Laboratoire de Génie Informatique et d’Automatique de l’Artois

Seminar

Aide au diagnostic du cancer de la prostate par IRM DCE et multiparamétrique.

The 21 October 2014 at 14:00 Seminars room of the LGI2A, FSA, Béthune
Guillaume TARTARE Ph.D. LISIC : Laboratoire d’Informatique Signal et Image de la Côte d’Opale.
The seminar is held in french.

L’utilisation de l’imagerie médicale pour le diagnostic du cancer de la prostate s’est accrue ces dernières années, principalement pour sa possibilité d’acquérir des informations sur différentes caractéristiques des tissus. Pour aider le radiologue dans son travail d’interprétation des images, des outils d’aide à la décision, basés sur les techniques de traitement de signal, ont commencé à apparaitre. L’une des modalités ou types d’IRM possible est l’IRM de perfusion dynamique (DCE IRM).
La première méthode, appelée pharmacocinétique, développée sur cette modalité est une extraction d’attributs à partir de modèle. Les paramètres pharmacocinétiques extraits informent sur la vascularisation du tissu qui est une caractéristique des cellules cancéreuses. Un outil de simulation de signaux IRM a aussi été créé à partir de ces modèles pour générer une vérité terrain fiable pour évaluer nos algorithmes.
Une approche originale, basée sur la classification spectrale, permet l’identification et la segmentation des zones cancéreuses à partir des signaux temporels issue des images dynamique. D’après la théorie des graphes, les pixels, une fois projetés dans un nouvel espace de représentation, sont aisément séparables et forment des classes. Chaque classe est labélisée par comparaison avec le signal artériel qui sert de référence.
Les données issues des autres modalités d’IRM ne sont pas à négliger. Elles apportent des informations morphologiques et fonctionnelles sur les tissus qui sont complémentaires. Pour fusionner ces informations, la classification non supervisée évidentielle (ECM Evidential C-Means) a été utilisée. Cette méthode peut être vue comme une évolution de l’algorithme des Fuzzy C-means (FCM) utilisant la théorie des croyances, pour la fusion des données multi-sources.