nécessairement la conception de cet objet test. Depuis peu, des fantômes dédiés
aux études élastographiques ultrasonores sont commercialisés, notamment par la société
CIRS2. Ces fantômes ont des propriétés acoustiques et mécaniques calibrées.
III.1.1. Tests sur le fantôme CIRS, modèle 049
III.1.1.1. Caractéristiques du fantôme La première étude sur des données expérimentales a été réalisée sur le fantôme physique
calibré modèle 049, commercialisé par la société CIRS. Cet objet test se présente sous la
forme d’un parallélépipède de dimensions 15 cm x 10 cm x 8 cm, contenant huit inclusions de 2 http://www.cirsinc.com
113
Chapitre 3 – Evaluation de la méthode
duretés (modules d'Young) connues. La figure 3.19 indique les caractéristiques du fantôme.
Les inclusions sont sphériques et elles ont un diamètre de 10 ou 20 mm. Nous avons étudié la
déformation d’une inclusion de 10 mm de diamètre et de module d'Young 62 kPa (valeur
fournie par le constructeur). Le milieu environnant est plus souple, avec un module d'Young
de 29 kPa. L’inclusion est localisée à 15 mm de profondeur. Enfin, la vitesse de propagation
des ultrasons dans le milieu ainsi que l’atténuation sont uniformes sur tout le volume du
fantôme et valent respectivement 1545 m/s et 0.50 dB/cm/MHz.
15 mm
Type 4Type 3
Type 2 Type 1
Vue de dessus
150 mm
80 mm
30 mm
20 mm
10 mm
Vue de coté
35 mm
Vue de face
Figure 3.19 : Description du fantôme CIRS 049 dédié à l’élastographie. Le module d’Young des inclusions de type 1 est 6 kPa, il vaut 17 kPa pour les inclusions de type 2, 54 kPa pour les inclusions de type 3, 62 kPa pour les inclusions de type 4 et 29 kPa pour le milieu environnant. L’inclusion considérée est marquée par la flèche. C’est une inclusion de type 4, mesurant 10 mm de diamètre et localisée à 15 mm de la surface.
L’ensemble des données ultrasonores ont été acquises avec un échographe Ultrasonix RP
(Ultrasonix Medical Corporation, Canada). Pour ce fantôme particulier, deux types
d’acquisition ont été considérées. Le premier type d’acquisition utilise une sonde linéaire
classique, sonde permettant l’acquisition d’images et qu’il est donc nécessaire de déplacer
pour couvrir un volume. Il est d’ailleurs à noter que la majorité des échographes utilisés en
114
Chapitre 3 – Evaluation de la méthode
routine clinique ne produisent que des images 2D. Le second type d’acquisition utilise une
sonde échographique à balayage sectoriel permettant l’acquisition de volumes ultrasonores
RF. La présentation de ces deux acquisitions est due au fait que la sonde 3D à balayage
sectoriel est un produit qui n’a été proposé que très récemment par la société Ultrasonix.
III.1.1.2. Acquisition avec une sonde linéaire Les premiers tests réalisés utilisaient donc une sonde linéaire classique, et il semble
intéressant de montrer les résultats que l’on peut obtenir avec ce type d’acquisition.
III.1.1.2.a. Protocole d’acquisition Le fantôme CIRS a d’abord été étudié avec une sonde linéaire classique. En effet, les
échographes employés actuellement en clinique sont généralement équipés de ce type de
sonde, permettant l’acquisition d’images 2D en temps-réel. Cependant, des volumes
ultrasonores RF sont requis pour notre étude. La construction de ce volume RF a donc été une
étape nécessaire. Pour cela, un protocole d’acquisition des données ultrasonores RF 3D a été
mis au point. Il consiste à construire le volume ultrasonore RF en concaténant une série
d’images 2D RF acquises à intervalles réguliers (figure 3.20).
Le dispositif utilisé est présenté figure 3.21. La sonde est solidaire d’une table de déplacement
(x,y), qui à l’aide d’un moteur pas-à-pas permet un déplacement linéaire de la sonde dans la
direction azimutale. Un outil logiciel a été développé afin de piloter le moteur pas-à-pas ainsi
que le fonctionnement de l’échographe, réalisant la synchronisation entre le déplacement de la
sonde et l’acquisition des données. Le pas azimutal entre chaque image 2D est choisi à 0.2
mm et la compression du milieu est réalisée directement avec la sonde, en exerçant une
pression.
Les volumes de données pré- et post-compression ont été acquis avec une profondeur de
champ axial de 35 mm, et en déplaçant la sonde sur une distance totale de 20 mm dans la
direction azimutale. Le volume post-compression a été acquis après avoir appliqué à la sonde
un déplacement axial de 1 mm vers le bas, correspondant à une compression d’environ
1.25 %. Chaque jeu de données ultrasonores couvre donc un volume de 35 mm x 60 mm
(largeur de la sonde) x 20 mm, ce qui représente environ 1800 échantillons x 256 lignes RF x
100 coupes. Dans ce mode d’acquisition, l’échographe Ultrasonix a une fréquence
d’échantillonnage de 40 MHz et la sonde linéaire a une fréquence centrale de 6.6 MHz.
115
Chapitre 3 – Evaluation de la méthode
Sonde échographique (vue de dessus)
Acquisition images 2D RF n° 1 2 k N
Déplacement linéaire de la
sonde dans la direction azimutale
Figure 3.20 : Principe de reconstruction du volume ultrasonore RF. (a) Des images 2D sont acquises avec un pas de déplacement régulier dans la direction azimutale. (b) Le volume RF résulte alors de la concaténation de l’ensemble des images.
Figure 3.21 : Dispositif d’acquisition des données expérimentales 3D avec la sonde linéaire ne fournissant que des images bidimensionnelles.
Volume reconstruit Images RF
12
latéral axial
azimutal
(a)
N
latéral
azimutal
axial
(b)
Moteur pas-à-pas
Echographe Ultrasonix
RP
Bras
Support de sonde
Sonde
Fantôme
116
Chapitre 3 – Evaluation de la méthode
III.1.1.2.b. Paramètres de calcul Etant donné la faible fréquence d’échantillonnage de l’appareil (40 MHz), les données
ultrasonores ont été préalablement interpolées d’un facteur cinq dans la direction axiale afin
d’améliorer l’estimation. Les paramètres de calcul suivants ont été utilisés : la région d’intérêt
R1 mesure 300 échantillons x 5 lignes RF x 3 sections (après l’étape d’interpolation axiale).
Cela correspond approximativement à un volume de 1.2 x 1.2 x 0.6 mm3. Le recouvrement
des fenêtres de calcul était de 80 % dans la direction axiale, 60 % dans la direction latérale et
66 % dans la direction azimutale. Les bornes imposées au facteur d’échelle ont pour valeur
αmin = 0.93 et αmax = 1, correspondant à une déformation variant entre 0 et 7%. Le déplacement
latéral est contraint par τmin = –0.7 mm et τmax = 0.7 mm (correspondant à un déplacement de
± 3 lignes RF), et le déplacement azimutal évolue entre νmin = –0.2 mm et νmax = 0.2 mm (soit
± 1 section). Enfin, les paramètres Rthreshold et N sont respectivement fixés à 0.75 et 9.
III.1.1.2.c. Résultats Le volume de déformation axiale estimé est représenté figure 3.22(a) pour ce premier mode
d’acquisition. On peut y distinguer nettement l’inclusion. Celle-ci a effectivement une
déformation de l’ordre de 1 %, contre 1.5 à 2.5 % pour le milieu environnant. Ce facteur deux
entre les déformations des deux milieux s’explique par la différence d’élasticité entre les deux
régions : 29 kPa pour le module d’Young du milieu environnant et 62 kPa pour celui de
l’inclusion. Seule la partie supérieure du fantôme montre une déformation inférieure à celle de
l’inclusion. Ceci peut être dû à la présence de la membrane de protection du fantôme, qui ne
peut être enlevée, et dont l’élasticité est inconnue mais qui semble plus rigide. On remarque
également sur le coté (au premier plan à droite) une région de déformation importante. Cette
région se trouve à la limite du fantôme. Il est possible qu’elle se déforme davantage en raison
de la présence de la paroi rigide du fantôme qui introduit une contrainte supplémentaire.
Néanmoins, ces deux régions ne perturbent pas l’interprétation des données et les frontières
de l’inclusion restent nettes. Le diamètre de l’inclusion est estimé à 10.2 mm, très proche de
la valeur fournie par le fabricant du fantôme (10 mm).
Il semble également intéressant d’observer les valeurs du coefficient de corrélation normalisé
dans le cadre de ces calculs sur des données expérimentales. La figure 3.22(b) représente ce
paramètre, considéré comme un indicateur de la fiabilité de l’estimation locale. Nous pouvons
constater que les valeurs de corrélation sont relativement élevées dans tout le volume. Sa
valeur moyenne sur l’ensemble du volume est de 0.88, ce qui constitue un niveau satisfaisant,
117
Chapitre 3 – Evaluation de la méthode
particulièrement pour des données expérimentales. Nous observons cependant une chute du
coefficient de corrélation à la surface supérieure du fantôme. Deux phénomènes peuvent
expliquer cette diminution : d’une part la contrainte est plus importante en surface ce qui peut
introduire une décorrélation plus importante des signaux, et d’autre part, cette diminution peut
avoir pour origine la présence de la membrane de protection du fantôme qui perturbe
l’évaluation.
latéral azimutal
axial
1 0 0.5 0.25 0.75 0 2.7 0.9 3.6 %1.8
(a) (b) Figure 3.22 : (a) Déformation axiale estimée pour le fantôme calibré CIRS 049 contenant une inclusion sphérique dure (données acquises avec la sonde 2D). (b) Carte du coefficient de corrélation normalisé.
III.1.1.3. Acquisition avec une sonde 3D à balayage sectoriel III.1.1.3.a. Description de l’acquisition
Récemment, la société Ultrasonix a mis à disposition les outils nécessaires (sonde et logiciel)
pour l’acquisition de données ultrasonores RF 3D. Les données sont acquises par
l’intermédiaire d’une sonde qui effectue un balayage mécanique du volume considéré grâce à
un moteur pas-à-pas contrôlé. Cette sonde est présentée figure 3.23, à coté de la sonde linéaire
décrite précédemment. Le volume acquis est constitué d’un ensemble de plans sectoriels 2D.
Chacune de ces images 2D a une profondeur de champ axial de 50 mm et une ouverture
angulaire d’environ 60° en latéral. Dans la direction azimutale, le moteur permet de réaliser
des pas angulaires de 0.7° entre chaque plan, couvrant un angle total choisi ici à 30°. Un
118
Chapitre 3 – Evaluation de la méthode
volume ultrasonore est donc constitué d’environ 1300 échantillons x 96 lignes RF x 41 coupes.
La fréquence d’échantillonnage du système dans le cadre d’acquisitions 3D est de 20 MHz et
la sonde a une fréquence centrale de 4.5 MHz.
Les acquisitions ont été réalisées en main-libre, c’est-à-dire que l’opérateur a appuyé sur la
sonde pour comprimer le milieu au cours de l’acquisition des données.
(a) (b)
Figure 3.23 : Sondes utilisées pour l’acquisition des données ultrasonores avec l’échographe Ultrasonix : (a) sonde 3D à balayage sectoriel et (b) sonde linéaire pour l’acquisition d’images bidimensionnelles.
III.1.1.3.b. Paramètres de calcul Les paramètres de calcul utilisés pour les acquisitions avec la sonde 3D sont donnés dans la
table 3.5. Valeurs
Axial 3 fois Interpolation
initiale Latéral 2 fois
Axial 230 échantillons (3 mm)
Latéral 12 lignes RF (3.7°) Dimensions
de R1Azimutal 3 sections (2.2°)
Axial 80 %
Latéral 66 % Recouvrement
Azimutal 66 %
α 0.95 à 1
τ ± 4 lignes RF Bornes
ν ± 1 sections
Rthreshold 0.7
N 9
Table 3.5 : Paramètres de calculs sur le fantôme calibré CIRS (acquisitions avec la sonde 3D).
119
Chapitre 3 – Evaluation de la méthode
III.1.1.3.c. Résultats Les résultats relatifs à l’acquisition avec la sonde 3D sont représentés figure 3.24. Sur la
cartographie volumique de la déformation axiale (figure 3.24(a)), l’inclusion est nettement
visible. La déformation maximale reste faible, notamment parce que la compression main-
libre a été appliquée précautionneusement, cependant la déformation de l’inclusion est bien
différente de celle de son voisinage (environ 0.3 % pour l’inclusion contre 0.6 % sur la zone
périphérique) et ses frontières sont bien identifiées. Malgré la difficulté de l’acquisition main-
libre, qui peut introduire une décorrélation supplémentaire entre les signaux pré- et post-
compression en raison des mouvements involontaires du manipulateur lors de la compression,
le volume en entier est correctement estimé. Nous constatons également une zone de forte
déformation entre l’inclusion et la sonde, et au contraire de très faibles déformations à
l’opposé de la sonde. Cela est dû au fait que les régions à proximité de la sonde subissent une
contrainte beaucoup plus importante que les régions situées plus en profondeur.
La figure 3.24(b) représente la carte du coefficient de corrélation normalisé pour ces
estimations, dont la valeur moyenne vaut 0.93. La corrélation est très élevée sur tout le
volume, avec 92 % des estimations ayant un coefficient de corrélation supérieur à 0.8. En
comparaison, le mode d’acquisition précédent donnait 79 % des estimations au-dessus du
seuil de 0.8 (figure 3.22). Cette meilleure corrélation n’est pas forcément synonyme de
meilleures estimations, car elle s’explique surtout par le fait que la contrainte, et donc la
déformation du milieu, a été moins importante avec la sonde sectorielle. Il a donc été plus
facile pour l’algorithme de restaurer une corrélation élevée entre les signaux pré- et post-
compression.
III.1.2. Evaluation sur un fantôme de sein CIRS, modèle 059
III.1.2.1. Caractéristiques du fantôme Une seconde étude sur des données expérimentales a été réalisée à l’aide d’un fantôme
physique représentant un sein humain (figure 3.25). Ce fantôme CIRS (modèle 059) a pour
dimensions maximales 15 cm (longueur) x 12 cm (largeur) x 7 cm (hauteur), et son volume
est de 600 cm3. Des inclusions dont la taille varie entre 2 et 10 mm de diamètre sont
positionnées aléatoirement dans le volume. Selon les données du constructeur, ces inclusions
sont trois fois plus dures que le milieu environnant. Cependant, elles sont peu visibles à
l’échographie.
120
Chapitre 3 – Evaluation de la méthode
1 0 0.5 0.25 0.75
latéral
axial
1.5 %0.4 1.1 0
(a) (b)
Figure 3.24 : (a) Déformation axiale estimée pour le fantôme calibré CIRS 049 contenant une inclusion sphérique dure (données acquises avec la sonde à balayage sectoriel). (b) Carte du coefficient de corrélation normalisé.
III.1.2.2. Résultats Pour ce fantôme, les paramètres de calcul utilisés sont identiques à ceux donnés au
paragraphe III.1.1.3.b. (pour le fantôme CIRS modèle 049 acquis avec la sonde 3D).
L’acquisition des données est toujours réalisée en main-libre, c’est donc l’opérateur qui
applique une contrainte au milieu par l’intermédiaire de la sonde.
Le volume de déformation axiale estimée est représenté figure 3.26(a). Bien que l’inclusion
soit de petite taille, elle est parfaitement détectée sur le volume de déformation estimé. Son
diamètre est estimé à 6.5 mm. La déformation maximale est supérieure à 4 %, car la
compression main-libre a été de plus grande amplitude que pour le cas précédent. Malgré cela,
le volume est correctement évalué, ce qui montre que notre algorithme permet d’estimer des
déformations de relativement forte amplitude, même pour des signaux réels.
La carte du coefficient de corrélation normalisé est représentée figure 3.26(b). Sa valeur
moyenne vaut 0.75. Bien que moins élevée que pour le fantôme CIRS 049, la corrélation reste
bonne sur une grande partie du volume. Cette légère diminution de la corrélation est liée au
fait que la contrainte est plus importante que pour le fantôme précédent, introduisant une plus
121
Chapitre 3 – Evaluation de la méthode
grande décorrélation entre les signaux. Nous remarquons enfin une région sur le bord droit du
volume, où la corrélation est faible. Ce secteur correspond notamment à une zone où la sonde
n’était pas totalement en contact avec le fantôme. Cependant, sur la carte de déformation,
nous pouvons observer que les estimations correspondantes restent correctes.
15 cm
7 cm
(b) (a) Figure 3.25 : (a) Photo et (b) vue en coupe du fantôme de sein CIRS. Le fantôme mesure 15 cm x 12 cm x 7 cm de haut (dimensions maximales), et son volume est 600 cm3. Des inclusions de taille variable (entre 2 et 10 mm de diamètre) et trois fois plus dures que le milieu environnant sont positionnées aléatoirement dans le volume.
axial
1 0 0.5 0.25 0.75 3.6 1.2 2.4 0 4.8 %(a)
(b)
Figure 3.26 : (a) Déformation axiale estimée pour le fantôme de sein CIRS 059 (données acquises avec la sonde 3D). (b) Carte du coefficient de corrélation normalisé.
122
Chapitre 3 – Evaluation de la méthode
III.2. Evaluation sur des données biologiques in vitro
III.2.1. Description de la manipulation
Une dernière série de tests a été réalisée sur des données biologiques in vitro. Ces tests ont été
effectués sur deux échantillons de foies bovins fraichement excisés, contenant chacun une
inclusion plus rigide en cryogel d’alcool de polyvinyle (cryogel PVA). Le cryogel PVA est un
polymère qui est largement utilisé en élastographie pour construire des fantômes imitant les
tissus mous biologiques. Les caractéristiques de ce matériau sont plus amplement détaillées
dans le chapitre suivant. Les échantillons tissulaires ont une épaisseur d’environ 3 à 4 cm et
les inclusions sont des cylindres de 7 mm de diamètre (figure 3.27). Les échantillons de foie
présentaient une surface fortement incurvée rendant difficile l’acquisition des données
ultrasonores dans des conditions correctes. Ils ont donc été recouverts d’un gel d’agar-gélatine
(gel également utilisé en élastographie) afin d’obtenir une surface plane. Les échantillons
obtenus ont alors été déformés dans des conditions contrôlées, directement par un appui de la
sonde.
Les données ultrasonores ont été acquises avec l’échographe Ultrasonix RP. Pour le premier
échantillon de foie, les deux types d’acquisition décrits au paragraphe III.1.1 ont été employés,
c’est-à-dire à la fois avec la sonde linéaire et avec la sonde 3D à balayage sectoriel. Les
résultats suivants utilisent uniquement la sonde 3D à balayage sectoriel.
Inclusion cylindrique
dure
Figure 3.27 : Exemple d’échantillon de foie bovin contenant une inclusion cylindrique dure en cryogel d’alcool de polyvinyle.
III.2.2. Echantillon biologique #1
III.2.2.1. Acquisition avec la sonde linéaire III.2.2.1.a. Paramètres de calculs
Les paramètres de calcul utilisés pour les acquisitions avec la sonde linéaire sur ce premier
123
Chapitre 3 – Evaluation de la méthode
échantillon biologique sont donnés dans la table 3.6. Un changement est intervenu par rapport
aux paramètres utilisés au paragraphe III.1.1.2.b pour les calculs sur le fantôme CIRS 049 : la
longueur axiale de la fenêtre d’estimation a été augmentée. Dans le cadre de calculs sur des
données biologiques, cet ajustement peut permettre d’obtenir une estimation plus robuste.
Valeurs
Interpolation
initiale Axial 4 fois
Axial 350 échantillons (1.7 mm)
Latéral 5 lignes RF (1.17 mm) Dimensions
de R1Azimutal 3 sections (0.6 mm)
Axial 80 %
Latéral 60 % Recouvrement
Azimutal 66 %
α 0.93 à 1
τ ± 3 lignes RF Bornes
ν ± 2 sections
Rthreshold 0.7
N 9
Table 3.6 : Paramètres de calculs pour l’échantillon biologique #1 (acquisitions avec la sonde linéaire).
III.2.2.1.b. Résultats Pour cette acquisition, la compression a été effectuée en déplaçant la sonde linéaire de 1 mm,
ce qui correspond à un taux de compression global d’environ 2.5 %. Le volume de
déformation axiale estimé est représenté figure 3.28(a). L’inclusion de forme cylindrique s’y
distingue nettement, car elle a une déformation de l’ordre de 1 %, alors que le milieu
environnant se déforme dans une plage de valeurs allant de 2 à 5 %. La partie supérieure du
volume a une déformation plus faible que le foie. Cette région correspond au gel d’agar-
gélatine qui recouvre le foie et sur lequel on applique la contrainte par l’intermédiaire de la
sonde. Nous pouvons également remarquer quelques zones de forte déformation (5 % ou plus),
notamment en bas de l’image, qui peuvent correspondre à la présence de vaisseaux sanguins.
Néanmoins, ces régions ne perturbent pas l’interprétation des données et les frontières de
l’inclusion restent nettes. Vue du dessus, c’est-à-dire depuis la sonde (figure 3.28(b)),
124
Chapitre 3 – Evaluation de la méthode
l’inclusion se distingue également du reste du foie, et on peut discerner sa forme cylindrique.
Le diamètre de l’inclusion a été estimé à 6.7 mm, c’est-à-dire très proche de son diamètre réel
(~7 mm). Sur une image mode-B (figure 3.28(d)), la frontière entre le foie et le gel d’agar-
gélatine est visible, mais l’inclusion l’est plus difficilement. Sur cette image, nous pouvons
également observer de nombreuses structures hyper-échogènes, caractéristiques des milieux
biologiques. Par rapport aux résultats correspondant aux fantômes CIRS, les élastogrammes
obtenus sur ce premier échantillon biologique sont légèrement plus bruités. Mais les données
sont bien estimées sur l’ensemble du volume, et étant donné qu’il s’agit de données
biologiques, beaucoup plus hétérogènes que les fantômes CIRS, ces premiers résultats sont
satisfaisants.
La cartographie du coefficient de corrélation normalisé est également représentée figure
3.28(c). La difficulté d’avoir à traiter des données biologiques se matérialise par un niveau de
corrélation qui semble globalement moins élevé que pour les études précédentes. Nous
pouvons observer des zones de faible corrélation, notamment dans le plan perpendiculaire à la
direction axiale. Cependant, les régions correspondantes dans le volume de déformation
semblent bien estimées. Enfin, la valeur moyenne du coefficient de corrélation sur l’ensemble
du volume est 0.77, ce qui semble acceptable pour des estimations sur des données
biologiques.
125
Chapitre 3 – Evaluation de la méthode
azimutal latéral
axial
(a)
(b) 1.4 4.2 5.6 %2.8 0
1 0 0.5 0.25 0.75
(d)
FoieG
el d’agar-gélatine
(c) Figure 3.28 : Déformation axiale estimée pour l’échantillon #1 de foie bovin contenant une inclusion cylindrique dure (données acquises avec la sonde linéaire) : vue de face (a) et vue du dessus (b). (c) Cartographie du coefficient de corrélation normalisé. (d) Exemple d’une image mode-B pour cette acquisition.
III.2.2.2. Acquisition avec la sonde 3D à balayage sectoriel III.2.2.1.a. Paramètres de calculs
L’échantillon #1 a également été examiné avec la sonde 3D à balayage sectoriel. Les
paramètres de calculs pour cette nouvelle étude sont identiques à ceux utilisés aux
paragraphes III.1.1.3 et III.1.2 pour les études des fantômes CIRS avec la sonde 3D. Ces
paramètres sont rappelés dans la table 3.7.
126
Chapitre 3 – Evaluation de la méthode
Valeurs
Axial 3 fois Interpolation
initiale Latéral 2 fois
Axial 230 échantillons (1.2 mm)
Latéral 12 lignes RF (3.7 °) Dimensions
de R1Azimutal 3 sections (2.2 °)
Axial 80 %
Latéral 66 % Recouvrement
Azimutal 66 %
α 0.95 à 1
τ ± 4 lignes RF Bornes
ν ± 1 sections
Rthreshold 0.7
N 9
Table 3.7 : Paramètres de calculs pour l’échantillon biologique #1 (acquisitions avec la sonde 3D à balayage sectoriel).
III.2.2.1.b. Résultats Le volume de déformation axiale estimée est représenté figure 3.29(a) et (b). Sur la vue de
face (figure 3.29(a)), l’inclusion est bien détectable et présente un niveau de déformation bien
différent du milieu environnant (1 % pour l’inclusion et plus de 2 % pour le milieu). Nous
remarquons simplement la présence de quelques artefacts (se traduisant par des zones de très
forte déformation) dans les coins supérieurs du volume. La vue de dessus du volume (figure
3.29(b)) permet de voir que l’inclusion cylindrique est bien détectée sur toute sa longueur. Sur
ces élastogrammes, le diamètre de l’inclusion est estimé à 7.1 mm, soit quasiment le diamètre
mesuré lors de la fabrication de l’inclusion (~7 mm).
La carte du coefficient de corrélation normalisé est représentée figure 3.29(c). Par rapport aux
résultats précédemment obtenus avec la sonde 3D (résultats correspondants aux fantômes
CIRS), cette carte est moins homogène. Cependant, la corrélation reste globalement bonne,
avec une valeur moyenne de 0.80. Nous pouvons noter une moins bonne corrélation autour de
l’inclusion, sans doute parce que le foie et l’inclusion ont une adhérence limitée. Nous
remarquons également une moins bonne corrélation au niveau des bords supérieurs du volume,
correspondant à des artefacts du volume de déformation estimé.
127
Chapitre 3 – Evaluation de la méthode
Enfin, les figures 3.29(d) et (e) montrent les élastogrammes obtenus avec les estimateurs 3D
et 2D, respectivement, pour une même section du volume acquis. L’élastogramme calculé à
partir de la méthode d’estimation 2D de la déformation présente quelques artefacts mais reste
interprétable, malgré des conditions d’acquisition peu favorables à cette technique.
L’élastogramme issu de la méthode 3D est bien estimé et semble beaucoup plus lisse que
l’élastogramme issu de la méthode 2D. L’inclusion apparaît aussi plus nettement que pour
l’estimation 2D.
(b)
(a)
3.6 1.2 2.4 0 4.8 %latéral
azimutal axial
(d) (e)
1 0 0.5 0.25 0.75
(c) Figure 3.29 : Déformation axiale estimée pour l’échantillon #1 de foie bovin contenant une inclusion cylindrique dure (données acquises avec la sonde sectorielle) : vue de face (a) et vue du dessus (b). (c) Cartographie du coefficient de corrélation normalisé. (d) Vue d’une section particulière estimée avec l’algorithme 3D, et (e) vue de la même section estimée avec l’algorithme 2D.
128
Chapitre 3 – Evaluation de la méthode
III.2.2. Echantillon biologique #2
III.2.2.1. Paramètres de calculs L’échantillon #2 de foie bovin a été étudié avec la sonde 3D à balayage sectoriel. Les
paramètres de calcul utilisés pour cette acquisition sont les mêmes que ceux utilisés pour
l’étude de l’échantillon biologique #1 (voir la table 3.7).
III.2.2.1. Résultats La figure 3.30 regroupe les résultats pour le deuxième échantillon biologique. Le volume de
déformation axiale estimé est représenté figure 3.30(a). L’inclusion y est visible, mais le
contraste entre la déformation du milieu environnant et la déformation de l’inclusion est
faible : la déformation est en effet restreinte à la gamme de valeurs [0 - 1.8 %]. Une première
vue en coupe du volume de déformation est donnée figure 3.30(c). Sur cet élastogramme, le
contraste est meilleur et l’inclusion se distingue plus nettement. Le diamètre de l’inclusion a
pu y être estimé à 7.4 mm (contre ~7 mm lors de la fabrication). En revanche, sur une seconde
vue (figure 3.30(d)), l’inclusion est en partie masquée par une région artéfactuelle de forte
déformation et la limite entre l’inclusion et le milieu est mal définie.
La cartographie du coefficient de corrélation normalisé est représentée figure 3.30(b). La
corrélation semble assez élevée et la carte est relativement uniforme sur l’ensemble du
volume, excepté en deux régions. D’une part, dans le coin supérieur gauche du volume, une
région de faible étendue présente une corrélation plus faible, traduisant une estimation erronée
dans le volume de déformation. D’autre part, un secteur s’étendant le long de la partie droite
du volume présente lui aussi une faible corrélation. Cependant dans le volume de déformation,
seule la partie supérieure de ce secteur présente une légère discontinuité par rapport à son
voisinage, le reste des estimations semblant correct. Malgré cette région mal estimée, la
valeur moyenne du coefficient de corrélation sur l’ensemble du volume vaut 0.78, ce qui
semble satisfaisant pour des estimations sur des données biologiques.
129
Chapitre 3 – Evaluation de la méthode
latéral
azimutal
axial
1 0 0.5 0.25 0.75 1.2 3.6 4.8 %2.4 0 (b) (a)
(c)
(d)
Figure 3.30 : (a) Volume de la déformation axiale estimée pour l’échantillon #2 de foie bovin contenant une inclusion cylindrique dure (données acquises avec la sonde sectorielle). (b) Cartographie du coefficient de corrélation normalisé. (c) Vue d’une première coupe du volume, où la déformation axiale estimée est globalement bien estimée. (d) Vue d’une seconde coupe du volume, où on peut noter la présence d’un artefact au niveau de l’inclusion.
IV. Conclusion
Les nombreux tests réalisés dans cette partie ont permis d’évaluer les performances des
méthodes 2D et 3D d’estimation de la déformation.
Les premiers résultats ont été obtenus sur des fantômes numériques simples. Ils ont d’abord
montré que l’algorithme 3D permettait de réaliser des estimations précises pour des
déformations appliquées variant dans une large gamme de valeurs allant de 0 à 14 %.
130
Chapitre 3 – Evaluation de la méthode
La comparaison des performances des algorithmes 2D et 3D a mis en évidence l’influence du
déplacement azimutal sur la qualité de l’estimation. Lorsque le mouvement azimutal est faible,
l’algorithme 2D s’est montré satisfaisant et les performances des méthodes 2D et 3D sont
même très proches. Mais la différence entre les deux méthodes apparaît lorsque la
compression appliquée est plus importante ou lorsque la géométrie du milieu implique un
important mouvement hors-plan. Dans ces conditions, l’algorithme 2D a en effet échoué à
produire des estimations correctes. En comparaison, l’algorithme 3D a fournit de bons
résultats pour une très grande majorité des configurations envisagées. Seules les très larges
déformations (supérieures à 16 %) entraînent une décorrélation trop importante des signaux
pour que l’algorithme 3D aboutisse à des estimations correctes. D’une manière générale, les
critères de comparaison choisis ont également montré les meilleures performances de la
méthode 3D, notamment pour la moyenne et la variance des estimations.
Les expériences suivantes ont été menées sur des données réelles, issues de fantômes dédiés à
l’élastographie ou de données biologiques in vitro. Pour l’ensemble des acquisitions et pour
les différentes sondes utilisées, l’algorithme 3D a produit des volumes de déformation
globalement bien estimés. Les acquisitions réalisées en main-libre, dans des conditions
proches de ce que pourrait être une application clinique, se sont révélées concluantes. La
méthode 3D a également permis de nettement mettre en évidence les régions dont les
propriétés mécaniques sont différentes du milieu environnant. Les performances de
l’algorithme se sont également montrées satisfaisantes pour l’étude des échantillons
biologiques, dont les données sont généralement plus délicates à traiter.
Finalement, l’algorithme 2D étant basé sur un modèle de déformation plan, il parvient à
produire des estimations correctes en présence d’un faible déplacement azimutal. Et dans ces
conditions, ses performances se sont montrées très satisfaisantes, notamment en termes de
précision et de rapidité. De plus, l’algorithme 2D ne requiert qu’une sonde classique,
équipement disponible sur la majorité des échographes utilisés en routine clinique. Mais en
toute logique, la méthode 2D ne s’avère plus adéquate lorsque le déplacement azimutal
devient trop important. Une solution consiste à acquérir en temps-réel les images ultrasonores,
tout en comprimant précautionneusement le milieu examiné, étant attendu que le déplacement
azimutal d’une image à l’autre reste faible. La déformation globale est alors calculée en
cumulant les élastogrammes estimés sur des paires d’images successives.
Mais d’une part les milieux biologiques sont très hétérogènes, et d’autre part l’application
d’une compression en main-libre, et donc non contrôlée, peut conduire à d’importantes
131
Chapitre 3 – Evaluation de la méthode
déformations entre deux images successives. La limitation du mouvement hors-plan ne peut
donc pas être garantie. Un modèle de déformation 3D permet de s’affranchir de cette
contrainte, ce que nous avons pu vérifier dans ce chapitre. Par rapport aux nombreux tests
effectués aussi bien sur des fantômes numériques que sur des fantômes physiques et des
données biologiques, les performances de notre méthode 3D se sont révélées très
satisfaisantes. La limite actuelle se situe essentiellement au niveau du temps de calcul de
l’algorithme, qui n’a pas été optimisé et qui nécessite des évolutions afin de devenir temps-
réel.
132
Chapitre 4 – Application à la détection précoce de l’escarre
Chapitre 4
Application à la détection précoce de l'escarre
Ce quatrième chapitre est dédié à l'application plus particulière de l'élastographie au cas de la
détection précoce de l’escarre. Cette pathologie étant encore largement méconnue, nous
commencerons par exposer la problématique médicale. Notamment, le processus de formation
de l’escarre, tel qu’il est connu en l’état actuel des recherches, sera présenté. Nous verrons
également pourquoi l’élastographie pourrait être un outil potentiellement adapté à la détection
de cette pathologie.
Une étude préliminaire, dont le but est d’évaluer la faisabilité de la détection de l’escarre par
élastographie, a consisté à tester notre méthode sur un modèle numérique d’escarre. La
détection de l’escarre par élastographie a ensuite été évaluée sur des données réelles, acquises
au moyen d’un fantôme imitant la configuration d’une escarre à un stade précoce de la
pathologie. Enfin, un protocole expérimental animal a été mis en place afin d’étudier des
escarres in vivo par élastographie. Pour cela, des escarres ont été générées sur des rats et notre
méthode a été appliquée à la région lésée. Les résultats engendrés sont présentés et mettent en
évidence une variation d'élasticité des régions pathologiques par rapport aux régions saines.
133
Chapitre 4 – Application à la détection précoce de l’escarre
I. Problématique médicale
I.1. Définition L’escarre est une lésion cutanée d’origine ischémique, liée à une compression excessive et
prolongée des tissus mous.
I.2. Les enjeux L’escarre est un réel problème sociétal lié à l’augmentation de l’âge de la population, au
traitement des handicapés chroniques et accidentels (tétraplégiques et paraplégiques). Il
concerne également les grands brûlés et les patients en longue hospitalisation.
Quelques chiffres issus d’associations de malades traduisent l’importance de la prise en
charge de l’escarre :
- 3% des personnes hospitalisées sont porteurs d’escarres (tout stade confondu) ;
- la durée nécessaire pour le soin d’une escarre est en moyenne de 80 minutes par
jour ;
- 70 % des escarres concernent des personnes de plus de 65 ans. Et chez le sujet âgé, la
surmortalité est multipliée par 5 chez les porteurs d’escarre ;
- le coût par patient d’une escarre est important. Il est compris entre 400 € et 22 000 €
(rapport Thoral, Charvet-Protat 1998).
La diminution de la prévalence de l’escarre dans les établissements hospitaliers et à domicile
est donc un enjeu considérable. Il l’est d’autant plus qu’une loi y contribue : le texte du
04/03/2002 rend effectivement obligatoire l’indemnisation des patients touchés par une
escarre. Ceux-ci se tourneront vers l’Office National d’Indemnisation des Accidents
Médicaux (ONIAM), dans la mesure où la contraction d’une escarre dans un établissement de
soins est considérée comme une négligence du personnel soignant. Cette conséquence est en
contradiction avec la politique de réduction des coûts de santé, puisque l’ONIAM reçoit ses
ressources essentiellement par une dotation de la sécurité sociale. Pour sa première année de
fonctionnement (2002), l'ONIAM a reçu un budget de 70 millions d'Euros. Il a également
reçu une dotation de 70 millions pour 2003.
Mais le coût de l’escarre reste surtout considérable en termes de souffrance personnelle, aussi
bien physique que morale.
134
Chapitre 4 – Application à la détection précoce de l’escarre
Le traitement de l’escarre s’inscrit dans une demande sociétale de plus en plus forte, de
longue maladie, du handicap, et du vieillissement, mettant en valeur l’importance de la
prévention (à l’aide de dispositifs anti-escarre) et surtout les besoins pressants de moyens de
détection précoce.
I.3. Phénoménologie de l’escarre
I.3.1. Le mécanisme général
En position assise ou allongée, le corps du patient appuie sur son support (fauteuil ou lit) avec
une force proportionnelle à sa masse. Réciproquement, la réaction du support fait que celui-ci
exerce une contre-pression sur la surface cutanée avec laquelle il est en contact. Il en résulte
que les tissus mous impliqués sont l’objet d’une compression d’intensité et de durée variables.
La sensation de douleur causée par ce phénomène incite normalement la personne à bouger
pour soulager les tissus comprimés. Mais, si l’individu ne perçoit plus le signal de douleur
liée à la pression ou s’il lui est impossible de bouger en réaction à cette douleur, la
compression demeure. Or, les tissus biologiques sont capables de résister à de fortes pressions
[Holzapfel-01, Colin-98], mais seulement sur de courtes durées. A l’inverse, une pression
modérée mais durable peut provoquer des complications. Localement, la pression va s’exercer
sur l’ensemble de la région considérée et en particulier sur les capillaires, entraînant une
occlusion vasculaire. Ce défaut d’irrigation, appelé ischémie, empêche les échanges naturels
(oxygène, nutriments, …) entre le sang et les cellules environnantes (figure 4.1). Si la
pression persiste, la déficience circulatoire s’accroît, avec pour conséquence une nécrose
cellulaire. Le stade ultime se traduit par la formation d’un œdème puis d’une escarre.
135
Chapitre 4 – Application à la détection précoce de l’escarre
Compression des tissus
Ischémie
Ecrasement des capillaires
Figure 4.1 : Phénomène de l’ischémie due à la compression des tissus : l’écrasement des capillaires empêche les échanges entre le sang et les cellules environnantes.
I.3.2. Les zones d’apparition de l’escarre
Toute région exposée à une pression importante peut être le site d’une escarre. Néanmoins, le
risque est maximum lorsque la force agit perpendiculairement sur une région cutanée qui
couvre des structures osseuses convexes, donc saillantes, avec peu de tissu élastique apte à
répartir la pression (cf. figure 4.2).
Os
Tissus
Support
Région subissant une forte pression
Poids du patient
Réaction du support
Figure 4.2 : Illustration d’une configuration particulièrement sujette à l’apparition d’une escarre. La faible épaisseur de tissus en regard d’une protubérance osseuse fait que la région subit une pression importante.
Par conséquent, les régions du sacrum, du coccyx, du talon et du tendon d’Achille, de
l’omoplate et de l’occiput sont des sites de formation d’une escarre chez le patient en
décubitus dorsal (figure 4.3). En position latérale, les régions du trochanter, de l’épaule, de la
136
Chapitre 4 – Application à la détection précoce de l’escarre
crête iliaque, du genou et des malléoles externes sont les plus à risque. La position assise
expose essentiellement les ischions, l’occiput, la colonne vertébrale et le talon. Les zones de
formation potentielle d’une escarre sont donc très nombreuses, mais les sites privilégiés
restent le sacrum et le talon : 80 % des escarres concernent ces deux régions [Barrois-99].
Figure 4.3 : Les zones privilégiées de formation de l’escarre sont les régions comprises entre une protubérance osseuse et le support.
I.3.3. Les différents facteurs impliqués dans la formation d’une escarre
Le facteur déterminant dans le processus de formation d’une escarre est la pression qui
s’exerce sur les tissus compris entre le plan osseux et le plan d’appui. Celle-ci a des
conséquences à différents niveaux. Les contraintes mécaniques extérieures ont d’abord des
répercussions directes sur les cellules. En effet la pression provoque un contact intercellulaire
qui entraîne une rupture des membranes et la libération de matériels intracellulaires toxiques.
La pression agit ensuite sur la micro-circulation cutanée, voire sous-cutanée. Théoriquement,
l’ischémie tissulaire apparaît lorsque la pression interstitielle dépasse les valeurs de la
pression artériolaire (dont le niveau moyen se situe autour de 32 mm Hg [Landis-30]). Mais la
valeur de la pression limite qui provoque l’occlusion des vaisseaux varie de manière
significative selon les individus et selon les régions du corps.
De plus, les échanges (eau, oxygène, nutriments, produits du métabolisme cellulaire) entre les
tissus et le lit vasculaire dépendent d’un équilibre entre la pression qui s’exerce vers
l’extérieur du vaisseau et la pression exercée par les tissus sur le capillaire. Une pression
137
Chapitre 4 – Application à la détection précoce de l’escarre
extérieure – même faible et entraînant peu de perturbations circulatoires directes – peut donc
venir modifier ces échanges et être à l’origine de la formation d’un œdème.
Le cisaillement, souvent défini comme une pression oblique, intervient également dans la
genèse de l’escarre. Il provoque un étirement et une réduction du calibre des vaisseaux, créant
de larges zones de souffrance vasculaire. Celles-ci vont amplifier l’effet de compression,
diminuant la pression d’occlusion capillaire. Le cisaillement a principalement lieu dans la
position semi-assise au niveau du sacrum.
Les pathologies neurologiques ont un rôle majeur dans le phénomène de l’escarre. Les
atteintes de la motricité aggravent les répercussions tissulaires des contraintes mécaniques,
alors que les troubles de la sensibilité altèrent ou suppriment la perception du signal
douloureux de l’appui.
Enfin, un certain nombre de facteurs généraux liés à l’état du patient favorisent l’apparition
d’une escarre :
- l’âge,
- l’état physiologique général, en particulier l’anémie et l’hyperthermie,
- les pathologies vasculaires et circulatoires,
- le statut nutritionnel et métabolique (dont le diabète, l’obésité ou la cachexie, la
carence protidique et la diminution de l’apport énergétique, le déficit en vitamines et
en oligo-éléments),
- l’incontinence et la transpiration, qui favorisent la fragilisation et entretiennent les
lésions initiales.
I.3.4. Les différents stades de l’escarre
De nombreuses classifications permettant de décrire les escarres sont recensées. On
différencie les classifications anatomiques (SHEA (1975), I.A.E.T. (1988), Yarkony-Kirk
(1991)), anatomo-cliniques (N.P.U.A.P. (1989), A.H.C.P.R. (1994)) et cliniques (Colin et col.
(1989), Garches (1991), E.P.U.A.P. (2000)).
Il existe également une classification colorielle basée sur les trois couleurs suivantes : rouge
correspondant au stade de bourgeonnement, jaune pour le stade d’exsudat et de fibrine et noir
pour le stade de nécrose.
Nous retenons ici une classification simple en quatre stades, basée sur la nature de la lésion
(figure 4.4) :
138
Chapitre 4 – Application à la détection précoce de l’escarre
- Stade 1 : l’érythème. L’escarre se caractérise d’abord par une rougeur cutanée qui ne
disparaît pas lorsque le praticien appuie sur la zone concernée, et qui est liée à la
congestion des capillaires. Cependant avec une suppression rigoureuse de la pression
en cause, la rougeur disparaît en quelques heures ou quelques jours.
- Stade 2 : la désépidermisation. Ce stade se caractérise par une perte partielle de
l’épiderme pouvant aller jusqu’au derme. Il s’agit d’un ulcère superficiel qui apparaît
comme une abrasion ou une crevasse en forme de coupe.
Ces deux premiers stades correspondent à des lésions réversibles, à condition que la
prise en charge soit rapide et efficace, et ont un bon pronostic d’évolution. Mais non
détectés, ils évoluent rapidement vers les stades 3 et 4, c’est-à-dire vers des lésions
irréversibles au traitement long et aux risques de mortalité élevés.
- Stade 3 : la nécrose. L’escarre est une lésion qui concerne toutes les couches de la
peau : épiderme, derme et tissu sous-cutané. A ce niveau de la pathologie on observe
une dévitalisation définitive des tissus sous-jacents.
- Stade 4 : l’ulcère. L’escarre en phase finale se définit par une perte cutanée sur toute
son épaisseur, avec nécrose étendue et lésions musculaires, tendineuses et osseuses. La
formation de cavités est également fréquente.
Une fois les tissus en état d'ischémie, leur dégradation est très rapide. Dans certains cas, le
passage du stade d'érythème à celui d'ulcère peut donc ne prendre que quelques heures.
Epiderme
Derme
Hypoderme
Aponévrose et muscle
Os
Figure 4.4 : Coupe schématique des différentes couches de tissus qui vont être altérées lors de la formation de l’escarre.
139
Chapitre 4 – Application à la détection précoce de l’escarre
I.3.5. Traitement de l’escarre
L’escarre n’est pas une plaie ordinaire : elle est l’expression localisée d’un contexte général
qui doit déboucher sur des thérapeutiques multiples et complémentaires. Dans la mesure du
possible, il convient donc de traiter l’ensemble des pathologies liées à l’escarre, notamment
celles à retentissement cardiaque ou vasculaire, ou de sensibilité ou motricité.
D’un point de vue nutritionnel, l’escarre augmente fortement les besoins de l’organisme,
notamment en protéines. Si dénutrition et amaigrissement sont des causes classiques de
l’escarre, des apports alimentaires insuffisants en phase de cicatrisation vont ralentir, voire
perturber, le processus de cicatrisation, d’où une indispensable prise en compte du facteur
nutritionnel chez le patient porteur d’escarre.
Le traitement local est avant tout basé sur l’installation en décharge des points d’appuis à
risques. Dans le cadre de la prévention (chez le sujet à risque) ou du traitement de l'escarre, on
est amené à utiliser des supports (matelas, coussins, lits…) spéciaux de soulagement de
pression. Leurs propriétés leur permettent une meilleure distribution des pressions sur le corps.
Il existe des supports statiques, qui augmentent passivement la surface de contact entre le
support et le corps et des supports dynamiques faisant varier continûment la pression en
chaque point du corps. Ainsi l’utilisation d’un matelas adapté par rapport à un matelas
ordinaire est très importante et, au-delà du traitement de l'escarre constituée, devrait en rendre
l'usage très courant pour la prévention. Néanmoins, l’efficacité du support est tributaire d’une
installation correcte du malade, et ces supports ne dispensent pas de la nécessité des
manœuvres périodiques, même s’ils permettent d’en diminuer la fréquence.
La stratégie thérapeutique repose sur la cicatrisation. Dans certains cas, signalons que la
chirurgie peut permettre de sortir d’une impasse thérapeutique.
I.4. La prévention de l’escarre Les éléments d'évaluation du risque de constitution d’escarre sont multiples et comptent
essentiellement :
- l'évaluation de la peau en regard des proéminences osseuses (la palpation est une
méthode utilisée pour évaluer l’apparition de l’escarre : la détection d'une rougeur ne
disparaissant pas sous l’effet d’une pression manuelle exercée par le médecin est signe
de formation d’escarre) ;
140
Chapitre 4 – Application à la détection précoce de l’escarre
- l'évaluation générale du patient ;
- l'histoire clinique, mentale et physique ;
- un « calcul » de risque par des échelles décrites ci-après.
Dans la littérature, nous pouvons trouver plus de 17 échelles différentes d’évaluation du
risque. Le personnel des services hospitaliers a souvent recours à ces échelles en complément
de leur diagnostic clinique. Deux échelles en particulier ont fait l'objet de nombreuses
recherches. L'échelle de Norton (1962) est la plus connue et a servi de base à un grand
nombre d'autres échelles. Elle comprend 5 items: la condition physique, la condition mentale,
l’activité, la mobilité et l’incontinence. Chaque item est coté de 1 à 4. En additionnant les
points obtenus, on obtient un score compris entre 5 et 20, sensé représenter le risque de
constitution d’escarre chez le patient. L'échelle de Braden, publiée en 1985, comporte, quant à
elle, 6 items : la perception des sens, l’activité, la mobilité, l’humidité, l’alimentation et enfin
la friction et le cisaillement.
Quelle que soit l’échelle utilisée, les facteurs pris en compte sont difficilement quantifiables.
Le score obtenu dépend de l’échelle utilisée et le recours à cet outil d’évaluation est remis en
cause par des spécialistes comme T. Delfoor (congrès PERSE 01/04/2004 - Paris). Les
échelles de risque, à elles seules, ne sont pas suffisamment fiables pour servir de base unique
à un système de prévention. De plus, le patient n'est jamais dans une situation clinique fixe,
son état peut s'aggraver ou s'améliorer au fil du temps. D'où la nécessité de réévaluer
régulièrement le risque de survenue d'escarres que présente un patient.
II. Détection précoce de la formation de l’escarre par élastographie ultrasonore – Une étude de faisabilité
II.1. L’élastographie : une technique adaptée ? Il a été établi que la nature des tissus biologiques exposés à la pression intervient, car les
différents tissus mous concernés (de la peau jusqu’à l’os, figure 4.4) ont des caractéristiques
métaboliques différentes [Daniel-81, Dinsdale-73, Gordon-76, Nola-80]. Ainsi le
métabolisme de la peau a recourt à la voie anaérobie, alors que le tissu musculaire utilise
141
Chapitre 4 – Application à la détection précoce de l’escarre
essentiellement la voie aérobie. Le muscle est donc bien plus sensible à l’occlusion des
vaisseaux due à la pression : les lésions musculaires sont plus étendues ou plus précoces que
les lésions cutanées [Herrman-99]. L'escarre est donc une plaie qui se développe d’abord en
profondeur (dans le muscle à proximité de l’os, figure 4.5) avant de s'ouvrir vers l'extérieur.
C'est pourquoi la gravité d’une escarre est souvent importante lors de son apparition au niveau
de la peau, et cela explique également pourquoi sa détection précoce peut s’avérer difficile.
Os
Lésion
Support
Apparition en surface
t
Figure 4.5 : Vue en coupe du processus de formation de l’escarre au cours du temps. La plaie se développe d’abord en profondeur avant de s'ouvrir vers l'extérieur.
D’autre part, lors d’une étude chez le petit animal, Gefen et al. [Gefen-05] ont observé, in
vivo, une variation d’élasticité significative entre les tissus sains et les tissus atteints par une
escarre.
Cette étude a été menée chez le rat. Elle a été réalisée en appliquant des pressions d’intensité
variable (35 ou 70 kPa) et de durée variable (de 15 minutes à 2 heures), au niveau de la cuisse
(figure 4.6). Ces différentes combinaisons d’intensité et de durée ont été choisies car elles
sont susceptibles de provoquer des escarres. Le module de cisaillement des tissus a finalement
été mesuré.
Les valeurs correspondantes du module de cisaillement du muscle de la cuisse ont alors été
mesurées au moyen d’un dispositif adapté à la technique dite « d’empreinte » [Lai-Fook-76,
Vannah-96, Gefen-01, Gefen-03, Gefen-04] (figure 4.7). Il s’agit d’appliquer au tissu une
force P (N) au moyen d’un embout hémisphérique de rayon R (mm). Cette force va venir
enfoncer le tissue d’une distance δ (mm).
142
Chapitre 4 – Application à la détection précoce de l’escarre
Muscle de la cuisse
Compresseur de forme cylindrique
(diamètre de 20 mm)
Animal
Figure 4.6 : Système permettant de générer une escarre au niveau du muscle de la cuisse du rat. La durée et l’intensité de la compression peuvent varier [Gefen-05].
Figure 4.7 : Schéma du dispositif permettant de mesurer le module de cisaillement, issu de [Gefen-04].
D’après [Lee-60], le module de cisaillement G (MPa) est alors donné par la formule:
δRδPG
163
=
Les valeurs trouvées pour G au cours de ce protocole sont regroupées dans la table 4.1. Elles
sont présentées sous la forme d’un rapport entre le module de cisaillement au moment de la
mesure, noté G(t), et le module de cisaillement à l’instant initial (avant application de la
pression), noté G(t0).
143
Chapitre 4 – Application à la détection précoce de l’escarre
Pression appliquée (kPa) 35 70
Durée (min) 15 30 60 120 15 30 120
G(t)/G(t0) (durcissement par rapport à l’origine)
G module de cisaillement 1.21 1.87 2.39 3.29 2.54 3.01 3.28
Table 4.1 : Valeurs de durcissement des tissus mesurées par Gefen et al. [Gefen-05] lors de leur protocole animal. Rapports entre le module de cisaillement à un instant donné G(t) et le module de cisaillement initial G(t0), pour des pressions de différentes intensités et durées.
Ces résultats mettent en évidence un durcissement significatif des tissus dû à la compression.
Dès une pression de 35 kPa appliquée pendant 15 minutes, le module de cisaillement
augmente de 20 % par rapport à sa valeur initiale. Le durcissement va jusqu’à un facteur
supérieur à 3 après 2 heures de compression.
Pour compléter ce protocole, les auteurs ont de nouveau appliqué une compression au niveau
de la cuisse d’autres rats, en respectant le même processus. Mais cette fois, ils ont mené une
évaluation histologique des tissus ayant subit la compression. Les coupes histologiques ont
mis en évidence la mort des cellules dès 15 à 30 minutes d’exposition à la pression. Ces
évaluations histologiques permettent d’expliquer le durcissement des tissus constaté par les
mesures du module de cisaillement. Exposés à une compression maintenue, les tissus
subissent une ischémie qui finit par provoquer la nécrose cellulaire. Et ces tissus morts
apparaissent plus durs que les tissus sains.
Ces travaux, additionnés aux résultats sur le métabolisme des tissus, permettent de mettre en
évidence deux points fondamentaux en ce qui concerne le processus de formation d’une
escarre :
1) Etant donné la plus grande immunité des tissus cutanés à l’ischémie, l’escarre est une
plaie qui se forme d’abord dans le muscle, c’est-à-dire en profondeur, avant de
s’étendre aux tissus de la peau, c’est-à-dire en surface.
2) Les tissus pathologiques touchés par l’escarre sont des tissus nécrosés, qui ont une
dureté plus importante que des tissus sains.
Notre technique d’élastographie ultrasonore s’appliquant à toute pathologie s’accompagnant
d’une variation locale de l’élasticité au sein des tissus, elle pourrait être un outil intéressant
dans le cadre de cette problématique.
144
Chapitre 4 – Application à la détection précoce de l’escarre
Comme nous l’avons vu précédemment, l’escarre est une pathologie qui a fait, jusqu’à nos
jours, l’objet de peu de recherches. Les procédés actuels de prévention et de détection de
l’escarre sont insuffisants. L’évaluation du risque n’est basée que sur l’expérience du
personnel soignant. Cet avis subjectif est parfois associé à l’utilisation d’ « échelles de
risque » dont les éléments d’évaluation ne sont pas quantifiables.
Le but de cette étude est donc d’évaluer la capacité de l’élastographie à détecter l’apparition
d’une escarre, se traduisant par une région anormalement dure en regard des tissus
environnants. Le but ultime consisterait donc à réaliser régulièrement des acquisitions
échographiques chez les patients à risque, afin de cartographier la déformation de la région
d’intérêt (figure 4.8). Il est cependant à noter que cette application médicale de l’élastographie
comporte certaines difficultés : en effet, il s’agit d’étudier la déformation d’une région de
faible épaisseur et délimitée en profondeur par la présence d’un os, très réfléchissant à
l’échographie et pouvant être une source d’artéfacts.
Elastographie
? Sonde
échographique
Zone imagée
Os
Région à risque
Figure 4.8 : Illustration du principe de la détection précoce de l’escarre par élastographie. L’étude de la déformation du milieu permettrait de détecter des zones dures pathologiques.
Dans le cadre de cette thèse, nous avons donc cherché à déterminer les capacités de
l’élastographie pour la détection précoce de l’escarre, d’abord par l’intermédiaire de
simulations numériques, puis au moyen d’un fantôme physique en Cryogel PVA, et
finalement dans les conditions in vivo par un protocole animal chez le rat.
145
Chapitre 4 – Application à la détection précoce de l’escarre
II.2. Etude utilisant un modèle numérique d’escarre Nous avons commencé par étudier la faisabilité d’une détection précoce de l’escarre par
élastographie au moyen de simulations numériques.
II.2.1 Description du milieu Le fantôme numérique simulé imite une escarre à un stade préliminaire (figure 4.9). Ce
fantôme est tridimensionnel. Il représente une région de hauteur 20 mm, de largeur 30 mm, et
de profondeur 4 mm. Il est composé de 3 régions distinctes : une proéminence osseuse de 10
mm de diamètre, l’escarre, et des tissus sains environnants. Le module d’Young de l’os est de
10 GPa et celui de la région saine est de 50 kPa, ce qui correspond à une valeur classique pour
des tissus mous biologiques [Krouskop-98]. Par rapport à des tissus sains, Gefen et al.
[Gefen-05] ont montré que des tissus atteints par l’escarre présentaient un durcissement, avec
un facteur variant de 1.8 à 3.3. Deux valeurs ont donc été choisies pour le module d’Young de
la région pathologique : soit 90 kPa (correspondant au contraste le plus faible entre la région
saine et la région pathologique : 1.8 x 50 kPa), soit 120 kPa (correspondant à une valeur
intermédiaire).
Figure 4.9 : Configuration du fantôme numérique imitant un milieu avec développement d’une escarre.
D’un point de vue acoustique, les propriétés de la région simulant l’os sont choisies de
manière à ce qu’il soit hyper-échogène. En revanche, les deux régions simulant les tissus
mous ont les mêmes propriétés acoustiques, et sont moins échogènes que l’os.
Une compression axiale de 1.5 kPa a été appliquée sur la surface supérieure alors que l’os
était maintenu fixe. La déformation correspondante a été calculée au moyen d’une
modélisation par éléments finis.
20 mm
4 mm
10 mm
30 mm Tissus sains (50 kPa)
Escarre (90 ou 120 kPa)
Os (10 GPa)
146
Chapitre 4 – Application à la détection précoce de l’escarre
II.2.2 Déformation axiale théorique du milieu avec et sans escarre Sur la figure 4.10 sont représentés les champs de déformation axiale théoriques du fantôme,
en l’absence d’escarre, avec une escarre de module d’Young 90 kPa et enfin avec une escarre
de module d’Young 120 kPa.
Nous pouvons observer que le milieu sans escarre et le milieu avec escarre présentent une
déformation bien différente au niveau de la zone pathologique. Dans le cas du milieu sans
escarre, la région simulant les tissus mous, localisée entre la surface d’application de la
contrainte et la région simulant l’os, subit une déformation continue avec une déformation
maximale proche de l’os. L’os ne se déforme pas car il est par nature très dur en comparaison
du reste du milieu. Dans le cas de la présence d’une escarre, même de faible étendue, la
déformation de la région simulant les tissus mous et l’escarre présente un motif différent de
celui obtenu en l’absence d’escarre. En particulier, la déformation de la région de l’escarre est
beaucoup plus faible que celle des tissus environnants, et elle l’est d’autant plus que l’escarre
a un module d’Young plus élevé.
Les cartes de déformation théoriques dans le cas du milieu avec une escarre de 90 kPa et de
120 kPa sont certes très proches. Cependant, notre étude porte sur les potentialités de
l’élastographie à détecter précocement la formation d’une escarre, et les champs théoriques
présentés montrent une différence significative de la déformation lorsque le fantôme
numérique comporte ou non une région de type escarre.
Ces observations sont mises en relief avec les tracés du profil vertical médian de la
déformation axiale représentés en figure 4.11. Nous pouvons vérifier que les tissus à
proximité de l’os ont une déformation bien différente selon qu’une escarre est présente ou non
(environ 3.5 % de déformation en présence d’une escarre et plus de 5 % sans escarre).
5
4
3
2
1
0 (c)(a) (b) Déformation (%)
Figure 4.10 : Déformation axiale théorique en % du milieu (a) sans escarre, (b) avec une escarre de 90 kPa et (c) avec une escarre de 120 kPa.
147
Chapitre 4 – Application à la détection précoce de l’escarre
Figure 4.11 : Tracés du profil vertical médian de la déformation axiale théorique pour la configuration sans escarre, avec une escarre de 90 kPa et avec une escarre de 120 kPa.
II.2.3 Déformation estimée A partir du fantôme numérique imitant des tissus biologiques avec développement d’une
escarre de 90 kPa et de 120 kPa, nous avons généré les images échographiques
correspondantes. Les images ultrasonores pré- et post-compression ont été simulées suivant la
méthode décrite dans le paragraphe II.1 du chapitre 3.
La version 2D de notre méthode 3D a été utilisée pour estimer la déformation du milieu. Les
résultats sont présentés figure 4.12 et peuvent être comparés aux valeurs théoriques.
Figure 4.12 : Champs estimés et théoriques pour le fantôme numérique d’escarre. Déformation axiale en % (a) théorique, (b) estimée et déplacement latéral en dixième de mm (c) théorique et (d) estimé pour l’escarre de 90 kPa. Déformation axiale en % (e) théorique, (f) estimée et déplacement latéral en dixième de mm (g) théorique et (h) estimé pour l’escarre de 120 kPa.
20 15 10 5 00 1 2 3 4 5 6 Escarre de 120 kPa
Sans escarre
Déformation (%)
Escarre de 90 kPa
Distance (mm)
Tissus Os
(b) (c)
(h)(f) (g)(e)
(d) (a)
-2
-1
0
1
2
Déplacement (x 0.1 mm)
5
4
3
2
1
0 Déformation
(%)
148
Chapitre 4 – Application à la détection précoce de l’escarre
La première observation que nous pouvons faire est que les champs estimés sont très proches
des champs théoriques. En particulier, les champs de déformation axiale estimés et théoriques
présentent les mêmes motifs avec une zone de déformation maximale située au centre de la
région étudiée. Conformément aux propriétés acoustiques choisies pour le milieu, la région
simulant l’escarre ne peut être distinguée de la région représentant les tissus sains à
l’échographie (figure 4.13). Cependant, les cartes estimées permettent de distinguer les trois
régions.
Quelque soit l’élasticité de l’escarre, la déformation de l’os est presque nulle, tandis que la
déformation de la région pathologique correspond à environ la moitié de celle de son
voisinage (2.5 % contre 5 %). La frontière supérieure de la région anormalement dure est
perceptible. Pour un fantôme présentant la même géométrie et les mêmes caractéristiques,
mais sans la région pathologique, on vérifie figure 4.10(a) que le profil de déformation
théorique est très différent.
Figure 4.13 : Echographie mode B du fantôme numérique d’escarre.
II.2.4 Conclusion Cette première étape a permis de montrer la faisabilité de la détection précoce de l’escarre par
élastographie, au moyen de simulations numériques. Pour cela, différents fantômes contenant
ou non une escarre ont été considérés. Une étude théorique initiale a d’abord montré une
différence de comportement en déformation entre la configuration saine et la configuration
pathologique. La déformation des fantômes pathologiques a donc été estimée par
élastographie, grâce à notre méthode d’estimation. Les résultats montrent la capacité de notre
technique à mettre en évidence la région pathologique, malgré ses faibles dimensions et ses
caractéristiques mécaniques proche du milieu environnant (l’escarre n’est que 1.8 fois plus
dure). Cette première étude numérique concluante nous a encouragés à poursuivre les tests sur
un fantôme physique.
149
Chapitre 4 – Application à la détection précoce de l’escarre
II.3. Tests sur fantôme physique Les premiers tests réalisés sur des données simulées ont montré que l’élastographie
ultrasonore peut mettre en évidence une zone de faible étendue localisée à proximité d’un os
et plus dure (d’au moins un facteur 1.8) que les tissus mous environnants. Une seconde étape
a donc consisté à poursuivre l’évaluation de l’apport potentiel de l’élastographie pour la
détection précoce d’une escarre à partir d’un fantôme physique recréant la configuration du
fantôme numérique présenté dans le paragraphe précédent. Ce fantôme est composé d’un os
canin et les tissus mous sont imités par un cryogel d’alcool de polyvinyle, matériau adapté
aux études élastographiques.
II.3.1. Le cryogel d’alcool de polyvinyle, un matériau adapté pour l’élastographie
Le cryogel d’alcool de polyvinyle (cryogel PVA) est un polymère qui est désormais
largement utilisé en élastographie pour la fabrication de fantômes imitant les tissus mous
biologiques. Ce matériau possède effectivement des propriétés mécaniques proches de celles
des tissus vivants. Mélangé à des particules de Sigmacell qui jouent le rôle de réflecteurs, il en
a également les propriétés acoustiques. Initialement utilisés en imagerie par résonance
magnétique [Chu-97], les fantômes en cryogel d’alcool de polyvinyle sont donc également
compatibles avec l’imagerie ultrasonore [Chu-98].
La dureté d’un fantôme en PVA augmente avec le nombre de cycles de congélation-
décongélation subit par le matériau [Chu-97, Fromageau-03, Fromageau-07, Lozinski-07].
Plus particulièrement Fromageau et al. [Fromageau-03, Fromageau-07] ont réalisé différentes
études sur les propriétés mécaniques du cryogel d’alcool de polyvinyle, afin de valider son
intérêt pour la fabrication d’objets tests en élastographie. Cette équipe de chercheurs a
notamment estimé le module d’Young d’échantillons en PVA, trouvant des valeurs dans une
vaste gamme, allant de 20 kPa pour un cycle de congélation-décongélation, jusqu’à 600 kPa
pour 10 cycles (table 4.2). La valeur du coefficient de Poisson a été estimée à 0.499, montrant
la quasi-incompressibilité des fantômes en PVA. Enfin, ils ont observé que la vitesse du son
dans le PVA variait dans la gamme 1525 – 1560 mètres par seconde, ce qui est similaire aux
valeurs que l’on peut trouver pour les tissus biologiques.
150
Chapitre 4 – Application à la détection précoce de l’escarre
Nombre de cycles de congélation-
décongélation
Module d’Young estimé en kPa
1 cycle 25 ± 3 2 cycles 105 ± 12 3 cycles 182 ± 21 4 cycles 286 ± 33 5 cycles 302 ± 35 6 cycles 322 ± 37 7 cycles 398 ± 46 8 cycles 465 ± 53 9 cycles 532 ± 61 10 cycles 615 ± 70
Table 4.2 : Module d’Young en fonction du nombre de cycles de congélation-décongélation, estimé sur des échantillons de cryogel d’alcool de polyvinyle [Fromageau-07].
Il est ainsi possible de créer des objets tests, en assemblant des régions ayant subi un nombre
de cycles de congélation-décongélation différent, sachant que la dureté du matériau augmente
avec le nombre de cycles. Il est cependant important de noter que, si la table 4.2 met en
évidence cette évolution spécifique de la dureté du matériau, les valeurs indiquées de module
d’Young en fonction du nombre de cycles de congélation et décongélation ne peuvent en
aucun cas être pris comme une référence. En effet, lors de la fabrication d’un fantôme, de
nombreux paramètres interviennent, plus ou moins faciles à maîtriser. On notera en particulier
que des variations dans le volume du fantôme, l’évaporation de l’eau de la solution lors de
son chauffage, la température ainsi que la vitesse de congélation utilisées peuvent engendrer
des modifications importantes sur la dureté du milieu. C’est ainsi que dans une étude
antérieure, pour le même matériau, Fromageau et al. [Fromageau-03] ont mesuré un module
d’Young d’environ 40 kPa pour 2 cycles de congélation – décongélation alors que dans la
table 4.2, la valeur correspondante est 105 kPa. Cette différence est attribuée à la vitesse de
congélation- décongélation ainsi qu’à la durée du cycle.
II.3.2. Description du fantôme
Le fantôme en cryogel d’alcool de polyvinyle a été conçu afin d’imiter une escarre naissante.
Ce fantôme est décrit figure 4.14(a). Il est constitué de trois régions distinctes : un os de chien
d’environ 1 cm de diamètre et deux régions en PVA. Le milieu environnant représente les
tissus sains et il n’a subi qu’un seul cycle de congélation-décongélation. La région
151
Chapitre 4 – Application à la détection précoce de l’escarre
pathologique imitant l’escarre a été soumise à deux cycles de congélation-décongélation.
Cette dernière a la forme d’un demi-cylindre de 50 mm de diamètre et elle se situe en
profondeur entre la zone saine et l’os.
Tissus sains(1
Escarre (2 cycles)
Os
cycle)
y (latéral)
110 mm
Sonde ultrasonore
60 mm
azimutal)z (
x (axial)
30 mm
(b) (a) Figure 4.14 : (a) Caractéristiques du fantôme physique d’escarre. (b) Echographie mode B d’une section du fantôme.
II.3.3. Résultats
Le volume de données ultrasonores a été acquis selon le protocole décrit au paragraphe
III.1.1.2 du chapitre 3, au moyen d’un échographe Ultrasonix RP équipé d’une sonde de
fréquence centrale 6.6 MHz. Une plaque de faible épaisseur a été utilisée pour comprimer le
fantôme uniformément sur sa surface supérieure, alors que la surface inférieure était immobile.
Cette plaque étant transparente aux ultrasons, les signaux ont pu être acquis au travers de la
plaque sans atténuation significative. La compression globale ainsi réalisée était de 2 %.
Notre algorithme 3D d’estimation de la déformation a été évalué sur ces données avec les
paramètres de calcul de la table 4.3, conduisant aux résultats de la figure 4.14.
152
Chapitre 4 – Application à la détection précoce de l’escarre
Valeurs
Axial 5 fois Interpolation
initiale Latéral 2 fois
Axial 300 échantillons (1.15 mm)
Latéral 6 lignes RF (0.85 mm) Dimensions
de R1Azimutal 3 sections (0.6 mm)
Axial 80 %
Latéral 80 % Recouvrement
Azimutal 33 %
α 0.92 à 1
τ ± 6 lignes RF Bornes
ν ± 1 sections
Rthreshold 0.75
N 9
Table 4.3 : Paramètres de calculs sur le fantôme physique d’escarre.
Nous pouvons constater que sur une échographie classique, les trois régions définies
n’apparaissent pas clairement (figure 4.14(b)). L’os est discernable car il est hyper-échogène,
mais les deux autres régions en PVA, imitant les tissus mous et l’escarre ont une texture
identique. Seule leur interface peut être distinguée à l’échographie. Au contraire, la carte de
déformation axiale estimée permet de faire une distinction entre la nature de ces deux régions
(figure 4.15(a)) : la déformation moyenne de la région saine (molle) estimée à 1.2 % est le
double de celle de la région pathologique (0.6 %), alors que la déformation de l’os est
quasiment nulle. Les cartes de déplacements latéral et azimutal sont également représentées
(figure 4.15(b) et (c)). Bien que bruitées en raison des faibles résolutions latérale et azimutale,
ces cartes apportent néanmoins quelques informations. Sur la carte de déplacement latéral, il
est possible de voir la frontière de la région anormalement dure. La carte de déplacement
azimutal (figure 4.15(c)) fait apparaître des déplacements importants à la limite entre l’os et la
région dure. Ceci est peut-être dû au fait que les deux régions ne sont pas physiquement
solidaires, ce qui peut entrainer des glissements du PVA sur l’os. Lors de la fabrication d’un
fantôme, il est effectivement difficile de maîtriser l’adhérence entre les différentes régions.
Toutefois, l’amplitude des déplacements azimutaux montre une nouvelle fois qu’il est
important de considérer ce paramètre au sein d’un modèle 3D. La carte volumique de la
déformation axiale est également intéressante à observer. Ce rendu volumique permet une
153
Chapitre 4 – Application à la détection précoce de l’escarre
meilleure compréhension de la typologie du milieu. Les déformations sont comprises dans
une petite plage de valeurs, car la compression globale appliquée au fantôme est faible. Nous
parvenons cependant à différencier les trois régions. Le faible contraste entre la zone dure et
la zone molle pourrait aussi être dû aux caractéristiques propres à ces régions. Fromageau et
al. [Fromageau-07] ont effectivement montré que les caractéristiques (et notamment
l’élasticité) du cryogel PVA dépendaient de nombreux paramètres (volume de l’échantillon,
choix des températures de congélation-décongélation, déshydratation…) et dont certains
peuvent difficilement être maîtrisés. Une différence de un cycle de congélation- décongélation
peut donc produire une variation limitée sur la valeur du module d’Young.
0.2 0.4 0.6 0.8 11.2 1.4 1.6 1.8
-0.1
-0.05
0
0.05
0.1
0.15
0.2
(b)
-0.06-0.04-0.0200.020.040.060.08
2 %1.6 1.20.80.40
(c)
(d)
(a)
Figure 4.15 : Résultats obtenus sur le fantôme physique d’escarre en PVA. (a) Déformation axiale (en %), (b) Déplacement latéral (en mm) et (c) déplacement azimutal (en mm), pour une coupe. (d) Carte 3D de déformation axiale.
154
Chapitre 4 – Application à la détection précoce de l’escarre
Ces résultats sur des données réelles et avec des matériaux dont les propriétés ne sont pas
complètement maîtrisées, sont néanmoins encourageants. C’est pourquoi des tests in vivo
chez le rat ont été menés.
II.4. Détection précoce de l’escarre in vivo chez le rat
II.4.1. Description du protocole expérimental
Le protocole mis en place est inspiré de celui utilisé dans [Gefen-05] qui a été décrit au
paragraphe II.1 de ce chapitre. Il a été réalisé au Laboratoire de Biorhéologie et
d’Ultrasonographie Médicale (Montréal, Canada), dirigé par le Docteur Guy Cloutier. Ce
protocole a fait l’objet de l’accord du Comité Institutionnel de Protection des Animaux
(CIPA) dans le cadre de l’animalerie du Centre Hospitalier de l’Université de Montréal.
L’objectif est de mettre en évidence une variation d’élasticité des tissus en relation avec
l’apparition d’une escarre. L’étude a donc consisté à induire une escarre au niveau de la patte
arrière d’un rat, en y appliquant une pression localisée. L’animal a été préalablement
anesthésié, puis immobilisé, et la région d’intérêt a été rasée. Elle a ensuite été exposée à une
pression de 35 kPa maintenue pendant 60 minutes directement sur la peau nue. Cela
correspond à une force de 11 Newton appliquée sur une surface circulaire de 2 cm de
diamètre. D’après [Gefen-05], cette compression est suffisante pour obtenir un durcissement
d’un facteur supérieur à deux.
Des acquisitions ultrasonores RF de la région d’intérêt sont réalisées pour deux niveaux de
compression du tissu, afin de pouvoir utiliser ces données en élastographie statique. Une
première série d’acquisition est opérée avant application de la contrainte, puis une deuxième
immédiatement après les 60 minutes de compression. Il est à noter que la sonde
échographique ainsi que le compresseur étaient solidaires d’un bras-robot programmable.
Cela a permis d’une part d’avoir une régulation de la force appliquée sur la cuisse de l’animal
au moyen du compresseur, et d’autre part de maîtriser le déplacement de la sonde lors des
acquisitions échographiques.
La figure 4.16 résume le protocole d’acquisition et la figure 4.17 montre une photo de la
manipulation.
155
Chapitre 4 – Application à la détection précoce de l’escarre
Etant donné les petites dimensions de la région d’intérêt, il a été nécessaire d’acquérir les
données ultrasonores à haute fréquence, afin d’avoir une résolution spatiale précise.
L’appareil utilisé est un échographe VisualSonics Vevo (VisualSonics Inc., Toronto, Canada),
équipé d’une sonde permettant l’acquisition d’images 2D et dédiée aux applications sur le
petit animal. La fréquence centrale de cette sonde est de 35 MHz, ce qui permet de visualiser
précisément les couches superficielles de la peau de l’animal. La contrepartie d’une fréquence
centrale élevée est que les signaux s’atténuent très rapidement lors de leur propagation. La
fréquence d’échantillonnage du système est de 250 MHz.
Figure 4.16 : Illustration du protocole expérimental de détection précoce de l’escarre chez le rat.
Figure 4.17 : Photo de la manipulation
temps 0 60 min.
Compression
Compresseur
Animal
Sonde
Acquisitions échographiques
Acquisitions échographiques
Tapis chauffant
Dispositif de compression
Embout du système
d'anesthésie
156
Chapitre 4 – Application à la détection précoce de l’escarre
II.4.2. Résultats
Deux échographies correspondant à une première acquisition sont montrées figure 4.18. La
première représente la région d’intérêt à l’état initial, et la seconde représente la même région
après les 60 minutes de compression. On y distingue nettement les 3 régions : de haut en
bas nous avons d’abord la peau très réfléchissante, puis les tissus mous, et enfin l’os. Nous
constatons sur l’échographie que la région a été fortement comprimée : la hauteur initiale de
tissus mous a fortement diminué. Les cartes de déformation correspondant aux échographies
sont représentées figure 4.19. Ces cartes de déformation ont été calculées avec notre
estimateur 2D. La complexité de cette application ne permettait effectivement pas de mettre
en place un système d’acquisition d’un volume de données ultrasonores. Dans notre
application, la zone d’intérêt est les tissus mous, localisés entre la peau et l’os. Pour cette
raison, ces deux dernières régions ont été segmentées.
La carte de déformation 4-19(a) correspond à la situation avant escarre. La région
immédiatement au-dessus de l’os est une zone de déformation importante. La proximité de
l’os fait que ces tissus subissent une contrainte importante, ce qui explique leur grande
déformation. Le reste de la carte est relativement homogène, ne révélant pas de zone
particulière.
En comparaison, la carte de déformation après 60 minutes de compression est beaucoup plus
hétérogène (figure 4.19(b)). On retrouve bien une région de grande déformation. Mais une
autre de très faible déformation apparait immédiatement au dessus de cette dernière. La
transition est franche entre ces deux zones voisines mais de comportement différent. Cela
laisserait à penser que cette région de déformation anormalement faible est pathologique. Il
s’agirait alors de l’escarre naissante.
En examinant élastogrammes et échographies en parallèle, la zone de faible déformation (qui
correspondrait donc à l’escarre) apparait de manière hyperéchogène sur l’échographie. Ceci
peut s’expliquer par le fait qu’en raison de la compression, cette région est devenue plus
dense et donc plus échogène.
L’interprétation de ces premiers élastogrammes est un exercice difficile pour une pathologie
aussi méconnue. D’ailleurs la lecture des échographies est elle-même problématique, car à
notre connaissance, la littérature ne fournit aucune image échographique montrant une escarre
constituée.
Les conditions d’acquisitions sont elles-mêmes délicates. Bien que maintenue, la patte de
l’animal est toujours sujette à des petits mouvements lors de l’application et lors du retrait du
157
Chapitre 4 – Application à la détection précoce de l’escarre
compresseur. D’autre part, la sonde utilisée est une sonde à balayage mécanique qui acquiert
les données au travers d’une fine membrane en plastique transparente. Comprimer les tissus
avec cette sonde (pour acquérir les signaux post-compression) requiert donc une attention
particulière, afin de ne pas perturber le balayage du transducteur ou même endommager la
sonde. La haute fréquence des ultrasons transmis fait que les signaux s’atténuent très vite. Les
signaux sont saturés à proximité de la sonde (région correspondant à la peau) et sont très
faible à une distance de quelques millimètres, rendant complexe leur étude.
6 mm
Peau
Tissus mous
Os
(b) (a)
Figure 4.18 : (a) Echographie de la région d’intérêt à l’état initial. (b) Echographie de la région d’intérêt après 60 minutes d’application de la compression.
0
0.02
0.04
0.06
Zone des tissus mous
0.02
0.015
0.01
0.005
0 (b) (a)
Figure 4.19 : (a) Carte de déformation (en %) de la région d’intérêt à l’état initial. (b) Carte de déformation (en %) de la région d’intérêt après 60 minutes d’application de la compression.
Une acquisition chez un deuxième rat a été réalisée dans les conditions décrites par le
protocole expérimental, c’est-à-dire que des acquisitions échographiques ont été réalisées à 60
minutes d’intervalle, pendant lesquelles la compression visant à générer une escarre a été
maintenue. Les résultats correspondants sont représentés figure 4.20. Une échographie du
milieu et les échographies correspondant à chaque instant sont d’abord représentées (figures
4.20(a), (b) et (c)). Nous pouvons toujours y distinguer les trois régions : la peau très
réfléchissante, les tissus mous et l’os. L’évolution des échographies avant et après la
compression visant à générer une escarre, permet de voir que la région a été fortement
comprimée et que la texture des images a changé, mais le positionnement de la sonde par le
158
Chapitre 4 – Application à la détection précoce de l’escarre
bras-robot permet de garantir qu’il s’agit bien de la même région d’acquisition. Les
élastogrammes correspondants à ces échographies ont été calculées avec notre algorithme 2D
et sont représentées figure 4.20(d) et (e).
Etant donné que seule la région des tissus mous nous intéresse, la majeure partie de la région
correspondant à la peau et l’os ont été segmentés. A l’état initial (figure 4.20(d)), la
déformation des tissus mous est relativement homogène avec une zone de faible épaisseur et
située à proximité de l’os qui se déforme légèrement plus. En comparaison, la même région
sur l’élastogramme après 60 minutes (figure 4.20(e)) présente une variation en fonction de la
profondeur : les tissus proches de la peau semblent avoir une déformation plus importante que
les tissus à proximité de l’os, révélant une différence de dureté entre ces deux régions. Cette
différence laisse à penser que cette région de déformation anormalement faible est
pathologique et qu’elle peut correspondre à une escarre naissante.
Afin de confirmer cette impression visuelle, des fenêtres de calcul ont été utilisées sur chaque
élastogramme. Ces fenêtres sont représentées figure 4.21. Sur un élastogramme donné, les
fenêtres ont la même largeur, mais sont positionnées à des profondeurs différentes, soit près
de la peau, soit à proximité de l’os. Sur les régions délimitées par ces fenêtres, la déformation
moyenne a été calculée. Les résultats sont regroupés dans la table 4.4. A l’instant initial, avant
toute application de la compression, nous pouvons vérifier que la déformation est quasiment
la même sur les deux fenêtres de calcul (0.53 % en surface et 0.49 % en profondeur). En
revanche, nous observons une nette différence de comportement après 60 minutes
d’application de la compression : alors que la région en surface à une déformation moyenne
de 0.45 %, la région à proximité de l’os ne se déforme plus que de 0.12 %, soit un rapport de
4 entre la déformation des deux régions. Pourtant, la région au contact de l’os subit la plus
grande contrainte, comme l’ont montré les simulations du paragraphe II.2. Cette région
devrait donc se déformer d’avantage. Le fait que cela ne soit pas le cas nous laisse penser
qu’il s’agit effectivement d’une région devenue pathologique, correspondant à une escarre
naissante ou tout du moins, à des tissus ayant subit une altération telle qu’ils sont désormais
plus durs que leur voisinage.
Afin de vérifier que les estimations correspondant à ces deux élastogrammes ne sont pas
erronées, la valeur moyenne du coefficient de corrélation donnée par notre algorithme a été
calculée sur les régions correspondant aux tissus mous. On atteint pour les deux
élastogrammes un niveau de corrélation moyen de 0.72 et de 0.76. Etant donné les conditions
difficiles d’acquisition, il s’agit d’une bonne valeur, tendant à montrer que l’on peut avoir
confiance dans les estimations réalisées.
159
Chapitre 4 – Application à la détection précoce de l’escarre
Malgré les difficultés rencontrées, cette première expérience in vivo est très encourageante. Il
semble que la région pathologique correspondant à une escarre ait été mise en évidence par
l’étude de la déformation du milieu. Ces premiers constats demandent confirmation par une
étude à plus grande échelle.
Peau
Tissus mous
Os
(a)
Compression
temps0 60 min.
(b) (c)
Figure 4.20 : Echographies et élastogrammes correspondant à la deuxième expérience de détection de l’escarre chez le rat. (a) Echographie expliquant les différentes régions imagées. (b) Echographie initiale. (c) Echographie après 60 min. de compression. (d) Elastogramme initial. (e) Elastogramme après 60 min. de compression.
Déformation (%)
-1
1
0
(d) (e)
160
Chapitre 4 – Application à la détection précoce de l’escarre
Fenêtre d’estimation 1
Fenêtre d’estimation 1
Fenêtre d’estimation 2
Fenêtre d’estimation 2
(a) (b) Figure 4.21 : Positionnement des fenêtres de calcul de la déformation moyenne sur les élastogrammes, (a) à l’instant initial, et (b) à 60 minutes.
Temps Déformation
moyenne (%) 0 min. 60 min.
Surface 0.53 0.45 Position de la
fenêtre Profondeur 0.49 0.12
Table 4.4 : Evolution de la déformation sur les élastogrammes de la deuxième expérience, en fonction du temps et de la position des fenêtres de calcul.
161
Conclusions et perspectives
Conclusions et perspectives
Dans le cadre de cette thèse, nous nous sommes intéressés aux techniques d’estimation de la
déformation des tissus mous biologiques sous contrainte, en élastographie ultrasonore statique.
En particulier, nous avons développé un nouvel algorithme d’estimation de la déformation des
tissus, à partir du traitement numérique des données ultrasonores radiofréquences. Cet
estimateur a d’abord été développé en 2D, puis il a été étendu à la troisième dimension.
Contrairement à de nombreux travaux, notre modèle de déplacement et de déformation des
tissus tient compte de la forte anisotropie de la résolution des données échographiques
radiofréquences. Ainsi, outre une translation, un facteur d’échelle dans la direction axiale est
également utilisé pour décrire les effets de la déformation du milieu sur une région d’intérêt
spécifique des données. Cette variation de forme du signal autorise des estimations plus
précises et plus robustes et permet le calcul de la déformation axiale sans recours à un
opérateur de dérivation, connu pour amplifier le niveau de bruit.
L’estimation conjointe des paramètres liés à la déformation est réalisée par la maximisation
d’un critère de similarité entre une région d’intérêt spécifique, sélectionnée dans les données
échographiques RF pré-compression, et sa version déformée compensée par les paramètres
recherchés. Le critère de similarité choisi est le coefficient de corrélation normalisé qui offre,
parallèlement à l’estimation des paramètres, une information sur la fiabilité du résultat.
Enfin, dans le cadre des études élastographiques, les tissus biologiques sont soumis à de
faibles déformations. Par conséquent, les gammes de valeurs admissibles pour les paramètres
sont limitées. L’estimation de ces derniers est donc réalisée à l’aide d’une stratégie
163
Conclusions et perspectives
d’optimisation sous contraintes. Le processus d’optimisation a été implanté en utilisant une
méthode de Programmation Quadratique Séquentielle (PQS). Cette famille d’algorithme offre
un bon compromis entre précision, temps de calcul et simplicité de mise en œuvre.
Moyennant quelques modifications, l’algorithme autorise également des évolutions
éventuelles du modèle de déformation des tissus, notamment l’ajout de nouvelles contraintes,
linéaires ou non linéaires.
L’algorithme d’estimation de la déformation développé a ensuite été évalué sur de
nombreuses données, dans un premier temps avec des simulations numériques, puis sur des
fantômes physiques dédiés à l’élastographie, et enfin sur des données biologiques in vitro.
Les résultats obtenus sur des fantômes numériques simples ont montré que l’algorithme 3D
permettait de réaliser des estimations précises de la déformation dans une large gamme de
valeurs (de 0 à 14 %). La comparaison des performances des méthodes 2D et 3D a montré
l’influence du mouvement hors-plan sur la qualité de l’estimation. En présence d’un faible
mouvement azimutal (inférieur à 0.15 mm dans nos études), l’algorithme 2D s’est montré très
satisfaisant. En revanche, lorsque la compression appliquée est importante ou lorsque la
géométrie du milieu implique un important mouvement hors-plan, l’algorithme 2D n’est plus
en mesure de fournir des estimations précises. En comparaison, l’algorithme 3D a fournit de
bons résultats pour l’ensemble des configurations envisagées.
Les tests suivants ont été menés sur des fantômes physiques dédiés à l’élastographie
(fantômes CIRS). Pour les différents fantômes et pour les différentes sondes échographiques
utilisées, les estimations produites par l’algorithme 3D ont été satisfaisantes, mêmes dans des
conditions d’acquisition en main-libre, où l’opérateur effectue lui-même la compression, sans
dispositif de contrôle.
Enfin, une dernière série d’expériences a été menée sur des échantillons de foies bovins sains
ex vivo, dans lesquels ont été insérées des inclusions cylindriques plus rigides. Ces
expériences permettent d’évaluer la capacité de notre algorithme à traiter des données
biologiques, tout en connaissant la forme et la dimension de l’objet à identifier. Les résultats
obtenus ont montré que notre méthode était capable de discriminer nettement l’inclusion au
sein des tissus biologiques et de produire des élastogrammes de bonne qualité.
En définitive, l’algorithme 2D s’est montré très efficace en présence d’un faible déplacement
azimutal. Mais lorsque celui-ci devient trop important, cette méthode ne s’avère plus adéquate,
le modèle de déformation choisi étant restreint au plan d’acquisition. Pour remédier à ce
164
Conclusions et perspectives
problème, l’acquisition des images ultrasonores à haute cadence, tout en appliquant au milieu
une compression progressive, peut permettre de limiter le déplacement azimutal d’une image
à l’autre. La déformation globale est alors calculée en cumulant les élastogrammes estimés.
Mais lors d’une acquisition en main-libre, donc non contrôlée, ou lors d’une étude sur des
milieux biologiques, généralement très hétérogènes, la limitation du mouvement hors-plan ne
peut pas être garantie. Un modèle de déformation 3D permet de s’affranchir de cette limite, ce
qui s’est vérifié en pratique sur les nombreux tests réalisés, où les performances de la méthode
3D ont été très satisfaisantes.
L’élastographie ultrasonore trouvant des applications médicales pour toute pathologie
induisant des modifications locales de l’élasticité des tissus, nous nous sommes intéressés au
potentiel de cette technique pour détecter précocement la formation d’une escarre. Cette étude
a comporté notamment des premiers tests chez le rat in vivo. En raison de contraintes
expérimentales, nous n’avons pu réaliser chez l’animal l’acquisition de volumes ultrasonores.
Les élastogrammes produits spécifiquement dans cette partie résultent donc de l’application
de notre algorithme dans sa version 2D.
L’escarre est une pathologie qui fait l’objet de peu de recherches. Son processus de formation
est également méconnu, si bien que la détection précoce de la formation d’escarre par
élastographie consistait d’abord en une étude de faisabilité.
Les premiers résultats, obtenus sur des simulations numériques et sur un fantôme physique en
cryogel d’alcool de polyvinyle, ont montré le potentiel de l’élastographie pour cette
application et nous ont encouragés à poursuivre avec une étude in vivo chez le rat. Malgré la
difficulté des conditions, notamment dues à une région d’intérêt de très faible dimension à
proximité d’une structure fortement échogène (os), les résultats obtenus montrent une
différence significative de la réponse mécanique du tissu biologique avant et après
l’application d’une pression prolongée visant à générer une escarre. Il ne s’agit bien sûr que
de premiers résultats qui devront être complétés par des expériences complémentaires.
Ces premiers travaux ouvrent de nombreuses perspectives, la première étant la réduction du
temps de calcul de notre méthode, qui n’a pas été considéré dans le cadre de cette thèse. En
effet le temps nécessaire à l’obtention des valeurs des paramètres pour un plan du volume
avec un PC standard (processeur de 2.6 GHz et 1Gb de RAM, et une programmation Matlab)
est proche de 1h.
165
Conclusions et perspectives
Plusieurs approches seront étudiées, l’optimisation du code dans un premier temps, et si
nécessaire une implantation sur une architecture dédiée (par exemple parallèle).
D’autre part, des évolutions pourront être envisagées pour notre méthode. Ainsi, lors du calcul
d’un volume de déformation, les bornes du domaine admissible sont actuellement fixes.
L’utilisation de bornes adaptatives pourra être considérée. De même, l’introduction de
nouvelles contraintes dans notre modèle de déformation des tissus, avec par exemple un
facteur d’échelle axial courant limitant les valeurs courantes des déplacements latéraux et
azimutaux, est également une piste envisagée.
Concernant l’application médicale, l’étude de faisabilité chez le rat in vivo semble montrer
que l’élastographie ultrasonore est un outil intéressant pour la détection précoce de la
formation d’une escarre. Nous allons continuer cette analyse chez l’animal afin de mieux
comprendre le processus de cette pathologie et nous pouvons envisager un protocole d’étude
chez l’homme, en nous intéressant en particulier aux personnes handicapées, population
largement touchée par l’escarre.
La méthode développée pourrait également trouver des applications intéressantes dans les
domaines plus classiques de l’élastographie. Notamment, les résultats obtenus sur le fantôme
de sein CIRS suggèrent que la détection du cancer du sein est une application prometteuse.
166
Annexe A – Résolution des problèmes d’optimisation
Annexe A
Résolution des problèmes d’optimisation
En mathématiques, l’optimisation est le calcul permettant de trouver les valeurs d’un ou plusieurs paramètres qui correspondent à l’optimum d’une fonction. Il existe de nombreuses techniques pour résoudre les problèmes d’optimisation. Parmi les sous-domaines majeurs, on trouve les algorithmes de programmation linéaire, non-linéaire, quadratique, stochastique, ou encore dynamique, le choix d’une méthode dépendant essentiellement de la nature de la fonction objectif. Existent également les métaheuristiques, qui forment une famille d’algorithmes visant à résoudre des problèmes d’optimisation difficiles pour lesquels on ne connait pas de méthode classique plus efficace (algorithmes génétiques, recuit simulé, colonies de fourmis…). L’objet de cette annexe est la présentation succincte des principales techniques permettant la résolution des problèmes d’optimisation continue en dimension finie, ainsi que la description plus approfondie de la méthode retenue pour l’estimation de la déformation en élastographie.
I. Notions de base I.1. Formulation générale des problèmes d’optimisation L’optimisation est l’étude des problèmes dont la forme générale est la suivante :
(A.1.a)
⎪⎪
⎩
⎪⎪
⎨
⎧
=≤
∈
0)( 0)(
:scontrainte les sous
),(min
xhxg
xfDx
(A.1.b) (A.1.c)
167
Annexe A – Résolution des problèmes d’optimisation
où f, g et h sont des fonctions quelconques définies sur un domaine D. f est appelée la fonction objectif alors que les équations (A.1.b) et (A.1.c) désignent respectivement les contraintes d’inégalité et les contraintes d’égalité du problème. La plupart des problèmes réels ne sont pas initialement sous la forme proposée ci-dessus (équations 2.1), c’est pourquoi une des premières tâches consiste souvent à mettre le problème initial sous une forme standard. Il est par exemple fréquent d’avoir à maximiser une fonction f, ce qui se traduira en pratique par la minimisation de la fonction –f.
I.2. Formes quadratiques Soit A une matrice symétrique n x n et . On appelle forme quadratique la fonction
définie par :
nb ℜ∈ℜ→ℜnf :
xbxAxxf TT ...21)( −= (A.2)
On dit que A est définie positive (respectivement semi-définie positive), et on note A>0 (resp. ), lorsque . 0≥A )0.. (resp. 0.. , ≥>ℜ∈∀ xAxxAxx TTn
Un résultat intéressant sur la valeur minimale d’une forme quadratique est alors donné par le théorème suivant : Soit A une matrice symétrique n x n définie positive et et soit f la forme quadratique associée, définie par :
nb ℜ∈
xbxAxxf TT ...21)( −=
Soit x* le vecteur (unique) vérifiant A.x*=b, alors x* réalise le minimum de f, c’est-à-dire : nxxfxf ℜ∈∀≤ ,)()( * (A.3)
I.3. Existence et unicité d’une solution Pour les fonctions réelles continues sur un domaine compact, l’existence d’une solution au problème de recherche de minimum est garantie par le théorème de Weierstrass:
⎪⎪
⎩
⎪⎪
⎨
⎧
∈
ℜ⊂
∈
. solution une possède
)(min global minimum de recherche de problème le alors
compact unsur continue réelle fonction uneest Si
* Kx
xf
Kf
Kx
n
(A.4)
L’unicité de la solution résulte des propriétés de convexité de f et de K, comme l’indique le théorème suivant :
⎩⎨⎧ ℜ→ℜ∈
unique.est existe, ils' ,sur de minimum Leconvexe. sur convexet strictemen :Soit
KfKKf n
(A.5)
I.4. Condition nécessaire Dans le cas où la fonction est différentiable, on a le résultat suivant : ℜ→ℜnf :soit x* vérifiant , alors on a nécessairement . nxxfxf ℜ∈∀≤ ,)()( * 0)( * =∇ xf
168
Annexe A – Résolution des problèmes d’optimisation
II. Méthodes numériques de résolution sans contraintes Les méthodes d’optimisation les plus simples concernent le problème sans contraintes, c’est-à-dire sans les fonctions g et h (équations A.1.b et A.1.c).
II.1. Méthodes sans dérivées Il est possible de résoudre des problèmes simples d’optimisation avec peu de connaissance de la fonction. On pense par exemple aux méthodes par dichotomie, n’utilisant que la possibilité d’évaluer la fonction objectif. Mais dès que le problème devient plus complexe, il est nécessaire de faire d’autres hypothèses.
II.2. Méthodes utilisant la dérivée Si on suppose pouvoir calculer la valeur de la fonction ainsi que son gradient, il est possible de résoudre des problèmes plus complexes. C’est le cas avec la méthode du gradient simple, une méthode de descente classique.
II.2.1. Méthodes de descentes Le principe des méthodes de descente est le suivant. Partant d’une valeur initiale x0, on va mettre à jour une estimation xk de l’optimum recherché x*. Entre deux itérations k et k+1, on fait évoluer l’estimée xk par la formule :
kkkk dtxx .1 +=+ (A.6) tout en assurant la propriété :
)()( 1 kk xfxf <+ (A.7) Le vecteur dk est appelé la direction de descente en xk et le scalaire tk est le pas de descente.
II.2.2. Méthode du gradient simple La méthode du gradient simple consiste à prendre )( kk xfd −∇= , où )( kxf∇ est le gradient de f en xk. Cette méthode converge si le pas tk est choisi suffisamment petit. On est donc amené à calculer le pas optimal. Dans le cas quadratique, ce pas optimal est donné par :
kTk
kTk
k dAdddt..
.= (A.8)
Dans le cas quadratique, la méthode du gradient à pas optimal s’écrit donc :
⎪⎪⎩
⎪⎪⎨
⎧
+=
=
−=
+ kkkk
kTk
kTk
k
kk
dtxxdAd
ddt
xAbd
...
.
.
1
(A.9)
169
Annexe A – Résolution des problèmes d’optimisation
II.3. Méthode utilisant le Hessien : méthode de Newton Lorsque f est deux fois différentiable, la méthode de Newton appliquée à un problème d’optimisation consiste à construire les itérations :
)(.)( 121 kkkk xfxfxx ∇∇−= −
+ (A.10) où est appelé le Hessien de f en x)(2
kxf∇ k. La méthode de Newton est intéressante car sa convergence est quadratique au voisinage de la solution. Cependant, cette convergence n’est assurée que si l’initialisation x0 est suffisamment proche de x* (convergence locale), ce qui, en pratique, en limite l’intérêt. D’autre part, le calcul du Hessien est généralement coûteux en terme de temps de calcul. Le principe des méthodes suivantes consiste donc à remplacer le calcul exact par une approximation construite au cours des itérations.
II.4. Méthode de quasi-Newton La méthode de quasi-Newton ne requiert que l’évaluation de la fonction f et de son gradient. Au lieu de calculer la direction de descente par l’expression (méthode de Newton), on utilise la formule :
)(.)( 12kkk xfxfd ∇−∇= −
)(.)( 1kkk xfBd ∇−= − (A.11)
où Bk est une matrice symétrique définie positive destinée à approcher le Hessien de f en xk. On dit que Bk vérifie une relation de quasi-Newton si on a :
)()().( 11 kkkkk xfxfxxB ∇−∇=− ++ (A.12) L’initialisation de Bk se fait généralement en posant B0=I, puis on met à jour Bk au cours des itérations. Pour cela, il existe de nombreuses stratégies, consistant à appliquer une formule du type :
kkk BB ∆+=+1 (A.13) avec ∆k matrice symétrique assurant la relation de quasi-Newton et permettant de réaliser la mise à jour. On peut citer par exemple la formule de mise à jour de Broyden, Fletcher, Goldfarb et Shanno (BFGS). Celle-ci étant utilisée dans notre méthode, on détaille ici l’algorithme correspondant :
⎪⎪⎪⎪
⎩
⎪⎪⎪⎪
⎨
⎧
+←
−+=
∇−∇==+=
∇−=
=ℜ∈
+
+
+
−
1 Faire
Calculer
)()(et .Poser .Poser
optimal pas le Déterminer)(.t déplacemen de directionla Calculer
:itérer ), exemple(par quelconque positive définie deet quelconque departir A
1
1
1
1
0
00
kksHsHssH
syyyHH
xfxfydtsdtxx
txfHd
IHHx
kkTk
kTkkk
kTk
Tkk
kk
kkkkkk
kkkk
k
kkk
n
(A.14)
Par rapport à d’autres méthodes de mise à jour du Hessien, l’algorithme BFGS est reconnu comme étant peu sensible aux imprécisions dans la recherche linéaire du pas optimal. Quand la recherche linéaire est faite de façon économique, elle est donc particulièrement intéressante du point de vue de la vitesse de convergence.
170
Annexe A – Résolution des problèmes d’optimisation
III. Optimisation sous contrainte Dans cette partie, on va d’abord chercher à obtenir des conditions nécessaires associées au problème de l’optimisation sous contrainte. On décrira ensuite les méthodes numériques permettant de résoudre concrètement ce type de problème.
III.1. Conditions nécessaires d’optimalité
III.1.1. Contraintes d’égalité Pour l’optimisation sous contrainte, on s’intéresse d’abord au problème avec contraintes d’égalité seulement, c’est-à-dire :
⎪⎪⎩
⎪⎪⎨
⎧
=
∈
0)( :contraintela sous
,)(min
xh
xfDx
(A.15)
Ceci est motivé par le fait que le cas général peut être vu comme un problème du type optimisation avec contraintes d’inégalité dont on ne sait pas quelles sont les contraintes actives. On commence par définir un point régulier. On dit que est régulier pour la contrainte
si : *x
0)( =xh
libre famille uneforment )( vecteurs Les-0)( -
*
*
xhxh
i∇
= (A.16)
Pour le problème avec contraintes d’égalité (A.15), le théorème de Lagrange donne une condition nécessaire pour qu’un point soit solution :
0).()( vérifiantunique vecteur unment nécessaire existe il alors
,)()( doncvérifiant
problème, du solutionrégulier point un 0)(/Soit
**
*
*
=∇+∇
ℜ∈
∈∀≤
=ℜ∈=∈
λ
λ
xhxf
Sxxfxf
xhxSx
p
n
(A.17)
Le vecteur λ est appelé le multiplicateur de Lagrange. Lorsque les contraintes d’égalité sont linéaires, la contrainte h(x)=0 peut s’écrire sous la forme A.x-B=0. Dans ce cas, le résultat du théorème de Lagrange devient :
0.)( * =+∇ λTAxf (A.18) On définit également le Lagrangien du problème par la fonction :
λλλ ).()(),(),(: xhxfxLxL += (A.19) On a alors le résultat suivant : si (x*, λ*) est un point régulier de L, alors x* est un point régulier pour f sous la contrainte h. Grâce au multiplicateur de Lagrange, les problèmes d’optimisation avec contraintes d’égalité peuvent donc être transformés en des problèmes non contraints, pour lesquels on sait utiliser les algorithmes classiques d’optimisation. Cette technique peut également être généralisée aux problèmes d’optimisation sous contraintes d’inégalité en utilisant les conditions de Kuhn et Tucker.
171
Annexe A – Résolution des problèmes d’optimisation
III.1.2. Contraintes d’inégalité On s’intéresse maintenant plus en détail au problème d’optimisation avec contraintes d’inégalité seulement :
⎪⎪⎩
⎪⎪⎨
⎧
≤
∈
0)( :contraintela sous
,)(min
xg
xfDx
(A.20)
On note K l’ensemble des points admissibles et I(x*) l’ensemble des indices pour lesquels la contrainte est active (ou saturée) en x*, c’est-à-dire :
0)(/)(
0)(/** ==
≤∈=
xgixI
xgDxK
i
(A.21)
On dit enfin qu’un point est régulier pour la contrainte *x 0)( ≤xg si :
libre famille uneforment )( vecteurs Les-0)( -
)ˆ(*
*
xIii xgxg
∈∇
≤ (A.22)
Le théorème suivant donne une condition nécessaire à la solution du problème (A.20) : Soit un point régulier solution du problème avec contraintes d’inégalités, Kx ∈*
alors il existe un unique tel que mℜ∈λ
mixg
mi
xgxf
ii
i
m
iii
...1 ,0)(.
...1 ,0
0)(.)(
*
1
**
==
=≥
=∇+∇ ∑=
λ
λ
λ
(A.23)
Ces trois exigences constituent les conditions de Kuhn et Tucker. A partir des conditions de Kuhn et Tucker, on peut définir une condition nécessaire du second ordre : Soit et vérifiant les conditions : nx ℜ∈* pℜ∈*λ
0et )(,0)(, avec
surfacela à en tangent plan aut appartenan 0 ,0).,(. -
...1 ,0)(. -
...1 ,0 -
0)(.)( -
0)( -
**
***2
**
1
***
*
>∈=ℜ∈=
≠∀≥∇
==
=≥
=∇+∇
≤
∑=
iin
xxT
ii
i
p
iii
xIixgxS
SxyyxLy
pixg
pi
xgxf
xg
λ
λ
λ
λ
λ
(A.24)
alors x* est un minimum local du problème.
III.2. Méthodes par résolution des équations de Kuhn et Tucker
III.2.1. Cas des contraintes d’égalité On sait maintenant que la recherche d’un point de Kuhn et Tucker revient à résoudre le système :
172
Annexe A – Résolution des problèmes d’optimisation
⎩⎨⎧
==∇
0)(0),(
xhxLx λ
(A.25)
A partir d’un point (xk,λk), on peut utiliser la méthode de Newton pour linéariser au voisinage de ce point, et définir (xk+1,λk+1) comme la solution du système obtenu. On obtient ainsi les équations suivantes :
0).()()(
0).()).(,()(
1
112
=−∇+
=∇+−∇+∇
+
++
kkT
kk
kkkkkkxk
xxxhxh
xhxxxLxf λλ (A.26)
En posant (dans le cas de contraintes linéaires H),(2kkxk xLH λ∇= k est aussi le Hessien de f)
et , la première équation devient : kkk xxy −= +1
0).(.)( 1 =∇++∇ +kkkkk xhyHxf λ (A.27) Le vecteur yk est alors la solution du problème d’optimisation quadratique suivant :
⎪⎩
⎪⎨⎧
=∇+
+∇
0.)()(
...21.)(min
yxhxh
yHyyxf
Tkk
kTT
ky (A.28)
et λk+1 est le multiplicateur associé.
III.2.2. Cas des contraintes d’inégalité La méthode précédente se généralise facilement au cas des contraintes d’inégalité. Il s’agit en effet de résoudre itérativement le problème quadratique :
⎪⎩
⎪⎨⎧
≤∇+
+∇
0.)()(
...21.)(min
yxgxg
yHyyxf
Tkk
kTT
ky (A.29)
Cette méthode présente les inconvénients habituels de la méthode de Newton, c’est-à-dire que la convergence n’est assurée que dans un voisinage local. La globalisation de cette méthode peut donc se faire en utilisant une approximation de quasi-Newton pour la matrice Hk et en faisant une recherche linéaire dans la direction dk pour définir kkkk dxx .1 ρ+=+ . La résolution de ce problème peut se faire avec toute méthode adaptée aux problèmes quadratiques. Dans la suite, on en détaillera plus particulièrement une, la méthode des contraintes actives, utilisée dans notre algorithme.
III.2.3. Programmation Quadratique Séquentielle Un problème sous contrainte linéaire avec une fonction objectif quadratique est appelé un problème de Programmation Quadratique Séquentielle (PQS). Les méthodes PQS sont une généralisation des méthodes de Newton au cas des problèmes sous contrainte. Il s’agit de réaliser des itérations successives en minimisant un modèle quadratique du problème. On va donc traiter le problème :
⎪⎪⎩
⎪⎪⎨
⎧
≤
ℜ∈
0)( :contraintela sous
,)(min
xg
xfnx
(A.30)
dans le cas où f est une forme quadratique et où les contraintes sont affines, c’est-à-dire :
173
Annexe A – Résolution des problèmes d’optimisation
⎪⎩
⎪⎨⎧
−=
+=
bxAxg
cxxGxxf TT
.)(
....21)(
(A.31)
avec G une matrice constante et symétrique et c un vecteur.
III.3. Méthode des contraintes actives
III.3.1. Principe La méthode des contraintes actives permet de résoudre en pratique le problème de la minimisation de f soumise à des contraintes d’inégalité linéaires :
⎪⎪⎩
⎪⎪⎨
⎧
≤
ℜ∈
0b-.x :contraintela sous
,)(min
A
xfnx
(A.32)
Si on suppose que t contraintes sont actives en x* et si on appelle A la matrice dont la iˆ ème ligne contient la ième contrainte active, alors les conditions nécessaires pour que x* soit optimal sont :
0.ˆ)(
*
**
≥
=∇
λ
λTAxf (A.33)
La restriction sur le signe des multiplicateurs de Lagrange est cruciale, car un multiplicateur négatif impliquerait l’existence d’une direction admissible, ce qui serait contradictoire avec l’optimalité de x*. La difficulté consiste à connaître les contraintes effectivement actives. Si cet ensemble de contraintes actives était connu a priori, le problème (A.32) serait équivalent à :
⎪⎪⎩
⎪⎪⎨
⎧
=
ℜ∈
bA
xfnx
ˆ.xˆ
:contraintela sous
,)(min
(A.34)
Le fait d’avoir à traiter des contraintes d’égalité linéaires est intéressant car il permet de réduire la dimension de l’espace dans lequel on effectue le processus d’optimisation. Le principe des méthodes de contraintes actives va donc consister à prédire quelles contraintes vont être traitées comme des contraintes d’égalité. Etant donné que cet « ensemble actif » n’est qu’une prédiction, une procédure de mise à jour est utilisée.
III.3.2. Algorithme A l’itération k, on appelle tk le nombre de contraintes actives, Ik l’ensemble des indices correspondant à ces contraintes, les coefficients de ces contraintes et ZkA k une base pour le
sous-espace des vecteurs orthogonaux aux lignes de . kAA partir d’un point admissible initial x0, les étapes suivantes sont exécutées :
1) Test de convergence. Si les conditions de convergence sont satisfaites en xk, l’algorithme s’arrête avec xk comme solution.
174
Annexe A – Résolution des problèmes d’optimisation
2) Décision sur la stratégie. On décide soit de continuer la minimisation dans le sous-espace courant, soit de supprimer une contrainte de l’ensemble actif. Dans le premier cas, continuer en 3, sinon continuer en 6.
3) Calcul d’une direction de descente admissible dk. 4) Ajout d’une contrainte à l’ensemble actif. Si une contrainte est rencontrée, on ajoute
l’indice correspondant à Ik et on modifie les matrices associées. Continuer à l’étape 7. 5) Suppression d’une contrainte de l’ensemble actif. Choisir une contrainte à supprimer,
retirer de Ik l’indice correspondant à cette contrainte et modifier les matrices associées. 6) Mise à jour de l’estimée. Faire kkkk dxx .1 ρ+=+ et k=k+1. Retourner en 1.
III.3.3. Calculs de la direction et du pas de descente, critère d’arrêt La direction de descente dk est restreinte au sous-espace défini par l’ensemble actif. Cette direction étant orthogonale aux lignes de , on doit avoir . Autrement dit, dk est une combinaison linéaire des colonnes de Z, on a donc :
kA 0.ˆ =kk dA
zkkk dZddA .0.ˆ =⇔= (A.35) avec dz un vecteur de dimension n-t. Dans le cas d’un problème quadratique, on a vu que la fonction objectif était décrite par l’équation 2.31 et qu’il s’agissait alors de résoudre :
⎪⎩
⎪⎨⎧
=
+∇ℜ∈
0.ˆ
...21.)(min
dA
dGddxf TT
d n (A.36)
La solution de 2.36 est obtenue en cherchant le vecteur dz qui vérifie le problème non contraint :
zTT
zzTT
ddZGZpdZxf
tnz
.....21..)(min +∇
−ℜ∈ (A.37)
et qui est défini par le système linéaire : TT
zT xfZdZGZ )(.... ∇−= (A.38)
Le vecteur d est donc donné par : )(..)...( 1 xfZZGZZd TT ∇−= − (A.39)
En ce qui concerne le pas de descente, il faut s’assurer que le la longueur choisie pour le pas n’entraine pas la violation d’une contrainte qui n’est pas dans l’ensemble actif. Si cela est possible, on va prendre par défaut un pas de descente unitaire dans la direction d. Sinon, la longueur du pas sera la distance à la contrainte la plus proche dans la direction d. Enfin, le test de convergence utilisé comme critère d’arrêt au point 1 de l’algorithme consiste à étudier les conditions de Kuhn et Tucker.
VI. Conclusion sur les problèmes d’optimisation S’il existe de très nombreuses méthodes en optimisation, il est rare qu’une seule méthode soit adaptée à un problème donné. Il s’agit donc souvent de choisir une technique dont les caractéristiques sont compatibles avec les buts recherchés. En l’occurrence, la méthode des contraintes actives pour les problèmes de programmation quadratique séquentielle a été retenue car il s’agit d’un algorithme efficace de résolution,
175
Annexe A – Résolution des problèmes d’optimisation
réalisant un bon compromis entre précision, temps de calcul et simplicité de mise en œuvre. Les techniques de programmation quadratique séquentielle offrent également une structure relativement adaptable (passage du 2D au 3D, possibilité d’ajout de nouvelles contraintes…)
176
Bibliographie
[Ahcpr-94] Agency for Health Care Policy and Research (AHCPR), U.S. Department of Health and Human Services, Treating pressure sores. Consumer Version Clinical Practice Guideline Number 15. 1994. [Alam-97] S.K. Alam. and J. Ophir, Reduction of signal decorrelation from mechanical compression of tissues by temporal stretching: applications to elastography, Ultrasound in Medicine & Biology, 23(1):95-105, 1997. [Alam-98] S.K. Alam, J. Ophir, and E. Konofagou, An adaptive strain estimator for elastography. IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 45:461-472, 1998. [Alam-04a] S.K. Alam, A novel and robust method for rapid strain estimation in elastography, Ultrasonic Imaging, 26:29-40, 2004. [Alam-04b] S.K. Alam, F.L. Lizzi, T. Varghese, E.J. Feleppa, Adaptive Spectral Strain Estimators for Elastography, Ultrasonic Imaging, 26:131-149, 2004. [Amini-92] A.A. Amini and J.S. Duncan, Bending and stretching models for LV wall motions analysis from curves and surfaces, IVC, 10:418-430, 1992. [Amini-98] A.A. Amini, Y. Chen, R.W. Curwen, V. Mani, and J. Sun, Coupled B-snake grids and constrained thin-plate splines for analysis of 2-D tissue deformations from tagged MRI, IEEE Trans. on Medical Imaging, 17:344-356, 1998. [Amini-01] A.A. Amini and J.L. Prince, Measurement of cardiac deformations from MRI: physical and mathematical models vol. 23, Kluwer Academic Publishers, 2001. [Anderson-53] Anderson W.A.D., Pathology, St. Louis: C.V. Mosby Co. - 9ème Edition, 1953. [Axel-89] L. Axel and L. Dougherty, Heart wall motion: improved method of spatial modulation of magnetization for MR imaging, Radiology, 183:745-750, 1989. [Bader-90] D.L. Bader, Pressure sores: clinical practice and scientific approach, London: MacMillan, 1990. [Barrois-99] B. Barrois, L. Heitler, P. Ribinik, L’escarre : les basiques, Ed Asymptote, 1999.
177
[Benayoun-98] S. Benayoun and N. Ayache, Dense non-rigid motion estimation in sequences of medical images using differential constraints, International Journal of Computer Vision, 26:25-40, 1998. [Bercoff-04] J. Bercoff, M. Tanter and M. Fink, Supersonic shear imaging: a new technique for soft tissue elasticity mapping. IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 51(4):396-409, 2004. [Bilgen-96] Bilgen, M. and Insana, M. F.: Deformation models and correlation analysis in elastography, Journ. Acoustical Society America, 99:3212-3224, 1996. [Bilgen-97] Bilgen, M. and Insana, M. F.: Error analysis in acoustic elastography: I. displacement estimation, Journ. Acoustical Society America, 101:1139-1146, 1997. [Bilgen-99] M. Bilgen, Wavelet-based strain estimator for Elastography, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 46(6):1407-1415, 1999. [Boggs-96] P. T. Boggs and J. W. Tolle, Sequential quadratic programming, Acta Numerica, 4:1-51, 1996. [Bohs-91] L.N. Bohs and G.E. Trahey, A novel method for angle independent ultrasonic imaging of blood flow and tissue motion, IEEE Trans. Biomedical Engineering, 38:280-286, 1991. [Brusseau-00] E. Brusseau, C. Perrey, P. Delachartre, M. Vogt, D. Vray and H. Ermert, Axial Strain Imaging using a Local Estimation of the Scaling Factor from RF Ultrasound Signals, Ultrasonic Imaging, 22(2):95-107, 2000. [Brusseau-07] E. Brusseau, J. Kybic, J.F. Deprez, O. Basset, 2D locally regularized strain estimation algorithm: Theoretical developments and results on experimental data, IEEE Trans. Medical Imaging, in press, 2007. [Céspedes-93] I. Céspedes, Elastography : Imaging biological tissue elasticity, thèse, spécialité génie électrique, Houston, 1993, 287 p. [Chaturvedi-98] P. Chaturvedi, M.F. Insana and T.J. Hall, 2D Companding for noise reduction in strain imaging, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 45(1):179-191, 1998. [Chen-04] X. Chen, M. J. Zohdy, S. Y. Emilianov and M O'Donnell, Lateral Speckle Tracking Using Synthetic Lateral Phase, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 51(5):540-550, 2004. [Chen-05] X. Chen, H. Xie, R. Erkamp, K. Kim, C. Jia, J. M. Rubin and M O'Donnell, 3-D Correlation-Based Speckle Tracking, Ultrasonic Imaging, 27:21-36, 2005. [Chu-97] K. C. Chu and B. K. Rutt, Polyvinyl alcohol cryogel: An ideal phantom material for h4R studies of arterial flow and elasticity, Magnetic Resonance in Medecine, 37(2):314-319, 1997. [Chu-98] K. J. M. Surry, C. C. Blake, K. C. Chu, M. Gordon, B. K. Rutt, A. Fenster. and T. M. Peters, Poly(vinvl alcohol) phantoms for use in MR and US imaging, Medical Physics, 25(44):1082-1083, 1998. [Clarysse-97] P. Clarysse, D. Friboulet, and I.E. Magnin, Tracking geometrical descriptors on 3-D deformable surfaces: application to the left-ventricular surface of the heart, IEEE Trans. on Medical Imaging, 16:392-404, 1997. [Clarysse-00] P. Clarysse, C. Basset, L. Khouas, P. Croisille, D. Friboulet, C. Odet, and I.E. Magnin, Two-dimensional spatial and temporal displacement and deformation field fitting from cardiac magnetic resonance tagging, Medical Image Analysis, 4:253-268, 2000. [Cohen-93] L.D. Cohen and I. Cohen, Finite-elements methods for active contour models and balloons for 2-D and 3-D images, IEEE Trans. on Pattern Analysis and Machine Intelligence, 15:1131-1147, 1993. [Colin-98] D. Colin, B. Barrois et J. Pélissier, L’escarre, Problèmes en Médecine de Rééducation, Editions Masson, 1998.
178
[Daniel-81] Daniel R.K., Priest D.L., Weatley D.C., Etiological factors in pressure sores: a experimental model, Arch. Phys. Med. Rehabil, 62:492-498, 1981. [Defloor-04] T. Defloor, Les échelles de risque sont-elles utiles ?, Congrès PERSE, 2004. [Dinsdale-73] Dinsdale S.M., Decubitus ulcers in swine: light and electron microscopy study of pathogenesis, Arch. Phys. Med. Rehabil., 54:51-57, 1973. [Dooley-00] M.M. Doyley, P.M. Meaney and J.C. Bamber, Evaluation of an iterative reconstruction method for quantitative elastography, Phys. Med. Biol., 45:1521-1540, 2000. [Dresner-01] M.A. Dresner, G.H. Rose, P.J. Rossman, R. Muthupillai, A. Manduca, R.L. Ehman, Magnetic Resonance Elastography of Skeletal Muscle, J. Magn. Reson Imaging 13:269-276, 2001. [Du-06] H. Du, J. Liu, C. Pellot Barakat and M. F. Insana, Optimizing Multi-compression Approaches to Elasticity Imaging, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 53(1):90-99, 2006. [Duncan-91] J.S. Duncan, F.A. Lee, A.W.M. Smeulders, and B.L. Zaret, A Bending Energy Model for Measurement of Cardiac Shape Deformity, IEEE Trans. on Medical Imaging, 10:307-320, 1991. [Epuap-00] J.R.E. Haalboom, Richtlijnen van de European Pressure Ulcer Advisory Panel (EPUAP) voor de behandeling van decubitus. WCS nieuws, 16(2):107-109, 2000. [Friboulet-92] D. Friboulet, I. Magnin, and D. Revel, Assessment of a model for overall left ventricular three-dimentional motion from MRI data, International Journal of Cardiac Imaging, 8:175-190, 1992. [Fromageau-03] J. Fromageau, E. Brusseau, D. Vray, G. Gimenez, and P. Delachartre, Characterization of PVA cryogel for intravascular ultrasound elasticity imaging, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 50(10):1328-1324, 2003. [Fromageau-07] J. Fromageau, J.L. Gennisson, C. Schmitt, R. L. Maurice, R. Mongrain, and G. Cloutier, Estimation of polyvinyl alcohol cryogel mechanical properties with four ultrasound elastography methods and comparison with gold standard testings, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 54(3):498-509, 2007. [Fung-93] Fung, Y.C., Biomechanical Properties of Living Tissues - 2ème Edition, New York: Springer Verlag, 1993, 568p. [Gefen-01] A. Gefen, M. Megido-Ravid, M. Azariah, Y. Itzchak, and M. Arcan, Integration of Plantar Soft Tissue Stiffness Measurements in Routine MRI of the Diabetic Foot, Clin. Biomech. (Los Angel. Calif.) 16:921–925, 2001. [Gefen-03] A. Gefen, N. Gefen, Q. Zhu, R. Raghupathi, S.S. Margulies, Age-Dependent Changes in Material Properties of the Brain and Braincase of the Rat, J. Neurotrauma, 20: 1163–1177, 2003. [Gefen-04] A. Gefen, and S.S. Margulies, Are In Vivo and In Situ Brain Tissues Mechanically Similar?, J. Biomech., 37:1339–1352, 2004. [Gefen-05] A. Gefen, N. Gefen, E. Linder-Ganz and S.S. Margulies, In vivo muscle stiffening under bone compression promotes deep pressure sores, ASME Journ. Biomech. Engineering , 127:512-524, 2005. [Gill-81] P. E. Gill, W. Murray and M. H. Wright, Practical Optimization, New-York: Academic Press, 1981, 388p. [Gorce-97] J.M. Gorce, D. Friboulet, and I.E. Magnin, Estimation of three-dimensional cardiac velocity fields: Assessment of a differential method and application to 3D CT data, Medical Image Analysis, 1:245-261, 1997. [Gordon-76] L. Gordon, J.J. Buncke, J.J. Townsend, Histological changes in skeletal muscle after temporary independant occlusion or arterial and venous supply. Plast. Reconstr. Surg., 57:133-143, 1976.
179
[Grenier-07] D. Grenier, L. Milot, X. Peng, F. Pilleul, O. Beuf, A Magnetic Resonance Elastography (MRE) approach for liver investigation, Conf. Proc. of IEEE Eng. Med. Biol. Soc., 1:2607-2610, 2007. [Harrigan-04] T. Harrigan, E. Konofagou, Estimation of material elastic moduli in elastography: a local method, and an investigation of Poisson's ratio sensitivity, Journal of Biomechanics, 37(8):1215-1221, 2004. [Hein-93] A. Hein and W.J. O'Brien, Current time-domain methods for assessing tissue motion by analysis from reflected ultrasound echoes - A review, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 40(2):84-102, 1993 [Herrman-99] E.C. Herrman, C.F. Knapp, J.C. Donofrio, R. Salcido, Skin perfusion responses to surface pressure-induced ischemia: implication for the developing pressure ulcer, J. of Rehabil Res. Dev., 36(2):109-20, 1999. [Holzapfel-01] G.A. Holzapfel, Biomechanics of soft tissue, Handbook of Material Behavior Models, Edited by LMT Cachan, France, 2001. [Huang-92] S.R. Huang, R.M. Lerner, K.J. Parker, Time domain Doppler estimators of the amplitude of vibrating targets, Journ. Acoustical Society America, 91(2):965-974, 1992. [Iaet-88] International Association for Enterostomal Therapy, Dermal Wounds: Pressure Sores, Journal of Enterostomal Therapy, 15:4-17, 1988. [Jacob-99] G. Jacob, A.J. Noble, M. Mulet-Parada, and A. Blake, Evaluating a robust contour tracker on echocardiographic sequences, Medical Image Analysis, 3:63-75, 1999. [Kallel-93] Kallel, F. and M. Bertrand. A note on strain estimation using correlation techniques, IEEE Ultrasonics Symposium, 2:883-887, 1993 [Kallel-97] F. Kallel, T. Varghese, J. Ophir, and M. Bilgen, The nonstationary strain filter in elastography, Part II: Lateral and elevational decorrelation. Ultrasound in Medicine & Biology, 23(9):1357–1369, 1997. [Konofagou-98] E. Konofagou and J. Ophir, A New Elastographic Method For Estimation And Imaging Of Lateral Displacements, Lateral Strains, Corrected Axial Strains And Poisson's Ratios In Tissues, Ultrasound in Medicine & Biology, 24:1183-1199, 1998. [de Korte-97a] C.L. De Korte, A.F.W. Van der Steen, B.H.J. Dijkman and C.T. Lancée, Performance of time delay estimation methods for small time shifts in ultrasonic signals, Ultrasonics, 35:263-274, 1997. [de Korte-97b] C.L. de Korte, I. Céspedes, A.F.W. Van der Steen and C.T. Lancée, Intravascular elasticity imaging using ultrasound: feasibility studies in phantoms, Ultrasound in Medicine & Biology, 23(5):735-746, 1997. [Krouskop-87] T.A. Krouskop, D.R. Dougherty and S.F. Levinson, A pulsed Doppler ultrasonic system for making nonivasive measurements of the mechanical properties of soft tissue, J. Rehabil. Res. Dev., 24:1-8, 1987. [Krouskop-98] T.A. Krouskop, T.M. Wheeler, F. Kallel, B.S. Garra, and T. Hall, Elastic Moduli of Breast and Prostate Tissues under Compression, Ultrasonic Imaging, 20:260-274, 1998. [Kruse-00] S.A. Kruse, J.A. Smith, A.J. Lawrence, M.A. Dresner, A. Manduca, J.F. Greenleaf, R.L. Ehman, Tissue characterization using magnetic resonance elastography: preliminary results, Phys. Med. Biol. 45:1579-1590, 2000. [Lai-Fook-76] S.J. Lai-Fook, T.A. Wilson, R.E. Hyatt, and J.R. Rodarte, J. R., Elastic Constants of Inflated Lobes of Dog Lungs, J. Appl. Physiol, 40:508–513, 1976. [Landis-30] E.M. Landis, Micro injection studies of capillary blood pressure in human skin, Heart, 15:209-228, 1930.
180
[Ledesma-Carbayo-05] M. Ledesma-Carbayo, J. Kybic, M. Desco, A. Santos, M. Sühling, P. Hunziker, and M. Unser, Spatio-temporal nonrigid registration for ultrasound cardiac motion estimation, IEEE Trans. on Medical Imaging, 24:1113-1126, 2005. [Lee-60] E.H. Lee and J.R.M. Radok, The Contact Problem for Viscoelastic Bodies, ASME J. Appl. Mech., 27:438–444, 1960. [Lee-07] W. N. Lee, C. M. Ingrassia, S. D. Fung-Kee-Fung, K. D. Costa, J. W. Holmes and E. Konofagou, Theoretical Quality Assessment of Myocardial Elastography with In Vivo Validation, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 54(11):2233-2245, 2007. [Lerner-88] R.M. Lerner, K.J. Parker, J. Holen, R. Gramiak, R.C. Waag, Sono-elasticity: Medical elasticity images derived from ultrasound signals in mechanically vibrated targets, Acoust. Imaging, 16:317-327, 1988. [Lerner-90] R.M. Lerner, S.R. Huang and K.J. Parker, “Sonoelasticity” images derived from ultrasound signals in mechanically vibrated tissues, Ultrasound in Medicine & Biology, 16(3):231-239, 1990. [Liebgott-05] H. Liebgott, J. Fromageau, J. E. Wilhjelm, D. Vray and P. Delachartre, Beamforming scheme for 2D displacement estimation in ultrasound imaging, Eurasip J. Appl. Signal Process., 8:1212-1220, 2005. [Lin-04] F. Lin, B. Moran, J. Bankard, R. Hendrix, M. Makhsous, A subject-specific FEM model for evaluating buttock tissue response under sitting load, Proceeding of the 26th International Conference of the IEEE EMBS, 5088-5091, 2004. [Lindop-06] J.E. Lindop, G.M. Treece, A.H. Gee and R.W. Prager, 3D elastography using freehand ultrasound, Ultrasound in Medicine and Biology, 32:529-545, 2006. [Lozinski-07] V.I. Lozinski, L.G. Damshkaln, B.L Shaskol’skii, T.A. Babushkina, I.N. Kurochkin and I.I. Kurochkin, Study of Cryostructuring of Polymer Systems: 27 Physicochemical Properties of Poly(vinyl alcohol) Cryogels and Specific Features of their Macroporous Morphology, Colloid Journal, 69(6):747-764, 2007. [Lubinski-99] Lubinski M.A., Emelianov S.Y. and O'Donnell M., Speckle tracking methods for ultrasonic elasticity imaging using short-time correlation, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 46(1):82-96. [Mäkelä-03] T. Mäkelä, Q.C. Pham, P. Clarysse, J. Nenonen, J. Lötjönen, O. Sipilä, H. Hänninen, K. Lauerma, J. Knutti, T. Katila, and I.E. Magnin, A 3D model-based registration approach for the PET, MR and MCG cardiac data fusion, Medical Image Analysis, 7:377-389, 2003. [Maurice-04] R. L. Maurice, J. Ohayon, Y. Frétigny, M. Bertrand, G. Soulez and G. Cloutier, Noninvasive Vascular Elastography: Theoretical Framework, IEEE Trans. Medical Imaging, 23(2):164-180, 2004. [Milot-08] L. Milot, D. Grenier, F. Pilleul, and O. Beuf, MRI Elastography, J Radiol, 89:71-3, 2008. [Montagnat-05] J. Montagnat and H. Delingette, 4D deformable models with temporal constraints: application to 4D cardiac image segmentation, Medical Image Analysis, 9:87-100, 2005. [Muthupillai-95] R. Muthupillai, D.J. Lomas, P.J. Rossman, J.F. Greenleaf, A. Manduca, R.L. Ehman, Magnetic resonance elastography by direct visualization of propagating acoustic strain waves, Science, 269:1854-1857, 1995. [Muthupillai-96] R. Muthupillai, P. Rossman, D. Lomas, J. Greenleaf, S. Riederer, R. Ehman, Magnetic resonance imaging transverse acoustic strain waves, Magnetic Resonance in Medicine, 36:266–274, 1996. [Nightingale-02] K. Nightingale, M.S. Soo, R. Nightingale and G. Trahey, Acoustic radiation force impulse imaging: in vivo demonstration of clinical feasibility, Ultrasound in Medicine And Biology, 28:227–235, 2002. [Nitta-00] N. Nitta, T. Shina, A Method of Tissue Elasticity Estimation Based on Three-Dimensional Displacement Vector, Japanese J. Appl. Phys. 39:3225-3229, 2000.
181
[Nola-80] G.T. Nola, L.M. Vistnes, Differential response of skin and muscle in the experimenbtal production of pressure sores, Plast. Reconstr. Surg., 66:728-33, 1980. [Npuap-89] National Pressure Ulcer Advisory Panel, Pressure Ulcers Prevalence, Cost and Risk Assessment : Consensus Development Conference Statement, Decubitus, 2:24-28, 1989. [O’Dell-95] W.G. O'Dell, C.C. Moore, W.C. Hunter, E.A. Zerhouni, and E.R. McVeigh, Three-dimensional myocardial deformations: calculation with displacement field fitting to tagged MR images, Radiology, 195:829-835, 1995. [Oliphant-01] T.E. Oliphant, A. Manduca, R.L. Ehman, J. Greenleaf, Complex-valued stiffness reconstruction for magnetic resonance elastography by algebraic inversion of the differential equation, Magnetic Res. Med., 45:299-310, 2001. [Ophir-91] J. Ophir, I. Céspedes, H. Ponnekanti, Y. Yazdi and X. Li, Elastography : a quantitative method for imaging the elasticity of biological tissues, Ultrasonic Imaging, 13:111-134, 1991. [Osman-00] N.F. Osman and J.L. Prince Visualizing myocardial function using HARP MRI, Physics in Medicine and Biology, 45:1665-1682, 2000. [Parker-90] Parker, K.J., Huang S.R., Musulin R.A. and Lerner R.M., Tissue response to mechanical vibrations for "Sonoelasticity Imaging", Ultrasound in Medicine And Biology, 16(3):241-246, 1990. [Parker-92] K.J. Parker, R.M. Lerner, Sonoelasticity of organs : Shear waves ring a bell, J. Ultrasound Med., 11:387-392, 1992. [Pellot-Barakat-04] C. Pellot-Barakat, F. Frouin, M. F. Insana and A. Herment, Ultrasound elastography based on multiscale estimations of regularized displacement fields, IEEE Trans. Medical Imaging, 23(2):153-163, 2004. [Pesavento-99] Pesavento A., Perrey C. Krueger M. and Ermert H., A Time-Efficient and Accurate Strain Estimation Concept for Ultrasonic Elastography Using Iterative Phase Zero Estimation. IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 46(5):1057-1067, 1999. [Pham-01] Q.-C. Pham, F. Vincent, P. Clarysse, P. Croisille, and I.E. Magnin, A FEM-based deformable model for the 3D segmentation and tracking of the heart in cardiac MRI, in 2nd International Symposium on Image and Signal Processing and Analysis (ISPA 2001), pp. 250-254, Pula, Croatia, 2001. [Plewes-00] D.B. Plewes, J. Bishopo, A. Samani, J. Sciarretta, Visualization and quantification of breast cancer biomechanical properties with magnetic resonance elastography, Phys. Med. Biol, 45:1591-1610, 2000. [Prince-92] J.L. Prince and E.R. McVeigh, Motion Estimation from Tagged MR Image Sequences, IEEE Trans. on Medical Imaging, 11:238-249, 1992. [Said-06] G. Said, O. Basset, J.M. Mari, C. Cachard, E. Brusseau, D. Vray, Experimental three dimensional strain estimation from ultrasonic sectorial data, Ultrasonics, 44:189-193, 2006. [Sandrin-99] L. Sandrin, S. Catheline, M. Tanter, X. Hennequin and M. Fink, Time-resolved pulsed elastography with ultrafast ultrasonic imaging, Ultrasonic Imaging, 21:259-272, 1999. [Sandrin-03] L. Sandrin, B. Fourquet, J.M. Hasquenoph, S. Yon, C. Fournier, F. Mal, C. Christidis, M. Ziol, B. Poulet, F. Kazemi, M. Beaugrand and R. Palau, Transient Elastography: a New Noninvasive for Assessment of Hepatic Fibrosis, Ultrasound in Medicine & Biology, 29(12):1705–1713, 2003. [Sarvazyan-93] A.P. Sarvazyan, Shear acoustic properties of soft biological tissues in medical diagnostics. Journ. Acoustical Society America, 93:23-29, 1993. [Sarvazyan-98] A.P. Sarvazyan, O.V. Rudenko, S.D. Swanson, J.B. Fowlkes, and S.Y. Emelianov, Shear wave elasticity imaging - a new ultrasonic technology of medical diagnostic, Ultrasound in Medicine and Biology, 20:1419-1436, 1998.
182
[Shea-75] J.D. Shea, Pressure Sores: Classification and Management, Clin. Orthop. Relat. Res., 112:89-100, 1975. [Schaerer-07] J. Schaerer, P. Clarysse, and J. Pousin, A New Dynamic Elastic Model for Cardiac Image Analysis, in IEEE EMBC, pp. 4488-4491, Lyon, France, 2007. [Sinkus-00] R. Sinkus, J. Lorenzen, D. Schrader, M. Lorenzen, M. Dargatz, D. Holz, High-resolution tensor MR elastography for breast tumor detection, Phys. Med. Biol. 45:1649-1664, 2000. [Sinkus-05a] R. Sinkus, M. Tanter, T. Xydeas, S. Catheline, J. Bercoff, M. Fink, Viscoelastic shear properties of in vivo breast lesions measured by MR elastography, Magnetic Resonance Imaging, 23:159-165, 2005. [Sinkus-05b] R. Sinkus, M. Tanter, S. Catheline, J. Lorenzen, C. Kuhl, E. Sondermann, M. Fink, Imaging Anisotropic and Viscous Properties of Breast Tissue by Magnetic Resonance-Elastography, Magnetic Resonance in Medicine, 53:372-387, 2005. [Skovorada-95] A.R. Skovoroda; M.A. Lubinski, S.Y. Emelianov, M. O'Donnell, Reconstructive elasticity imaging for large deformations, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 46(3):523-535, 1999. [Sobin-77] P. Sobin, Mechanical properties of human veins. M.S. Thesis, University of California, San Diego, California USA. [Tanter-02] M. Tanter, J. Bercoff, L. Sandrin, M. Fink, Ultrafast compound imaging for 2-D motion vector estimation: application to transient elastography, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 49(10):1363-1374, 2002. [Tanter-07] M. Tanter, J. Bercoff, R. Sinkus, T. Deffieux, J.L. Gennisson and M. Fink, L’élastographie par ultrasons ou resonance magnétique: de nouveaux outils de diagnostic en cancérologie, Médecine Nucléaire, 31:132-141, 2007. [Techavipoo-04] U. Techavipoo, Q. Chen, T. Varghese and J. A. Zagzebski, Estimation of Displacement Vectors and Strain Tensors in Elastography Using Angular Insonifications, IEEE Trans. Medical Imaging, 23(12):1479-1489, 2004. [Uffmann-04] K. Uffmann, S. Maderwald, W. Ajaj, C.G. Galban, S. Mateiescu, H.H. Quick, M.E. Ladd, In Vivo Elasticity Measurements of Extremity Skeletal Muscle With MR Elastography, NMR Biomed., 17:181-190, 2004. [Vannah-96] W.M. Vannah, and D.S. Childress, Indentor Tests and Finite Element Modeling of Bulk Muscular Tissue In Vivo, J. Rehabil. Res. Dev., 33:239–252, 1996. [Viola-05] F. Viola and W. F. Walker, A Spline-Based Algorithm for Continuous Time-Delay Estimation using Sampled Data, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 52(1):80-93, 2005. [Wagner-87] R.F. Wagner, M.F. Insana, and D.G. Brown, Statistical properties of radio-frequency and envelope-detected signals with applications to medical ultrasound, J. Opt. Soc. Amer. A, 4:910–922, 1987. [Walz-93] M. Walz, J. Teubner, M. Georgi, Elasticity of begnim and malignant breast lesions, imaging, application and results in clinical and general practice, 8th International Congress on the ultrasonic examination of the breast, 56, 1993 [Yamakoshi-90] Y. Yamakoshi, J. Sato and T. Sato, Ultrasonic imaging of internal vibration of soft tissue under forced vibration, IEEE Trans. Ultrasonics, Ferroelectrics and Frequency Control, 37(2):45-53, 1990. [Yarkony-91] G.M. Yarkony, P.M. Kirk C. Carlson, E.J. Roth, L. Lovell, A. Heinemann, R. King, M.Y. Lee, H.B. Betts, Classification of pressure ulcers, Arch. Dermatol., 126(9):1218-9, 1990. [Zerhouni-88] E.A. Zerhouni, D.M. Parish, W.J. Rogers, A. Yang, and E.P. Shapiro, Human heart: tagging with MR imaging - A method for noninvasive assessment of myocardial motion, Radiology, 169:59-63, 1988.
183
184
Liste des figures
Figure 1.1 : Illustration du principe de formation d’une image échographique. (1) Acquisition : une onde ultrasonore est émise, se propage et interagit avec le milieu. La portion de l’onde réfléchie et rétrodiffusée dans la direction de la sonde est convertie par cette dernière en un signal électrique ou signal RF (2). Les sondes étant multi-capteurs, elles permettent l’acquisition quasi simultanée d’un grand nombre de signaux RF (en général 128 ou 256) conduisant à l’obtention d’une image RF (3). Cette dernière subit plusieurs traitements dont un redressement bi-alternance, une détection d’enveloppe et une compression logarithmique de l’amplitude des signaux (4) conduisant à l’obtention des signaux mode-B (5) et donc à l’image échographique classique mode-B, affichée sur l’écran de l’échographe (6). Figure 1.2 : Orientations des directions en échographie. La direction le long de l’axe de propagation des ondes ultrasonores est appelée la direction axiale. La direction perpendiculaire dans le plan d’imagerie est la direction latérale. Enfin l’axe perpendiculaire au plan d’imagerie indique la direction azimutale. Figure 1.3 : (a) Définition de la contrainte. (b) Illustration des composantes de la contrainte. Figure 1.4 : Illustration de la non-linéarité des tissus biologiques. La relation contrainte-déformation d’un spécimen de veine cave humaine post-mortem a été testée dans des conditions de charge et décharge uniaxiales. λ1 représente le ratio d’étirement, c’est-à-dire le rapport de la longueur du spécimen étiré (l) sur sa longueur initiale (l0). Nous pouvons constater que la relation entre la contrainte et la déformation n’est pas linéaire, exceptée pour les faibles déformations (λ1<1.2) [Sobin-77] Figure 1.5 : Courbe de relaxation du mésentère du lapin. Le spécimen a été mis sous tension avec un taux de déformation de 1.27 cm/min jusqu'à obtention d'une tension T1. Puis le dispositif a été stoppé afin de conserver une déformation constante. Nous pouvons observer que les contraintes correspondantes induites dans le corps diminuent avec le temps [Fung-93] Figure 1.6: Courbe de fluage des muscles papillaires² du lapin sous charge constante. La déformation est donnée en fonction du temps donné selon une échelle logarithmique. Nous pouvons constater que, alors que la contrainte est constante, la déformation augmente avec le temps [Fung-93]. Figure 1.7 : Etude d’un milieu cubique homogène contenant en son centre une inclusion sphérique plus dure. (a) Géométrie du fantôme : le cube fait 30 mm de coté et l’inclusion 10 mm de diamètre. (b) Image mode-B de la section centrale. (c) Carte du module d’Young, avec E1=90 kPa et E2=30 kPa. (d) Déformation axiale pour une compression globale de 4 %. Même si la carte de déformation ne présente pas deux régions homogènes, elle constitue une représentation des propriétés mécaniques du milieu.
185
Figure 1.8 : Dispositif utilisé en sono-élastographie. Un pot vibrant génère une vibration mécanique basse fréquence dans le milieu, dont on image l’amplitude des déplacements locaux [Lerner-88]. Figure 1.9 : Image de l’amplitude des déplacements engendrés par une vibration mécanique basse fréquence dans une éponge contenant une inclusion dure. L’inclusion, dont l’amplitude des déplacements est plus faible, apparait plus sombre en bas à gauche [Lerner-88]. On peut noter la faible résolution spatiale de la cartographie obtenue. Figure 1.10 : Dispositif expérimental utilisé par Catheline et al. [Catheline-99] en élastographie impulsionnelle 1D. Le transducteur à 3.5 MHz est focalisé au milieu de l’échantillon afin d’imager la propagation de l’onde basse fréquence (250 Hz). Figure 1.11 : Estimation des déplacements dans un fantôme en gélatine d’agar par élastographie impulsionnelle 1D en transmission. Chaque ligne représente l’évolution du déplacement à une profondeur donnée en fonction du temps. La ligne (P) met en évidence l’onde de compression, la ligne (S) l’onde de cisaillement et la ligne (SP) marque une deuxième onde de compression due à la réflexion sur la surface inférieure du fantôme [Catheline-99]. Figure 1.12 : Propagation de l’onde de cisaillement dans un fantôme en gel d’agar contenant une inclusion dure. Les déplacements dus à l’onde sont représentés à 2 ms, 12 ms et 17 ms (de gauche à droite). On peut constater l’accélération de l’onde lorsque celle-ci traverse la région plus dure [Bercoff-04]. Figure 1.13 : Cartographie de l’élasticité, obtenue par élastographie impulsionnelle 2D sur un fantôme en gel d’agar contenant une inclusion cylindrique plus dure (diamètre 20 mm) [Bercoff-04]. Figure 1.14 : Schéma de principe de l’élastographie statique Soit un milieu cubique contenant en son centre une inclusion sphérique plus rigide (a). Deux images échographiques radiofréquences sont acquises, l’une (I1) avant compression (b), l’autre (I2) après compression du milieu (c). La déformation est alors estimée localement en analysant les variations des signaux induites par la compression (d), conduisant à l’image des déformations (e). Sur cet exemple issu d’une expérience sur un fantôme physique, nous pouvons observer que l’élastographie apporte des informations complémentaires à l’échographie. Alors que sur l’image échographique, l’inclusion n’est pas détectable, elle est clairement identifiée sur l’image des déformations, également appelée élastogramme. Figure 1.15 : Illustration de la méthode du retard temporel. Ces techniques font l’hypothèse que sous l’action d’une compression statique de faible amplitude, la déformation physique du milieu entraîne localement un mouvement tissulaire assimilable à une translation uniquement axiale. Cette translation se traduit au sein des signaux RF par un simple déphasage des signatures acoustiques le long de la direction axiale. Ce déphasage (paramètre τi) est estimé localement sur une portion de signal (fenêtre temporelle Wi de longueur T), grâce à une analyse de la fonction d’intercorrélation. Figure 1.16 : Image de déformation obtenue par la méthode d’estimation du retard temporel. Le milieu étudié est un fantôme en mousse dont la couche centrale est plus dure [Ophir-91]. Figure 1.17 : Illustration de la méthode des facteurs d’échelle. L’hypothèse est que sous l’action d’une compression statique, la déformation physique du milieu se traduit au sein des signaux RF, non seulement par un déphasage mais également par une compression des signatures acoustiques le long de la direction axiale (représentée par la flèche). Figure 1.18 : Elastogramme issu de [Pellot-Barakat-04], obtenu sur un fantôme en gélatine contenant une inclusion cylindrique rigide (6 fois plus dure que le milieu environnant) et un canal mou rempli d’un fluide en libre circulation. Figure 1.19 : Illustration de la recherche de la signature acoustique correspondant à celle de la fenêtre initiale parmi les signaux interpolés. Figure 1.20 : Illustration des insonifications multiples angulaires [Techavipoo-04]. Figure 1.21 : Image de déformation axiale (en %) issu de [Techavipoo-04]. Le résultat a été obtenu sur un échantillon de foie canin contenant une lésion induite par hyperthermie.
186
Figure 1.22 : Composantes axiale (a), latérale (b), et azimutale (c) du déplacement, calculées par Chen et al. [Chen-05] sur un modèle numérique de ventricule gauche. Figure 1.23 : Dispositif permettant la reconstruction d’un volume ultrasonore grâce à un système de positionnement [Lindop-06]. Figure 1.24 : Elastogramme 3D issu de [Lindop-06] d’un fantôme en gélatine contenant une inclusion rigide. Figure 1.25 : Images obtenues en ERM dans notre laboratoire sur un fantôme calibré contenant quatre inclusions de propriétés mécaniques différentes de celles du milieu environnant. Les ondes sont générées par un vibreur de fréquence 177 Hz placé au sommet du fantôme. (a) Schéma du fantôme et valeurs d’élasticité données par le constructeur. (b) Propagation des ondes de cisaillement. (c) Reconstruction du module de cisaillement : malgré les artefacts observables sur le milieu environnant, les inclusions sont clairement visibles. Les propriétés mécaniques du milieu fournies par le constructeur s’expriment en termes de module d’Young et non en module de cisaillement. Cependant, dans le cas d'un milieu isotrope, le module de cisaillement est lié au module d'Young et au coefficient de Poisson par la relation suivante : G=E/[2(1+ν)]. Figure 1.26 : Illustration de l’ERM, issu de [Sinkus-05b]. Résultats in vivo d’un cancer du sein. (a) IRM en amplitude du sein (la tumeur est localisée dans le rectangle rouge). (b) Module de cisaillement correspondant. Figure 2.1 : (a) Géométrie de l’acquisition. (b) Explication du déplacement de la région d’étude R1 dans I1. R1 se déplace sur une grille régulière en suivant le motif donné par les flèches, avec un pas axial de ∆ax et un pas latéral de ∆lat. Les indices m et n permettent de repérer la position de R1 sur cette grille (m=1…M, n=-N…+N). Figure 2.2 : (a) Géométrie de l’acquisition 2D et (b) Illustration du déplacement adaptatif de la ROI. Alors que les positions successives de R1 dans I1 (à gauche) couvrent une grille régulière, R2 subit un déplacement adaptatif dans I2 (à droite), tenant compte de l’influence de la déformation des régions voisines sur sa position. Figure 2.3 : Avec la compression quasi-statique (contrainte σxx), les tissus subissent une compression axiale (déformation axiale εxx), mais également une dilatation dans les directions latérales et azimutales (déformation latérale εyy et déformation azimutale εzz). Figure 2.4 : Modèle de déformation choisi. V1 et V2 sont les volumes pré- et post-compression. Pour chaque ROI R1 sélectionnée dans V1, sa version déformée R2 est recherché dans V2, comme une réplique de R1 comprimée en axial et translatée en latéral et en azimutal. Figure 3.1 : Illustration de l’évaluation d’une méthode à partir des profils de déformation théorique et estimé le long d’une ligne traversant une inclusion plus dure que le milieu environnant. (a) cartographie théorique des déformations axiales, (b) cartographie estimée, (c) profils théorique et estimé le long de la ligne médiane verticale, (d) profils théorique et estimé le long de la ligne médiane horizontale [Techavipoo-04]. Figure 3.2 : PSF du système d’imagerie ultrasonore pour les simulations numériques. Les dimensions sont en mm et le niveau de gris représente l’amplitude de la PSF. Figure 3.3 : Principe de simulation des images ultrasonores. La simulation par éléments finis (1) permet d’obtenir la configuration du milieu déformé. Appliquée à la position initiale des diffuseurs (a), elle permet donc d’obtenir la cartographie finale des diffuseurs (b). La simulation ultrasonore (2) donne alors les images pré- et post-compression (c et d). Figure 3.4 : Géométrie des fantômes numériques. (a) Fantôme cubique homogène de 30 mm d’arête. (b) Fantôme cubique de 30 mm d’arête contenant en son centre une inclusion sphérique de 10 mm de diamètre. Figure 3.5 : Résultats pour le fantôme cubique homogène. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm.
187
Figure 3.6 : Résultats pour le fantôme cubique contenant une inclusion sphérique plus dure que le milieu environnant. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm. Figure 3.7 : Résultats pour une section située à 2.5 mm du centre du fantôme dans la direction azimutale. Déformation axiale théorique (a) et estimée (b), en %. Déplacement latéral théorique (c) et estimé (d), en mm. Déplacement azimutal théorique (e) et estimé (f), en mm. (g) Champ de déformation axiale (en %) obtenu par un estimateur 2D. (h) Image échographique mode B de cette section. Figure 3.8 : L’algorithme 3D est considéré en trois régions spécifiques, indiquées par les flèches (à droite) : au plan médian du fantôme dans la direction azimutale, à 5 mm du plan médian et à 10 mm du plan médian. Figure 3.9 : Evaluation de la méthode 3D pour l’estimation de la déformation axiale sur un fantôme homogène. Représentation des différents élastogrammes en fonction du taux de compression appliqué et de la position dans le fantôme. Figure 3.10 : Comparaison des algorithmes 2D et 3D : tracé de la déformation axiale estimée en fonction de la déformation appliquée (l’écart-type est représenté par les barres d’erreur). Au centre du fantôme, (a) en 2D et (b) en 3D. A 5 mm du centre du fantôme, (c) en 2D et (d) en 3D. A 10 mm du centre du fantôme, (e) en 2D et (f) en 3D. Figure 3.11 : Comparaison des algorithmes 2D et 3D. Déformation axiale estimée : au centre du fantôme et pour 16 % de déformation axiale appliquée, (a) en 2D et (b) en 3D ; à 5 mm et pour 6 % de déformation, (c) en 2D et (d) en 3D ; à 10 mm et pour 2 % de déformation, (e) en 2D et (f) en 3D. Figure 3.12 : Comparaison des algorithmes 2D et 3D : tracé du coefficient de corrélation normalisé en fonction de la déformation appliquée, (a) en 2D et (b) en 3D. Pour chaque graphique, les symboles ‘+’ représentent les estimations dans le plan médian, les symboles ‘x’ les estimations à 5 mm du plan médian et les symboles ‘o’ les estimations à 10 mm du plan médian dans la direction azimutale. Figure 3.13 : Evolution du temps de calcul, en minutes, en fonction du taux de compression appliqué au fantôme et de la position d’étude. Figure 3.14 : Fantôme numérique avec inclusion. Le fantôme est un cube de 30 mm de coté et l’inclusion est une sphère de 15 mm de diamètre. Leurs modules d’Young sont 30 et 90 kPa, respectivement. La barre au contact de la face supérieure du fantôme représente la sonde échographique, et c’est par son intermédiaire que la compression du milieu est effectuée. Trois positions sont envisagées pour cette barre : au milieu, à 2.5 mm du milieu ou à 5 mm du milieu. Figure 3.15 : Déformation axiale estimée en 2D et en 3D au centre du fantôme, pour 1 et 4 % de déformation appliquée. L’échelle de couleurs est en %. Figure 3.16 : Déformation axiale estimée en 2D et en 3D à 2.5 mm du centre du fantôme, pour 1 et 4 % de déformation appliquée. L’échelle de couleurs est en %. Figure 3.17 : Evolution du temps de calcul, en minutes, en fonction du taux de compression appliqué au fantôme et de la position de la région considérée. Figure 3.18 : Description du fantôme CIRS 049 dédié à l’élastographie. Le module d’Young des inclusions de type 1 est 6 kPa, il vaut 17 kPa pour les inclusions de type 2, 54 kPa pour les inclusions de type 3, 62 kPa pour les inclusions de type 4 et 29 kPa pour le milieu environnant. L’inclusion considérée est marquée par la flèche. C’est une inclusion de type 4, mesurant 10 mm de diamètre et localisée à 15 mm de la surface. Figure 3.19 : Principe de reconstruction du volume ultrasonore RF. (a) Des images 2D sont acquises avec un pas de déplacement régulier dans la direction azimutale. (b) Le volume RF résulte alors de la concaténation de l’ensemble des images. Figure 3.20 : Dispositif d’acquisition des données expérimentales 3D.
188
Figure 3.21 : (a) Déformation axiale estimée pour le fantôme calibré CIRS 049 contenant une inclusion sphérique dure (données acquises avec la sonde 2D). (b) Carte du coefficient de corrélation normalisé. Figure 3.22 : Sondes utilisées pour l’acquisition des données ultrasonores avec l’échographe Ultrasonix : (a) sonde 3D à balayage sectoriel et (b) sonde linéaire pour l’acquisition d’images bidimensionnelles. Figure 3.23 : (a) Déformation axiale estimée pour le fantôme calibré CIRS 049 contenant une inclusion sphérique dure (données acquises avec la sonde à balayage sectoriel). (b) Carte du coefficient de corrélation normalisé. Figure 3.24 : (a) Photo et (b) vue en coupe du fantôme de sein CIRS. Le fantôme mesure 15 cm x 12 cm x 7 cm de haut (dimensions maximales), et son volume est 600 cm3. Des inclusions de taille variable (entre 2 et 10 mm de diamètre) et trois fois plus dures que le milieu environnant sont positionnées aléatoirement dans le volume. Figure 3.25 : (a) Déformation axiale estimée pour le fantôme de sein CIRS 059 (données acquises avec la sonde 3D). (b) Carte du coefficient de corrélation normalisé. Figure 4.1 : Phénomène de l’ischémie due à la compression des tissus : l’écrasement des capillaires empêche les échanges entre le sang et les cellules environnantes. Figure 4.2 : Illustration d’une configuration particulièrement sujette à l’apparition d’une escarre. La faible épaisseur de tissus en regard d’une protubérance osseuse fait que la région subit une pression importante. Figure 4.3 : Les zones privilégiées de formation de l’escarre sont les régions comprises entre une protubérance osseuse et le support. Figure 4.4 : Coupe schématique des différentes couches de tissus qui vont être altérées lors de la formation de l’escarre. Figure 4.5 : Vue en coupe du processus de formation de l’escarre au cours du temps. La plaie se développe d’abord en profondeur avant de s'ouvrir vers l'extérieur. Figure 4.6 : Système permettant de générer une escarre au niveau du muscle de la cuisse du rat. La durée et l’intensité de la compression peuvent varier [Gefen-05]. Figure 4.7 : Schéma du dispositif permettant de mesurer le module de cisaillement, issu de [Gefen-04]. Figure 4.8 : Illustration du principe de la détection précoce de l’escarre par élastographie. L’étude de la déformation du milieu permettrait de détecter des zones dures pathologiques. Figure 4.9 : Configuration du fantôme numérique imitant un milieu avec développement d’une escarre Figure 4.10 : Déformation axiale théorique en % du milieu (a) sans escarre, (b) avec une escarre de 90 kPa et (c) avec une escarre de 120 kPa. Figure 4.11 : Tracés du profil vertical médian de la déformation axiale théorique pour la configuration sans escarre, avec une escarre de 90 kPa et avec une escarre de 120 kPa. Figure 4.12 : Champs estimés et théoriques pour le fantôme numérique d’escarre. Déformation axiale en % (a) théorique, (b) estimée et déplacement latéral en dixième de mm (c) théorique et (d) estimé pour l’escarre de 90 kPa. Déformation axiale en % (e) théorique, (f) estimée et déplacement latéral en dixième de mm (g) théorique et (h) estimé pour l’escarre de 120 kPa. Figure 4.13 : Echographie mode B du fantôme numérique d’escarre. Figure 4.14 : (a) Caractéristiques du fantôme physique d’escarre. (b) Echographie mode B d’une section du fantôme.
189
Figure 4.15 : Résultats obtenus sur le fantôme physique d’escarre en PVA. (a) Déformation axiale (en %), (b) Déplacement latéral (en mm) et (c) déplacement azimutal (en mm), pour une coupe. (d) Carte 3D de déformation axiale. Figure 4.16 : Illustration du protocole expérimental de détection précoce de l’escarre chez le rat. Figure 4.17 : Photo de la manipulation Figure 4.18 : (a) Echographie de la région d’intérêt à l’état initial. (b) Echographie de la région d’intérêt après 60 minutes d’application de la compression. Figure 4.19 : (a) Carte de déformation (en %) de la région d’intérêt à l’état initial. (b) Carte de déformation (en %) de la région d’intérêt après 60 minutes d’application de la compression. Figure 4.20 : Echographies et élastogrammes correspondant à la deuxième expérience de détection de l’escarre chez le rat. (a) Echographie expliquant les différentes régions imagées. (b) Echographie initiale. (c) Echographie après 60 min. de compression. (d) Elastogramme initial. (e) Elastogramme après 60 min. de compression. Figure 4.21 : Positionnement des fenêtres de calcul de la déformation moyenne sur les élastogrammes, (a) à l’instant initial, et (b) à 60 minutes.
190
Liste des tables
Table 1.1 : Moyennes et écart-types du module d'élasticité du sein normal et pathologique pour différentes fréquences et différents niveaux de pré-compression [Krouskop-98]. n : nombre d'échantillons tissulaires utilisés pour l'étude statistique. Table 1.2 : Moyennes et écart-types du module d'élasticité de la prostate normale (face antérieure et postérieure de la glande) et pathologique pour différentes fréquences et différents niveaux de pré-compression [Krouskop-98]. HPB : Hyperplasie prostatique bénigne Table 3.1 : Résumé des paramètres de calcul utilisés pour l’estimation de la déformation 3D. Table 3.2 : Evolution de la déformation axiale moyenne estimée (plus ou moins l’écart-type) et du RMSE pour l’algorithme d’estimation 3D, en fonction du taux de compression et de la région d’estimation. Table 3.3 : Evolution des critères RMSE, RSBe et facteur d’amélioration pour les deux algorithmes, en fonction du taux de compression et de la région d’estimation. Table 3.4 : Paramètres pour le calcul d’un plan de déformation au sein d’un volume. Table 3.5 : Paramètres de calculs sur le fantôme calibré CIRS (acquisitions avec la sonde 3D). Table 4.1 : Valeurs de durcissement des tissus trouvé par Gefen et al. [Gefen-05] avec leur protocole animal. Rapports entre le module de cisaillement à un instant donné G(t) et le module de cisaillement initial G(t0), pour des pressions de différentes intensités et durées. Table 4.2 : Module d’Young en fonction du nombre de cycles de congélation-décongélation, estimé sur des échantillons de PVA cryogel [Fromageau-07]. Table 4.3 : Paramètres de calculs sur le fantôme physique d’escarre. Table 4.4 : Evolution de la déformation sur les élastogrammes de la deuxième expérience, en fonction du temps et de la position des fenêtres de calcul.
191
Publications
Publications dans des revues internationales avec comité de lecture J.F. Deprez, E. Brusseau, C Schmitt, G. Cloutier, O. Basset, 3D estimation of soft biological tissue deformation from radio-frequency ultrasound volume acquisitions, Medical Image Analysis, accepté. E. Brusseau, J. Kybic, J.F. Deprez, O. Basset, 2D locally regularized strain estimation algorithm: Theoretical developments and results on experimental data, IEEE Transactions on Medical Imaging, 27(2), pp 145-160, 2008. F. Davignon, J.F. Deprez, O. Basset, A parametric imaging approach for the segmentation of ultrasound data, Ultrasonics, 43, pp 789-801, 2005.
Publications dans des revues nationales E. Brusseau, J.F. Deprez, F. Duboeuf, O. Basset, Imagerie de la déformation des tissus biologiques par élastographie main-libre, Journal de Radiologie, 88:1823-31, 2007.
Publications dans des conférences internationales avec actes J.F. Deprez, E. Brusseau, and O. Basset, 3D Strain Imaging Method dedicated to large Deformations and Freehand Scanning, IEEE Ultrasonics Symposium, Pékin (Chine), 2008.
193
E. Brusseau, J.F. Deprez, F. Duboeuf, F. Rigout-Paulik and O. Basset, Deformation Imaging of noninduced dog tumor lesions during freehand scanning, IEEE International Symposium on Biomedical Imaging, Paris (France), 2008. J.F. Deprez, G. Cloutier, C. Schmitt, C. Gehin, A. Dittmar, O. Basset and E. Brusseau, 3D Ultrasound Elastography for Early Detection of Lesions. Evaluation on a Pressure Ulcer Mimicking Phantom. IEEE International Conference of the Engineering in Medicine and Biology Society, Lyon (France), 2007. E. Brusseau, J.F. Deprez, F. Duboeuf and O. Basset, Locally regularized strain field estimation for freehand elastography, IEEE International Conference of the Engineering in Medicine and Biology Society, Lyon (France), 2007. J.F. Deprez, E. Brusseau, C. Géhin, A. Dittmar, O. Basset, 2D elastographic technique dedicated to large lateral displacements: application to early detection of pressure ulcer, IEEE Ultrasonics Symposium, Vancouver (Canada), 2006. E. Brusseau, J.F. Deprez, O. Basset, 2D fully resolved strain estimation algorithm evaluation on simulations and in vitro bovine livers, IEEE Ultrasonics Symposium, Vancouver (Canada), 2006. C. Gehin, E. Brusseau, R. Meffre, P.M. Schmitt, J.F. Deprez, A. Dittmar, Which techniques to improve the early detection and prevention of pressure ulcers, IEEE International Conference of the Engineering in Medicine and Biology Society, New-York City (USA), 2006. J.F. Deprez, E. Brusseau, C. Géhin, A. Dittmar, O. Basset, 3D strain estimation of soft biological tissues based on a constrained minimization strategy, IEEE International Symposium on Biomedical Imaging, Arlington (USA), 2006. F. Davignon, J.F. Deprez, O. Basset, Ultrasound data segmentation based on tissue characterisation, SPIE Medical Imaging, San Diego (USA), 2005.
Publications dans des conférences internationales sans acte E. Brusseau, J.F. Deprez, F. Duboeuf and O. Basset, 2D locally regularized deformation imaging during freehand examination – Initialial results, International Conference on the Ultrasonic Measurement and Imaging of Tissue Elasticity, Sante Fe (USA), 2007. J.F. Deprez, E. Brusseau, O. Basset, Application of a 2D elastographic technique to early detection of pressure ulcer: preliminary results, International Conference on the Ultrasonic Measurement and Imaging of Tissue Elasticity, Snowbird (USA), 2006. E. Brusseau, J.F. Deprez, O. Basset, Application of 2D optimized strain estimation algorithm to deformation imaging of bovine livers in vitro, International Conference on the Ultrasonic Measurement and Imaging of Tissue Elasticity, Snowbird (USA), 2006. E. Brusseau, JF. Deprez, G. Said and O. Basset, 2D strain estimation based on a Newton constrained minimization strategy: application to experimental data, International Conference on the Ultrasonic Measurement and Imaging of Tissue Elasticity, Austin (USA), 2005.
194
FOLIO ADMINISTRATIF
THESE SOUTENUE DEVANT L'INSTITUT NATIONAL DES SCIENCES APPLIQUEES DE LYON
NOM : DEPREZ DATE de SOUTENANCE : 14 novembre 2008 Prénoms : Jean-François TITRE : Estimation 3D de la déformation des tissus mous biologiques par traitement numérique des données ultrasonores radiofréquences NATURE : Doctorat Numéro d'ordre : 2008-ISAL-0087 Ecole doctorale : Electronique, Electrotechnique, Automatique Spécialité : Images & Systèmes Cote B.I.U. - Lyon : T 50/210/19 / et bis CLASSE : RESUME : Le but de l’élastographie ultrasonore est de fournir aux praticiens hospitaliers une information relative à l’élasticité locale d’un milieu biologique. Ce type d’information présente en effet un intérêt fondamental en diagnostic clinique car les processus pathologiques s’accompagnent généralement de variations d’élasticité dans les tissus biologiques. A titre d’exemple, certaines tumeurs cancéreuses comme celles du sein ou de la prostate, se présentent sous la forme de nodules beaucoup plus rigides que les tissus sains environnants. L’élastographie dite « statique », domaine dans lequel s’inscrit ce travail, repose sur un principe simple de mécanique : sous l’action d’une même contrainte une zone molle se déforme davantage qu’une zone rigide. L’élasticité locale d’un milieu peut donc être révélée en imageant sa déformation sous l’action d’une contrainte. L'estimation de la déformation est réalisée par une analyse numérique des signaux échographiques acquis avant et après compression du tissu, en mesurant les modifications induites par la contrainte. Jusqu’à récemment, les techniques de traitement du signal utilisées en élastographie étaient essentiellement des méthodes monodimensionnelles. Mais cette caractéristique s’avère trop limitative, car les milieux biologiques se déforment de manière tridimensionnelle. Si l’on ne tient pas compte du mouvement tissulaire local 3D, la déformation estimée sera erronée. Elle le sera d’autant plus que la contrainte appliquée sera importante et que le milieu sera hétérogène (caractéristique des tissus biologiques). Dans le cadre de cette thèse, nous avons développé un modèle numérique 3D de traitement des données ultrasonores radiofréquences pour l’estimation de la déformation. L’élastographie ultrasonore trouvant des applications potentielles pour toute pathologie s’accompagnant de variation significative des propriétés élastiques du milieu, nous avons appliqué en particulier l’algorithme développé à la détection précoce de l’escarre. Ce manuscrit comporte quatre chapitres. Le premier chapitre est consacré à la description du contexte général de l'imagerie de l'élasticité des tissus biologiques et à l’état de l'art des différentes méthodes élastographiques, en détaillant, en particulier, les techniques de traitement du signal utilisées pour l'estimation de la déformation. Le chapitre 2 est consacré à la description de la méthode que nous avons développée pour l'estimation de la déformation des tissus sous contrainte statique. La méthode a d’abord été développée pour l’estimation 2D de la déformation, puis étendue à l’estimation 3D. En particulier, nous avons proposé un modèle de déformation direction-spécifique, lié à la forte anisotropie des données ultrasonores radiofréquences. Les paramètres du modèle sont estimés par l’optimisation sous contrainte d’une fonctionnelle, optimisation mise en œuvre via une technique de type programmation quadratique séquentielle. Le chapitre 3 présente les premiers résultats, réalisés sur des fantômes numériques, à la fois en 2D et en 3D et permettent une comparaison approfondie des performances respectives des algorithmes d’estimation de la déformation 2D et 3D. La méthode a ensuite été évaluée sur des fantômes physiques calibrés dédiés aux études élastographiques, puis une dernière série de tests a été réalisée sur des données biologiques in vitro. Les résultats amènent une discussion sur l’intérêt de considérer l’aspect tridimensionnel en élastographie. Enfin le chapitre 4 est consacré à l'application plus particulière de l'élastographie au problème de la détection précoce de l’escarre. L'escarre est une pathologie dont le mécanisme de formation est encore largement méconnu, et pour lequel il n'existe actuellement aucune technique de détection. Cependant, les zones endommagées par l'escarre semblent présenter une variation d'élasticité par rapport à des tissus sains et l’élastographie ultrasonore pourrait être un outil pour la détection précoce de cette pathologie. Une étude de faisabilité, incluant notamment des résultats chez le rat in vivo, est présentée, montrant l’apport potentiel de l’élastographie pour la détection précoce de l’escarre. MOTS-CLES : Elastographie, estimation de la déformation, échographie, ultrasons, traitement du signal, imagerie médicale, escarre. Laboratoire(s) de recherche : CREATIS – LRMN, UMR CNRS 5220, Inserm U 630. Directeurs de thèse: Olivier BASSET et Elisabeth BRUSSEAU Président de jury : Dominique CATHIGNOL Composition du jury : - Olivier BASSET (co-directeur) - Elisabeth BRUSSEAU (co-directeur) - Dominique CATHIGNOL (président) - Denis COLIN (rapporteur) - Claudine GEHIN (membre invité) - Christine FERNANDEZ-MALOIGNE (rapporteur) - Mickaël TANTER (rapporteur)