Atlas spécifique au sujet pour la segmentation automatique des tissus cérébraux des images par résonance magnétique néonatale

Le développement de systèmes avancés pour la segmentation 3D des tissus cérébraux à partir d'images par résonance magnétique (RM) néonatales est vital pour l'analyse structurelle des nouveau-nés. Cependant, la segmentation automatique des tissus cérébraux néonatals est un défi en raison de la taille de tête plus petite et du contraste inverse T1/T2 des tissus par rapport aux adultes. Dans ce travail, une technique basée sur un atlas spécifique au sujet est présentée pour la segmentation de la matière grise (MG), de la matière blanche (MB) et du liquide céphalorachidien (LCR) à partir des images RM néonatales. Cela implique la sélection d'un atlas, la création d'un atlas spécifique au sujet en utilisant un classificateur de forêt aléatoire (RF), et la segmentation des tissus cérébraux utilisant la méthode d'optimisation par espérance-maximisation-champ aléatoire de Markov (EM-MRF). Pour augmenter la précision de la segmentation, différentes caractéristiques basées sur l'intensité des tissus et les gradients ont été utilisées. L'évaluation sur 40 images RM néonatales (âge gestationnel de 37 à 44 semaines) a démontré une précision globale de 94,3 % et un coefficient de similarité de Dice moyen (DSC) de 0,945 (MG), 0,947 (MB) et 0,912 (LCR). Comparé aux méthodes de segmentation multi-atlas comme SEGMA et EM-MRF avec plusieurs atlas, notre méthode a amélioré la précision de jusqu'à 4 %, en particulier dans les régions de tissus complexes. Notre méthode proposée permet une segmentation précise des tissus cérébraux, une étape cruciale dans les applications d'imagerie par résonance magnétique (IRM) du cerveau, y compris la reconstruction de surface cérébrale et la création de modèles réalistes de tête chez les nouveau-nés.