Normalisation des données

Normalisation des donnéesNormalisation des données

Oury Monchi, Ph.D.Oury Monchi, Ph.D.

Centre de Recherche, Institut Universitaire de Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de MontréalGériatrie de Montréal & Université de Montréal

Qu’est-ce la normalisation ?

Localisation du voxel = localisation anatomique

Avec des valeurs d’intensité exactes

Terminologie de la normalisation

Estimation de la transformation : trouver la matrice de transformation (pas de resampling)

Resampling : on applique la transformation estimée

La normalisation signifie la combinaison des 2

Le resampling est souvent fait tard dans l’analyse car il réduit la qualité de l’image,

Principes de la normalisation

Nous devons comprendre:

Transformations spatiales

Interpolation

Fonctions de similitude

Recherche / Optimisation

Résolution multiple

Espace standard

Transformations spatiales

Pour aligner les images, il faut les transformer

Il y a beaucoup de types de transformation

Les degrés de liberté décrivent la transformé partiellement

Par exemple : Corps rigide (6df) Affine (12df) Rigide en parties (6df par partie) Non-linéaire (fluide, élastique, spline, etc.)

Transformations à corps rigide

6 degrés de liberté en 3D

Inclut:

3 Rotations

3 Translations

Utilisées pour co-registration ou pour correction du mouvement intra-sujet

Transformations affines

12 degrés de liberté en 3D

Transformation linéaire

Inclut: 3 Rotations 3 Translations 3 « Scalings » 3 Skews / Shears

Utilisé pour des normalisations sujet-standard (e.g. Talairach)

Transformations non-linéaires

Plus que 12 degrés de liberté

Peuvent être locales

Quelques contraintes: Rigide en partie Fonctions de base (e.g. Splines) Fluide

Utilisé pour une normalisation inter-sujet de bonne qualité

Normalisation non-linéaire

T = rotation, « scaling », translation

D = Transformation de plus grand ordre, exige déformation locale

J. Talairach and P. Tournoux, Co-planar stereotactic atlas of the human brain: 3-Dimensional proportional system: an approach to cerebral imaging, Stuttgart, Georg Thieme Verlag, 1988

Espace Stéréotaxique

Basé sur des points de repère anatomiques (commissures antérieure et postérieure)

Originalement utilisé pour guider les procédures stéréotaxiques aveugles de chirurgie (e.g. thalamotomie, pallidotomie)

Maintenant utilisé par la communauté neuroscientifique pour interpréter et comparer les résultats

commissure antérieure

Ligne AC-PC

commissure postérieure

VAC

Repère AC-PC

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

Espace stéréotaxique


La variabilité anatomique reste

Atlas de Talairach et Tournoux, 1988

Variabilité du sulcus central de 20 sujets

Images courtesy A. Zijdenbos, MNI

Données non registrées

Données registrées

Normalisation en espace stéréotaxique Avantages pour l’imagerie anatomique et structurelle

Facilite les comparaisons à travers le temps, les sujets, les groupes, les sites, etc.

Permet de moyenner entre sujets pour augmenter le SNR

Permet l’utilisation de masques spatiales pour des analyses post-traitement (e.g. des hypothèses basées sur l’anatomie)

Permet d’utiliser des classifications spatiales

Permet d’utiliser des modèles anatomiques (segmentation)

Fournit une structure pour des analyses statistiques avec des modèles « random field » bien établis

Advantages for functional imaging:Normalisation en espace stéréotaxique Avantages pour l’imagerie fonctionelle

Fournit une structure conceptuelle pour l’analyse 3D automatisée à travers tous les sujets

Facilite les comparaisons inter- et intra-sujets à travers le temps, sujets, groupes, sites...

Extrapole les résultats à la population en large

Augmente le signal d’activation au-dessus de celui obtenu d’un seul sujet

Augmente le nombre de degrés de liberté permis dans un modèle statistique

Permet de ressortir les activations en tant que coordonnées dans l’enceinte d’un espace standard connu

Atlas stéréotaxique Talairach

Inconvénients pour l’imagerie fonctionelle

Dérivé d’un cerveau non-représentatif du cadavre d’une seule personne de 60 ans (quand la plupart des études sont faites avec des sujets vivants, sains et jeunes!)

Ignore les différences entre les hémisphères droit et gauche

Séparation des tranches variable, jusqu’à 4mm

Contient des tranches coronales, sagittales et horizontales, mais pas de continuum 3D


Par contre, le concept d’espace et de la stéréotaxie a encore une grande valeur

Fournit une structure conceptuelle pour l’analyse 3D complètement automatisée à travers tous les sujets

L. Collins et A. Evans ont créé un remplacement pour la volumétrie stéréotaxique qui adresse les points faibles de l’atlas Talairach

Histoire des modèles anatomiques du MNI

1992 1993 1996 1998 2001 2004

Cerveau moyen MNI 250

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

Normalisation manuelle

MNI 250

Pour : 250 sujets représente la population

moyenne Peut être utilisée comme cible de

normalisation

Contre : Normalisation manuelle (variable) Ne couvre pas complètement le

haut de la tête et le cervelet Manque de détail cortical N’a jamais été rendu publique

Average 305 du MNI Pour :

Normalisation automatique 305 sujets Plus de contraste Utilisé comme cible de

normalisation MRITOTAL Disponible publiquement avec

mni_autoreg

Contre : Ne couvre pas complètement le

haut du cerveau et le cervelet Manque de détail cortical

Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205

Holmes, C., Hoge, R., Collins, D.L., Woods, R., Toga, A.W. (1998).Enhancement of MR Images Using Registration for Signal Averaging. Comput Assist Tomogr. 22(2): 324-333.

Colin 27

Pour : Normalisation automatique 1 sujet, 27 scans S/N et C/N très grands Détail anatomique très beau Peut être utilisé comme cible de

normalisation Disponible publiquement avec mni_autoreg

Contre : Un seul sujet – même si normal, peut être un

outlier Ne représente pas la variabilité de la

population

Atlas Jacob

Un seul sujet

Dessiné manuellement (Noor Kabani, 96 structures)

Même si normal, peut être un « outlier »

Ne représente pas la variabilité de la population

« Basis for SPAM Atlas in Talairach Daemon »

Moyenne ICBM 152

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

Moyenne T1 Moyenne T2Moyenne PD

ICBM 152 – Groupes de tissus

Moyenne MG Moyenne MBMoyenne CSF

ICBM 152

Pour : Normalisation linéaire

automatique 152 sujets Meilleur contraste Couvre toute la tête Modèles T1/T2/PD et MG/MB/CSF Utilisé comme cible de

normalisation MRITOTAL Disponible publiquement avec

mni_autoreg, SPM2, FSL

Contre : Manque de détail cortical

ICBM 152 non-linéaire

Pour: Normalisation

automatique Meilleur contraste Couvre la tête au complet Utilisé comme cible de

normalisation MRITOTAL Détail cortical signifiant

Contre: ?

Moyenne linéaire 305 ICBM 152 non-linéaireICBM 152 linéaire Colin 27 linéaire

Modèles stéréotaxiques

Normalisation d’images

Normalisation : Optimise les paramètres qui décrivent une transformation spatiale entre une image source et une référence (template)

mritotal: crée la matrice de transformation .xfm

Transformation : « Resample » d’après les paramètres de transformation déterminés

e.g. mincresample ou resample_tal: applique la transformation aux données

Quelle est la matrice ?

Il y a deux types « d’output » d’une normalisation Image transformée (réorientée) Matrice de transformation

La matrice de transformation est sauvegardée en tant que matrice 4x4

M14, M24, M34 sont des paramètres de translation x, y et z. Le 3 x 3 de la matrice qui reste contient la rotation, skew et scaling

Ceci est sauvegardé en nom dufichier.mat par le GUI, et spécifié par l’option –omat dans la ligne de commande

M11 M12 M13 M14

M21 M22 M23 M24

M31 M32 M33 M34

0 0 0 1

Interpolation

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

Interpolation


Interpolation


Différents types incluent

Voisin le plus proche

Trilinéaire

Sinc

Spline

Méthode espace k

Interpolation


Différents types incluent

Voisin le plus proche

Trilinéaire

Sinc

Spline

Méthode espace k

Interpolation

Affecte la précision des analyses à venir Important pour l’imagerie quantitative Peut affecter la largeur des artéfacts

Voisin le plus proche SincTrilinéaire


Mesure la validité de l’alignement

Cherche la valeur maximale

Plusieurs variétés principales

Moindres carrés Même modalité (paramètres de séquence exacts)

Corrélation normalisée Même modalité (peut changer le contraste et l’intensité)

Rapport de corrélation N’importe quelle modalité RM

Information mutuelle N’importe quelle modalité (incluant CT, TEP, etc.)

Information mutuelle normalisée

N’importe quelle modalité (incluant CT, TEP, etc.)


Important: « allowable image modalities » Moins important: détails

Optimisation

Maximise la fonction de similitude par des essais répétés, et la recherche

Par exemple: trouve le meilleur angle de rotation

Essai 1: angle = -45 degrés

Optimisation


Par exemple : trouve le meilleur angle de rotation

Essai 2 : angle = -15 degrés

Optimisation



Essai 3 : angle = 0 degrés

Optimisation



Essai 4 : angle = +30 degrés

Optimisation

Après N essais

Maximums locaux et globaux

L’exemple précédent était facile

Mais c’est plus difficile en pratique parce que : Une dimension par degré de liberté Il est difficile de discerner entre le maximum global

et le maximum local

Maximum global

Maximum local

Initialisation

La position de départ est importante pour la stratégie recherche/optimisation locale

Doit être dans la zone de capture

Zone de capture pour un maximum global

Multi résolutions

Pourquoi utiliser des résolutions plus basses ? Calculs plus rapides

8mm – 80 mille calculs 1mm – 40 millions de calculs

Pas sensible aux structures subtiles

Progressivement améliore la résolution pendant la normalisation

Méthodes de normalisation linéaire

Talairach Talairach et Tournoux

MRITOTAL Collins

AIR Woods

SPM Friston, Ashburner

FSL Smith, Jenkinson

Collins, D.L., Neelin, P., Peters, T.M., Evans, A.C. (1994). Automatic 3-D intersubject registration of MR volumentric data in standardized Talairach space. Journal of Computer Assisted Tomography. 18(2): 192-205

Normlisation Linéaire :mni_autoreg et MRITOTAL

Méthode : Axe de transformation principal Corrélation de données floues à

fwhm de 16mm Corrélation de données floues à

fwhm de 8mm Corrélation de données

« gradient magnitude » de 8mm

Optimisation « simplex »

PAT

AIR: Automated Image Registration

Interpolate reslice image onto reference image

Compute/minimize intensity ratio for common area

Successively finer subsampling. Every 81st, 27th, 9th, 3rd\voxel

Errors ~ 1-2mm

Intra + inter modality registration

-Woods, R.P., Cherry, S.R., Mazziotta, J.C. (1992). Rapid automated algorithm for aligning and reslicing PET images. Comput Assis Tomog. 16: 620-633.- Woods, R.P., Mazziotta, J.C., Cherry, S.R. (1993). MRI-PET registration with automated alogirhm. Comput Assis Tomog. 17: 536-546

SPM : Statistical Parametric

Déterminer la transformation spatiale qui minimise la somme carré entre une image et une combinaison linéaire de une ou plusieurs templates

Commence avec une normalisation affine afin que la grandeur et la position de l’image correspondent

Suivi par un warping non-linéaire afin de correspondre à la forme générale du cerveau

Utilise une structure Bayesienne pour maximiser simultanément les lissages des warps J. Ashburner, FIL, London

FSL

Normalisation accomplie avec FLIRT FMRIB’s Linear Image Registration tool

Optimisation à résolutions multiples En utilisant différentes positions de départ

Objectifs de fonctions multiple Pour s’occuper de la normalisation inter- et

intra-modalité

La normalisation stéréotaxique est accomplie en utilisant l’atlas des volumes MNI (moyenne ICBM152 linéaire)

Problèmes de normalisation : quelle méthode ?

Différentes optimisations veut dire

différentes forces

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

Bâtir un modèle spécifique à une population

Idée de NeuroLens

Pourquoi normaliser des données fonctionnelles sur un ‘template’ anatomique ? Création d’un template T2*

Visualisation du processus d’optimisation !

Remerciements et références

Références:

Louis Collins,

Montreal Neurological Institute

Andrew Janke, Montreal Neurological Institute

FSL & FreeSurfer Course, fMRIb, Oxford

FINProchain cours:

IRM anatomique

Remerciements:

Cécile Madjar,

Kristina Martinu

Documents

Normalisation des données