ANALYSE DES DYNAMIQUES SPATIO-TEMPORELLES

DES PROCESSUS DE MEMOIRE DE TRAVAIL :

APPORT DE LA MEG ET DE lEEG

I - Introduction
Ltude des fonctions cognitives a grandement bnfici des techniques dimagerie
crbrale qui permettent de dcomposer les diffrentes tapes du traitement de linformation,
les sous-processus cognitifs, difficilement accessibles aux mthodes comportementales. Les
techniques ayant une bonne rsolution spatiale, telles que la tomographie par mission de
positons (TEP) et limagerie par rsonance magntique fonctionnelle (IRMf), offrent la
possibilit de dcrire les rseaux crbraux impliqus dans les diffrentes fonctions
cognitives. La magnto-encephalographie (MEG) et llectro-encphalographie (EEG), ayant
une excellente rsolution temporelle (de lordre de la msec), sont des techniques appropries
pour analyser les dynamiques temporelles dactivation des rgions crbrales sous-tendant les
processus cognitifs. Les signaux EEG rsultent des courants crbraux circulant dans le
volume extra-cellulaire ; courants gnrs principalement par les potentiels dendritiques postsynaptiques. Les signaux MEG refltent plutt les courants de la branche intra-cellulaire,
cest--dire les courants qui circulent de larborisation dendritique jusquau soma des
neurones. La MEG est peu sensible aux sources neuronales profondes (sources souscorticales) cause de la dcroissance rapide du signal magntique entre son point dmission
et son point denregistrement. Grce labsence de distorsion des champs magntiques lors
de la traverse des enveloppes crbrales, la MEG offre une meilleure rsolution spatiale que
lEEG. La MEG et lEEG sont des techniques complmentaires, car elles ne sont pas
sensibles aux mme sources neuronales. La MEG prend en compte les sources orientes de
manire tangentielle par rapport la surface du scalp, alors que lEEG est davantage sensible
aux sources radiales. Ces deux techniques sont donc susceptibles dapporter des informations
complmentaires sur les contributions corticales spcifiques aux processus cognitifs.
Au cours de cet expos, nous nous intresserons lapport des techniques dimagerie
crbrale, en particulier de la MEG et de lEEG, dans ltude des processus de mmoire de
travail. Nous verrons, travers la prsentation des rsultats dune tude, de quelle manire le
couplage des techniques MEG/EEG permet de mettre en vidence des processus cognitifs
distincts contribution la ralisation dune tche de mmoire de travail visuo-spatiale.
II Le Concept de Mmoire de Travail
Les tudes en psychologie cognitive et en neuropsychologie ont mis en vidence
laspect multi-unitaire de la mmoire (Baddeley, 1990). Elle apparat, en effet, tre dissocie
en processus discrets, distingus selon un certain nombre daxes incluant la capacit de
stockage (limite en temps et en quantit dinformations versus illimite), laccs la
conscience (dissociation de processus conscients versus automatiques), le type de matriel
mmoris (verbal versus visuospatial), et les systmes crbraux sous-jacents. La distinction

la plus fondamentale et la plus largement reconnue concerne la dichotomie entre Mmoire

Court Terme (MCT) et Mmoire Long Terme (MLT), portant sur la dure de mmorisation
des informations.
La MLT est caractrise par une rtention de linformation sur une priode de temps
indtermine, par une capacit de stockage illimite, par un codage en profondeur de
linformation (cf. les niveaux de traitement de linformation), et, au niveau synaptique, par
des modifications morphologiques impliquant la synthse de nouvelles protines. Dun point
de vue fonctionnel, deux grands types de mmoire sont distingus au sein de la mmoire
long terme : la Mmoire Dclarative ou Explicite, faisant appel des processus conscients et
portant sur des informations contextualises ou non dans le temps et l'espace (respectivement
Mmoire Episodique et Mmoire Smantique), et la Mmoire Procdurale ou Implicite,
impliquant des processus automatiques, et caractrise par des apprentissages dissocis de
leur contexte spatio-temporel d'acquisition.
La MCT est dfinie par une rtention brve de linformation, de quelques secondes
quelques minutes, une capacit de stockage limite, un codage plus superficiel de
linformation, et, au niveau synaptique, par une facilitation de la transmission de linflux
nerveux (synapses hebbiennes). Le concept de MCT ou Systme de Mmoire Actif a t
largement reformul en terme de Mmoire de Travail (MdT), modle plus heuristique pour
expliquer les observations comportementales.
Le concept de mmoire de travail a t dfini par Baddeley et Hitch (Baddeley et
Hitch, 1974 ; Baddeley, 1992) comme un systme permettant de stocker et de maintenir en
mmoire court terme des informations qui sont manipules et utilises lors de la ralisation
de tches cognitives, comme la rsolution de problme, la comprhension du langage, la
planification, . Selon ce modle, la rtention temporaire et la manipulation de l'information
lors de diffrentes tches cognitives reposent sur le fonctionnement coordonn de trois souscomposantes (schma). Deux systmes "esclaves" permettent le stockage temporaire de
l'information, soit sous forme verbale (la boucle phonologique), soit sous forme visuo-spatiale
(le registre visuo-spatial). Le systme de la boucle phonologique, spcialis dans le stockage
temporaire de l'information verbale, se compose d'un stock phonologique et d'un processus de
rcapitulation articulatoire. Le registre visuo-spatial, responsable du stockage court terme de
l'information visuo-spatiale, serait impliqu dans la gnration et la visualisation des images
mentales. Il comporterait galement un systme de stockage de l'information visuo-spatiale et
un systme de rcapitulation. La boucle phonologique et le registre visuo-spatial seraient
contrls par un systme central de gestion attentionnelle, l'administrateur central ("systme
excutif"). L'administrateur central, de capacit limite, serait lui-mme fractionn en souscomposantes excutives spcialises et dissociables. Il aurait notamment pour fonction de
slectionner les stratgies cognitives, de coordonner les informations en provenance de
diffrentes sources, de permettre la ralisation de deux tches simultanment (cf. concept
d'attention divise). Ladministrateur central pourrait galement affecter une partie de sa
capacit limite de ressources attentionnelles des oprations de stockage, afin daccrotre la
quantit dinformations pouvant tre transitoirement maintenues en mmoire via les
systmes esclaves . De manire gnrale, les fonctions excutives portent sur la rgulation
des processus oprant sur le contenu de la MdT. Ces fonctions incluent l'attention focalise et
divise, les processus d'inhibition lis des informations non pertinentes, les processus de
contrle impliqus dans la ralisation de tches complexes, la planification de squences de
sous-tches diriges vers un but (typiquement impliques dans les tches de type "Tour de
Londres" ou "Tour de Hano"), ainsi que l'accroissement des capacits mnsiques court
terme par l'attribution de ressources de traitement supplmentaires (Baddeley, 1996).
Baddeley a propos de distinguer au sein de ladministrateur central, dune part, la

composante de planification et de contrle (procdures de gestion) et, dautre part, les

ressources de traitement (ressources attentionnelles).
La MdT est regroupe un ensemble de processus indispensables la ralisation des
fonctions cognitives intgres. Son caractre central dans la cognition a motiv un grand
nombre d'tudes en imagerie crbrale.
Dans la suite de cet expos, nous nous centrerons exclusivement sur l'analyse des
dynamiques spatio-temporelles d'activation des rgions corticales impliques dans les tches
de MdT.

BOUCLE
PHONOLOGIQUE

rtention des
informations verbales
+
systme de
rptitionsubvocale

REGISTRE
VISUO-SPATIAL
ADMINISTRATEUR CENTRAL
(systme excutif)
gestion des ressources
attentionnelles
contrle et coordination
des oprations
de traitement

SYSTEME ESCLAVE PHONOLOGIQUE

rtention des
informations
visuo-spatiales
+
formation et
manipulation
des images mentales

SYSTEME ESCLAVE VISUO-SPATIAL

Modle de la Mmoire de Travail de Baddeley et Hitch (1974)

III - Rseaux crbraux impliqus dans les tches de Mmoire de travail
A) Mthodes et paradigmes exprimentaux
Les mthodes d'tudes ayant permis de prciser les rseaux crbraux sous-tendant la
ralisation des tches de MdT incluent les enregistrements cellulaires unitaires et l'analyse des
effets des lsions chez le primate, les tudes neuropsycholgiques et en imagerie crbrale
(utilisant le TEP et l'IRMf) chez l'Homme. Comme nous l'avons prcis ci-dessus, la MdT
concerne la fois le simple maintien en mmoire d'une ou plusieurs informations pendant une
brve priode temps et la manipulation de ces informations mmorises en vue de raliser une
tche cognitive. Ainsi, les recherches sur la MdT incluent plusieurs dimensions, que nous
rsumerons sous les termes de processus de stockage, de rcapitulation et processus excutifs.
Les tudes en imagerie crbrales, fondes sur des protocoles mettant en jeu spcifiquement
chacune de ces dimensions, ont permis de rvler les rgions corticales qui participent
slectivement ces processus. Les rsultats obtenus jusqu' prsent sont essentiellement bass
sur la mthode de soustraction entre une condition impliquant un processus cognitif
spcifique et une condition contrle, et la mthode des variations paramtriques, selon
laquelle un paramtre refltant spcifiquement un processus varie quantitativement. Les
rsultats obtenus par ces deux mthodes sont congruents. Deux types de tches sont
frquemment employes pour tudier les processus de MdT verbale: la tche de
"reconnaissance d'item" et la tche de "n-back". La tche de "reconnaissance d'item" consiste

 prsenter aux sujets un ensemble d'items cibles mmoriser, par exemple un ensemble de
lettres, et, aprs un dlai de quelques secondes, prsenter un seul item, nomm l'item sonde
(une lettre); les sujets ayant dcider si l'item sonde est le mme qu'un des items cibles (tche
ncessitant une recherche en mmoire). Dans la tche de "n-back", des lettres sont prsentes
successivement, chacune tant spare de la suivante par un dlai de quelques secondes. La
tche consiste dcider si la dernire lettre prsente est identique celle prsente un rang
("1-back"), deux rangs ("2-back") ou 3 rangs ("3-back") antrieurement. La tche de
"reconnaissance d'item" met principalement en jeu la fonction de stockage, alors que la tche
de "n-back" fait appel la fois au stockage et aux processus excutifs (Smith & Jonides,
1999). Les tches d'appariement avec dlai impliquent les processus d'encodage, de stockage
temporaire et de "rafrachissement" (rehearsal) de l'information. Dans les tches de type "nback", les sujets doivent galement manipuler l'ordre temporel d'apparition des stimuli stocks
en mmoire.
D'une manire gnrale, la ralisation des tches de MdT repose sur la coopration des
aires corticales postrieures et antrieures : aires paritales (aires de Brodmann, BA 7 et 40),
aire prmotrice (BA 6) et aires prfrontales (BA 9/46, 10, 44, 45, 47) (Cabeza & Nyberg,
2000). Les traitements verbaux et visuo-spatiaux impliquent cependant l'activation de rseaux
neuronaux distincts (Smith et al, 1996). A partir d'une synthse des tudes portant sur la MdT,
nous prciserons successivement les rgions corticales impliques dans les tches de MdT
verbale, puis visuo-spatiale.

B) Rseaux crbraux sous-tendant la MdT verbale

La ralisation des tches de MdT verbale, utilisant le paradigme de "reconnaissance
d'item" implique l'activation du cortex parital postrieur gauche (BA 40), du cortex frontal
gauche (aire de Broca, BA 44), de l'aire motrice supplmentaire gauche (partie suprieure de
l'aire BA 6) et de l'aire prmotrice gauche (partie infrieure de l'aire BA 6) (Paulesu et al,
1993; Smith et al, 1998; Smith & Jonides, 1999; Cabeza & Nyberg, 2000). Lorsque la charge
en MdT augmente (par exemple, mmorisation de six items versus trois items), l'activation du
cortex prfrontal dorsolatral est observe. La tche de "n-back" produit l'activation du mme
cluster de rgions (BA 40, 6, 44), auquel se surajoute l'activation systmatique du cortex
prfrontal dorsolatral (BA 9/46) (Smith et al, 1998; Smith & Jonides, 1999).
Lactivation des aires paritales postrieures, latralises dans lhmisphre gauche,
semble reflter spcifiquement le stockage phonologique; rsultat cohrent avec les tudes
neuropsychologiques (Shallice, 1988).
Les rgions frontales gauches, aire de Broca, aire motrice supplmentaire et aire
prmotrice, par ailleurs impliques dans la prparation du langage, reflteraient le processus
de rptition articulatoire subvocale, permettant daugmenter le temps de maintien en
mmoire de linformation verbale par un rafrachissement rgulier du "buffer phonologique"
(Smith & Jonides, 1998). Le rle fonctionnel de ces rgions a t confirm par une tude
(Awh et al, 1996), utilisant une tche de "n-back", dans laquelle deux conditions taient
introduites: condition avec rptition subvocale des lettres (demande explicitement aux
sujets) et condition sans rptition (tche de suppression articulatoire). La soustraction des
deux conditions a montr que l'aire de Broca, l'aire motrice supplmentaire et l'aire prmotrice
gauche, taient spcifiquement actives dans la condition avec rptition subvocale. D'autres
tudes en TEP et IRMf confirment le rle de l'aire de Broca et de l'aire prmotrice gauche
dans le processus de rptition subvocale (Smith et al, 1996; Schumacher et al, 1996; Jonides,
1997; Cohen, 1997; Braver et al, 1997; Smith et al, 1998). Ces rgions frontales gauches sont
donc impliques dans le maintien actif de l'information en MdT.

D'aprs les rsultats obtenus dans les tches de "n-back" et d'autres tches de mmoire
de travail verbale, les fonctions excutives (fonctions de manipulation, dintgration et de
contrle), dpendantes de ladministrateur central, semblent reposer principalement sur
lactivation du cortex prfrontal dorsolatral (aires 9/46) (D'Esposito et al, 1995; Salmon et al,
1996; Smith et al, 1998; Collette et al, 1999). D'Esposito et coll. ont men une tude sur la
MdT verbale destine dissocier les rgions prfrontales spcifiquement impliques dans le
maintien et dans la manipulation de l'information (D'Esposito et al, 1999). Deux conditions
exprimentales taient proposes, l'une consistait mmoriser une squence de lettres pendant
quelques secondes ("condition maintien"); dans l'autre condition, les sujets devaient non
seulement mmoriser une squence de lettres, mais galement la rordonner selon l'ordre
alphabtique ("condition manipulation"). Les auteurs rapportent l'activation des cortex
prfrontal dorsolatral (BA 9/46) et ventrolatral (BA 45/47) dans les deux conditions, et une
activation significativement plus intense du cortex prfrontal dorsolatral dans la "condition
manipulation". Il semblerait que le cortex dorsolatral soit recrut non seulement dans les
tches impliquant la manipulation et le "monitoring", mais galement lorsque la quantit
d'informations mmoriser dpasse les capacits du "stock phonologique" (D'Esposito et al,
1999).
Ainsi, les tches de MdT verbale impliquant uniquement le maintien de l'information
en mmoire sont sous-tendues par l'activation des rgions paritales postrieures gauches et
frontales gauches (Paulesu et al, 1993; Salmon et al, 1996; Schumacher et al, 1996; Smith et
al, 1996; Smith et al, 1998; Collette et al, 1999; Smith & Jonides, 1999), et les tches verbales
forte composante excutive produisent, en sus des rgions prcites, l'activation unilatrale
(hmisphre gauche) ou bilatral du cortex prfrontal dorsolatral, (Petrides et al, 1993a,
1993; D'Esposito et al, 1995; 1998; Salmon et al, 1996; Smith et al, 1998; Collette et al, 1999;
Carpenter et al, 2000.

C) Rseaux corticaux sous-tendant la MdT visuo-spatiale

Une sgrgation fonctionnelle des traitements au niveau du systme visuel a t mise
en vidence chez le primate et chez l'homme (Mishkin et al, 1983; Van Essen & Maunsell,
1983; Wilson et al, 1993; Ungerleider et al, 1994; DEsposito et al, 1995) . La voie ventrale
est spcialise dans le traitement des informations visuelles non-spatiales (voie du "quoi") et
la voie dorsale dans le traitement des informations spatiales (voie du "o"). Cette sgrgation
semble tre prserve jusqu'au niveau des aires corticales prfrontales impliques dans les
processus de mmoire de travail (Wilson et al, 1993; Smith et al, 1995; Goldman-Rakic,
1996; Mc Carthy et al, 1996; Courtney et al, 1996).
Les tches de MdT visuo-spatiales activent les aires occipitale, paritale, prmotrice et
prfrontale dorsolatral, avec une contribution plus importante de lhmisphre droit, alors
que les tches de MdT visuelles (objets/formes mmoriser) induisent l'activation des aires
occipito-temporale, infrotemporale, et prfrontale (Smith et al, 1995). Ces rsultats
impliquent qu'une constellation d'aires corticales distinctes est engage dans les processus
d'encodage et de rtention en MdT des informations de type "spatial" et "objet".
La co-activation des cortex parital et frontal (en particulier du cortex prfrontal
dorsolatral droit) a t mise en vidence chez le primate lors de la ralisation de tches
visuo-spatiales avec dlai de rponse, introduisant une composante mnsique (Fuster, 1973 ;
1982 ; 1989; Goldman-Rakic et al, 1987 ; Funahashi et al, 1989; Wilson et al, 1993 ;
Friedman et al, 1994 ; Caminiti et al, 1996 ; Johnson et al, 1996). Les cellules des cortex
parital postrieur et prfrontal prsentent une activit soutenue lors du dlai de mmorisation
dune localisation spatiale (Ungerleider et al, 1998). L'aire intraparitale latrale semble tre

implique dans le traitement de l'information spatiale, quelle que soit la modalit de

prsentation du stimulus, puisque les neurones de cette rgion du cortex parital postrieur
prsentent une activit soutenue, chez le primate, pendant la ralisation de tches de mmoire
de travail visuo-spatiale et audio-spatiale (Mazzoni et al, 1996). De nombreuses tudes chez
l'Homme sur la mmoire de travail visuo-spatiale, utilisant les techniques de tomographie par
mission de positons (TEP) et d'imagerie par rsonance magntique fonctionnelle (IRMf),
rapportent l'activation rcurrente des cortex parital et frontal (Jonides et al, 1993 ; Petrides et
al, 1993a; D'Esposito et al, 1995; Smith et al, 1995, 1998; Owen et al, 1996a, 1996b;
Courtney 1997, 1998; Belger et al, 1998; Ungerleider et al, 1998 ;Labar et al, 1999; Postle et
al, 1999; Zarahn et al, 1999). Les rgions prmotrice droite et laire prfrontale 8 de
Brodmann (sillon frontal suprieur) sont spcifiquement actives lors de lencodage dune
information spatiale en mmoire de travail (Jonides et al, 1993 ; Smith and Jonides, 1999,
Rowe et al., 2000). Pendant le maintien de linformation en mmoire, on observe une activit
soutenue au niveau du cortex parital postrieur et des aires prmotrices/prfrontales. Deux
rgions du cortex parital postrieur droit semblent critiques dans le maintien des
informations spatiales en MdT, une rgion paritale infrieure (aire BA 40) et une rgion
paritale suprieure (aire BA 7) (Smith & Jonides, 1998). Les tudes neuropsychologiques ont
montr que les patients souffrant de lsions du cortex parital postrieur infrieur (aire BA
40) prsentent des dficits slectifs au niveau des traitements spatiaux, en particulier de la
mmoire spatiale, alors que des lsions du cortex parital postrieur suprieur (aire BA 7) sont
associes des dficits de lattention spatiale (Smith & Jonides, 1998). Laire paritale
postrieure infrieure et laire occipitale antrieure semblent impliques dans le stockage de
linformation spatiale, alors que laire paritale postrieure suprieure et le cortex prmoteur
participeraient aux processus de rptition spatiale (rehearsal process). Ce processus de
rptition spatiale pourrait consister, par exemple, recalculer les coordonnes spatiales
dfinissant la reprsentation de la localisation. Lactivation du cortex prfrontal dorsolatral
(aires 9/46 de Brodmann), frquemment observe dans les tches de mmoire de travail,
reflterait davantage la mise en uvre des fonctions excutives permettant la manipulation de
linformation mmorise, que le maintien en mmoire.
Les rseaux parito-frontaux, incluant le cortex parital postrieur, le cortex prmoteur et le
cortex prfrontal, plus particulirement latraliss dans l'hmisphre droit (Jonides et al,
1993 ; Smith et al, 1996), semblent ainsi former le substrat neuronal de la mmoire de travail
visuo-spatiale.

Conclusion
Les aires paritales postrieures sont impliques dans le stockage de l'information,
latralises dans l'hmisphres gauches pour le stockage des informations verbales et dans
l'hmisphre droit pour le stockage des informations spatiales. Les aires frontales semblent
tre impliques dans les processus de rptition, ncessaire au maintien actif des informations
stockes en mmoire de travail (Smith et al, 1996; Smith et al, 1999). Les tudes sur la MdT
verbale et spatiale mettent donc en vidence des circuits crbraux diffrents, confirmant la
distinction tablie dans le modle de Baddeley.

IV - Dynamiques temporelles des processus de mmoire de travail

A) Principes et mthodes
Les tudes fonctionnelles en TEP et IRMf portant sur la mmoire de travail verbale et
visuo-spatiale ont permis de dcrire les rseaux corticaux impliqus spcifiquement dans ces
processus. L'tude de ces processus en EEG et MEG fournit une description des dynamiques
temporelles d'activation des diffrentes aires corticales appartenant ces rseaux spcifiques.
La connaissance des dcours temporels d'activation de ces rgions est susceptible d'apporter
des informations sur la manire dont les fonctions cognitives, conceptualises par le modle
de mmoire de travail, mergent partir des interactions entre assembles cellulaires
distribues sur le cortex. L'analyse temporelle offre ainsi la possibilit de dissocier les
diffrents processus impliqus, c'est--dire les processus transitoires marqus par une activit
neuronale phasique, tels que les processus dencodage/stockage de linformation, et les
processus impliquant une dure dans le temps, reflts par une activit neuronale soutenue,
comme le maintien actif de la reprsentation en mmoire. Ces deux modes d'activit
neuronale peuvent tre mis en vidence par la mthode des potentiels ou champs magntiques
voqus.
Les potentiels voqus (EEG) et les champs magntiques voqus (MEG) mergent
partir du moyennage de l'activit crbrale enregistre lors de la rptition d'essais pendant
lesquels les sujets effectuent une tche similaire. Le moyennage s'effectue sur une fentre
temporelle synchronise sur l'apparition du stimulus. La mthode de moyennage limine donc
en grande partie les fluctuations du signal en relation temporelle alatoire avec les vnements
prsents. Cette technique de moyennage permet de faire apparatre des composantes
spcifiques, correspondant de petites dflections (positives ou ngatives, en EEG) par
rapport l'activit crbrale de base. Ces potentiels enregistrs la surface du scalp sont le
produit de l'activation synchrone de larges populations neuronales (Allison et al, 1986). La
sommation des champs lectriques ou magntiques, provenant de la circulation des courants
engendrs par l'activation individuelle des neurones appartenant ces populations, produit un
champ dipolaire la surface du scalp (sommation vectorielle des champs produits par
l'activit de chaque neurone considr isolment). En EEG, la polarit des champs de surface
dpend de la disposition spatiale des neurones et de l'activation des synapses de type
excitatrices ou inhibitrices. L'analyse des topographies de la distribution de ces champs
lectriques et magntiques de surface fournit des informations sur les dynamiques spatiales
sous-tendant les processus engags. Les mthodes de modlisation dipolaire apportent des
informations plus prcises sur la localisation des assembles neuronales engages dans les
processus tudis. Ces mthodes sont bases sur la recherche de diples quivalents, qui
correspondent la somme vectorielle de tous les diples faisant partie des populations
neuronales actives. Les potentiels et champs magntiques voqus, temporellement corrls
la prsentation du stimulus, refltent les processus de perception et de traitement cognitif de
l'information. L'analyse de ces signaux permet de dtecter des processus qui sont
inaccessibles aux mthodes comportementales, puisqu'ils constituent une mesure en temps
rel de l'activit neuronale sous-tendant les processus perceptifs et cognitifs. Les ondes
voques sont fractionnes en composantes distinctes selon des critres de latence
d'apparition, de distribution des champs sur le scalp et de relation temporelle avec les facteurs
exprimentaux manipuls. D'un point de vue fonctionnel, c'est prcisment leur sensibilit
spcifique aux diffrentes variables exprimentales qui permet de les associer des processus
perceptifs et cognitifs distincts. Dans une perspective cognitive, lanalyse de ces diffrentes
composantes renseignent sur les tapes du traitement de linformation, et en particulier sur les
modes dexcution sriel ou parallle de ces diffrents traitements (Ritter et al, 1982).

Les potentiels et champs magntiques voqus comportent en gnral des

composantes prcoces (intervenant entre 50 et 200 msec aprs l'apparition du stimulus),
associes aux traitements perceptifs du stimulus, et des composantes plus tardives (observes
partir de 300 msec), lies aux traitements cognitifs. Sutton et coll. ont utilis pour la
premire fois le terme de "composantes endognes" en rfrence une onde EEG, dont la
latence s'inscrit dans la fentre temporelle de 300 700 msec post-stimulus, nomme la P300
(Sutton et al, 1965). Sutton a suggr que cette onde refltait le traitement de l'information li
intrinsquement aux processus crbraux. Dans cette perspective, Donchin et coll. ont tabli
une distinction entre "composantes exognes" et "composantes endognes" des potentiels
voqus (Donchin et al, 1978). Les "composantes exognes", de latence prcoce, varient
systmatiquement avec les paramtres physiques des stimuli (modalit, intensit,) et
refltent donc les traitements perceptifs ; alors que les "composantes endognes", de latence
plus tardive, sont lies aux mcanismes neuronaux sous-tendant les traitements cognitifs.
Les potentiels et champs magntiques voqus, mis en vidence par la mthode du
moyennage, refltent les oprations spcifiques effectues sur les reprsentations internes des
stimuli.
Une autre approche, permettant dtudier les soubassements neuronaux des processus
cognitifs consiste tudier la modulation des rythmes crbraux spontans, dans des bandes
de frquence spcifique. Ces modulations refltent les variations de l'tat des rseaux
fonctionnels sous-tendant la ralisation des tches perceptivo-cognitives (Lopes da Silva,
1991). Un moyen de mettre en vidence que les processus cognitifs mergent partir des
interactions entre des assembles neuronales distribues sur le cortex, consiste s'intresser
aux tats de synchronie des oscillations neuronales circonscrites dans des rgions corticales
spcifiques, et cela dans diffrentes bandes de frquence,. Il est ainsi possible de quantifier les
tats de synchronisation et dsynchronisation induits par la ralisation de tches perceptives
ou cognitives (Pfurtscheller & Lopes da Silva, 1999).

B) EEG et Mmoire de Travail

1. P300 et Mmoire de Travail
La P300, observe l'origine par Sutton, prsente une amplitude maximale au niveau
des rgions centro-paritales. Elle a t mise en vidence dans un paradigme incluant une
frquence d'apparition variable de deux classes de stimuli prsents en srie ("odball
paradigm"); l'un est frquent, alors que l'autre est rare. L'amplitude de la P300 dpend de la
probabilit d'apparition du stimulus; plus l'vnement est rare, plus l'amplitude de la P300 est
grande (Sutton et al, 1965; Donchin et al, 1978). L'amplitude de cette composante est
d'ailleurs davantage dpendante de la probabilit subjective d'apparition du stimulus, que de la
probabilit effective. Donchin et Coles ont suggr que la P300 pourrait reflter un processus
de remise jour de la mmoire de travail ("context updating", Donchin et Coles, 1988).
L'amplitude leve de la P300 lors de la prsentation du stimulus rare serait lie l'absence de
congruence entre le modle de l'vnement frquent gard en mmoire de travail et
l'vnement introduit. En effet, selon Donchin, la succession des vnements frquents
engendrerait la cration d'un modle en mmoire court terme, qui servirait par la suite de
comparateur lors de l'introduction d'un nouvel vnement. Si ce nouvel vnement correspond
au modle (match), l'amplitude de la P300 est faible; elle augmente si il y dfaut
d'appariement (mismatch). Cette augmentation d'amplitude reflterait les processus de
rvision ou "rafrachissement" des reprsentations gardes en mmoire de travail.
Indirectement, la P300 serait donc lie aux processus de maintenance des reprsentations en

mmoire, et en particulier de remise jour de ces reprsentations. La variation d'amplitude de

la P300, dans les paradigmes de type "odball", peut galement tre interprte en relation avec
le processus d'habituation. Au niveau comportemental, le phnomne d'habituation se traduit
par une diminution de la rponse lie la prsentation rpte de stimuli similaires. La
diminution d'amplitude de la P300, associe la frquence leve d'apparition du mme
stimulus, pourrait constituer un corrlat physiologique du phnomne d'habituation (Donald,
1983). Cette diminution damplitude reflterait la facilitation, au niveau neuronal, du
traitement de ces types de stimuli ; alors que laugmentation damplitude lors de la
prsentation des stimuli moins frquents marquerait labsence de facilitation.
Les paradigmes de type "odball" ne sont pas conus pour mettre en jeu des processus
de mmoire de travail, mais plutt des processus de discrimination sensorielle et de
catgorisation. Dautres paradigmes plus appropris pour tudier les processus de MdT ont t
utiliss par la suite pour valuer les relations entre P300 et MdT. Les tches employes sont
classiquement drives de trois types de paradigme: les tches de "reconnaissance d'items" et
de "n-back" dcrites antrieurement, et la tche d'appariement/comparaison de deux stimuli.
Dans ce dernier paradigme, la prsentation de deux stimuli, S1 et S2, est spare par un dlai
de quelques secondes pendant lesquelles les sujets doivent mmoriser le premier stimulus (S1
- dlai de mmorisation - S2) ; lorsque S2 apparat, les sujets doivent dterminer sil est
similaire ou diffrent de S1. Des tudes, utilisant ce type de paradigme, ont montr que
lorsque S1 vhicule une information qui doit tre mmorise, mais qui ne permet pas de
prdire lvnement S2, l'amplitude de la P3b est plus faible que lorsque S1 fournit la
possibilit de prdire S2 (Duncan-Johnson & Donchin, 1982; Ruchkin et al, 1982; Ruchkin et
al, 1986). Ainsi, l'amplitude de la P3b varierait en fonction de la quantit d'information
dlivre par le stimulus et de la prdictibilit de l'vnement venir. De manire gnrale, les
stimuli S2 induisent des ondes P300 plus amples que les stimuli S1 (Rugg, 1984 ; Sanquist et
al, 1980). S2 fournit une information dcisive par rapport la tche dappariement, puisque
cest le traitement de ce stimulus qui permet la prise de dcision. De plus, la P3 est plus ample
lorsque S2 est appari S1 ; or, linverse devrait tre observ si des processus de remise
jour de la MdT tait engags. La P3b ne semble donc pas reflter directement les processus de
mmorisation du stimulus ; mais plutt les processus dvaluation du stimulus conduisant
une prise de dcision.
Les tches de "reconnaissance d'item" sont drives du paradigme propos par
Sternberg (1967). Deux ensembles de stimuli sont prsents, un ensemble mmoriser et un
ensemble " test" ; les sujets doivent dterminer si certains stimuli de lensemble test sont
similaires ceux appartenant lensemble mmoriser. De la mme manire que dans les
tches dappariement, laugmentation de la P3 est induite par la prsentation des stimuli tests,
cest--dire par les stimuli les plus informatifs au regard de la tche effectuer (Brookhuis et
al, 1983 ; Hoffman et al, 1983).
Il a galement t propos que laugmentation damplitude de la P3, lors de la
prsentation de stimuli rares, reflterait la "rvision des attentes", et une sorte "deffet de
surprise". Pour tester cette hypothse, la premire approche a consist introduire, au sein de
tches de type "odball", une troisime classe de stimuli qui constitue des vnements
compltement nouveaux par rapport ceux antrieurement prsents (Courchesne et al,
1975). Dans ce type de paradigme, les sujets ne sont pas avertis de la prsence de cette
troisime catgorie de stimuli, dans le but prcisment dvaluer leffet de stimuli inattendus
sur lamplitude de la P3. Ces stimuli inattendus induisent une P3 ample sur les sites frontocentraux. La topographie de cette onde sur le scalp se diffrencie donc clairement de la P3
parieto-centrale classique. La P300 ne semble donc pas tre une composante unitaire
(Johnson, 1986); cette onde reprsenterait l'activit de systmes crbraux largement
distribus impliqus dans des processus varis (Squires et al, 1975). La P3 parito-centrale

originellement dcrite par Sutton a t nomme la P3b (pic autour de 350 msec) pour la
diffrencier de cette composante lgrement plus prcoce, la P3a (pic autour de 250 msec),
dont l'amplitude est maximale au niveau des rgions frontales. Les fentres temporelles
d'apparition de ces deux composantes se chevauchent partiellement, mais leurs topographies
et leurs corrlats fonctionnels diffrent (Squires et al, 1975). Les lsions du cortex frontal
induisent une diminution d'amplitude de la P3a, mais pas de la P3b (Squires et al, 1975;
Nielsen-Bohlman et al, 1999). Knight et coll. ont montr qu'en fonction des lsions
crbrales, les patterns de rduction d'amplitude de la P300 diffrent, et que la P3a frontale et
la P3b paritale sont les produits de gnrateurs neuronaux distincts (Knight, 1990;
Yamaguchi & Knight, 1991). La P3a reflte la dtection de la nouveaut dans un contexte
dtermin de stimuli (Squires et al, 1975). Elle serait lie aux processus attentionnels engags
par l'apparition d'un stimulus saillant (Knight, 1991; Verbaten et al, 1997). La raction la
nouveaut se dfinit par un accroissement de la rponse comportementale. La P3a pourrait
reprsenter son corrlat physiologique.
La P3a fronto-centrale et la P3b parito-centrale reprsentent donc deux composantes
distinctes, gnres par des sources neuronales diffrentes (Verbaten et al, 1997). Selon
Hansen et Hillyard (1983), la P3b serait associe la dcision terminale sur le statut du
stimulus au regard de la tche requise. De manire gnrale, la P3b a t associe aux
processus de discrimination, de catgorisation, de slection, d'appariement et de prise de
dcision (Kutas et al, 1977; Desmedt et al, 1980; Ruchkin et al, 1990a; Ruchkin et al, 1988;
Mecklinger & Ullsperger, 1993) (pour une revue sur la P300, voir Tueting, 1978; Pritchard,
1981; Picton, 1992). Des recherches ultrieures ont soulign que la P3b semble galement tre
une composante multi-unitaire, dans la mesure o sa topographie sur le scalp varie en fonction
de la nature de l'information fournie par les stimuli et de la tche effectue par les sujets
(Ruchkin et al, 1990b; Johnson, 1993). La P3b a t rapporte des gnrateurs intra-crniens
paritaux (Smith et al, 1990). Dautres sources intra-crniennes semblent participer, chaque
gnrateur tant responsable d'oprations cognitives spcifiques (Johnson, 1993). La relation
entre la P300 et les processus de mmoire de travail a t remise en cause par des recherches
ultrieures (Desmedt, 1980; Verleger, 1988, Ritter et Ruchkin, 1992; Picton, 1992). La
relation entre la P3b et l'information est bien connue; son amplitude est directement lie la
quantit d'informations vhicules par le stimulus prsent. Un des facteurs dterminant
laugmentation damplitude de la P3b est la pertinence des stimuli prsents par rapport la
tche raliser, et cela quelle que soit leur frquence dapparition. Selon Ruchkin et Sutton
(1983), la P3b varierait en fonction de lattente des sujets vis--vis d'un vnement et du
caractre informatif de cet vnement (stimulus critique) par rapport la tche effectuer,
plutt que selon les caractristiques physiques des stimuli (Ritter & Ruchckin, 1992;
Desmedt, 1980 ; Verleger, 1988). Cest dailleurs pour cette raison que la P300 a t classe
parmi les "composantes endognes" des potentiels voqus. Cette onde reflterait
l'achvement des processus perceptivo-cognitifs associs un stimulus dans le contexte dune
tche dtermine (Desmedt, 1980; Verleger, 1988). Le terme de "fermeture d'un chantillon
cognitif" a t introduit par Desmedt (1980), et repris par Verleger qui a propos que la P3
(P3b) reflterait ces processus de "fermeture des traitements" ("context closure hypothesis")
(Verleger, 1988). Dans le cadre des paradigmes dappariement ou du paradigme de Sternberg,
les sujets maintiennent un certain niveau dattente lie la tche raliser, aprs la
prsentation des premiers stimuli. Lorsque les seconds stimuli attendus apparaissent, leur
valuation conduit la slection de la rponse, cest--dire un processus de prise de dcision
clturant les traitements lis au mme contexte. La P3b est voque quand les attentes des
sujets concernant la tche sont remplies et non lorsquelles ncessitent un processus de
rvision. La somme des traitements requis par un stimulus est en corrlation ngative avec
lamplitude de la P3b. L'amplitude de la P3b est donc un index de la capacit de traitement

10

des stimuli pertinents pour effectuer une tche (Wickens et al, 1984; Picton et al, 1992). Cette
observation est cohrente avec le "modle de fermeture", selon lequel plus les traitements
induits par un stimulus sont importants (les attentes ne sont pas satisfaites), plus lamplitude
de la P3b dcrot. Plusieurs tudes, employant le paradigme de Sternberg ou les tches
d'appariement, ont rapport que l'augmentation de la difficult de la tche engendre une
diminution de la P3b (Ruchkin et Sutton, 1978). Ainsi, l'amplitude de la P3b diminue lorsque
les stimuli requirent des traitements cognitifs supplmentaires (Verleger, 1988). Dans une
tche dappariement, lorsque les sujets mmorisent le premier stimulus, la P3b diminue, alors
quelle augmente lors de la prsentation du second stimulus qui permet deffectuer la tche.
Plus les stimuli sont signifiants ou intressants pour le sujet et plus l'amplitude de la P3b
augmente; cette augmentation tant rapporter aux efforts de traitement investis (Johnson &
Donchin, 1978). La P3b serait gnre au niveau des cortex paritaux qui sous-tendent les
systmes de contrle et d'intgration de la perception. Selon la classification de Luria (1973),
il existerait trois grands types de rgions corticales: les aires primaires et associatives
secondaires, modalit-dpendantes, et les aires tertiaires, correspondant des aires
associatives htromodales (cortex parital postrieur, cortex prfrontal), dont la fonction est
d'intgrer les informations en provenance des aires associatives secondaires.
Selon lhypothse de Verleger, la P300 (P3b) serait lie la libration de lactivation
excessive accumule au niveau des aires paritales, impliques dans les processus
dintgration sensorielle (cf. aire associative polymodale), faisant suite au traitement perceptif
engageant les cortex primaires et secondaires (Verleger, 1988). La P3b indiquerait une sorte
de "dactivation physiologique phasique" de ces aires tertiaires (Verleger, 1988). Cette
dactivation des zones tertiaires serait prcisment lie l'achvement du traitement de
l'information, ou, selon les termes de Verleger la "fermeture de l'chantillon perceptif"
(Verleger, 1988). D'ailleurs, il a t propos que la P300 (P3b) constiturait une "mesure du
temps d'valuation du stimulus" (Kutas et al, 1977; Ragot, 1984; Donchin et Coles, 1988). En
effet, plus les stimuli prsents sont difficiles catgoriser, plus la latence de la P300
augmente (Kutas et al, 1977; Picton, 1992; Mecklinger & Ullsperger, 1993). Les potentiels
voqus sont en fait la manifestation des interactions entre activations et dactivations
corticales, qui sous-tendent les processus psychologiques. La P3b correspondrait un
mcanisme de rgulation spcifique induit par l'achvement des traitements perceptivocognitifs.
Dans les paradigmes de type Sternberg, l'amplitude de la P3b diminue et sa latence
augmente avec le nombre d'items gards en mmoire, en corrlation avec l'augmentation du
temps de raction (Pratt et al, 1989; Gevins & Cutillo, 1993). Cette observation est cohrente
avec l'interprtation de la P3, selon laquelle cette onde reflterait le temps d'valuation du
stimulus (plus il y a de stimuli, plus ce temps augmente) et les ressources de traitement
disponibles pour effectuer la tche (plus le nombre de stimuli est important, plus les
ressources diminuent). Dans les tches de type S1- S2, les mmes effets sont observs, et on
s'aperoit de plus que les stimuli correctement rappels gnrent une P3b plus ample
(Ruchkin et al, 1990), ce qui est probablement rapporter une valuation de ces stimuli. La
P3b est sensible aux oprations d'acquisition des stimuli (valuation), mais n'apparat pas tre
spcifiquement associe au processus de rtention en mmoire. La P3b ne joue donc pas un
rle direct dans les processus de MdT; elle est la manifestation des oprations de traitement de
l'information.
La P300 (P3b) ne semble pas tre spcifiquement associe au processus de rtention en
mmoire (Grune et al, 1996; Gevins et al, 1996). Cette composante semble indiquer la
quantit de ressources disponibles pour les traitements. Son amplitude est inversement relie
la charge cognitive associe la rtention des informations en MdT. Il est possible qu'un

11

chevauchement de la P3b et des ondes lentes ngatives postrieures contribue l'attnuation

de cette composante (Martin-Lesches et al, 1994 ; Grune et al, 1996 ; Barcelo et al, 1997).
Ainsi, au regard de la littrature sur la P300, il ne semble pas que cette onde reflte
spcifiquement les processus de mmoire de travail. Cette observation s'applique
particulirement aux oprations d'encodage et de maintien de localisation spatiale en MdT
(Martin-Lesches et al, 1994; Barcelo et al, 1997). En effet, comparant des tches
d'appariement de stimuli spatiaux et verbaux, Ruchkin et coll. ont observ que l'amplitude de
la P300 (P3b) augmente avec la charge en MdT verbale, et reste insensible l'augmentation
de la charge en MdT visuo-spatiale (Ruchkin et al, 1992).

2. Ondes Lentes et Mmoire de Travail

Comme nous l'avons soulign ci-dessus, la mthode des potentiels voqus permet de
dissocier les processus transitoires, des processus qui s'tendent dans la dure. L'observation
de la forme temporelle des diffrentes composantes des potentiels voqus suggre une
distinction entre deux grandes catgories d'ondes, refltant spcifiquement ces deux types de
processus: des ondes phasiques, de latence prcoce, moyenne ou relativement tardive,
associes aux processus transitoires, et des ondes lentes, de polarit positive ou ngative, de
topographie variable, dbutant une latence relativement tardive et s'tendant sur une fentre
temporelle longue. Cette seconde catgorie d'ondes est lie aux processus soutenus. Parmi les
ondes phasiques, on trouve typiquement les "composantes exognes", signant les processus de
perception visuelle, auditive ou somesthsique, dont les latences d'apparition respectives sont
infrieures 200 msec; mais galement des "composantes endognes", telles que la P3a et la
P3b. Les ondes lentes sont observes dans la fentre temporelle faisant suite l'apparition de
la P3b (Ritter & Ruchkin, 1992). Leur latence d'apparition chevauche parfois la P3b, mais
persiste dans le temps (Squires et al, 1975). Les ondes lentes post-P3b, gnralement positive,
ont une amplitude maximale sur le scalp postrieur et moindre au vertex. Elles sont le plus
souvent ngatives sur le scalp frontal. L'activit onde lente a t mise en vidence dans une
varit de tches (Ruchkin et al, 1988). Les ondes lentes sont donc associes un ensemble de
processus cognitifs de longue dure, dont les processus de mmorisation. Leur amplitude
varie en fonction de la difficult de la tche, telle que l'accroissement de la charge en
mmoire de travail.

2.a Ondes lentes positives post-P3b

Des ondes positives, dont la latence d'apparition se situe immdiatement aprs celle de
la P3b, semblent reflter directement les processus lis la tche requise (Ruchkin et al,
1990 ; Garcia-Larrea & Czanne-Bert, 1998). Ces ondes lentes positives correspondent un
dlai dans le retour la ligne de base du complexe positif de la P3b (faible pente). Ce type
dondes a t enregistr dans un grand nombre d'exprience et, de ce fait, associ divers
processus, tels que la quantit des traitements engags dans un processus de prise de dcision
(Ruchkin et al, 1982), la difficult de la rponse ( Kok & Loren de Jong, 1980), la slection de
la rponse (Kalkenstein et al, 1994); et plus rcemment l'attention soutenue engage dans la
ralisation des tches cognitives (Gevins et al, 1996). Donchin (1985) suggrait que les ondes
lentes positives pouvaient tre interprtes comme des "P3s additionnelles", refltant les
processus de remise jour de la mmoire de travail ("context updating" theory). Cependant,
cette interprtation semble trop restrictive au regard des nombreuses tches cognitives

12

susceptibles de gnrer ces ondes lentes positives (Garcia-Larrea & Czanne-Bert, 1998). Ces
ondes sont frquemment associes aux processus de prise de dcision, d'aprs l'observation
d'une concidence temporelle entre des tches dcisionnelles et leur latence dapparition
(Ruchkin et al, 1990; Falkenstein et al, 1994; Gevins et al, 1996). Dans un paradigme incluant
ou non des processus de MdT, Garcia-Larrea et coll ont observ que cette catgorie dondes
(latence de 450-600 msec post-stimulus) taient prsentes dans les conditions impliquant le
processus de rappel en MdT, processus suivant l'valuation du stimulus et prcdent la prise
de dcision (Garcia-Larrea & Czanne-Bert, 1998). Ces auteurs suggraient nanmoins que
les ondes lentes positives ne sont lies aucune tape de traitement spcifique, mais plutt
qu'elles sont gnres par toute opration cognitive, introduite immdiatement aprs la
dtection de la cible. Elles reflteraient l'achvement ou clture des oprations cognitives
engages aprs la dtection de la cible. Ils observaient par ailleurs une attnuation de la P3b
dans les conditions impliquant une charge cognitive leve, refltant probablement la
diminution des ressources alloues la tche (disponible pour effectuer la tche).
Les ondes lentes positives post-P3b sont donc lies la P3b dans la mesure o ces deux types
d'ondes refltent l'achvement de la tche, plutt que des processus spcifiques impliqus
dans une tche particulire. Cette interprtation est d'ailleurs cohrente avec les topographies
paritales bilatrales similaires de la P3b et des ondes lentes positives, suggrant que ces
ondes partagent une origine commune.

2.b Ondes lentes ngatives

Les ondes lentes ngatives refltent l'accroissement des potentiels post-synaptiques
excitateurs au niveau des dendrites apicales des couches corticales suprieures (Somjen, 1973;
Birbaumer et al, 1990). Elles sont donc presque exclusivement produites par l'activit
corticale; la contribution des structures sous-corticales tant ngligeable (Mitzdorf et al,
1991). Cependant, l'activation des aires corticales est induite par les circuits thalamocorticaux non spcifiques, pouvant reflter l'allocation de ressources de traitement ou de
"capacit attentionnelle" des rgions corticales spcifiques (LaBerge, 1997). Pour cette
raisons, il est intressant d'analyser ces ondes en relation avec les processus de MdT. Les
observations exprimentales suggrent que l'amplitude des ondes lentes ngatives varient, de
manire gnrale, avec la difficult de la tche (accroissement de la ngativit dans des tches
complexes). Leur topographie dpend du type d'informations prsentes (Rolke et al, 2000).
Elles sont donc susceptibles de reflter les processus spcifiques de MdT verbale et visuospatiale.

2.c Ondes lentes et MdT verbale

Dans une tche de MdT verbale (appariement avec dlai de rponse), des ondes lentes
ngatives ont t observes au niveau du scalp frontal gauche, associes des ondes lentes
positives postrieures bilatrales, plus transitoires (Ruchkin, 1992). L'amplitude de ces deux
types d'ondes lentes est directement lie la charge en mmoire. Ces ondes lentes refltent les
processus de rtention du matriel verbal, impliquant la boucle phonologique . Les ondes
lentes ngatives frontales gauches sont supposes indexes les oprations de rtention et de
rcapitulation du matriel verbal mmoris (Ruchkin et al, 1992 ; 1994 ; 1997b). Le s ondes
lentes fronto-centrales seraient plus spcifiquement associes la rtention de l'information
lexicale (Ruchkin et al, 1999). Dans ltude de Ruchkin (1992), les stimuli verbaux tant

13

prsents de manire visuelle, les ondes lentes positives postrieures refltaient probablement
le processus de conversion du format visuel en format phonologique.
Dans une tche de type S1-S2, Gevins a observ une composante ngative (pic 470
msec) au niveau de la rgion temporale gauche associes spcifiquement aux traitements des
stimuli verbaux (composante absente lors de la prsentation de stimuli non verbaux) (Gevins
et al, 1995).
A partir des rsultats obtenus dans plusieurs tudes, Ruchkin a propos que les ondes
lentes de topographie variable mettent en vidence trois tapes distinctes de la MdT verbale
(Ruchkin et al, 1990; 1992). Les ondes lentes ngatives occipitales et temporales gauches
reflteraient les oprations d'encodage phonologique du matriel verbal. Les ondes lentes
positives paritales gauches seraient associes aux processus de stockage du matriel. Les
ondes lentes ngatives frontales gauches, associes des ondes lentes ngatives centroparitales, reflteraient les processus de rptition phonologique (boucle articulatoire;
"rehearsal process"). Il est noter que l'amplitude de la positivit postrieure et de la
ngativit antrieure augmente avec l'accroissement de la charge en mmoire.

2.d Ondes lentes et MdT visuo-spatiale

Les tches de MdT spatiale entranent l'apparition d'ondes lentes ngatives, bilatrales ou
latralises droite, distribues au niveau des rgions paritales postrieures (Mecklinger &
Pfeifer, 1996a). En particulier, l'encodage de localisations spatiales est associ des ondes
lentes ngatives occipito-paritales droites ou parito-centrales (Barcelo et al, 1997; Schubotz
& Friederici, 1997). Ces ondes s'tendent jusqu' la fin du dlai de mmorisation et leur
amplitude varie en fonction de la charge en mmoire. Une tude a montr qu'une faible charge
en mmoire produit des ondes lentes ngatives postrieures droites, alors que l'accroissement
de la charge entrane l'apparition d'ondes lentes ngatives antrieures gauches (Lw et al,
1999).
Etudiant les processus de MdT visuo-spatiale, Rm et coll. ont utilis un paradigme
driv des tches de type S1-S2, dissociant des conditions dans lesquelles les sujets devaient
donner ou non une rponse motrice la fin du dlai inter-stimulus (Rm et al, 1997). Leurs
tches impliquaient une charge en MdT variable. L'objectif de cette tude tait de dissocier
deux types d'activit ondes lentes: des ondes lentes associes aux processus de
mmorisation et des ondes lentes, regroupes sous le terme de "variation contingente
ngative" (VCN) impliques dans les processus d'anticipation et de prparation motrice
(McCallum, 1988; Gevins et al, 1996). Ils ont observ une modulation des ondes lentes, lie
la charge en mmoire, au niveau des rgions frontale et temporale, en l'absence de processus
de prparation motrice. Ces ondes lentes antrieures refltent les processus de mmoire de
travail. Ces rsultats vont dans le sens des travaux de Ruchkin et coll. dissociant les ondes
lentes associes aux processus mnsiques et la VCN (Ruchkin et al, 1995; 1997a).
Les ondes lentes n gatives paritales et temporo-paritales reflteraient donc les
processus d'encodage de l'information visuo-spatiale, et les ngativits centrale et frontales
indexeraient les processus de rtention actif de l'information et de rcapitulation des
informations visuo-spatiales mmorises (Ruchkin et al, 1995).

14

2.e Comparaison des processus de MdT verbale et visuo-spatiale; mise en vidence des
processus excutifs
Des tches de MdT, bases sur des processus de transformation mentale de squences
verbales ou spatiales mmorises pendant un bref dlai, gnrent des ondes lentes ngatives,
sensibles la charge en mmoire, dont les topographies varient en fonction du type
d'informations prsentes (Ruchkin et al, 1995; Rolke et al, 2000). L'amplitude des ondes
lentes ngatives est maximale au niveau du scalp frontal gauche lors de la transformation
d'une squence de mots, alors qu'elle est maximale au niveau du scalp parital pendant la
transformation de la position spatiale des items appartenant la squence mmorise.
Les ondes lentes sont plus amples sur le scalp antrieur gauche dans les tches de MdT
verbales, et plus amples au niveau du scalp postrieur pour la MdT visuo-spatiale (Ruchkin et
al, 1992; 1994).
Des ondes lentes ont t enregistres pendant la rtention d'informations auditives
spatiales et non-spatiales, dans le cadre de tches d'appariement avec dlai et de tches de "nback" (Rm et al, 2000). Ces ondes lentes sont modules, au niveau des sites occipitoparitaux, par la quantit des informations traiter. Les ondes lentes ngatives sont plus
amples au niveau des rgions frontales et fronto-centrales pendant les tches de mmoire de
travail auditives, alors qu'elles sont plus amples au niveau des aires temporales postrieures et
occipito-paritales pendant la ralisation de tches de MdT visuelles (Lang et al, 1992;
Barcelo et al, 1997).
Les ondes lentes paritales et frontales observes dans des tches de MdT de type "nback" prsentent une amplitude variant en fonction de la charge en MdT (Bosch et al, 2001)..
Dans l'exprience de Bosch et coll., la comparaison de tches spatiales versus verbales ne met
pas en vidence de diffrences au niveau de la topographie de ces ondes lentes. Dans ce type
de tche, les ondes lentes semblent reflter des processus de rtention non spcifiques, c'est-dire non associs une modalit particulire, mais lis, en revanche, une demande
attentionnelle accrue. Ces ondes seraient la manifestation de l'engagement du "systme
excutif central", connu pour tre particulirement impliqu dans les tches de type "n-back".
Dans un paradigme de type "n-back", impliquant la manipulation d'informations spatiales ou
verbales, un potentiel positif 450 msec post-stimulus a t observ au niveau du cortex
frontal dorsolatral gauche dans les deux types de tches, refltant l'implication du cortex
frontal dans la mmorisation d'une squence d'informations (Gevins et al, 1996).
Ces observations vont dans le sens d'une tude ralise antrieurement par Ruchkin et coll.,
comparant les processus de MdT verbale et visuo-spatiale. Ils ont remarqu la prsence dune
ngativit frontale, latralise dans l'hmisphre gauche, environ une seconde aprs la
prsentation des deux types de stimuli (Ruchkin et al, 1992, 1997b). Ils ont suggr que ces
ondes refltaient des oprations de MdT non spcifiques aux traitements visuo-spatiaux et
verbaux, tels que les processus excutifs (contrle frontal exerc sur les rgions corticales
postrieures impliques dans les processus visuo-spatiaux et verbaux).

2.f Distinction des processus de MdT visuelle non-spatiale et visuo-spatiale

Dans un paradigme de type S1-S2, Bosch et coll. ont montr que la mmorisation
d'objets et de localisations spatiales est associe une combinaison d'ondes lentes se
dveloppant sur les rgions occipito-paritales et frontales (Bosch et al, 2001). Les ondes
lentes ngatives frontales voques par les tches "spatial" et "visuelle" prsentent une
diffrence topographique sur le scalp, indiquant que les systmes de rtention pour les objets

15

et les localisations spatiales sont sous-tendus par des circuits neuroanatomiques distincts. Les
ondes lentes ngatives postrieures sont galement lies au type d'informations prsentes. La
rtention de localisations spatiales gnre des ondes lentes ngatives transitoires (600-1200
msec post-stimulus) au niveau des sites paritaux. Ce pattern d'ondes lentes postrieures a t
rapport dans une grande varit de tches impliquant des oprations spatiales (Ruchkin et al,
1992; Rssler et al, 1995a,b; Mecklinger et al, 1996a,b). Etant donn leur dure relativement
courte, elles semblent reflter l'activation transitoire du systme de stockage visuo-spatial
("buffer visuo-spatial") ou l'allocation de l'attention spatiale slective lors du processus de
rcapitulation (rehearsal) (Awh et al, 1998). Dans les taches spatiales, les ondes lentes
ngatives sont frquemment suivies (partiellement chevauches) d'ondes lentes positives
occipitales, qui s'tendent jusqu' le fin du dlai de mmorisation. Cette activit reflte la
gnration d'images mentales impliquant les aires visuelles associatives (Kosslyn, 1994).
Les mcanismes de rtention d'information spatiale gnrent des ondes, dont les
latences sont plus prcoces et la dure plus transitoire (impliques dans l'initiation de la
maintenance des informations), que les ondes voques par la rtention des formes visuelles
(Mecklinger et al, 1996a,b; Bosch et al, 2001). Les ondes associes ce dernier mcanisme
apparaissent plus tardivement et sont prsentes pendant toute la dure de la phase de rtention
en mmoire. Cette diffrence s'inscrit ds l'apparition de la P300; sa latence tant
significativement plus prcoce dans les tches "spatiales" par rapport aux tches "visuelles"
(Ruchkin et al, 1992; Mecklinger et al, 1996a,b). La P300 dans les tches "visuelles" prsente
un maximum d'amplitude au niveau parital; alors que dans les tches "spatiales", il y a une
attnuation substantielle de la P300 au niveau des rgions paritales Les ondes lentes
ngatives postrieures refltent cette diffrence de manire accrue. Elles se dveloppent plus
rapidement dans les tches de rtention spatiale, que dans les tches de rtention d'objet
(Mecklinger et Mller, 1996b). Les ondes lentes associes aux tches visuo-spatiales dbutent
moins d'une seconde aprs la prsentation du stimulus (topographie occipitale), alors que,
dans les tches de mmoire des objets, elles apparaissent plus de deux secondes post-stimulus
(topographie frontale). Le transfert des systmes d'encodage perceptif aux systmes de
stockage (maintien actif de la reprsentation en mmoire) semble donc plus rapide pour les
informations spatiales.
Dans les tches spatiales, l'activit occipitale soutenue est ensuite relaye par des
ondes lentes ngatives sur le scalp parital postrieur. Les aires occipitales et paritales
postrieures font partie de la voie dorsale engage dans les traitements de l'information
spatiale. Le processus de rcapitulation de l'information spatiale est li l'activation des aires
occipitales; et le processus de rtention actif implique les aires paritales postrieures
(Mecklinger 1996b). La mmorisation des objets gnrent des ondes lentes ngatives au
niveau des aires temporale et frontale.
Les tudes EEG montrent ainsi que le registre visuo-spatial, propos par Baddeley et
Hitch, ne reprsente pas un systme unitaire. Les systmes neuronaux sous-tendant les
processus d'encodage et de rtention des informations visuelles et spatiales peuvent tre
dissocis (Mecklinger et Mller, 1996b; Ruchkin et al, 1997).
Les tches spatiales gnrent donc des ondes lentes centres sur les rgions occipitale,
paritale et temporo-paritale; alors que les tches impliquant la mmorisation des objets
entranent l'activation des rgions proches du lobe temporal basal de l'hmisphre droit
(cortex infrotemporal), du cortex frontal dorsolatral et du lobe temporal gauche
(probablement impliqu dans les processus de codage phonologique des objets) (Mecklinger
et al, 1996b). Le processus de rtention entrane, pour les deux types d'informations,
l'apparition d'ondes lentes ngatives parito-frontales. La localisation des sources neuronales
produisant ces ondes montrent que les rgions impliques diffrent selon le type d'information
(MdT visuelle non spatiale: ple frontal, cortex prcentral, cortex latral postrieur et

16

antrieur (Nielsen-Bohlman & Knight R, 1999); MdT spatiale: ple frontal, cortex latral,
cortex postrieur suprieur droit (attention spatiale, Makeig et al, 1999).

2.g Comparaison de tches de MdT verbale et visuelle non spatiale

Gevins et coll. ont utilis une mthode d'interpolation pour amliorer le rsolution
spatiale de l'EEG (Gevins et al, 1995). Ils ont enregistr des ondes positives et ngatives,
spcifiquement associes la rsolution de tches non-verbales et verbales, dans des
paradigmes de type S1-S2. Ils ont observ un pic positif, 250 msec aprs la prsentation de
S1, significativement plus ample au niveau des rgions occipitales et occipito-paritales,
associes aux processus d'encodage de patterns visuels non familiers. Un pic positif
apparaissait 475 msec aprs la prsentation de S2, au niveau de la rgion frontale
dorsolatrale droite. Cette rgion, connecte au cortex infrotemporal, est implique dans la
reconnaissance des patterns visuels (Wilson et al, 1993). Dans les tches verbales, un
potentiel ngatif tait observ 470 msec aprs la prsentation de S1 au niveau des rgions
temporales gauches, refltant les processus phonologique et smantique. Un potentiel positif
620 msec post-S2, plus ample au niveau de l'aire temporale gauche, tait associ au processus
d'appariement phonologique.

Conclusion
Les tudes sur le MdT en lectro-encphalographie suggrent donc une spcialisation
fonctionnelle des aires corticales dans les traitements verbaux et spatiaux. Cette sgrgation
est cohrente avec les rsultats obtenus par les techniques d'IRMf et de TEP, ainsi qu'avec les
tudes neuropsychologiques. Il est souligner que la latralisation hmisphrique
fonctionnelle des traitements est davantage dpendante des stratgies employes que de la
modalit de prsentation des stimuli. L'utilisation de stratgies visuelles entrane une
augmentation de l'amplitude des ondes lentes au niveau du scalp postrieur (Rm et al,
2000).
De manire gnrale, les ondes lentes frontales semblent reflter les processus excutifs,
et les ondes lentes postrieures, les processus de stockage (Mecklinger et Mller, 1996b). Les
variations de polarit et de topographie des ondes lentes suggrent qu'elles sont gnres par
des sources neuronales distinctes, dpendantes des oprations cognitives spcifiquement
engages (Ruchkin et al, 1990). Les ondes lentes ngatives paritales refltent les processus
d'attention slective spatiale et de stockage des informations visuo-spatiales, alors que les
ondes lentes positives parito-occipitales sont associes la rtention des formes (mmoire
visuelle des objets) (Ruchkin et al, 1992). Les ondes lentes positives postrieures indexent les
processus d'encodage des informations verbales en MdT. Les ondes lentes ngatives frontales,
latralises dans l'hmisphre gauche, sont impliques dans le processus de rcapitulation du
matriel verbal (rehearsal process), li l'activation de l'aire de Broca et de l'aire prmotrice
gauche (Ruchkin et al, 1992). L'amplitude des ondes lentes frontales augmente en fonction de
la charge en mmoire, ce qui suggre que ces ondes indexent laccroissement de la demande
attentionnelle (Mc Evoy et al, 1998).

17

3. Modulation des rythmes corticaux et MdT

Certains rythmes crbraux sont particulirement sensibles la charge cognitive
implique dans la ralisation dune tche. Le rythme alpha (7-10 Hz) tend dcrotre avec
l'augmentation de la difficult de la tche (Gundel & Wilson, 1992; Sterman et al, 1994). A
l'inverse, le rythme theta frontal (4-7 Hz) augmente lors de la ralisation de tches ncessitant
une forte charge attentionnelle (Gundel & Wilson, 1992). Pour ces raisons, des tudes ont t
ralises dans le but de dcrire les modulations de ces rythmes en relation avec les processus
de mmoire de travail. Une tude, comparant des tches de mmoire de travail spatiale et
verbale, a montr une augmentation du rythme theta frontal avec l'accroissement de la charge
en MdT (Gevins et al, 1997). L'augmentation du signal dans cette bande de frquence est
rapporter l'activation du cortex cingulaire antrieur. Le signal dans la bande alpha (7-10 Hz)
diminue au niveau parito-central. Ces modulations ne sont pas sensibles au type de stimuli
prsents, ce qui suggrent que ces variations soient lies l'augmentation de la difficult de
la tche, et non pas aux processus spcifiques impliqus dans les traitements spatiaux et
verbaux. L'attnuation du rythme alpha rapide (10-12 Hz) est particulirement marque au
niveau du scalp parital postrieur droit lors de la ralisation de la tche spatiale. L'attnuation
du rythme alpha dans les deux types de tches indique que ce signal est ngativement corrl
la quantit des ressources corticales alloues la ralisation d'une tche cognitive. Ce
rythme est donc inversement reli la demande attentionnelle (Ray & Cole, 1985). Le rythme
alpha lent est troitement associ aux ressources attentionnelles engages, alors que le rythme
alpha rapide est davantage sensible au type d'oprations cognitives effectues (Klimesch et al,
1993). Dans l'tude dcrite, le rythme alpha rapide reflte spcifiquement les processus
spatiaux latraliss dans l'hmisphre droit, alors que le rythme alpha lent est insensible au
type de stimuli prsent.
Les processus de MdT peuvent galement tre mis en vidence par les phnomnes de
synchronisation, dans des bandes de frquence spcifiques, entre diffrentes aires corticales
engages dans des oprations cognitives spcifiques. Dans des tches de MdT verbale et
spatiale, une augmentation significative de la cohrence entre les rgions prfrontales et
paritales postrieures a t mise en vidence dans la bande de frquence theta (4-7 Hz)
pendant le dlai de mmorisation. Lengagement du processus de rtention en MdT semble
donc ncessiter la synergie dactivation des rgions paritales et prfrontales (Sarnthein et al,
1998).
Dans une tche de MdT visuelle, une augmentation d'activit dans la bande gamme,
au niveau des sites occipito-temporaux et frontaux, a t observe pendant le dlai de
mmorisation; cette activit disparaissant dans la condition contrle (Tallon-Baudry et al,
1998). Les topographies de cette activit gamma induite suggrent une synchronisation des
aires temporales ventrales et frontales.

C) MEG et Mmoire de travail:

La magnto-encphalographie et l'lectro-encphalographie apportent des
informations distinctes sur l'activit crbrale, dans la mesure o ces techniques montrent une
sensibilit diffrente aux sources neuronales orientes de manire tangentielle et radiale, et
que la propagation des champs magntiques et lectriques ne prsentent pas les mmes
caractristiques physiques (Hmlinen, 1993). La rsolution spatiale de la MEG tant
meilleure que celle de l'EEG, il en rsulte une sensibilit plus grande de cette technique aux
changements focaux de l'activit corticale. L'intrt spcifique de la MEG rside prcisment
dans la possibilit d'allier une rsolution spatiale relativement bonne une excellente

18

rsolution temporelle. Ces deux techniques apparaissent donc tre complmentaires dans
l'tude des processus cognitifs (Eulitz et al, 1997). La MEG tant une technique d'apparition
relativement rcente. Les tudes consacres la mmoire, et en particulier la mmoire de
travail, sont peu nombreuses compares la littrature gnreuse ddie ces processus en
EEG. Les tudes en MEG se sont centres en premier lieu sur l'analyse des processus
perceptifs, c'est--dire sur les composantes "exognes" des champs magntiques voqus,
puis, dans un second temps, sur les composantes "endognes" refltant les traitements
cognitifs (Hillyard, 1993). Les neurones situs dans les aires sensorielles primaires et
secondaires sont principalement orients de manire tangentielle par rapport la surface du
scalp. Or, les sources disposes tangentiellement, cest--dire situes au fond des sillons,
conribuent fortement aux signaux MEG. Les sources neuronales responsables des oprations
de traitement cognitif appartiennent des rseaux corticaux plus distribus. Les dispositions
spatiales de ces sources peuvent aboutir une annulation partielle des courants circulants
simultanment au niveau de versants opposs des sillons, entranant une contribution plus
grande des sources radiales, mal perues en MEG.
Des tudes ont t menes en MEG sur les traces mnsiques produites par le
traitement des stimuli sensoriels. Ces traces sont le rsultats de l'activation d'une mmoire de
type sensorielle. Des tudes prcdentes en EEG avaient mis en vidence l'existence d'une
onde, la "mismatch negativity" (MMN), refltant des processus automatiques engags dans la
dtection de stimuli auditifs dviants, prsents au sein d'une squence de stimuli de mme
nature. La MMN, de topographie fronto-centrale, chevauche partiellement la N1 (100 msec)
et la P2 (180 msec), impliques dans le traitement des stimuli auditifs (Alho et al, 1995). Cette
onde reflte indirectement les traces mnsiques cres par le traitement des stimuli prcdents
(pour une revue, voir Ntnen, 1992). La MMN constitue un indexe de la dtection de la
dviance apparaissant entre un stimulus crant une trace neuronale diffrente de celle laisse
par le traitement des caractristiques physiques des stimuli rptitifs, prcdemment
prsents. Cette onde, sous-tendant les processus de mmoire sensorielle auditive, a t
galement identifie en MEG (MMNm), et rapporte des gnrateurs situs dans le cortex
auditif supra-temporal (Alho K et al, 1993).
Une tude en MEG sur l'intgration temporelle de la mmoire sensorielle auditive a montr
que les traces des traitements associs aux caractristiques physiques des stimuli persistent
pendant une dure de 200 300 msec aprs la disparition du stimulus. Ainsi, les squences de
sons, spars par des intervalles appartenant cette fentre temporelle d'intgration, semblent
tre codes comme un ensemble unitaire (Loveless et al, 1996).

1. MEG et MdT verbale

L'analyse des signaux MEG lors de la ralisation d'une tche de mmoire de travail
verbale de type "2-back" met en vidence l'engagement des processus de MdT dans la fentre
temporelle 250-500 msec, aprs la prsentation du stimulus (Hautzel et al, 2000). Dans cette
tude, la modlisation des sources gnrant lactivit magntique de surface a t contrainte
en fonction des rgions actives chez les sujets, lors de la ralisation de cette mme tche en
TEP. Une composante apparaissant vers 250 msec post-stimulus reflte l'activation du cortex
parital, et une composante plus tardive, observe partir de 350 msec, est induite par
l'activation des rgions cingulaire antrieure et prfrontale. Cette tude met en vidence
l'interaction entre les rgions paritale et prfrontale impliques dans les processus de
mmoire de travail. L'activation prcoce au niveau du cortex parital est associ au processus
de stockage de l'information, alors que le cortex prfrontal, activ plus tardivement reflte la
mise en jeu des fonctions excutives.

19

Une augmentation d'activit au niveau des aires temporo-paritales de l'hmisphre

gauche a t observe dans une tche de reconnaissance d'items verbaux (des mots), prsents
aprs la mmorisation d'un ensemble de mots (Breier et al, 1999). Ces aires incluent la portion
postrieure du gyrus temporal moyen et suprieur, et le gyrus supramarginal, c'est--dire des
rgions chevauchant l'aire de Wernicke, implique dans les processus de rception du
langage. Cet accroissement d'activit dans l'hmisphre gauche n'tait pas observ lorsque la
tche de reconnaissance portait sur des tonalits. Par ailleurs, lencodage de mots en MdT,
dans un paradigme de type S1-S2, gnre une composante MEG refltant l'activit du cortex
temporal latral (Wang et al, 2000).
Dans une tche de mmoire court terme verbale auditive, la prsentation des items
mmoriser et de la sonde gnrait un champ magntique transitoire vers 110 msec, rapport
une source localise dans le gyrus de Heschl (aire auditive primaire) (Starr et al, 1991). Un
champ magntique soutenu, plus ample dans l'hmisphre droit, se dveloppait entre 300 et
800 msec aprs la prsentation de l'ensemble mmoriser, au niveau du lobe temporal
(localisation postrieure des sources par rapport au gyrus de Heschl). Un champ magntique
soutenu apparaissait entre 300 et 800 msec aprs la prsentation de l'item sonde, associ des
sources situes dans la partie mdio-basal des deux lobes temporaux. Ces rsultats sont
cohrents avec la latralisation connue des traitements : hmisphre droit pour les traitements
des signaux acoustiques et hmisphre gauche pour les traitments des stimuli verbaux
L'attnuation du rythme alpha est associe lexercice des fonctions sensorielles et
cognitives. Comme nous lavons soulign, la modulation du rythme alpha est susceptible
d'apporter des informations sur les rgions corticales impliques dans des processus cognitifs
spcifiques (Williamson et al, 1996). Les tches de MdT verbale entranent une suppression
du rythme alpha au niveau du cortex temporal antrieur gauche et des aires auditives
primaires droites (Kaufman et al, 1990 ; 1992).
Dans une tche de Sternberg auditive, il a t rapport que la dure de la suppression
du rythme alpha au niveau des aires auditives est corrle avec le nombre de stimuli auditifs
mmoriser (Rojas et al, 2000). La dure de la suppression de l'activit alpha est plus longue
pour les "stimuli sondes" qui sont apparis un stimulus de l'ensemble mmoriser, que pour
ceux qui ne sont pas apparis.
Une tude de MdT verbale en MEG suggre que les modulations dans la bande alpha
mettent galement en vidence l'engagement des processus attentionnels de contrle,
dpendant des fonctions excutives frontales (Osaka et al, 1999). Le pic de frquence alpha,
observ au niveau fronto-temporal, varie en fonction des sujets et reflte donc les capacits
individuelles de MdT.
Par ailleurs, une tude suggre l'implication des oscillations theta hippocampique dans
les processus de MdT (Tesche & Karhu, 2000). La dure du rythme theta augmenterait avec la
charge en MdT.

2. MEG et MdT visuo-spatiale

La mmorisation pendant un bref dlai de patterns spatiaux disposs sur un damier
entrane l'activation de l'aire visuelle primaire, au niveau occipital, puis de laire de jonction
occipito-parito-temporale gauche et du cortex prfrontal droit (Glanz, 1998).
Lorsque des sujets doivent mmoriser des figures abstraites et les comparer ensuite
un "item sonde", une suppression du rythme alpha au niveau des aires visuelles est observe
pendant le dure de la mmorisation et pendant la comparaison, ncessitant un processus de
recherche en mmoire (scanning) (Kaufman et al, 1990). Dans les tches de MdT visuo-

20

spatiale impliquant une rotation mentale des stimuli, la suppression de l'activit alpha est
observe au niveau de l'aire paritale droite (Kaufman et al, 1990).
Une tude sur la MdT spatiale, utilisant une tche drive du paradigme de Sternberg,
a mis en vidence des modulations de l'activit oscillatoire pendant la priode de rtention
(Okada & Salenius, 1998). Les sujets devaient mmoriser la localisation spatiale de quatre
points, pendant un dlai de trois secondes, et juger si la position d'un "stimulus-sonde",
prsent la fin du dlai, occupait une position similaire ou diffrente par rapport un
"stimulus-cible" de l'ensemble mmoriser. Les sujets devaient indiquer leur rponse soit en
pointant du doigt la position du "stimulus cible", soit en effectuant une saccade oculaire vers
cette position. La charge attentionnelle tait manipule par la prsentation ou non d'un indice
indiquant la position du "stimulus-cible" mmoriser. Cet indice apparaissait soit
simultanment avec la prsentation des quatre positions mmoriser, soit lors de la
prsentation du "stimulus-sonde". L'activit magntique enregistre tait distribue au niveau
des aires occipitales, paritales et frontales. La prsentation des "stimuli cibles" produisait, en
premier lieu, une suppression transitoire de l'activit dans la bande alpha (autour de 9 Hz),
puis une suppression soutenue de cette activit au niveau frontal, et surtout parital, pendant
toute la dure de la priode de rtention en mmoire des positions spatiales. Cette seconde
suppression semble lie au processus de rptition des stimuli. L'augmentation de signal dans
la bande de frquence mu (autour de 12 Hz), observe au niveau des aires motrices et
prmotrices, pendant la priode de rtention, tait li aux processus de prparation motrice.

Conclusion
Les tudes en MEG sur les processus de mmoire de travail sont encore peu
nombreuses, mais elles rapportent des rsultats cohrents avec les tudes EEG, et les tudes
en TEP et IRMf. Elles permettent galement de dissocier dans le temps et lespace les
processus sous-tendant la MdT verbale et visuo-spatiale.

VI Analyse des dynamiques temporelles dactivation du rseau parito-frontal

impliqu dans une tche de MdT visuo-spatiale : une tude MEG/EEG
(Croiz AC et al, 2000; Croiz AC et al, soumis)
A) Problmatique
Les tudes lectrophysiologiques chez le primate et en imagerie crbrale chez l'homme ont
mis en vidence l'implication des rseaux parito-frontaux dans la ralisation des tches de
mmoire de travail visuo-spatiale (cf. paragraphe III-B). Ces processus visuo-spatiaux sont
donc le rsultat d'une coopration entre les aires corticales postrieures, responsables du
stockage de l'information, et les aires corticales antrieures, impliques dans les fonctions
excutives, et en particulier dans l'allocation de ressources attentionnelles supplmentaires
permettant le maintien actif de la reprsentation en mmoire court terme. Le rle
dterminant jou par la rgion prmotrice droite, dans le processus d'encodage des
informations spatiales en mmoire court terme, a t soulign dans des tudes neurofonctionnelles (Smith & Jonides, 1997). L'analyse en EEG des dynamiques temporelles
d'activation des rgions appartenant au rseau parito-frontal a rvl que les processus
d'encodage et rcapitulation des informations spatiales induisent l'apparition d'ondes lentes, le
plus souvent ngatives, au niveau du scalp postrieur, puis du scalp antrieur (cf. paragraphe
21

IV-B2d, B2e). Ces ondes lentes refltent des processus qui s'tendent dans le temps, comme
le maintien de la reprsentation spatiale. Cependant, elles ne semblent pas indexer
spcifiquement le processus transitoire d'encodage en mmoire court terme. Par ailleurs, les
rsultats des diverses tudes que nous avons rapportes ci-dessus ont montr que l'onde P300
(P3b) ne semble pas reflter le processus de mmorisation des stimuli, et en particulier des
stimuli spatiaux (Martin-Lesches et al, 1994 ; Barcelo et al, 1997 ; voir paragraphe IV-B1).
La MEG tant plus sensible aux changements focaux de l'activit corticale, nous avons choisi
d'utiliser cette technique pour mettre en vidence le dcours temporel spcifique du processus
d'encodage des informations visuo-spatiales. Nous avons effectu une tude en MEG et EEG
portant sur un paradigme simple de mmoire de travail, de type S1-S2, incluant une faible
charge en mmoire de travail. Nous nous attendions observer en EEG une onde P300 aprs
l'apparition de S1 et de S2, refltant l'valuation des stimuli. Si l'on se place dans la
perspective de Desmedt (1980) et Verleger (1988), la P3b reflterait la "fermeture" ou
l'achvement des traitements perceptivo-cognitifs associs un stimulus pertinent dans le
contexte de la tche raliser. L'attnuation de la P3b est observe lorsque des traitements
supplmentaires sont requis pour effectuer la tche dtermine. Dans un paradigme de type
S1-S2, aprs la prsentation de S1, les sujets ne disposent que d'une partie de l'information; ils
ne peuvent donc effectuer la tche et engage un processus de mmorisation de l'information
partielle. La P3b gnre par S1 devrait prsenter une amplitude amoindrie, puisque la tche
n'est pas acheve et que les traitements relatifs S1 se poursuivent par un processus
d'encodage en mmoire court terme. En revanche, la P3b devrait tre plus ample aprs S2,
signant l'achvement des traitements. Si la P3b ne met pas en vidence le processus
d'encodage, ce processus devrait nanmoins se manifester par une augmentation d'activit au
sein du rseau parito-frontal. Cette augmentation d'activit devrait, de plus, apparatre dans
la fentre temporelle de la P3b, ou chevauchant la fin de la P3b. Il s'agirait donc de deux
processus co-occurrents. Nous avons test ces hypothses dans une tude en MEG/EEG,
coupl avec l'IRMf, dans un souci de description prcise des dynamiques spatio-temporelles
dactivation des rseaux corticaux impliqus.

B) Mthode
1. Sujets
Dix personnes volontaires (ge moyen: 28 ans) ont particip cette tude, qui avait bnfici
au pralable de l'accord du comit d'thique.

2. Paradigme exprimental (Figure 1)

La tche consistait dterminer si deux boules, prsentes simultanment ou
successivement la priphrie d'une roue huit branches, taient symtriques ou non. Trois
conditions taient distingues:
- condition "comparaison immdiate", correspondant une condition contrle. Les deux
boules taient prsentes simultanment et les sujets devaient donner leur rponse
immdiatement.
- condition "mmorisation": prsentation de la premire boule (S1); les sujets devaient
mmoriser sa position pendant une courte priode (3 secondes).

22

- condition "comparaison diffre": prsentation de la seconde boule (S2); les sujets

devaient dterminer si les postions des boules prsentes en S1 et S2 sont symtriques ou non.
Dans les trois conditions, les sujets devaient donner une rponse motrice avec leur main droite
sur un clavier trois boutons, correspondant symtrique, non symtrique et attente (aprs
l'apparition de S1).

PRESENTATION SUCCESSIVE

PRESENTATION SIMULTANEE

( DUREE DE LA MEMORISATION: 3 SEC )

( )
CONDITION
COMPARAISON SIMULTANEE

(
CONDITION
MEMORISATION
S1

)
CONDITION
COMPARAISON DIFFEREE
S2

Figure 1: paradigme exprimental. La tche effectuer est indique aux sujets par la
prsence de parenthses entourant la croix de fixation centrale (double parenthses:
valuation de la symtrie et rponse immdiate; parenthse ouvrante: mmorisation de la
position de la boule; parenthse fermante: valuer si les positions des boules en S1 et S2
sont symtriques ou non).

2. Procdure dacquisition des donnes

Les signaux MEG et EEG ont t enregistrs dans les trois conditions exprimentales.
MEG: enregistrement de l'activit magntique partir du systme "tte entire",
comprenant 151 capteurs. Frquence d'chantillonnage de 625 HZ; filtres appliqus dans la
bande 1-40 HZ.
50 essais ont t prsents; leur moyennage a t effectu dans la fentre temporelle: 200
msec avant la prsentation du stimulus, jusqu' 2500 msec aprs. L'analyse des amplitudes
(RMS) tait effectue au niveau de deux groupes de capteurs bilatraux (occipito-paritaux et
frontaux), et de quatre fentres temporelles distinctes: 150-220, 220-270, 270-350 et 350-550
msec.
EEG: Les signaux EEG taient enregistrs partir de 64 lectrodes (rfrences
oreilles). Frquence d'chantillonnage de 550 Hz, Filtrage: 0.16 - 16 Hz. Le moyennage des
50 essais a t effectu entre -200 et +2500 msec, par rapport la prsentation du stimulus.
Les amplitudes taient analyses au niveau de trois groupes d'lectrodes bilatraux
(occipitaux, paritaux et frontaux), dans trois fentres temporelles: 120-240, 260-450 et 450700 msec.
IRM: Acquisition d'une IRM anatomique pour chaque sujet (IRM Signa 1.5 T ;
coupe 256x256, paisseur: 1.5 mm;).
IRMf: Paradigme en bloc, comprenant deux sries alternes de 30 sec (tche contrle
de fixation, tche visuospatiale (soit la condition "comparaison immdiate", soit les conditions
"mmorisation+comparasion diffre").

23

3. Analyses Statistiques
Comparaison des amplitudes moyennes (RMS) par des analyses de variance (ANOVA)
croisant les facteurs condition et groupe de capteurs (MEG) ou d'lectrodes (EEG). Ces
analyses ont t effectu dans chaque fentre temporelle prdtermine en MEG et en EEG,
correspondant aux composantes des rponses voques enregistres par ces deux techniques.

4. Modlisation des sources magntiques

Les sources neuronales taient modlises par des diples de courant quivalent (DCE,
mthode dipolaire). Utilisation d'un modle de tte sphrique. Les paramtres de la sphre
taient dtermins partir de l'IRM individuel des sujets.
Modlisation spatio-temporelle (DipolFit, CTF) de deux diples, simultanment, dans quatre
fentres temporelles, centres autour des quatre composantes MEG observes.
Critres de conservation de la localisation des diples: variance rsiduelle infrieure 20% et
bonne correspondance entre la cartographie exprimentale et la cartographie recalcule
partir de la position des diples.

C) Rsultats
1. Composantes observes en MEG/EEG
-

Quatre composantes magntiques voques (MEG) (Figure 2) : la M1 (autour de 170

ms), la M2 (autour de 250 ms), la M3 (autour de 300 ms) et la M4 (autour de 450 ms).
Propagation des champs magntiques des capteurs occipitaux, vers les capteurs paritaux,
puis frontaux. A partir de 400 msec environ, une forte activit magntique tait observe au
niveau des capteurs paritaux et frontaux droits, spcifiquement dans la condition
"mmorisation".
- Trois composantes des potentiels voqus (EEG) (Figure 3) : la N1 (autour de 150 ms),
la P3b (autour de 400 msec) et des ondes lentes positives, lies au complexe de la P3b (450700 msec), observes dans les conditions "comparaisons immdiate et diffre". Propagation
des champs lectriques du scalp occipital vers le scalp parital. Forte intensit des champs au
niveau parital au moment de la P3b.

24

MEMORISATION

N1

msec

P3b ondes lentes

+8 V
+4
0
-4
-8

COMPARAISON
DIFFEREE
msec
V

COMPARAISON
SIMULTANEE
msec
CARTOGRAPHIES A 600 MSEC

+300 fT

M1 M2 M3 M4
MEMORISATION

-300 fT

COMPARAISON
DIFFEREE

COMPARAISON
SIMULTANEE
.
CARTOGRAPHIES A 450 MSEC

Figure 2 (haut): Composantes EEG observes dans les trois conditions exprimentales et
cartographies observes 600 msec aprs la prsentation du stimulus (composantes observes
chez tous des sujets, mais prsentes ci-dessus chez un sujet).
Figure 3 (bas) : Composantes MEG observes dans les trois conditions et cartographies
observes 450 msec aprs la prsentation du stimulus (prsentes chez le mme sujet).

2. Diffrences statistiques entre les conditions

Analyse des composantes prcoces
Les composantes prcoces observes, d'une part, en MEG (M1/M2: 150-270 msec), et, d'autre
part, en EEG (N1: 120-240 msec) ne prsentaient pas de diffrence damplitude entre les
conditions.

Analyse des composantes tardives

MEG: La M3 (270-350 msec) ne prsentait pas de diffrence damplitude significative entre
les conditions. La M4 (350-550 msec) tait significativement plus ample au niveau du groupe

25

des capteurs frontaux droits, dans la condition "mmorisation" (F(2.18) = 3.35, p<0.05). Dans
l'hmisphre gauche, l'amplitude de la M4 ne variait pas selon les conditions (Figure 4).
EEG: La P3b (260-450 msec) tait significativement plus ample dans la condition
"comparaison diffre". Cette diffrence etait observe sur les trois groupes d'lectrodes dans
les deux hmisphres (HD: F(4.36) = 8.65, p<0.01; HG: F(4.36) = 7.85, p<0.01). Dans le
fentre temporelle 450-700 msec, les ondes lentes positives prsentaient une amplitude
significativement plus ample dans les conditions "comparaison immdiate" et "comparaison
diffre" (HD: F(4.36) = 16.22, p<0.0001; HG: F(4.36) = 18.82, p<0.0001). (Figure 4)
2. Localisation dipolaire (Figure 5)
150-220 msec (M1): deux diples bilatraux localiss dans les rgions occipitales
220-350 msec (M2/M3): localisation des diples dans le cortex parital, frquemment
localiss au niveau du sillon intraparital.
350-550 msec (M4): Dans les conditions "comparaisons immdiate et diffre", les diples
taient localiss dans le cortex parital. Dans la condition "mmorisation", les diples taient
situs dans le cortex parital et dans l'aire prmotrice droite.
Ces localisations dipolaires taient cohrentes avec le rseau activ en IRMf, incluant les
aires paritales BA 39/40 et l'aire prmotrice (BA 6).

ondes
P3b lentes

M4
fT

msec

msec
ELECTRODE EEG
CENTRO-PARIETAL
(CPZ)

CAPTEUR MEG
FRONTAL DROIT (F45)

MEMORISATION
COMPARAISON DIFFEREE
COMPARAISON SIMULTANEE

Figure 4: Prsentation des composantes tardives en MEG et EEG, moyennes sur

l'ensemble des sujets. Aprs la P3b, la pente du retour du signal la ligne de base est faible
dans les conditions "comparaisons immdiate et diffre". Au sein du complexe des ondes
positives, on peut donc dissocier la P3b et des ondes lentes positives post-P3b.

26

Figure 5: Activation du rseau parito-frontal

Localisation dipolaire (en haut): Diples localiss dans le cortex parital (sillon intraparital),
dans les fentres temporelles des composantes M2, M3 (220-350 msec). Les diples gnrant
la M4 ont t localiss dans le cortex parital et l'aire prmotrice droite.
Rgions actives en IRMf (en bas): comprenant les aires paritales (BA 39/40) et prmotrices
(aire 6).
A noter la correspondance entre les localisations dipolaires et les rgions actives en IRMf,
en particulier pour l'activation de l'aire prmotrice droite, l'intersection entre le sillon
prcentral et le sillon frontal suprieur.

D) Discussion
Analyse perceptive des stimuli visuo-spatiaux
Les composantes prcoces N1 et M1 refltent le traitement des caractristiques
physiques des stimuli au niveau du cortex occipital. Cette tape perceptive tant requise de
manire similaire dans les trois conditions, l'amplitude de ces composantes ne prsente pas de
diffrence en fonction des conditions.
La composante M2 reflte l'engagement du cortex parital (en particulier, sillon intraparital)
dans les processus de localisation des stimuli dans l'espace (Haxby et al, 1991, 2000). Le
sillon intraparital fait partie de la voie visuelle dorsale sous-tendant les traitements visuospatiaux (Ungerleider et al, 1998).

P3b et ondes associes: hypothse de "fermeture" et processus de dcision

La P3b est significativement plus ample dans la condition "comparaison diffre". Elle
est la moins ample dans la condition "mmorisation". Ces variations de la P3b en fonction des
conditions exprimentales confirment nos hypothses. Dans la condition "mmorisation", la
P3b est attnue, car l'information tant parcellaire, les traitements engags ne peuvent
s'achever ; ils se poursuivent par un processus de mmorisation. Des tudes prcdentes ont
montr que l'amplitude de la P3b est corrle ngativement la quantit de traitement requis.
Le processus de mmorisation reprsente un traitement supplmentaire, ncessitant des
ressources attentionnelles, ce qui provoque lattnuation de la P3b. La P3b pourrait tre
considre comme un indicateur des ressources de traitement disponibles (cf. paragraphe IV
B2). La P3b tait la plus ample dans la condition "comparaison diffre", car dans le contexte

27

de la tche, le stimulus S2 tait le plus informatif; il est donc attendu par les sujets pour
pouvoir effectuer la tche. Or, de nombreuses tudes ont rapport que des stimuli attendus,
qui sont critiques pour la ralisation de la tche, gnrent une forte P3b (cf. paragraphe IV
B1).
Des ondes lentes positives sont observes aprs la P3b, c'est--dire entre 450 et 700
msec, dans les conditions comparaisons "immdiate" et "diffre". Ces deux conditions
impliquent un processus de prise de dcision. La prise de dcision suit dans le temps
l'valuation du stimulus. La P3b indexe l'valuation des stimuli, conduisant une prise de
dcision sur leur position relative, reflte par les ondes lentes positives post-P3b. Ces ondes
sont fonctionnellement relies la P3b, et font donc partie du mme complexe, refltant
l'achvement des traitements perceptivo-cognitifs, lis un contexte spcifique ("context
closure" hypothesis) (Desmedt, 1980; Verleger, 1988; Tomberg & Desmedt, 1998). Ces ondes
positives post-P3b sont absentes dans la condition "mmorisation", c'est--dire dans la
condition n'impliquant pas de prise de dcision et dachvement de la tche, mais au contraire
une poursuite des traitements par un processus de mmorisation. Ces ondes lentes positives
post-P3b ne refltent donc pas le processus de mmorisation.
Les rsultats EEG de cette exprience vont donc dans le sens d'une interprtation de la
P3b et des ondes lentes positives directement associes, comme la manifestation de la
"fermeture des traitements" engags dans le contexte d'une tche spcifique; achvement des
traitements conduisant un processus dcisionnel.

M4 et Processus d'encodage
La composante MEG M4 (350-550 msec) tait significativement plus ample dans la
condition "mmorisation" au niveau des capteurs frontaux droits. Cette composante tait
pratiquement absente dans la condition "comparaison immdiate", n'impliquant aucun
processus de MdT, ni encodage, ni rappel. La M4 semble reflter spcifiquement le processus
d'encodage de linformation visuo-spatiale en mmoire court terme. Cette composante tait
produite par l'activit des cortex parital et prmoteur droit. L'activit paritale tait prsente
dans les trois conditions exprimentales, dans cette fentre temporelle. L'activit prmotrice
droite tait spcifiquement observe dans la condition "mmorisation". Les localisations
dipolaires des sources de la M4 sont cohrentes avec les rgions actives en IRMf. Ces
rsultats sont chrents avec les tudes en imagerie crbrale, rapportant que l'aire prmotrice
droite joue un rle cl dans l'encodage des informations visuo-spatiales en mmoire de travail
(Jonides et al, 1997).
La composante MEG, M4 (pic 450 msec), reflte donc le processus d'encodage de
l'information visuo-spatiale en mmoire de travail.

Relation entre le complexe P3b et la M4

L'tude des mmes processus en MEG et EEG fournit des informations diffrentes.
L'EEG met en vidence des composantes qui signent l'valuation des stimuli et le processus
de prise de dcision (P3b), alors que la MEG prsente une composante qui reflte
spcifiquement le processus d'encodage. La M4 frontale et la P3b centro-paritale sont le
produit de l'activation de sources neuronales diffrentes, mieux perues en MEG ou en EEG.

28

L'apparition de la M4 frontale est lie l'attnuation de la P3b paritale. Lors de la

mmorisation, l'achvement des traitements est impossible, donc la P3b paritale diminue,
marquant la ncessit d'effectuer des traitements supplmentaires. La poursuite des
traitements se manifeste par une extension d'activit au niveau frontal (aire prmotrice). L'aire
prmotrice est implique dans le processus d'encodage. Le cortex frontal aurait un rle de
modulation de lactivit du cortex parital postrieur. Cette modulation sexprimerait par des
circuits fronto-paritaux rciproques (boucle de rtroaction fronto-paritale). Cette hypothse
est renforce par les observations fates chez le primate. Chafee et Goldman-Rakic (2000) ont,
en effet, montr que lactivit des cellules situes dans le cortex parital postrieur, lors du
dlai associ la mmorisation dune information spatiale, est significativement diminue par
une dactivation frontale. Ainsi, il semble que le dveloppement dune activit soutenue au
niveau du cortex parital postrieur soit la consquence de lactivit frontale.
Dans les conditions impliquant une prise de dcision et permettant l'achvement de la tche,
la P3b centro-paritale est intense, et la M4 frontale est trs faible ou absente. Les traitements
tant achevs, le cortex frontal n'est pas recrut pour accrotre les ressources disponibles.
La P3b et la M4 sont deux ondes co-occurrentes dans le temps. Les variations
d'amplitude de ces ondes mettent en vidence l'interaction entre les cortex parital et frontal.
Les processus de MdT, et en particulier le processus d'encodage, sont supports par ces
interactions parito-frontales.
Ces observations nous permettent de proposer une hypothse sur les mcanismes
neuronaux dterminant le recrutement du cortex frontal lors du processus d'encodage en MdT.
Lorsque l'activation du cortex parital est intense (P3b ample), l'extension de l'activit au sein
du rseau parito-frontal est faible (M4 absente, ou faible). En revanche, lorsque le cortex
parital prsente une pente d'activation faible (P3b peu ample), l'activit se propage au niveau
des rgions frontales (apparition de la M4 frontale), permettant d'augmenter les ressources de
traitement et de rtroagir sur les cortex postrieurs. Un tel processus de rgulation de l'activit
neuronale au sein du rseau parito-frontal supporterait le processus d'encodage des
informations visuo-spatiales.

VII - Conclusion Gnrale

L'tude des processus de mmoire de travail en MEG et EEG montre l'intrt de ces
techniques pour dcrire les dcours temporels des diffrentes tapes de traitement perceptivocognitif. La combinaison de ces techniques, rsolution temporelle excellente, avec les
techniques de TEP et d'IRMf, ayant une bonne rsolution spatiale, permet de dcrire les
patterns spatio-temporels d'activation crbrale avec une plus grande prcision. La fusion des
donnes neuro-fonctionnelles obtenues par les diffrentes techniques est susceptible
d'apporter une meilleure comprhension des soubassements crbraux des fonctions
cognitives. La modlisation des sources magntiques peut tre contrainte par les localisations
des aires actives en TEP et IRMf. Par ailleurs, la MEG et l'EEG refltant des sources
d'activation neuronale distinctes, l'tude des fonctions cognitives par une utilisation
simultane des deux techniques est susceptible de fournir une meilleure description des
processus engags.

29

REFERENCES

Alho K, Huotilainen M, Tiitinen H, Ilmoniemi RJ, Knuutila Jukka & Ntnen R. Memroy-related complex
processinf of soud patterns in human auditory cortex: a MEG study. Neuroreport 1993; 4: 391-394.
Alho K, Huotilainen M & Ntnen R. Are memory traces for simple and complex sounds in different brain
regions of auditory cortex? Recent MEG studies. Perspect ERP Res (EEG suppl 44); 1995: 197-203.
Allisson T, Wood CC & McCarthy GM. The central nervous system. In: Coles MGH, Donchin E & Porges
SW (Eds). Psychophysiology: systems, processes and applications. Guilford, New York, 1986, 5-25.
Awh E, Jonides J, Smith EE, Schumacher EH, Koeppe RA & Katz S. Dissociation of storage and rehearsal
in verbal working memory: evidence from positron emission tomography. Psychol sci 1996; 7: 25-31.
Baddeley AD & Hitch G. Working memory. In Bower GA (Ed.), The psychology of learning and
motivation. New York, Academic Press, 1974, Vol 8.
Baddeley AD. Human memory: theory and practice. London: Lawrence Erlbaum Associates, 1990.
Baddeley A. Working memory. Science 1992, 255: 556-559.
Baddeley A. Exploring the central executive. Q J Exp Psychol 1996; 49A: 5-28.
Barcelo F, Martin-Lesches M, Rubia FJ. Event-related potentials during memorization of spatial locations
in the auditory and visual modalities. Electroencephal Clin Neurophysiol 1997; 103: 257-267.
Belger A, Puce A, Krystal JH, Gore JC, Goldman-Rakic P, McCarthy G. Dissociation of mnemonic and
perceptual processes during spatial and nonspatial working memory using fMRI. Hum Brain Mapp 1998; 6
(1): 14-32.
Birbaumer N, Elbert T, Cavana AG & Rocktroh B. Slow potentials of the cerebral cortex and behaviour.
Psychol Rev 1990; 70: 1-41.
Bosch V, Mecklinger A & Friederici AD. Slow cortical potentials during retention of object, spatial, and
verbal information. Cogn Brain Res 2001; 10: 219-237.
Breier MI, Simos PG, Zouridakis G & Papanicolaou AC. Lateralization of cerebral activation in auditory
verbal and non-verbal memory tasks using magnetoencephalography. Brain Topogr 1999; 12 (2): 89-97.
Brookhuis KA, Mulser G, Mulser LJ & Gloerich AB. The P3 complex as an index of information
processing: the effects of response probability. Biol Psychol 1983; 17 (4): 277-296.
Cabeza R & Nyberg L. Imaging cognition II: an empirical review of 275 PET and fMRI studies. J. Cogn.
Neurosci. 2000, 12 (1): 1-47.
Caminiti R, Johnson PB, Ferraina S, Bianchi L. The source of visual information to the primate frontal lobe:
a novel role for the superior parietal lobule. Cereb Cortex 1996; 6: 319-328.
Carpenter PA, Just MA & Reichle ED. Working memory and executive function: evidence from
neuroimaging. Curr Opin Neurobiol 2000; 10: 195-199.
Chafee MV & Golman-Rakic PS. Inactivation of parieal and prefrontal cortex reveals interdependence of
neural activity during memory-guided saccades. J Neurophysiol 2000; 83 (3): 1550-1566.
Cohen JD, Pelstain WM, Braver TS, Nystrom LE, Noll DC, Jonides J, Smtih EE. Temporal dynamics of
brain activation during a working memory task. Nature 1997; 386 (6625): 604-608.
Collette F, Salmon E, Van der Linden M, Chicherio C, Belleville S, Degueldre C, Delfiore G & Franck G.
Regional brain activity during tasks devoted to the central executive of working memory. Cogn Brain Res
1999; 7: 411-417.
Courchesne E, Hiilyard SA & Galambos R. Stimulus rarety, task relevance and the visual evoked potential
in man. Electroencephalogr Clin Neurophysiol 1975; 39: 131-143.
Courtney SM, Ungerleider LG, Keil K & Haxby JV. Object and spatial visual working memory activates
separate neural systems in human cortex. Cereb Cortex 1996; 6: 39-49.
Courtney SM, Ungerleider LG, Keil KK, Haxby JV. Transient and sustained activity in a distributed neural
system for human working memory. Nature 1997; 386: 608-611.
Courtney SM, Petit L, Maisog JM, Ungerleider LG, Haxby JV. An area specialized for spatial working
memory in human frontal cortex. Science 1998; 279: 1347-1351.
Croiz AC, Ragot R, Garnero L, Benali H, Burnod Y. Studying the visuo-spatial working memory: a
MEG/EEG experiment. Biomag2000, 12th International Conference on Biomagnetism, Finland ; abstract
and proceedings, August 13-17, 2000.
Croiz AC, Ragot R, Garnero L, Ducorps A, Pelegrini M, Dauchot K, Benali H & Burnod Y. Interaction
between parietal and frontal areas for visuo-spatial short-term memory. (submission)

30

Desmedt, J.E. P3 in serial tasks: an essential post-decision closure mechanism. In : Kornhuber, H.H.,
Deecke, I. (Eds.) Motivation, Motor and Sensory Processes of the brain. Program in Brain Research.
Elsevier, North-Holland Biomedical Press (1980).
D'Esposito M, Detre JA, Alsop DC, Shin RK, Atlas S, Grossman M. The neural basis of the central
executive system of working memory. Nature 1995; 378: 279-281.
D'Esposito M & Postle B. Response of prefrontal cortex to varying load and processing demands during a
working memory task: an event-related fMRI study. Soc Neurosci Abst 1998; 24: 1251.
D'Esposito M, Postle BR, Ballard D & Lease J. Maintenance versus manipulation of information held in
working memory: an event-related fMRI study. Brain Cognit 1999; 41: 66-86.
Donald WW. Neural selectivity in auditory attention: steck of a theory. IN: Galliard AWK & Ritter W
(Eds). Tutorials in ERP research: endogenous components. Amsterdam: North-Holland Publishing, 1983.
Donchin E, Kubovy M, Kutas M, Johnson M & Herning R. Graded changes in evoked response (P300)
amplitude as a function of cognitive activity. Perception and Psychophysics 1973; 14: 319-324.
Donchin E, Ritter W & McCallum WC. Cognitive psychophysiology: the endogenous components of the
ERP. In: Callaway E, Tueting P & Koslow SH. (Eds). Event-related brain potentials in man. New York:
Academic Press, 1978.
Donchin E & Coles MGH. Is the P300 a manifestation of context updating? Behav Brain Sci 1988; 11: 355372.
Duncan-Johnson CC & Donchin E. The P300 component of the event-related brain potential as an index of
information processing. Biol Psychol 1982; 14: 1-52.
Eulitz C, Eulitz H & Elbert T. Differential outcomes from magneto- and electroencephalography for the
analysis of human cognition. Neurosci Letters 1997; 227: 185-188.
Falkenstein M, Hohnsbein J & Hoormann J. Effects of choice complexity on different subcomponents of the
late positive complex of the event-related potential. Electroencephalogr Clin Neurophsyiol 1994; 92: 148160.
Friedman HR, Goldman-Rakic PS. Co-activation of prefrontal cortex and inferior parietal cortex in working
memory tasks revealed by 2DG functional mapping in the rhesus monkey. J Neurosci 1994; 14: 2775-2778.
Funahashi S, Bruce C, Goldman-Rakic PS. Mnemonic coding of visual space in the monkey's dorsolateral
prefrontal cortex. J Neurophysiol 1989; 61: 331-349.
Fuster JM. Unit activity in the prefrontal cortex during delayed response performance: neural correlates of
transient memory. J Physiol 1973; 36: 61-78.
Fuster JM, Baver RH, Jervey JP. Cellular discharge in the dorsolateral cortex of the monkey in cognitive
tasks. Exp Neurol 1982; 77: 679-694.
Fuster JM. The prefrontal cortex. New York: Raven Press, 1989.
Garcia-Larrea L & Czanne-Bert G. P3, positive slow wave and working memory load: a study on the
functional correlates of slow wave activity. Electroencephalogr Clin Neurophysiol 1998; 108: 260-273.
Gevins A & Cutillo B. Spatiotemporal dynamics of component processes in human working memory.
Electroencephalogr Clin Neurophysiol 1993; 87: 128-143.
Gevins A, Cutillo B & Smith ME. Regional modulation of high resolution evoked potentials during verbal
and non-verbal matching tasks. Electroencephalogr Clin Neurophysiol 1995; 94: 129-147.
Gevins A, Smith ME, Le J, Leong H, Bennett J, Martin N, McEvoy L, Du R & Whitfield S. High resolution
evoked potential imaging of the cortical dynamics of human working memory. Electroencephalogr Clin
Neurophysiol 1996; 98: 327-348.
Gevins A, Smith ME, McEvoy L & Yu D. High-resolution EEG mapping of cortical activation related to
working memory: effects of task difficulty, type of processing and practice. Cereb Cortex 1997; 7: 374-385.
Glanz J. Magnetic brain imaging traces a stairway to memory. Science 1998; 280: 37.
Goldman-Rakic PS. Circuitry of primate prefrontal cortex and resolution of behavior by representational
memory. In : Handbook of physiology (Montcastle VB, eds), Bethesda, MD : Am Physiol Soc, 1987: 373417.
Goldman-Rakic P.S. The prefrontal landscape: implications of functional architecture for understanding
human mentation and the central executive. Philos Trans R Soc Lond Biol Sci 1996; 351: 1445-1453.
Grune K, Metz AM, Hagendorf H & Fischer S. Information processing in working memory and eventrelated brain potentials. Intern J Psychophysiol 1996; 23: 111-120.
Gundel A & Wilson GF. Topographical changes in the ongoing EEG related to the difficulty of mental
tasks. Brain Topogr 1992; 5: 17-25.
Hmlinen M, Hari R, Ilmonieri RJ, Knuutila J & Lounasmaa OV. Magneto-encephalography: Theory,
instrumentation and application to noninvasive studies of the working human brain. Rev Mod Phys 1993;
65: 413-497.

31

Hansen J & Hillyard SA. Selective attention to multidimensional auditory stimuli. J Exp Psychol Huma
Percept Perform 1983; 9: 1-19.
Haxby JV, Grady CL, Horwitz B, Ungerleider L, Mishkin M, Carson RE, Herscovitch P, Shapior MB,
Rapoport DI. Dissociation of object and spatial visual processing pathways in human extrastriate cortex.
Proc Natl Acad Sci USA 1991, 88: 1321-1325.

Haxby JV, Petit L, Ungerleider LG & Courtney SM. Distinguishing the functional roles of
multiple regions in distributed neural systems for visual working memory. Neuroimage 2000; 11:
145-156.
Hautzel H, Mottaghy FM, Dammers J, Boers F, Tellman L, Gartner-Mller HW & Krause BJ. Temporal
dynamics in working memory: a MEG study with PET-constrained dipole analysis. Neuroimage 2000; 11
(5): S409.
Hillyard SA. Electrical and magnetic brain recordings: contributions to cognitive neuroscience. Curr Opin
Neurobiol 1993; 3: 217-224.
Johnson RJr & Donchin E. On how P300 amplitude varies with the utility of the eliciting stimuli.
Electroencephalogr Clin Neurophysiol 1978; 44: 424-437.
Johnson RJr. On the neural generators of the P300 component of the event-related potential.
Psychophysiology 1993; 30: 90-97.
Johnson PB, Ferraina S, Bianchi L, Caminiti R. Cortical networks for visual reaching. Physiological and
anatomical organization of frontal and parietal lobe arm regions. Cereb Cortex 1996; 6: 102-119.
Jonides J, Smith EE, Koeppe RA, Awh E, Minoshima S, Mintun MA. Spatial working memory in humans
as revealed by PET. Nature 1993; 363: 623-625.
Kaufman L, Schwartz B, Salustri C & Williamson SJ. Modulation of spontaneous brain activity during
mental imagery. J Cogn Neurosci 1990; 2: 124-132.
Kaufman L, Curtis S, Wang JZ & Williamson SJ. Changes in cortical activity when subjects scan memory
for tones. In: Hoke M, Ern SN, Okada YC & Romani GL (Eds). Biomagnetism: clinical aspects. Excerpta
Medica, Elsevier, Amsterdam, 1992: 189-193.
Klimesch W, Schmike H & Pfurtschellar G. Alpha frequency, cognitive load, and memory performance.
Brain Topogr 1993; 5: 241-251.
Knight RT. Evoked potential studies of attention capacity in human frontal lobe lesions. In: Levin HS,
Eisenberg HM & Benton AL (Eds). Frontal lobe function and dysfunction. Oxford University Press, New
York, 1991: 139-153.
Koechlin E, Gianpaolo B, Pietrini P, Panzer S, Grafman J. The role of the anterior prefrontal cortex in
human cognition. Nature 1999; 399 (6732): 148-151.
Kutas M, McCarthy G & Donchin E. Augmenting mental chronometry: the P300 as a measure of stimulus
evaluation time. Science 1977; 197: 792-795.
Knight RT. Neural mechanism of event-related potentials: evidence from human lesion studies. In:
Rohrbaugh JW, Parasurama R & Johnson RJr (Eds). Event-related brain potentials: basic issues and
applications. New York: Oxford University Press, 1990: 3-18.
Knight RT. Evoked potential studies of attention capacity in human frontal lobe lesions. In: Levin HS,
Eisenberg HM & Benton AL (Eds). Frontal lobe function and dysfunction. Oxford University Press, New
Oxford University Press, New York, 1991: 139-153.
Kok A & Loren de Jong H. Components of the event-related potential following degraded and undegraded
visual stimuli. Biol Psychol 1980; 11: 117-133. Kosslyn SM. Image and brain: the resolution of the imagery
debate. The MIT Press, Cambridge, MA, 1994.
Labar KS, Gittelman DR, Parrish TB, Mesulam M. Neuroanatomic ovelap of working memory and spatial
atttention networks: a functional MRI comparison within subjects. Neuroimage 1999, 10 (6): 695-704.
LaBerge D. Attention, awareness and the triangular circuit of consciousness. Conscious Cogn 1997; 6: 149181.
Lang W, Starr A, Lang V, Lindinger G & Deecke L. Cortical DC potential shifts accompanying auditory
and visual short-term memory. Electoencepaholgr Clin Neurophysiol 1991; 82: 266-284.
Lopes da Silva F. Neural mechanism underlying brain waves: from neural membranes to networks.
Electroencephalogr Clin Neurophsyiol 1991; 79: 81-93.
Loveless N, Levnen S, Jousmki V, Sams M & Hari R. Temporal integration in auditory sensory memory:
neuromagnetic evidence. Electroencphalogr Clin Neurophsyiol 1996; 100: 220-228.
Lw A, Rockstroh B, Cohen R, Hauk O, Berg P & Maier W. Determining working memory from ERP
topography. Brain Topogr 1999; 12 (1): 39-47.
Makeig S, Westerfield M, Jung TP, Covington J, Townsend J, Sejnowski TJ & Courchesne E. Functionally
independant components of the late positive event-related potential during visualspatial attention. J Cogn
Neurosci 1999; 19 (7): 2665-2680.

32

Martin-Losches M, Gomez JG, Rubia FJ. Human brain potentials of spatial location encoding into
memory. Electroencephal Clin Neurophysiol 1994; 91: 363-373.
Mazzoni P, Bracewell RM, Barash S & Andersen RA. Spatially tuned auditory responses in area LIP of
macaques performing memory saccades to acoustic targets. J Neurophysiol 1996; 75: 1233-1241.
Mecklinger A & Ullsperger P. P3 varies with stimulus categorization rather than probability.
Electroencephalogr Clin Neurophysiol 1993; 86: 395-407.
Mecklinger A & Pfeifer E. Event-related potentials reveal topographical and temporal distinct neuronal
activation patterns for spatial and object working memory. Cogn Brain Res 1996a; 4: 211-224.
Mecklinger A & Mller N. Dissociation in the processing of "what" and 'where" information in working
memory: an event-related potential analysis. J Cogn Neurosci 1996b; 8 (5): 453-473.
McCallum WC. Potentials related to expectancy, preparation and motor activity. IN: Picton TW (Ed).
Human event-related potentials. EEG Handbook. Vol 3. Oxford: Elsevier Science 1988: 427-534.
McCarthy G, Puce A, Constable RT, Krystal JH, Gore JC & Goldman-Rakic P. Activation of human
prefrontal cortex during spatial and nonspatial working memory tasks measured by functional MRI. Cereb
Cortex 1996; 6: 600-611.
McEvoy LK, Smith ME & Gevins A. Dynamic cortical networks of verbal and spatial working memory:
effects of memory load and task practice. Cereb Corex 1998; 8: 536-574.
Mishkin M, Ungerleider LG & Macko KA. Object vision and spatial vision: two cortical pathways. Trends
Neurosci 1983; 6: 414-417.
Mitzdorf U. Physiological sources of evoked potentials. In: Brunia CH, Mulder G, Veerbaten MN (Eds).
Event-related brain research. Elsevier, Amsterdam, 1991: 47-57.
Ntnen R. Attention and brain function. Lawrence Elbaum, 1992.
Ntnen R, Ilmoniemi RJ & Alho K. Magnetoencephalography in studies of human cognitive brain
function. Trends Neurosci 1994; 17 (9): 389-395.
Nielsen-Bohlman L & Knight RT. Prefrontal cortical involvement in visual working memory. Cogn Brain
Res 1999; 8: 299-310.
Okada YC & Salenius S. Roles of attention, memory and motor preparation in modulating human brain
activity in a spatial working memory task. Cereb Cortex 1998; 8: 80-96.
Osaka M, Osaka N, Koyama S, Okusa T & Kakigi R. Individual differences in working memory and the
peak alpha frequency shift on magnetoencephalography. Cogn Brain Res 1999; 8: 365-368.
Owen AM, Doyon J, Petrides M, Evans AC. Planning and spatial working memory: a positron emission
tomography study in humans. Eur J Neurosci 1996a; 8: 353-364.
Owen AM, Evians AC, Perides M. Evidence for a two-stage model of spatial working memory processing
within the lateral frontal cortex : a PET study. Cereb Cortex 1996b; 6: 31-38.
Paulesu E, Frith CD & Frackowiack RSJ. The neural correlates of the verbal component of working
memory. Nature 1933; 362: 342-345.
Petrides M, Alivisators B, Evans AC. Dissociation of human mid-dorsolateral from posterior dorsolateral
frontal cortex in memory processing. Proc Natl Acad Sci USA 1993a; 90: 873-877.
Petrides M, Alivastos B, Meyer E & Evans AC. Functional activation of the human frontal cortex during the
performance of verbal working memory tasks. Proc Natl Acad Sci USA 1993; 90: 878-882.
Pfurtscheller G & Lopes da Silva FH. Event-related EEG/MEG synchronization and desynchronization:
basic principles. Clin Neurophysiol 1999; 110: 1842-1857.
Postle BR and D'Esposito M. "What" - then "Where"- in visual working memory: an event-related fMRI
study. J Cogn Neurosci 1999; 11 (6): 585-597.
Pratt H, Michalewski H, Barrett G & Starr A. brain potentials in a memory-scanning task.
Electroencephalogr Clin Neurophysiol 1989; 72: 407-428.
Pritchard W. The psychophysiology of P300. Psychol Bull 1981; 89: 506-540.
Ragot R. Perceptual and motor space representation: an event-related potential study. Psychophysiology
1984; 21: 159-170.
Rm P, Kesseli K, Reinikainen K, Keboni J, Hmlinen H & Carlson S. Visuospatial mnemonic load
modulates event-related slow potentials. Neuroreport 1997; 8: 871-876.
Rm P, Paavilainen L, Anourova U, Alho K, Reinikainen K, Sipil & Carlson S. Modulation of slow brain
potentials by working memory load in spatial and nonspatial auditory tasks. Neuropsychologia 2000; 38:
913-922.
Ray W & Coles H. EEG alpha activity reflects attention demands and beta activity reflects emotional and
cognitive processes. Science 1985; 228: 750-752.
Ritter W & Ruchkin DS. A review of event-related potential components discovered in the context of
studying P3. 1992

33

Ritter W, Simson R, Vaughan HGJ & Macht M. Manipulation of event-related potential manifestations of
information processing stages. Science 1982; 218: 909-911.
Rojas DC, Teale PD, Sheede JL & Reite ML. Neuromagnetic alpha suppression during an auditory
sternberg tak evidence for a serial, self-terminating search of short-term memory. Cogn Brain Res 2000; 10:
85-89.
Rolke B, Heil M, Henninghausen E, Hussler C & Rsler F. Topography of brain electrical activity
dissociates the sequential order of verbal versus spatial information in humans. Neurosci Letters 2000, 282:
81-84.
Rsler F & Heil M. Toward a functional categorization of slow waves: taking account past and future
events. Psychophysiology 1991; 28 (3): 344-358.
Rsler F, Heil M, Bajric J, Pauls AC & Henninghausen E. Patterns of cerebral activation while mental
images are rotated and changed in size. Psychophysiology 1995; 32: 135-149.
Rsler F, Heil M & Henninghausen E. Distinct cortical activation patterns during long-term memory
retrieval of spatial, verbal and color information. J Cogn Neurosci 1995; 7: 51-55.
Rowe JB, Toni I, Josephs O, Frackowiak RSJ & Passingham RE. The prefrontal cortex: response selection
and maintenance within working memory? Science 2000, 288: 1656-1660.
Ruchkin et Sutton, 1978.
Ruchkin DS, Munson R & Sutton S. P300 and slow wave in a message consisting of two events.
Psychophysiology 1982; 19: 629-642.
Ruchkin DS & Sutton S. Positive slow wave and P300: Association and dissociation. In: Gaillard AWK &
Ritter W (Eds). Tutorials in ERP research: endogenous components. Amsterdam: North-Holland Publishing
Company, 1983.
Ruchkin DS, Sutton S Mahaffey D & Glaser J. Terminal CNV and the absence of motor response.
Electroencephalogr Clin Neurophysiol 1986; 63: 445-463.
Ruchkin DS, Johnson RJr, Mahaffin D, Sutton S. Toward a functional categorization of slow waves.
Psychophysiology 1988; 25 (1): 339-353.
Ruchkin DS, Johnson RJr, Canoune H & Ritter W. Short-term memory storage and retention: an eventrelated brain potential study. Electroencephalogr Clin Neurophysiol 1990a; 76: 419-439.
Ruchkin DS, Johnson RJr, Canoune HL, Ritter W & Hammer M. Multiple source of P3b associated with
types of information. Psychophysiology 1990b; 27 (2): 157-176.
Ruchkin DS, Johnson R, Grafman J, Canoune H & Ritter W. Distinctions and similarities among working
memory processes: an event-related potential study. Cogn Brain Res 1992; 1: 53-66.
Ruchkin DS, Grafman J, Frauss GL, Johnson R, Canoune H & Ritter W. Event-related brain potential
evidence for a verbal working memory deficit in multiple sclerosis. Brain 1994; 117: 289-305.
Ruchkin DS, Canoune HL, Johnson RJr & Ritter W. Working memory and preparation elicit different
patterns of slow wave event-related potentials. Psychophysiology 1995; 32: 399-410.
Ruchkin DS, Johnson RJr, Grafman J, Canoune H & Ritter W. Multiple visuo-spatial working memory
buffers: evidence from sptatiotemporal patterns of brain activity. Neuropsychologia 1997a; 35 (2): 195-209.
Ruchkin DS, Berndt RS, Johnson RJr, ritter W, Grafman J & Canoune HL. Modality-specific processing
streams in verbal working memory: evidence from spatio-temporal patterns of brain activity. Cogn Brain
Res 1997b; 6: 95-113.
Ruchkin DS, Berndt RS, Johnson J, Grafman J, Ritter W & Canoune H. Lexical contributions to retention of
verbal information in working memory: event-related brain potential evidence. J Mem Lang 1999; 41: 345364.
Rugg MD. Event-related potentials in phonological matching tasks. Brain Lang 1984 ; 23 (2) : 225-240.
Salmon E, Van der Linden M, Collette F, delfire G, Maquet P, Degueldre C, Luxen A, Franck G. Regional
brain activity during working memory tasks. Brain 1996; 119: 1617-1625.
Sanquist TF, Rohrbaugh JW, Syndolko K & Lindsley DB. Electrocortical signs of levels of processing:
perceptual analysis and recognition memory. Psychophysiology 1980; 17 (6): 568-576.
Sarnthein J, Petsche H, Rappelsberger P, Shaw GL & von Stein A. Synchronisation between prefrontal and
posterior association cortex during human working memory. Neurobiology 1998; 95 (12): 7092-7096.
Shallice T. From neuropsychology to mental structure. MIT Press, Cambridge, MA, 1988.
Schubotz R & Friederici AD. Electrophysiological correlates of temporal and spatial information
processing. Neuroreport 1997; 8: 1981-1986.
Schumacher EH, Lauder E, Awh E, Jonides J, Smith EE & Koeppe RA. PET evidence for an amodal verbal
working memory system. Neuroimage 1996; 3: 79-88.
Squires NK, Squires K & Hillyard A. Two varieties of long-latency positive waves evoked by unpredictable
stimuli in man. Electroencephalogr Clin Neurophysiol 1975; 38: 387-401.

34

Smith M, Halgren E, Sokolik M, baudena P, Musolino A, Liegeois-Chauvel C & Liegeois-Chauvel P.

Intracranial topography of the P3 event-related during auditory odball. Electroencephalogr Clin
Neurophysiol 1990; 76: 235-248.
Smith EE, Jonides J, Koeppe PA, Awh E, Schumacher EH, Minoshima S. Spatial versus object working
memory : PET investigations. J Cogn Neurosci 1995; 7: 337-356.
Smith EE, Jonides J, Koeppe RA. Dissociating verbal and spatial working memory using PET. Cereb Cortex
1996, 6: 11-20.
Smith EE, Jonides J, Marshuetz C & Koeppe RA. Components of verbal working memory: evidence from
neuroimaging. Proc atl Acad Sci USA 1998; 95: 876-882.
Smith EE, Jonides J. Neuroimaging analyses of human working memory. Proc Natl Acad Sci USA 1998;
95: 12061-12068.
Smith EE & Jonides J. Storage and executive processes in the frontal lobe. Science 1999, 283: 1657-1661.
Somjen GG. Electogenesis of sustained potntials. Prog Neurobiol 1973; 1: 199-237.
Starr A, Kristeva R, Cheyne D, Lindinger G & Deecke L. Localization of brain activity during auditory
verbal short-term memory derived from magnetic recordings. Brain Res 1991; 558: 181-190.
Sterman MB, Mann CA, Kaiser DA & Suyenobu BY. Multiband topographic analysis of a simulated
visuomotor activation task. Int J Psychophysiol 1994; 16: 49-56.
Sutton S, Braven M, John ER & Zubin J. Evoked potentials correlates of stimulus uncertainty. Science
1965 ; 150 : 1187-1188.
Sutton S, Tuering P, Zubin J, John ER. Information delivery and the sensory evoked potential. Science
1967 ; 155 : 1436-1439.
Tallon-Baudry C, Bertrand O, Peronnet F & Pernier J. Induced -band activity during the delay of a visual
short-term memory task in humans. J Neurosci 1998; 18 (11): 4244-4254.
Tesche CD & Karhu J. Theta oscillations index human hippocampal activation during a working memory
task. PNAS 2000; 97 (2): 919-924.
Tomberg C & desmedt JE. Human perceptual processings: inhibition of transient prefrontal-parietal 40 Hz
binding at P300 onset documented in non-averaged cognitive brain potentials. Neurosci Letters 1998; 255:
163-166.
Tueting P. Event-related potentials, cognitive events, and information processing. In: Otto D (Ed).
Multidisciplinary perspectives in event-related brain potential research. US Governement Printing Office.
Washington, DC, 1978: 159-169.
Ungerleider LG, Courtney SM & Haxby JV. A neural system for human visual working memory. Proc Natl
Acad Sci USA 1998; 95: 883-890.
Van Essen DC & Maunsell JHR. Hierarchical organization and functional streams in the visual cortex.
Trends Neurosci 1983; 6: 370-375.
Verbaten MN, Huyben MA & Kemner C. Processing capacity and the frontal P3. Int J Psychophysiol 1997;
25: 237-248.
Verleger, R. Event-related potentials and cognition: a critique of the context updating hypothesis and an
alternative interpretation of P3. Behav. Brain Sci. 11, 343-427 (1988).
Wicken CD, Kramer AF & Donchin E. The event-related potentials as an index of the processing demands
of a complex target acquisition task. Ann NY Acad Sci 1984; 425: 295-299.
Wang Y, Sakuma K & Kakigi R. The dynamic processes for word and picture encoding in the human brain
as revealed by magnetoencephalography. Neurosci Letters 2000; 289 (4): 135-138.
Williamson SJ, Kaufman L, Curtis S, Lu ZL, Michel CM & Wang JZ. Neural substrates of working
memories are revealed magnetically by the local suppression of alpha rhythm. In Hashimoto I, Okada YC &
Owaga S. Visualization of information processing in the human brain: recent advancies in MEG and
functional MRI, 1996, EEG suppl 47.
Wilson FAW, O'Scalaidhe SP, Goldman-Rakic PS. Dissociation of object and spatial processing domains in
primate prefrontal cortex. Science 1993; 260: 1955-1957.
Yamaguchi S & Knight RT. Anterior and posterior association cortex contributions to the somatosensory
P300. J Neurosci 1991; 11: 2039-2054.
Zarahn E, Aguire GK, D'Esposito M. Temporal isolation of the neural correlates of spatial mnemonic
processing with fMRI. Cogn Brain Res 1999, 7: 255-268.

35

APIMED 19/12/2008

Applications cliniques de la neurologie

nuclaire

Dr. Aurlie KAS

Service de mdecine nuclaire
URA CEA-CNRS 2210

Plan
La neurologie et limagerie crbrale
Limagerie crbrale en mdecine nuclaire
Quelques notion danatomie fonctionnelle
Etude de la perfusion crbrale dans les syndromes dmentiels
Maladie dAlzheimer
Dmence fronto-temporale
Etude de la neurotransmission dopaminergique
Syndromes parkinsoniens
Quelques outils danalyse
Analyse par rgion dintrt
Analyse lchelle du voxel (SPM)

La Neurologie actuelle
Des pathologies de tous les ges
Le nouveau-n
L enfant
L adulte jeune
Le sujet g

De multiples pathologies
Migraine : 7 000 000 - 10 000 000
Dmences et Maladie dAlzheimer : environ 800 000 en 2007
Epilepsie : 400 000 - 600 000
Accidents vasculaires crbraux : 350 000 - 500 000
Sclrose en plaques : 30 000 - 60 000
Maladie de Parkinson : 80 000 - 120 000
Neuro-oncologie

Une rvolution au sein du SNC depuis 10 ans

Des maladies mieux individualises
Des progrs en neurosciences
Une rvolution thrapeutique
De nouveaux mdicaments : antipileptiques, antiparkinsoniens,...
De nouvelles classes : des traitements innovants pour Alzheimer, Migraine,
SEP, les AVC, ...
Un challenge pour le futur : neuroprotection, thrapie gnique, nouvelles
approches,

Des progrs en imagerie

Les apports de l imagerie en neurologie

Pathologies vasculaires
Epilepsies
Maladie de Parkinson
Dmences
Sclrose en plaques
Tumeurs

Physiopathologie
Clinique
Diagnostic
Bilan prchirurgical
Pronostic

Evaluation des
traitements +++

IRM anatomique
IRM fonctionnelle
Spectroscopie RMN
Tomographie dmission monophotonique
Tomographie dmission de positons

Techniques en Mdecine Nuclaire :TEP ou TEMP

Techniques dimagerie FONCTIONNELLE qui permettent :

dtudier le mtabolisme ou la perfusion d un organe,
de raliser une imagerie molculaire cible : neurotransmission,
inflammation, dgnrescence

imagerie complmentaire de limagerie

morphologique (IRM anatomique, scanner)

Principe de la mdecine nuclaire

Administration dun vecteur (i.v. ou autre )


choisi pour son affinit envers lorgane tudier

marqu par un atome radioactif metteur de rayonnement

- photons
TEMP " Tomographie dEmission MonoPhotonique "

- positons
TEP " Tomographie par Emission de Positons "

MARQUEUR RADIOACTIF
MOLECULE VECTRICE

Quelques traceurs radioactifs pour la neurologie en TEMP

Paramtre tudi

Dbit sanguin (perfusion)

Transporteur dopamine
Rcepteurs dopamine D2

Traceurs

demi-vie

99mTc-HMPAO

6h

99mTc-ECD

6h

123I-FP-CIT
123I-IBZM

13 h
13 h

Quelques traceurs radioactifs pour la neurologie en TEP

Paramtre tudi

Mtabolisme crbral

Traceurs

18F-

doxyglucose

demi-vie

110 min

Dbit sanguin crbral

15O-

eau

2 min

Synthse dopamine

18F-

dopa

10 min

Transporteurs dopamine

11C-

PE2I

Rcepteurs benzodiazpines 11C- flumaznil

20 min
20 min

Exploration isotopique de lactivit neuronale

Activit neuronale

Mtabolisme

Perfusion

Syndromes dmentiels

18F-FDG

99mTc-ECD

Pathologie vasculaire

(15O-O2)

99mTc-HMPAO

Epilepsie

15O-H O
2

Normal

Alzheimer

AVC

Epilepsie

Ralisation dune scintigraphie crbrale de perfusion

Repos de 15 min dans lobscurit

puis injection IV de 20 mCi de 99mTc-ECD

Attente de 30 min
2 heures

Limage qui sera acquise

Tomographie (acquisition 3D)

de 30 min

est le reflet de la perfusion

au moment de linjection

Traitement des donnes TEMP

Rtroprojection filtre ou reconstruction itrative

Filtres passe-bas : exemple Butterworth
Correction dattnuation : Si Chang, le contour de
lellipse doit inclure le scalp et devrait tre dfinie
individuellement pour chaque coupe transversale
Rorientation dans 3 plans orthogonaux : selon CA-CP
ou plan hippocampique

Coupes transaxiales

Plan CA-CP

Coupes sagittales

Coupes frontales

Scintigraphie de perfusion normale

13

Les grandes rgions anatomiques: face externe

Scissure de Rolando
ou
Sillon central
Lobe
Pari
Parital
Lobe
Frontal

Lobe
temporal
Scissure de Sylvius
ou
Vall
Valle Sylvienne

Lobe
Occipital

Lobe de
linsula

Spcialisation du cortex (2)

PARIETAL
Aires
Aires
prmotrices
prmotrices

Aires
Aires
motrices
motrices
motrices

Aires
Aires
sensitives
sensitives

Aires
visuelles
visuelles

Aires
Aires
Aires
Aires
prfrontales
prfrontales
prfrontales
prfrontales
OCCIPITAL
FRONTAL

Aire
Aire
Aire
du
du langage
du
du
langage
langage
langage

Aire
Aire
du du
langage
Aires langage
Aires
TEMPORAL
auditives
auditives

Spcialisation du cortex (3)

Aires primaires
premiers relais corticaux de linformation sensorielle (rception)
Assurent les fonctions lmentaires

Aires associatives: fonctions complexes

unimodales (perception):

traitent linformation dune aire primaire ou dautres aires unimodales

du mme type
htromodales (interprtation):

traitent les informations provenant dautres aires unimodales ou

htromodales, quelque soit leur type

Les aires primaires

Frontal : Aire motrice
primaire (4)

Parital: Aire
somesthsique
primaire (3,1,2)

Occipital: Aire
visuelle (17)
Temporal: Aire
auditive (41,42)
Classification de BRODMAN

Les aires associatives

Aires prmotrices:
"habillent" le geste volontaire de
la composante automatique

Parital : Aires
Sensitives et praxies

Frontal

Occipital : Aires
visuelles:

Cortex prfrontal:

Perception et
interprtation de ce
que lon voit

stratgie, planification ...

Aire de Broca:
Centre metteur
du langage
parl (44,45)

Temporal
Aires auditives:
Aire de Wernicke:

Classification de BRODMAN

Centre rcepteur du
langage parl (22)

Perception et interprtation
des sons

Spcialisation du cortex frontal: partie latrale ou "dorsale"

Cortex moteur
Moteur primaire
Aire motrice Suppl. (AMS) et
cortex prmoteur
prparation et excution des
mouvements
Cortex prfrontal dorsolatral
Attention
Mmoire de travail
Planification
Raisonnement
Langage

Spcialisation du cortex frontal: rgion interne ou "msiale"

Cortex moteur
AMS
Moteur cingulaire : rponses
motrices aux motions ?
Cortex prfrontal msial
Initiative
Motivation
Cortex orbito-frontal
Personnalit
Inhibition
Contrle social

Spcialisation du cortex parital

Lobule parital suprieur (AB 5, 7)

Reprage du corps dans lespace
Manipulation dobjets
Excutions de gestes symboliques
Lobule parital infrieur (AB 39, 40)
Calcul
Reconnaissance des diffrentes
parties du corps,
Distinction D/G

Spcialisation du cortex occipital: Voies de la vision

Voie dorsale de la vision
where

Voie ventrale de la vision

what

Spcialisation du cortex temporal

Gyrus temporal moyen et suprieur
Aire auditive primaire (BA 41, 42)
Perception consciente et interprtation
des sons (BA 22, ant. part)
Production et comprhension du
langage (aire de Wernicke, BA 22,
post. part)
Gyrus temporal infrieur:
Composante What? des voies
visuelles
Partie interne du cortex temporal: structures
amygdalo-hippocampiques : Mmoire

Structures amygdalo-hippocampiques

hippocampe

Circuit amygdalo-hippocampomammillo-thalamo-cingulaire de
Papez

Diagnostic clinique de dmence (DSM-IVr)

Altration de la mmoire court et long terme

Et au moins lune des manifestations suivantes :
Altration du raisonnement
Altration du jugement
Aphasie, apraxie, agnosie

Retentissement professionnel, social, et/ou relationnel

Indpendamment de toute confusion ou dpression

Classification des dmences : tiologies

Dmences dgnratives (idiopathiques)
Maladie dAlzheimer
Atrophies lobaires (incluant les dmences fronto-temporales)
Dmences associes un syndrome parkinsonien

Dmences secondaires
Dmence vasculaire: accidents vasculaires multiples
Causes toxiques (alcool), mtaboliques, nutritionnelles
Causes infectieuses (Creutzfeldt-Jakob)
Tumeurs, traumatisme crnien

Classification des dmences : topographie

Dmences corticales
Maladie dAlzheimer (MA)
Atrophies lobaires dont la dmence fronto-temporale (DFT)

Dmences sous-corticales
Dmence associe la maladie de Parkinson
Paralysie supranuclaire progressive
Maladie de Huntington

Dmences cortico-sous-corticales
Maladie corps de Lewy diffus
Dgnrescence cortico-basale

Maladie dAlzheimer : pidmiologie

Environ 70 % des dmences dgneratives
La prvalence augmente avec lge : 10 % aprs 65 ans, 47 % aprs 85 ans
Facteurs de risque :
ge +++ (> 65 ans)
histoire familiale
allle du gne 4 de lapoliprotine E (ApoE-4)
Age de dbut : prsenile (< 65 ans) or snile (> 65 ans)
Sporadique pour la majorit des cas, quelques familles avec transmission
autosomique dominante
Actuellement seulement 30 50% des MA sont diagnostiqus

Maladie dAlzheimer
En 1907, Alois Alzheimer dcrit "Une maladie particulire du
cortex crbral"
Maladie dgnrative du tissu crbral qui entrane de faon
irrversible la perte de fonctions crbrales
Physiopathologie: 2 marqueurs histologiques associs des
dpts de protines
Plaques sniles: dpt de peptide bta-amylode
Dgnrescence neuro-fibrillaire: constitue de dpts de protines tau
anormale
Augmentation du stress oxydatif
mort neuronale

Distribution de la DNF en fonction de lvolution de la MA

Daprs Delacourte

Atteinte temporale interne

prfrontal

parital-occipital
associatif

temporal
associatif
Hypoperfusion corticale diffuse

ATROPHIE CORTICALE

La maladie dAlzheimer: clinique

Dmence progressive:
1ire tape: Atteinte progressive de la mmoire hippocampique

Oubli au fur et mesure

Puis apparition:
Troubles instrumentaux: " Aphasie Apraxie Agnosie"

apraxie de lhabillage, constructive

manque du mot, trouble de comprhension

troubles visuo-spatiaux avec dsorientation temporo-spatiale

Troubles des fonctions excutives (frontales)

troubles de la planification, du jugement

Modification de la personnalit et du comportement

Perte dautonomie

Comment faire le diagnostic de MA ?

Interrogatoire du patient et de lentourage +++
Examen clinique, exclure les causes de dmences secondaires
Tests neuro-psychologiques
Bilan biologique
Neuroimagerie

Imagerie morphologique systmatique : TDM ou IRM

Prsence datrophie corticale
Selon le contexte, scintigraphie crbrale de perfusion (ou 18F-FDG)
Hypoperfusion bilatrale du cortex associatif postrieur
Hypoperfusion amygdalo-hippocampique
Respect des aires primaires et structures sous-corticales

Sujet Normal

Hypoperfusion
temporale interne

Respect
cervelet

Maladie d Alzheimer

Hypoperfusion
cortex associatif

Respect aires
primaires
33

Maladie dAlzheimer : perspectives thrapeutiques

Phase symptomatique
Cognition
anti-cholinestrasiques

Intrt de traiter tt et longtemps

Comportement et humeur
antidpresseurs
Moyens non pharmacologiques
Structures daccueil, aide domiciles, institution

Phase prsymptomatique
Traitement neuroprotecteur ?
Identifier les sujets risque de MA : mild cognitive impairment

Mild Cognitive Impairment (ou MCI)

Critres diagnostiques (Petersen 97, 99)

Plainte mnsique
Pas de dmence
Fonctions cognitives globales normales
Performances mnsiques basses
Pas de retentissement sur les activits de la vie quotidienne

Evolution
Conversion en MA : 12% par an

Ex: patient
avec une MA
probable
Hypoperfusion
du cortex associatif
- parital
- temporal
bilatrale
- frontale
Hypoperfusion
rgions temp int

36

Dmence fronto-temporale (DFT)

10 15% des dmences
Dbute vers 50 ans
40 % de cas familiaux (transmission autosomique dominante)
Plusieurs types histologiques
Gliose frontale aspcifique dans 60%
Maladie de Pick dans 20%
DFT + Sclrose Latrale Amyotrophique (SLA) dans 5%

Caractrise par un changement progressif de personnalit ou

du comportement
Formes mutique ou dsinhibes
Perte de la perception des motions
Troubles dans la gnration de mots, llaboration de stratgies
nouvelles, la pense abstraite
Troubles mnsiques dapparition secondaire

Rappel : Spcialisation du cortex frontal

Cortex prfrontal msial
Energie
Initiative
Motivation

APATHIE, INDIFFERENCE
Cortex orbito-frontal
Personnalit
Inhibition
Contrle social

MORIA, DESINHIBITION

Cortex prfrontal dorso-latral

Planification
Attention

Sd DYSEXECUTIF

PERSEVERATIONS

Anomalies de perfusion dans la DFT

Hypoperfusion du cortex frontal et des ples temporaux
Souvent asymtrique.
Reflte le profil comportemental :
- forme inerte
cortex prfrontal msial et cingulaire antrieur
- forme dsinhibe
cortex orbito-frontal et temporal antrieur
Peut prcder latrophie corticale

Cortex
prfrontal

temporal
antrieur

Ex n1:
patient avec
une DFT

Hypoperfusion
de lensemble du
cortex frontal
et des ples
temporaux
bilat et sym

40

LE STRIATUM
Striatum = Noyau caud + putamen

Caud
Putamen
Cortex

VOIE DOPAMINERGIQUE NIGRO-STRIATALE

Voie nigrostrie: de la Subst. Noire vers le striatum du mme ct

Substance Noire : synthse de la dopamine

LA SYNAPSE DOPAMINERGIQUE DANS LE STRIATUM

Neurone prsynaptique
18F-L-DOPA

Tyrosine

Cellule gliale

L-Dopa
Dopamine
DAT
D2
123I-FP-CIT

D2

D1

D1

D2

Neurone post-synaptique

D2

Scintigraphie crbrale au 123I-FP-CIT

Caud
Putamen
Cortex
IRM crbrale

Scintigrahie crbrale
123I-FP-CIT

ou DATSCAN

Maladie de Parkinson

1% de la population de plus de 55 ans

2 millions de patients aux USA et Europe
Dbute en moyenne vers 55 ans, rare avant 40 ans
Dgnrescence dopaminergique nigro-striatale
Dficit en dopamine striatale
> 60%

MPI
Handicap moteur:
Akinsie
Hypertonie
Tremblement
Troubles cognitifs

MALADIE DE PARKINSON : Atteinte prsynaptique

Neurone prsynaptique

Tyrosine

Cellule gliale

L-Dopa
Dopamine
DAT
D2
123I-FP-CIT

D2

STRIATUM

D1

D1

D2

Neurone post-synaptique

D2

123I-FP-CIT

Examen normal

et Maladie de Parkinson

Maladie de Parkinson

Etude de la neurotransmission dopaminergique

prsynaptique (123I-FP-CIT) :
quand le diagnostic de
syndrome parkinsonien est incertain
Permet de faire la distinction entre patients parkinsoniens
prsentant une dgnrescence striato-nigre et dautres
formes de mouvements anormaux o il nexiste pas de perte
neuronale dopaminergique (ex: tremblement essentiel,
mdicaments )
Permet de faire un diagnostic diffrentiel entre maladie
corps de Lewy diffus et maladie dAlzheimer

Plan
La neurologie et limagerie crbrale
Limagerie crbrale en mdecine nuclaire
Quelques lments danatomie fonctionnelle
Application cliniques de la scintigraphie crbrale de
perfusion /mtabolisme
Syndromes dmentiels
Etude de la neurotransmission
Syndromes parkinsoniens
Quelques outils danalyse
Analyse par rgion dintrt
Analyse lchelle du voxel (SPM)

Analyse par rgions dintrt

Images TEP

IRM T1

ROI anatomiques 3D
dfinies sur IRM T1

Recalage du TEP sur IRM

Analyse par ROIs:

Extraction des valeurs
mesures dans les ROIs
transposes sur le TEP
recal sur lIRM

Analyse lchelle du voxel

Statistical Parametric Mapping
Principe :
Imagerie d'activation crbrale (IRMf, TEP, TEMP)
Normalisation spatiale (atlas de Talairach)
Hypothse statistique teste dans chaque voxel de limage
Comparaisons intra-sujet ou inter-groupes
Contrle des erreurs (corrections des comparaisons multiples)

Avantages par rapport aux ROIs :

Analyse entirement automatise
Sans hypothse de localisation priori

Statistical Parametric Mapping

Pr-traitement
ralignement, co-registration
normalisation spatiale
segmentation, lissage

Modle statistique & estimation

general linear model
= auto-corrlation temporelle
test-t, ANOVA, ANCOVA,
random effects analyses
multiple comparisons: Corrected pvalues from random field theory
plotting & results interrogation

Rsultats
dfinition du contraste (vecteur)

Outils
affichage, oprations math sur les
images, coordonnes Talairach,
rendu 2D ou 3D

52

normalisation spatiale

Template
dIRM

NORMALISATION SPATIALE

Image
initiale

Image place
dans lespace de
Talairach

SPM utilise des

transformations affines
(rotations, zoom, translations)
et non-linaires pour recaler
chaque image sur une image de
rfrence "template"
appartenant au rfrentiel du
MNI.
Ainsi:
Diffrentes images sont
compares lchelle du voxel
dans des analyses de groupes

Exemple
Comparaison de populations DFT et MA

40 patients ayant une maladie dAlzheimer (MA)

22 patients ayant une dmence fronto-temporale (DFT)
TEMP lECD (99mTc-thyl-cystinate-dimre)
54

Exemple 1
Affichage des rsultats

DFT < MA
Mise en vidence des
dfauts de perfusion
spcifiques de la DFT :
au niveau frontal
Seuil: FDR 0.05

55

Exemple 1
Affichage des
rsultats

MA < DFT
Mise en vidence des
dfauts de perfusion
spcifiques de la MA :
au niveau paritotemporal

Seuil: FDR 0.05

56

Modlisation de la Connectivit Anatomique Crbrale

par Tractographie Godsique

IRM de diffusion

IRM de diffusion

modle

d (x) = xT Dx

mesures

x 2 = 6Dt
anisotrope

isotrope

Tenseur de diffusion

e2

e1

2
x

D = i ei eTi

Tenseur de diffusion

Orientation
Indices scalaires

Tractographie

Tractographie conventionnelle

Mthodes de type streamline

e2

e1
x

' e1

Tractographie conventionnelle

Critres darrt

>45

Anisotropie faible

Problmes de la tractographie

Croisements de fibres perturbations locales

Problmes de la tractographie

Tractographie conventionnelle
Trajectoire dvie

Problmes de la tractographie

Mthodes rapides
Faciles implmenter
Faciles gnraliser la diffusion haute rsolution (HARD, Qball)

Perturbations locales
Ncessit de rgularisation
A priori sur les trajectoires
Slection de rgions dans la matire blanche

Tractographie probabiliste

Probabilit de dplacement

p ( xi xi +1 ) = f (D)

n
p( A B) =
N
B

= arg max p ( xi xi +1 )
A

Tractographie godsique

Tractographie godsique
Plus court chemin entre deux points
Gomtrie Euclidienne

= arg min

M = I

'T ( s )M ( ( s )) ' ( s )ds

B

Tractographie godsique
Plus court chemin entre deux points
Gomtrie Riemannienne

= arg min

M I

'T ( s )M ( ( s )) ' ( s )ds

B

Tractographie godsique
Plus court chemin entre deux points
Gomtrie Riemannienne

= arg min

M = D 1

'T ( s )M ( ( s )) ' ( s )ds

B

Tractographie godsique
Plus court chemin entre deux points
Gomtrie Riemannienne

= arg min

M = D 1

'T ( s )M ( ( s )) ' ( s )ds

D
A

B
C
A

Tractographie godsique
Plus court chemin entre deux points
Gomtrie Riemannienne

= arg min

M = D 1

'T ( s )M ( ( s )) ' ( s )ds

B
C

Tractographie godsique

u = min 'T ( s )D 1 ( ( s )) ' ( s ) ds

u Du = 1
T

Equation iconale
Fast marching Anisotrope

' Du
Rtropropagation
Descente de gradient

Tractographie godsique

Fast marching

Point selle

Un point source

Deux points sources

Tractographie godsique

Mthodes probabilistes

Mthode godsique

Calculs lents

Calculs rapides

Incertitude sur les connexions

Mthode dterministe

Tractographie godsique

Indice de connectivit

0
T
1

'
(
s
)
D
( ( s )) ' ( s ) ds

p( ) = exp

ds

Applications

Connexions cortico-corticales
Connexions cortico-sous corticales

Connexions cortico-corticales

Frontal
Limbique
Occipital
Parietal
Temporal

Matrice de connectivit anatomique

Connexions cortico-corticales

Mthode godsique

Mthode streamline

Conception pratique dun

protocole exprimental en
MEG/EEG

Antoine Ducorps
Centre MEG/EEG - Piti Salptrire

http://www.ccr.jussieu.fr/meg-center

Introduction
La magntoencphalographie (MEG) et llectroencphalographie (EEG) sont deux
techniques dinvestigation en neuroimagerie totalement non invasives, et offrant la
meilleure rsolution temporelle (la milliseconde) parmi toutes les techniques
disponibles, en mme temps quune bonne qualit de localisation spatiale dans certaines
conditions. Ces deux modes denregistrement du mme signal physiologique sont
complmentaires et peuvent tre pratiqus simultanment.
La MEG prsente sur lEEG lavantage pratique dune prparation minimum du sujet,
mais impose de nombreuses contraintes dues lextrme sensibilit de lappareil au
champ magntique, ncessaire pour enregistrer des signaux crbraux un milliard de
fois plus faibles que le champ magntique terrestre.
Ces contraintes ont de nombreuses implications sur le systme de stimulation utilis et
sa connexion au Magntoencphalographe.
Nous prsentons dans ce document une courte description de lappareil install la
Salptrire, et les modalits pratiques de la conception dun protocole exprimental au
Centre MEG de la Salptrire.

Description de lappareillage
Le magntoencphalographe
Le magntoencphalographe de la Salptrire est construit par la compagnie canadienne
CTF. Il comporte 151 canaux denregistrement rpartis autour de la tte, avec la
disposition visible sur la figure ci-dessous.
Le fonctionnement de ces capteurs ncessite de les maintenir la temprature de
lhlium liquide (-269 C), ils sont donc disposs lintrieur dun casque isolant
surmont dun rservoir de 100 litres dhlium. La tte du sujet vient se placer
lintrieur du casque, et il est donc trs important, pour la qualit de la localisation des
sources
a) de mesurer prcisment la position de la tte par rapport aux capteurs
b) de sassurer que la tte reste parfaitement immobile pendant lexprience, ce
qui est particulirement dlicat lors dexprimentations motrices ou avec des patients
atteints de troubles neurologiques.

Emplacement des capeurs MEG: le centre des bobines est reprsent sur un maillage fictif. autour de l a
tte dun sujet. Lespace libre autour de la tte du sujet est encore restreint par la double paroi isolant l e s
capteurs (-269 degrs!), mais il reste une libert de mouvement pouvant aller jusquau centimtre, selon
les sujets. On devine sur la segmentation de la peau du sujet, extraite de lIRM anatomique, les marqueurs
(oreille et nez) disposs lemplacement des bobines de reprage MEG aux fins de recalage.

La mesure de position de la tte est assure par 3 bobines de reprage fixes la tte du
sujet. En dbut et en fin dexprience, un faible courant alternatif est inject dans ces
bobines (isoles lectriquement du sujet), et provoque un champ magntique mesur

par les capteurs MEG. On peut alors calculer la position des 3 bobines et donc crer un
repre fixe li la tte du sujet.

Electroencphalographie simultane
Le systme CTF comporte un enregistreur EEG de 64 canaux sur lequel se branche un
casque EEG spcial amagntique de 70 lectrodes. Le raccordement du casque la
ttire permet de choisir 64 des 70 lectrodes en fonction des rgions dintrt de
lexprience.
On peut de plus enregistrer 8 canaux diffrentiels destins des lectrodes de contrle
EOG/EMG/ECG.

Signaux complmentaires
16 entres dnommes ADC (Analog to Digital Converter) permettent denregistrer un
signal continu quelconque en le convertissant en numrique la mme frquence
dchantillonnage que les signaux MEG/EEG. Par ailleurs, 32 entres digitales
dnommes Triggers permettent denregistrer un signal logique (tout ou rien, ou 0/1),
utilisable comme dclenchement de lacquisition ou comme marqueur dvnement.

Le systme dacquisition
Tous les signaux produits par lappareil sont enregistrs sous forme numrique
permettant leur visualisation et traitement directement par ordinateurs. Une machine
UNIX relie au magntoencphalographe permet cet enregistrement sur fichiers, une
frquence dchantillonnage pouvant aller jusqua 2500 Hz.
Les donnes enregistres sont tranfres en fin dexprience sur dautres machines
UNIX ou LINUX pour traitement et archivage.

Le systme de stimulation
Des sytmes de stimulation (visuelle, auditive, tactile) spcialement adapts ont d tre
dvelopps pour le magntoencphalographe. Un squenceur dvelopp au LENA
(PC/DOS) permet la prsentation de stimuli varis prcisment cals en temps, avec
lenvoi synchronis de marqueurs ou triggers vers lacquisition MEG.
Le stimulateur auditif consiste en metteurs pizolectriques relis aux oreilles du sujet
par des tubes acoustiques en plastique.
Les images sont prsentes au sujet sur un cran recevant par un jeu de miroirs la
lumire mise par des vidoprojecteurs disposs lextrieur de la chambre blinde.
Deux vidoprojecteurs coupls des polarisateurs de lumire permettent de prsenter
une image diffrente chaque oeil pour une vision en relief ou la ralisation de conflits
binoculaires.
La stimulation tactile est assure par de courtes impulsions lectriques conduites au sujet
par des cbles blinds.

Enfin des dtecteurs de mouvement fibre optique ainsi que des boutons rponse sont
disponibles.
Tout autre sytme de stimulation peut tre envisag avec le concours des ingnieurs de
la MEG pour respecter les fortes contraintes dinocuit lectromagntique.

Lanalyse
Lanalyse se pratique essentiellement sur le parc des machines UNIX/LINUX du Centre
MEG, mises la disposition des utilisateurs. Les logiciels fournis par le constructeur
permettent la visualisation, le marquage a posteriori et le tri des donnes brutes, ainsi
que leur moyennage et le calcul simplifi des znes actives (diples) ou des calculs
statistiques dactivation (SAM).

Larchivage
Les donnes brutes avant traitement sont archives sur CD-Rom quelques heures aprs
lacquisition. Lexprimentateur est ensuite responsable de larchivage des donnes
traites. Cependant une sauvegarde hebdomadaire des disques des machines de
traitement est assure.

Conception dun protocole

On distingue deux types denregistrements:
- le mode spontan, en enregistrement en continu: pilepsie intercritique,
phnomnes cognitifs spontans, ....
- le mode voqu, ou mode vnementiel (dclench): les potentiels/champs
magntiques sont voqus par une stimulation rptitive. Les enregistrements
sont synchroniss aux stimuli pour permettre par moyennage de faire merger la
rponse crbrale.
Trois aspects troitement interdpendants devront tre pris en compte ds le dpart:
- la stimulation: squence de stimuli envoys au sujet et reprables dans le temps
- lacquisition: enregistrement de la valeur du champ magntique en 151 points et du
potentiel lectrique en 64 points, milliseconde par milliseconde.
- lanalyse:
- moyennage et filtrage
- mesure des latences et amplitudes
- localisation des sources, recalage sur IRM anatomique.

Contraintes spcifiques la MEG:

- ncessit du moyennage pour les champs voqus: lactivit crbrale correspondant
une seule stimulation ne peut tre distingue de lactivit globale du cerveau, seule
laccumulation de stimulations identiques permettra de faire merger la rponse
spcifique parmi les autres activits qui sannuleront en moyenne. Un minimum de 50
vnements est en gnral ncessaire, plusieurs centaines pour certaines activits faibles
ou profondes.
Cet impratif, combin un grand nombre de conditions diffrentes devant tre
moyennes sparment, peut conduire des temps denregistrement importants: il faut
alors ne pas ngliger la rsistance du sujet...
- lattention du sujet et lamplitude de sa rponse crbrale peuvent tre notablement
amliores par le mlange alatoire des stimulations, ainsi que par un intervalle variable
alatoirement entre stimulations (ISI). Le mlange alatoire a par ailleurs lavantage
duniformiser les conditions dans lesquelles le sujet reoit les diffrents types de stimuli.
- par ailleurs il faut prendre garde que les stimulations ne soient pas alignes avec la
phase du secteur 50Hz. LISI ne doit donc pas tre un multiple de 20 millisecondes (mS)
, mais plutt par exemple dcal de 1mS par rapport un multiple (par exemple 201mS,
501mS, ...).
- limmobilit absolue de la tte est requise pendant lenregistrement, ainsi que le
replacement la mme position dun enregistrement lautre pour pouvoir les
moyenner ensemble.

- aucun appareil lectromagntique (vido, couteurs, ...) ne peut tre introduit dans la
chambre blinde. De manire gnrale, tout mtal en mouvement ou courant lectrique
suprieur 1 mA dans la chambre blinde peut provoquer dimportantes perturbations
des capteurs MEG, prohibitifs sils sont synchrones du phnomne crbral tudi
(motricit en particulier). Les appareils de stimulation, de mesure ou de maintien
doivent donc tre spcialement tudis.

Choix pralables importants:

- la frquence dchantillonnage: elle donne la limite suprieure des frquences
analysables. 625Hz donne une limite 100Hz gnralement suffisante. Un compromis
est trouver avec lencombrement des donnes pour larchivage et lanalyse,
directement proportionnel la frquence dchantillonnage pour un temps donn: un
enregistrement de 250 canaux (151 MEG + 29 rfrences + 64 EEG + qqs EMG/ADC)
2000Hz remplit 7,2 Gigaoctets par heure.
- la longueur des essais: limite infrieure des frquences basses analysables (~ 1Hz pour
1 seconde). La manipulation de ces essais par le logiciel donne une limite suprieure
pratique de 1 minute environ (fonction de la frquence dchantillonnage).
- le calage des essais par rapport la stimulation: il est important de prvoir une priode
de temps, en gnral prcdant la stimulation, o lactivit lie au stimulus prcdent a
disparu. Cette priode de repos servira dfinir la ligne de base, cest--dire que la
valeur moyenne du champ enregistr chaque capteur pendant cette priode servira de
rfrence pour le calcul de lamplitude des ondes dactivit. Il est pour cela recommand
de ne pas trop rduire lintervalle entre stimuli (ISI).
- Choix du nombre dessais dans une squence: la dure totale supportable par un sujet
moyen est de lordre de 10-12 minutes. Au-del, mouvements de tte et fatigue oculaire
risquent fort de dtriorer la qualit des donnes.
EEG simultane
- avantages:
- information mutuelle pour la localisation. En particulier les sources radiales sont
peu accessibles magntiquement.
- potentiels EEG plus familiers et mieux rpertoris dans la littrature
- inconvnients
- prparation du sujet plus longue (+ 1h30)
- bruit induit sur les capteurs MEG
- EEG perturbe par le contact des lectrodes avec le casque MEG

Enregistrement magntoencphalographique de la rponse une stimulation somesthsique. Les courbes

du bas repsentent la superposition des signaux enregistrs sur les 151 capteurs, dont la rpartition est
figure schmatiquement sur une tte. Lmergence trs nette des pics de rponse crbrale a t obtenue
par 400 rptitions du mme stimulus lectrique sur un doigt. Le temps zro repr sur le graphe (curseur
bleu pointill) est le moment denvoi de la stimulation. La priode enregistre avant la stimulation sert
de ligne de base: la valeur moyenne du champ sur chaque capteur pendant cette priode est considre
comme le niveau zro dactivit relative cette stimulation. Le curseur rouge plein repre le pic d e
rponse maximale 50 millisecondes aprs la stimulation, correspondant aux courbes de niveau dessines
sur la tte, avec une reprsentation colore des niveaux de champ magntique. Les taches rouge et bleue
correspondent la sortie et lentre dans le scalp dun champ magntique tournant autour dun d i p l e
de courant.

IRM structurale associe:

Elle permet:
le positionnement optimum de la sphre quivalente servant aux calculs de
localisation
le recalage anatomique des diples calculs
la modlisation raliste (segmentation peau/cortex/matire blanche)
les contraintes anatomiques pour les modles de sources distibues
Attention importance des reprages rciproques: marqueurs IRM/bobines MEG
De mme, lIRM doit tre passe aprs la MEG pour viter la magntisation du sujet.

Prparation de lexprience:
Stimulation du sujet
Il est possible dutiliser le logiciel dvelopp au LENA par Laurent Hugueville.
Les squences sont dcrites par un fichier texte comportant une ligne par vnement
(instant, dure, type de stimulus, marqueurs, paramtres)
Prvoir un intervalle inter stimulus (ISI) alatoire ainsi quun mlange alatoire des
stimuli.
Gnration des squences:
par diteur (Laurent Hugueville)
par programme volutif (lenaScript)
par tout moyen logiciel aisment mis en oeuvre par lexprimentateur
Tout systme de stimulation capable de produire des signaux logiques de
synchronisation/marquage peut facilement tre raccord llectronique dacquisition
MEG et aux appareils de stimulation dcrits ci-dessous. Il est en particulier trs
commode de gnrer des stimulations auditives en strophonie o lune des voies
comporte le signal acoustique et lautre le signal logique de synchronisation. Si le
systme fourni comporte galement une partie matrielle introduite dans la chambre
blinde, attention la compatibilit lectromagntique!
Les stimulateurs disponibles au Centre MEG:
La stimulation visuelle se fait par vidoprojecteurs et renvois optiques
- apprcier la taille et la luminosit rellement envoyes au sujet
- difficult de la synchronisation: le moment exact dapparition dune image est
difficile apprcier du fait de lutilisation de la vido qui dessine limage ligne par ligne.
Une matrice de diodes mesurant la luminosit instantane en 16 points de limage
permet une apprciation plus fine de lapparition du stimulus visuel, et peut tre
enregistre por produire des marqueurs lumire.
- possibilit de stro par images polarises sur deux vidoprojecteurs diffrents
Stimulation acoustique par vibreurs pizolectriques et tubes acoustiques
- bande passante limite (300Hz-3000Hz)
- niveau sonore non rglable individuellement par le programme LENA (
prvoir dans le fichier WAV).

Stimulation sensorielle lectrique, 8 voies. Stimulation pneumatique ltude.

Boutons rponse (1, 2 ou 3)
Dtecteur de mouvement (interception dun faisceau optique)
Ne pas oublier que 32 signaux logiques et 16 signaux analogiques peuvent tre
enregistrs par la MEG.
Les marqueurs
Trs importants prvoir, ils permettront le tri des enregistrements par type de
stimulus
Ces marqueurs sont dsigns par des lettres ABCD... dans les squences du systme
LENA et automatiquement transposs en marqueurs MEG (Tr17 TR32)

Lenregistrement
Prparation du sujet
Vrifier que la tte du sujet (ventuellement grossie du casque EEG) entre dans le
casque MEG!
Reprage:
le systme de coordonnes CTF (voir figure)
placement des bobines
reprage sur photo numrique
mesure du pourtour de la tte par Polhemus: nuage de points + bobines MEG
mesure de position des lectrodes EEG par Polhemus (+ bobines MEG)
dmagntisation des plombages et appareils dentaires (prfrer lIRM aprs la MEG)
Linstallation du casque EEG prend environ 1 heure, rajouter au temps
denregistrement pour apprcier lendurance demande au sujet.

Le systme de coordonnes utilis par CTF pour la localisation des activits crbrales est m a t r i a l i s
par 3 bobines (coils) fixes sur la tte du sujet et dont la position relative aux capteurs MEG est mesure
magntiquement au dbut et la fin de chaque squence. Le reprage de ces 3 points sur les images dIRM
anatomique permet le recalage des localisations calcules partir du champ magntique/lectrique sur
lanatomie crbrale du sujet.

Lacquisition
Rgler les paramtres de lenregistrement (longueur pre- et post-stimulus, frquence
dchantillonnage, filtres...
Limiter la dure dun enregistrement 12 minutes environ, au del limmobilit du sujet
nest pas garantie et la fatigue occulaire se fait sentir (stimulation visuelle ou simple
fixation)
Toute exprience ncessitant un mouvement du sujet (motricit ou simple rponse par
bouton) pose de gros problmes dimmobilit de la tte et des yeux.
Les systmes de contention peuvent causer inconfort et contractions musculaires.
Les enregistrements peuvent tre pratiqus en position assise ou couche.
Rappelons que la prsence dun mdecin est obligatoire si le sujet est un patient.

Rudiments pratiques pour lanalyse

Lanalyse est du ressort de lexprimentateur. Le Centre MEG met sa disposition les
moyens informatiques danalyse et son personnel participe llaboration de la
dmarche suivre sur quelques enregistrements types.
Lanalyse est la partie la plus longue et la plus difficile dune exprience.
Il est important de bien dfinir ce que lon veut mesurer: cela volue souvent beaucoup
au cours de lanalyse!
Cette analyse devra tre rpte de manire systmatique sur tous les sujets pour
pouvoir dgager des tendances statistiques cohrentes.
Les grandes tapes dune analyse sont numres ci-dessous:
Marquage/nettoyage
Rajout de marqueurs manuellement par DataEditor, par exemple:
- pointes pileptiques
- dmarrage dEMG (dtection du dbut de mouvement)
Classification des essais, en particulier essais liminer du moyennage parce que pollus
par des mouvements oculaires (DataEditor ).
Moyennage
Moyennage dune squence (DataSet) autour dun marqueur (Averager )
Grandes moyennes inter-squences et/ou inter-sujets (GrandAverager )
Filtrage

soustraction de la ligne de base

filtre passe-bas (limination des hautes frquences)
filtre passe-haut, limination de drives assimiles de basses frquences. Souvent
problmatique parce que dformant artificiellement le signal
Examen direct des signaux:
Cartographies MEG et EEG
Mesure des latences et amplitudes
Localisation des sources
DipoleFit : calcul de diples quivalents MEG sur modle sphrique lmentaire
SAM : calcul statistique dnergie, dans un volume lmentaire de lespace
- par bande de frquence
- pour une fentre temporelle choisie
- par contraste avec une condition repos
BrainStorm : bote outils MatLab -> voir Sylvain
Visualisation des rsultats:
MRIViewer : visualisation dIRM anatomique avec superposition de diples ou dimage
SAM.
megDraw : visualisation 3D, recalage et projection de divers types de donnes (MEG,
EEG, diples, SAM) sur IRM 2D ou segmente.
Anatomist: visualisation 3D (SHFJ) et segmentation dimages IRM

Reprsentation de donnes par megDraw: des probabilits dactivation calcules par SAM aux environs
du pic dactivit sont projetes sur une segmentation du cortex extraite de lIRM anatomique du sujet. Les
courbes temporelles du champ magntique sont reprsentes superposes dans la partie infrieure de l a
figure.

Annexes
Glossaire
Principales commandes logicielles
LenaScript

Glossaire
Le jargon CTF
Channel:
un capteur MEG ou EEG avec son lectronique, ou la reprsentation de son dcours
temporel dans les logiciels de visualisation.
Trigger:
dclenchement pour les enregistrements par morceaux: gnralement lapparition
dun stimulus. Gnre galement un marqueur dans lenregistrement.
Trial (essai ):
morceau denregistrement autour dun stimulus (paramtrable avant et aprs)
Marker:
marquage autre que le trigger (type de stimulus, bouton rponse, etc...). Ces marqueurs
peuvent venir du programme de stimulation ou dentres numriques directes sur
larmoire dlectronique.
DataSet
unit denregistrement encadre par deux reprages de la position de la tte du sujet et
correspondant une squence de stimuli.
Stock informatiquement dans un rpertoire (dossier) de nom *.ds comportant:
- les donnes brutes (.meg4)
- la description de ces donnes (.res4): nb de capteurs, dure et frquence
denregistrement,...
- la position de la tte
- les marqueurs dvnements
- les paramtres de filtrage pour la visualisation et les calculs

Le jargon MEG
Enregistrement
Ensemble de squences enregistres conscutivement et constituant les donnes relatives
un sujet.
Les donnes correspondant une squence sont contenues dans un DataSet, et
comprennent en gnral un essai (trial) par stimulus.
Diple
Lactivit dune colonne de neurones excits simultanment peut tre reprsente par la
notion de diple de courant, par analogie avec les diples lectrostatiques (deux charges
lectriques opposes spares par une certaine distance) et les diples magntiques (un
ple nord et un ple sud). Le diple de courant correspond la circulation dun
courant entre une source et un drain. Un diple est caractris par son moment (produit
de lintensit par la distance sparant la source du drain), exprim en nanoAmpres x
mtres (nAm) et par son orientation dans lespace. Le calcul du champ magntique

produit par un tel diple dispos lintrieur dune sphre conductrice sexprime
analytiquement.
Frquence dchantillonnage
Les champs magntiques ou lectriques produits par le cerveau varient bien sr
continuement dans le temps, mais leur traitement informatique ncessite de traduire en
nombres leur valeur instantane, mesure intervalles rguliers. Cest la technique
dchantillonnage, caractrise par sa prcision (rapport entre la plus petite mesure,
correspondant une variation en nombre de 1, et la valeur moyenne du signal mesur),
sa dynamique (rapport entre la plus grande et la plus petite mesure possible) et sa
frquence (nombre de mesures par seconde). La frquence fixe la vitesse de variation
que lon pourra observer: une onde crbrale durant 100 millisecondes pourra
difficilement tre observe avec une mesure par seconde!
Squence
unit dacquisition, encadre par deux reprages de la position de la tte du sujet, et
correspondant une squence de stimuli.
Les donnes correspondant une squence sont contenues dans un DataSet, et
comprennent en gnral un essai (trial) par stimulus.
SQUID
Superconducting Quantum Interference Device: capteur magntique ultrasensible
travaillant au voisinage du zro absolu (-269 degrs) et capable de mesurer des champs
magntiques de lordre de 10-15 Tesla. La MEG est quipe de 180 SQUIDs.
Sujet
Elment dhumanit considr comme objet (dtude). Le sujet parfait possde une tte
sphrique laquelle les yeux sont fixs rigidement, a acquis une immobilit parfaite par
la pratique de la mditation, montre un intrt passionn pour les bip bip et les formes
colores montres sur un cran et une totale indiffrence au reste. Il peut rester des
heures sans boire, manger ni uriner, en gardant une vigilance maximale. Il sera dcrit
comme typique dans les publications.
Tesla
Unit de champ magntique. En MEG on utilise plutt les sous-multiples picoTesla (pT,
10-12 T) et femtoTesla (fT, 10-15 T).

Principales commandes logicielles

On distingue deux types de commandes, selon que le programme correspondant
prsente un interface interactive ou non. Les deux types de programme sont lancs en
tapant le nom de la commande partir dune fentre terminal UNIX/LINUX. Les
programmes non interactifs sont appels avec des arguments taps sur la mme ligne et
permettant de prciser leur mode daction.
Le nom des commandes CTF est en gnral compos de plusieurs mots anglais accols
et commenant chacun par une majuscule (PlotTool, DataEditor, ...). Le premier mot
dune commande non interactive ne comporte pas de majuscule (averageDs,
makeTriggers, ...).

Les programmes interactifs

DataEditor : visualisation, slection, marquage, dition interactive.
PlotTool : visualisation de courbes et cartographies multi-sujets
Averager : moyennage dune squence
GrandAverager : moyennage de plusieurs squences (grandes moyennes intra ou intersujets)
DipoleFit : calcul de diples quivalents MEG sur modle sphrique lmentaire
SAMMenu : paramtrage de SAM pour le calcul statistique dnergie par bande de
frquence dans une fentre temporelle
MRIViewer : visualisation dIRM anatomique avec superposition de diples ou image
SAM
megDraw: visualisation 3D et recalage de divers types de donnes:
nuages de points ou maillages
cartographie 3D: MEG - EEG - Densit de courant
diples
images volumtriques SAM
IRM anatomique classique (2D) ou segmente (3D).

Les commandes ligne

Nous listons les principales, avec une indication de leur action. On peut obtenir un mode
demploi plus dtaill en tapant le nom de la commande sans argument.
addMarker: ajout de marqueurs daprs la piste technique
addTrialClass: classification dessais daprs la piste technique
averageDs: moyennage dune squence (plus complet que Averager)
changeeeginfo: changement des noms et positions EEG
dataHandler: manipulations de donnes CTF non disponibles en standard:
- extraction de donnes en ASCII
- modification des positions EEG
- nettoyage dartefacts
- concatnation de datasets
ds2asc: conversion de datasets en fichiers texte au format matlab
ds2pot: conversion de datasets en fichiers texte

ds2txt: conversion de datasets en fichiers texte (variante)

dshead: impression des principales caractristiques dun dataset
dsinfo: impression des principales caractristiques dun dataset (variante)
makeTriggers: reconstitution des marqueurs dacquisition dun dataset
newDs: cration dun dataset sous-ensemble dun autre
newSingleTrialDs: concatne tous les essais dun dataset en un seul
rmspowerDs: cre un nouveau dataset avec un filtre RMS
showTriggers: affichage en clair de la piste technique
subtractDs: soustrait un ou plusieurs dataset, canal par canal
sumDs: somme un ou plusieurs dataset, canal par canal
scanMarkers: examine et liste des combinaisons de marqueurs
sensorPos: affiche les positions des capteurs
templateDetect: dtection de corrlations avec un modle (template)
thresholdDetect: dtection de seuil sur un ou plusieurs capteurs

LenaScript
Un programme de gnration de squences
pour le stimulateur EEG/MEG du LENA
Introduction
Le programme lenaScript a t crit loccasion de deux expriences MEG ncessitant des squences
relativement longues et des stimuli et/ou des intervalles choisis alatoirement.
Cest un programme trs simple, non interactif, crit en C et compil sous Unix et PC/DOS.
Il est loin dtre universel mais peut voluer facilement loccasion de nouveaux protocoles
dexprience, et devrait pouvoir tre utilis en dehors du contexte de la MEG.
Son intrt est fortement diminu depuis les dveloppements importants de lditeur de squences
interactif du LENA, mais le prsent document peut permettre de mieux comprendre les diffrents
paramtres de llaboration dune squence de stimulation.

Rappels sur le stimulateur

Le stimulateur du LENA permet de gnrer des temps prcis des stimulations auditives ou visuelles,
et un certain nombre de signaux logiques permettant de piloter des appareils extrieurs et, dans le cas de
la MEG, de communiquer avec le systme dacquisition pour le dclenchement et le marquage.
Lorsque le systme de stimulation est utilis avec la MEG, les 16 sorties logiques programmables sont
connectes aux entres logiques de linterface priphrique (PIU, Peripheral Interface Unit), pour
devenir les 16 bits de poids fort du canal de stimulation STIM. Ces bits sont appels Tr17 Tr32 dans l a
notation CTF.
Les 10 sorties appeles timer sont directement programmes partir dune horloge lectronique et
permettent de gnrer des impulsions trs courtes et prcises. Ces sorties sont numrotes de 1 a 10, mais
les sorties 1 et 2 sont rservs au fonctionnement interne du stimulateur. Nous avons renumrot les sorties
disponibles de 0 7.
Le stimulateur travaille partir dun fichier de description comportant essentiellement la liste des
stimuli employs dune part (rubrique [STIMULI]) et leur squencement temporel (rubrique
[SEQUENCE]). Cest ce fichier que le programme lenaScript permet de gnrer.
Dans la rubrique [SEQUENCE], chaque vnement dclench par le stimulateur est dcrit par une
ligne de 9 paramtres dont nous rappelons brivement la signification (voir la documentation de Laurent
Hugueville pour plus de dtails):
Temps:
Dbut/Fin:
Catgorie:
Numro Stimulus:
Marqueur:
Condition:
Var1, Var2, Var3

temps de dclenchement de lvnement en millisecondes

allumage et extinction pour les dispositifs deux tats
signal, son, image,...
numro dans la liste (fichier image ou son)
lettre enregistre sur la piste technique ou code vers la MEG
variables supplmentaires de description des stimuli

Mode demploi
La ligne de commande invoque le programme en lui spcifiant le nom du fichier produire, prcd ou
suivi des options de gnration (dans un ordre quelconque):
lenaScript [options] sciptfile
-blocs <nombre>
nombre de blocs produire
-depart <n>
temps de dpart (mSec)
-seq <intervalle>
squencement rgulier (mSec)
-seq RAND <min> <max>
sq. alatoire entre min et max (mSec)
-seq SEQ <n> <t1...tn>
squencement a n intervalles cycliques (mSec)
-seq ODD <int> <rep> <delta> <p> <n1> <n2> squencement cyclique de rep intervalles
delta: modification de l'intervalle en %
alaroirement +delta ou -delta
p: probabilit d' un intervalle modifi
entre n1 et n2 du cycle
-seq ALT <int> <rep> <delta> <pause>
squencement rythmes alterns
modifi de + ou - delta avec p = 50%
-pulse <numro> <retard> <dure>
pulse timer(0-7) (temps en 1/10 mSec)
-pulse RAND <nombre> <retard> <dure>
pulse timer(0-7), numro alatoire
-pulse SEQ <nb> <prem> <rep> <ret.> <dure> pulse timer(0-7), numro squentiel
-son <dure> <numro n> <oreille>
son (-n -> 1 n), oreille = 1,2,3,4 (D,G,DG,alt)
-image <numro n> <X> <Y>
image (de 1 -n si n ngatif)
X, Y: coordonnes centre image
-image RAND <n> <r> <d> <s> <c> <X> <Y>
images alatoires, n images diffrentes
r: nombre de rptitions de chaque image
si r ngatif tirage dans 1 squence
d: distance minimum entre 2 rptitions de la
mme image
s: suites non alatoires pour chaque image
c: temps de chargement (mSec) images
(extinction spot si positif)
-repos <dure> <n>
repos (mSec) aprs n stimuli
dure < 0 -> nb de blocs sans stimuli
-mrk
utilise les marqueurs pour la synchro
-sync <dure>
dure pulse synchro MEG (mSec)
-stimdir <directory>
directory contenant les stimuli
-r
remplace fichier de sortie si existant
-auteur <texte>
rubrique [PROPRIETES]
-protocole <texte>
rubrique [PROPRIETES]
-comment <texte>
rubrique [PROPRIETES]
-debug
mode debug
-h
mode d'emploi en ligne

Description des options

- blocs
Un bloc est un groupe de lignes correspondant un temps donn, et comprenant au moins un stimulus et
lenvoi des signaux de synchronisation. Le nombre de blocs est calcul automatiquement pour certaines
options.

- depart
dcalage du temps de dpart de la squence, par dfaut la squence commence au temps 0.
- seq
Squencement du temps, selon 5 modes: rgulier, alatoire, squenc, modifi, altern.
Squencement rgulier: on prcise un intervalle fixe entre stimuli. La dure de la squence est gale au
produit de lintervalle par le nombre de blocs.
Squencement alatoire (RAND): lintervalle entre 2 blocs est tir alatoirement entre les deux
valeurs min et max donnes en millisecondes.
Squencement intervalles cycliques (SEQ): on donne une liste de n valeurs dintervalles qui sera
rpte cycliquement.
Squencement intervalles modifis (ODD): squencement rgulier intervalles <int> regroups en
cycles de <rep> intervalles. Entre les index n1 et n2 du cycle (donc n1 et n2 tous deux compris entre 0 et
<rep>), un intervalle choisi alatoirement sera modifi de + ou - delta % (quiprobables) et avec une
probabilit de modification <p> (exprime en pourcentage de 0 100).
Squencement intervalles alterns (ALT): des cycles de <rep> intervalles de valeur <int> sont
alterns avec des cycles de la mme quantit dintervalles de valeur <int> + ou - delta %
(equiprobables), alatoirement dans les proportions suivantes: 1/3 dintervalles non modifis, 1/3
modifis de + delta %, 1/3 modifis de - delta %.
- pulse
Commande des sorties de la carte timer permettant de produire des impulsions TTL calibres en
temps par une horloge lectronique et non par logiciel (donc plus courtes et plus prcises).
8 sorties sont possibles et peuvent tre programmes individuellement, squentiellement (SEQ) ou
alatoirement (RAND).
Dans le cas squentiel (SEQ) le paramtre <prem> indique le numro du premier pulse sortir, et
<rep> indique le nombre de rptitions dun pulse avant de passer au suivant. Ceci a permis de gnrer
des squences de stimulation somesthsique des doigts de la main pour lIRMf, en vitant de commencer
systmatiquement par le premier doigt.
Dans tous les cas les paramtres retard et dure sont ceux des 8 signaux logiques en sortie de la carte
timer, ajustables au 1/10 de milliseconde. Le retard minimum est de 3 (soit 0,3 millisecondes).
Le numro de la sortie slectionne est galement cod sur les sorties digitales envoyes
lacquisition MEG, de la faon suivante:
Le bit 0 (Tr17) est prsent chaque impulsion pour tre utilis comme signal de dclenchement.
La sortie 0 (timer 3) est rplique sur Tr18
La sortie 1 (timer 4) est rplique sur Tr19
...
La sortie 7 (timer 10) est rplique sur Tr25
- son
Cest pour linstant loption la moins dveloppe du programme, elle permet seulement de jouer une
liste de sons de manire squentielle.
Le premier paramtre est la dure du son en millisecondes, qui doit tre suprieure ou gale la dure
relle du son enregistr dans le fichier.
Le deuxime paramtre donne le numro du son (cest dire le numro du fichier son dans la rubrique
[STIMULI]), ou, sil est ngatif, le nombre de sons utiliss squentiellement.

Le troisime paramtre concerne la slection des oreilles stimules:

1 -> oreille droite
2 -> oreille gauche
3 -> les deux oreilles
4 -> oreilles alternes chaque son
Le numro du son slectionn est cod sur les bits 1 12 (Tr17 Tr28) des sorties logiques, le bit 0 (Tr17)
tant toujours prsent pour le dclenchement.
- image
Dans le mode le plus simple, une srie dimages est montre sur lcran vido du PC, dupliqu sur
lcran cristaux liquides (LCD) seul autoris dans lenceinte de la chambre blinde de la MEG. La liste
des images est gnre automatiquement dans la rubrique [STIMULI], sous la forme
1=stimdir\im1
.....
<n>=stimdir\im<n>
Les 3 derniers paramtres, dure, X et Y sont communs au mode squentiel et au mode alatoire.
La dure sexprime en millisecondes et peut trz positive ou ngative. Si elle est positive, elle est
alors relative au dbut du bloc et provoque une extinction du spot (et donc disparition instantane de
limage). Si elle est ngative, elle est alors relative au dbut du bloc suivant et exprime en fait un temps
de chargement de l image suivante. Le logiciel de stimulation est ainsi fait que si le prochain stimulus
prsenter est une image, celle-ci est charge dans la mmoire vido ds que le stimulus prcdent est
termin. Le temps de chargement est variable en fonction de la taille de limage et du processeur utilis
(typiquement xx millisecondes sur un processeur yy pour une image de 640 par 480 pixels). Une dure
ngative -d assure le dbut du chargement <d> millisecondes avant le temps fix pour la prsentation
suivante(qui est galement le temps du top envoy lacquisition MEG). Ce chargement se fera alors
spot allum, ce qui permet dviter les forts contrastes de luminosit, mais est moins prcis en termes de
synchronisation.
Les paramtres X et Y sont les coordonnes du centre de limage (normalement 320 et 240 pour une
rsolution de 640 par 480).
Le mode alatoire (RAND) a t spcialement dvelopp pour une exprience de mmoire
visuelle(voir exemple 2 ci-dessous) et permet des squences assez complexes, contrles par 7 paramtres,
les 3 derniers tant comme ci-dessus la dure et les coordonnes du centre de limage:
- premier paramtre: <n>, nombre dimages diffrentes qui participeront au tirage.
- deuxime paramtre: <r>, nombre de rptitions de la liste des <n> images ci-dessus. Si <r> est
positif, limage prsente est tire au hasard dans une liste de <r>x<n> images, ce qui permet dassurer
que chacune des images sera prsente exactement <r> fois. Si <r> est ngatif, les <n> images sont toutes
prsentes, dans un ordre diffrent, au cours de chaque rptition. Autrement dit la squence comporte
<r> permutations de <n> images.
- troisime paramtre: <d>, distance minimum entre 2 rptitions de la mme image. Ce nombre doit
videmment tre infrieur au nombre dimages diffrentes.
- quatrime paramtre: <s> suites non alatoires pour chaque image: ce que nous avons appel image
jusquici peut en fait tre un stimulus visuel compos de plusieurs images lies entre elles. dans ce cas,
chaque stimulus tir au hasard comportera une suite dterministe de <s> images. La liste dimages dans
la rubrique [STIMULI] aura alors la forme suivante, ici pour <s>=3:
1=stimdir\im1s1

2=stimdir\im1s2
3=stimdir\im1s3
4=stimdir\im2s1
5=stimdir\im2s2
6=stimdir\im2s3
.....
3<n>+1=stimdir\im<n>s1
3<n>+2=stimdir\im<n>s2
3<n>+3=stimdir\im<n>s3
- Codage des sorties TTL vers la MEG: le bit 0 (Tr17) est envoy chaque image, et le numro de
limage est cod sur les bits suivants. Dans le cas o <s> est non nul mais infrieur 5, on rserve un bit
par image dans la squence de longueur <s>, et le numro de la squence de <s> images est cod dans les
bits suivants (voir exemple 2).
- repos
Permet dintroduire une pause intervalles rguliers dans une squence. Les paramtres sont la dure
en millisecondes et lintervalle entre repos, compt en blocs.
Si la dure est ngative, elle exprime un nombre de blocs o les synchros sont envoyes mais pas les
stimuli( repos avec acquisition).
- mrk
Utilise les marqueurs (A,B,...) dans le 5me champ de la commande pour lenvoi de synchronisation
vers la MEG. Le marqueur A correspond au trigger MEG TR17, B TR18, etc...
- sync
Le paramtre dure donne celle des 16 signaux logiques en sortie de la carte digitale, connecte
llectronique dacquisition dans le cas de la MEG. Ignore si loption mrk est active, car la dure des
syncros est alors fixe par le programme de stimulation.
- stimdir
Chemin complet (syntaxe DOS) du rpertoire o sont rangs les fichiers de stimulation (sons ou
images) utiliss dans la squence.
-r
Option de remplacement.Une fichier de squence dj existant ne pourra tre surcrit que si cette
option est prsente.
- auteur
Texte libre enregistr dans la rubrique [PROPRIETES]. Par dfaut, lauteur est lenaScript.
- protocole
Texte libre enregistr dans la rubrique [PROPRIETES]. Champ vide par dfaut.
- comment
Texte libre enregistr dans la rubrique [PROPRIETES]. Par dfaut, le commentaire est la ligne de
commande complte ayant servi crer le fichier, ce qui permet de le recrer facilement avec de lgres
modifications.
- debug
Utilis essentiellement pour la mise au point du programme, imprime un certain nombre
dinformations lors de llaboration de la squence.

Exemples

Exemple 1:
Pour une exprience de somesthsie, on veut stimuler lectriquement les 5 doigts dune main, en
utilisant un gnrateur dimpulsions sensibles, pilot par des impulsions logiques dune largeur de 1
millisecondes.
Les doigts doivent tre stimuls individuellement, 300 fois chacun environ, en une squence alatoire
et des intervalles de temps eux-mmes alatoires entre 350 et 450 millisecondes.
La commande suivante est utilise pour gnrer un fichier som.seq:
lenaScript -blocs 1500 -depart 1000 -sync 200 -seq RAND 350 450 -pulse RAND 5 3 10 som.seq
Le premier bloc est gnr 1 seconde aprs le lancement du programme (ou aprs le top acquisition en
utilisation EEG), et chacun des 1500 blocs des impulsions de largeur 200 millisecondes sont envoyes sur
les sorties TTL (vers les entres Tr17 Tr22 de la MEG).
La dure de lintervalle entre blocs est tire alatoirement entr 350 et 450 millisecondes.
A chaque bloc, une impulsion dune milliseconde est envoye sur une des 5 sorties timer tire au
hasard, en direction dun des 5 doigts du sujet.
Exemple 2:
Pour une exprience de mmoire visuelle, on veut prsenter 20 stimuli diffrents, chaque stimulus
comportant 4 images: fixation, question, rponse, repos. Limage de fixation doit tre prsente pendant
1,5 secondes, la question 3 secondes, la rponse 1 seconde et le repos 1,5 seconde. 15 tirages indpendants
de ces 20 stimuli doivent tre produits. Enfin une pause de 10 secondes doit tre respecte entre chaque
tirage.
La commande suivante est utilise pour gnrer un fichier visuel.seq:
lenaScript 1500 -depart 1000 -sync 200 -seq SEQ 4 1500 3000 1000 -repos 10000 80 -image RAND 20 -15
1 4 -200 150 100 visuel.seq
Ici le nombre de blocs na pas tre prcis, il est gal au produit du nombre de stimuli (20) par l e
nombre dimages dans un stimulus (4) et par le nombre de rptitions demandes (15), soit 1200 blocs.
Un repos de 10000 millisecondes est introduit tous les 80 blocs (20 stimuli de 4 images).
Chacune des 15 rptitions prsente la totalit des 20 stimuli, dans un ordre diffrent chaque fois.
Le paramtre de distance minimale entre rptitions de la mme image na videmment pas de sens.
Le temps de chargement de chaque image a t (sur)valu 200 millisecondes, il se fait spot allum
pour viter lartefact dallumage de lcran sur les capteurs MEG.
Le centre de limage est 150,100, ce qui correspond au centre de lcran en rsolution 300 par 200
(utilise pour diminuer les temps de chargement).
Enfin voici la signification des bits de synchronisation/marquage envoys vers lacquisition MEG sous
forme dimpulsions de 200 millisecondes:
Bit
Tr17
Tr18
Tr19
Tr20
Tr21
Tr22
Tr23
Tr24
Tr25
Tr26
Tr27

Signification
Synchronisation prsente chaque image
Prsentation de limage fixation
Prsentation de limage question
Prsentation de limage rponse
Prsentation de limage repos
Codage du numro de squence image (de 0 19, soit 5 bits)
Codage du numro de squence image (de 0 19, soit 5 bits)
Codage du numro de squence image (de 0 19, soit 5 bits)
Codage du numro de squence image (de 0 19, soit 5 bits)
Codage du numro de squence image (de 0 19, soit 5 bits)
Bouton rponse 1 (*)

Tr28
Tr29
Tr30
Tr31
Tr32

Bouton rponse 2 (#)

Inutilis
Inutilis
Inutilis
Inutilis

Remerciements
Merci Matthieu Herbette qui a ralis linterconnexion lectronique entre le systme LENA et l a
MEG, Laurent Hugueville pour sa patience nous expliquer les subtilits du stimulateur quil a mis au
point, et Yoshio Okada pour ses innombrables suggestions, et aux utilisateurs pour leur tolrance aux
bugs.

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Bases physiologiques et
physiques
de la MEG et de l EEG
Line Garnero
Laboratoire de Neurosciences Cognitives & Imagerie Crbrale
CNRS UPR640
Centre de Magntoencphalographie

Lundi 22 Septembre 2003

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

Electroencphalographie (EEG) et Magntoencphalographie (MEG)

Mesurent l activit lectrique neuronale
Imagerie non invasive
Rsolution temporelle ~1ms

EEG : mesure du Potentiel lectrique.

Ordre de grandeur : quelques microvolts
Capteurs : lectrodes
Appareillage trs rpandu
1er EEG : 1929 Hans Berger

MEG : mesure du champ magntique.

Ordre de grandeur : 10-13 tesla
Capteurs : SQUID coupls des bobines
Appareillage trs coteux
1er MEG : 1968 Cohen - MIT

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

POTENTIELS NEURONAUX
EPSP

Na+

Potentiel Postsynaptique

Q
+

Diple de courant microscopique

Q = I x d = 20 fAm
Dure 10ms

Potentiel d action
2 courants opposs :
front de polarisation + dpolarisation
Dure 1ms
Quadruple : Dcroissance en 1/r3
+ contribution des cellules gliales

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Courants macroscopiques
Diple
radial (gyrus)

Diple de courant
Macrocolonne corticale
105 106 neurones
Q =I x d ~10 100 nAm

Diple
tangentiel (sillon)

Diples sur la surface

corticale

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

COURANTS MACROSCOPIQUES
Sommation des activits simultanes d un grand nombre de neurones

Noyaux

Cortex
Cellules pyramidales

Boucles fermes
Pas de courant
macroscopique

Boucles ouvertes
courant
macroscopique

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Polarit du diple

Diple sortant

Diple entrant

Diple sortant

Diple nul

Difficile de relier inhibition et excitation au signe du diple

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Courants secondaires ou de conduction

Formation MEG/EEG/IRMf - 2003

CHAMP ELECTRIQUE

LENA - UPR 640 CNRS

CHAMP MAGNETIQUE

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

SENSIBILITE AUX DIFFERENTES SOURCES DE COURANT

MEG : essentiellement courants primaires

EEG : courants de conduction sur le scalp

Formation MEG/EEG/IRMf - 2003

INSTRUMENTATION EEG
1er EEG : Hans Berger 1929
- sur patient trpan

Systme 10- 20

Systme 64 128 lectrodes

casque d lectrodes
Rfrence unique : montage unipolaire
DDP entre couples d lectrodes :
montage bipolaire

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

INSTRUMENTATION MEG
Ordre de grandeur des champs magntiques crbraux

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

INSTRUMENTATION MEG
1er MEG : Cohen -MIT 1968
- avec de nombreux bobinages
1972 : apparition des squids
Capteur magntique Supraconducteur 4K
(refroidi l hlium liquide)
1980 : Systmes 7 37 capteurs
couverture partielle de la tte
1990 : Systme casque intgral, ~150 capteurs
Enregistrement MEG + EEG simultan

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

INSTRUMENTATION MEG
Principe de la mesure en MEG

Dtection :
bobines rceptrices de flux
+
transformateurs de flux : squids
SQUIDS : dispositif supra Basse T
(refroidi l hlium liquide)

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

ELECTRONIQUE SQUID

Sortie Electronique

SQUID

Bobine

Helium liquide

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

DISPOSITIF SQUID
Alliages de Pb et Nb

Superconducting Quantum Interference

Device

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

INSTRUMENTATION MEG - Les bobines

magntomtre

rv
B.n

gradiomtre
du 1er ordre

rr
B.n
z

gradiomtre
planaire

rr
B.n
x

gradiomtre
du 2nd ordre

2r

r
B.n
x 2

gradiomtre
du 3me ordre

3r

r
B.n
x 3

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

INSTRUMENTATION MEG
Casque

Gradiomtres
+
squids

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

INSTRUMENTATION MEG - Correction

Gradient d ordre suprieur avec capteurs de rfrence

Chambre blinde : parois de mu-mtal

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

INSTRUMENTATION MEG - Le Systme

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

RECALAGE MEG/IRM : Position de la tte

Systme de mesure de la position de la tte par rapport au casque

3 bobines : Nasion
oreille gauche
oreille droite

Mesure de B cr par les courants

injects dans les bobines puis
localisation

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

RECALAGE MEG/IRM : Position de la tte

Pose de marqueurs visibles l IRM l emplacement des bobines
Nasion

Oreille gauche

Changement de repre bas sur ces 3 points

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

RECALAGE EEG/IRM : Numrisation

Numrisation avec un capteur magntique 3D
- de la position des lectrodes
- du contour de la peau (nuage de points)

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

RECALAGE EEG/IRM
Recalage par minimisation de la distance entre les points numriss
la surface de la peau extraite de l IRM

AVANT

APRES

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

LES REPONSES DE LA MEG ET DE L EEG

Donnes spatiotemporelles
MEG

EEG

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

REPONSE SIMULTANEE MEG ET EEG

MEG

EEG

Rponse auditive 100 millisecondes aprs l arrive du son

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

LES REPONSES TOPOGRAPHIQUES

EEG

MEG

Potentiel < 0

Champ< 0

Champ>0

Potentiel > 0

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

LES DIFFERENCES DE PROPAGATION

MEG

EEG

Cortex

Face externe de l os

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

REPONSES AUX DIFFERENTES ORIENTATIONS DES SOURCES

MEG

Tangentielle
Sillons

Radiale
Gyrus

EEG

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

REPONSES AUX DIFFERENTES ORIENTATIONS DES SOURCES

MEG

EEG

Tangentielle
Sillons

Radiale
Gyrus
1/10

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

REPONSES AUX DIFFERENTES PROFONDEURS DES SOURCES

MEG

EEG

Superficielle
Cortex externe
1

1/100

1/3

Profonde
Cortex interne

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

DIFFERENCES ENTRE MEG ET EEG : RECAPITULATIF

MEG

Mesure le champ magntique

Rponse dipolaire perpendiculaire
la direction du diple
Rponse focale
Peu affect par tissus crbraux
Slectif pour sources tangentielles
Peu sensible aux sources
profondes
Appareillage coteux

EEG

Mesure le potentiel lectrique

Rponse dipolaire parallle la
direction du diple
Rponse diffuse
Trs affect par les tissus
sensible toutes orientations
sensible aux sources profondes
Appareillage moins cher

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

Activit spontane
Les artefacts (oculaires, cardiaques..)
Les diffrents rythmes

(boucles thalamo-corticales)

- alpha : 8 - 13 Hz (occipital)
- mu : 7 - 11 Hz (mouvement)
- beta : 18 - 30 Hz (moteur)
- gamma : 30 - 50 Hz
- delta : 0.5 - 4 Hz (sommeil)

Les signaux pileptiques

- pointes intercritiques
- EEG ictal (crise)

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Potentiels voqus
Moyennage synchronis 1 stimulus (Dawson 1937)

P100

Les diffrentes rponses (latence et amplitude)

Nomenclature :
- Nxxx : onde EEG ngative pointant xxx ms
- Pxxx : onde EEG positive
- Mxxx : onde MEG ..pointant xxx ms

N145

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Influence du nombre d essais

1 essai

10 essais

50 essais

Formation MEG/EEG/IRMf - 2003

LENA - UPR 640 CNRS

Influence du nombre d essais

100 essais

400 essais

1600 essais

LENA - UPR 640 CNRS

Formation MEG/EEG/IRMf - 2003

Imagerie MEG (EEG) : localisation

Reconstruire dans le temps et l espace les sources neuronales
l origine des signaux MEG (EEG) mesurs en surface
O ?

Quand ?
Problme direct

Problme Inverse

/ gomtrie complexe

/ peu de donnes
/ solution non unique
/ instabilit au bruit

du milieu de conduction

Le recalage dimages
Caroline Petitjean
Master 1 Sciences Mdicales et Pharmaceutiques
UE 15 Traitement et Analyse dImages Mdicales

22 mars 2012

Prsentation
Caroline Petitjean, Matre de Confrences
lUFR des Sciences et Techniques
Recherche en segmentation, recalage, et
classification dimages mdicales (IRM)
Thse de sciences (2003) : Recalage
non-rigide par approche variationnelle
statistique. Application lestimation de
la fonction myocardique en IRM

Recalage
Dfinition

Consiste trouver une transformation

spatiale permettant daligner une image
(source ou flottante) sur une autre (cible ou
rfrence).

Image registration
Image matching

Recalage
Dfinition

Consiste trouver une transformation

spatiale permettant daligner une image
(source ou flottante) sur une autre (cible ou
rfrence).
Recalage monomodal ou multimodal

Recalage
Dfinition

Consiste trouver une transformation

spatiale permettant daligner une image
(source ou flottante) sur une autre (cible ou
rfrence).
Recalage intra- ou inter-sujets

Objectifs du cours
Diffrencier recalage et fusion dimages
Connatre la notion de primitive permettant le
recalage des images (pixel, voxel, surface,
centre de gravit, repres internes ou
externes,)
Connatre la notion de recalage global ou local
Connatre la notion de recalage rigide, affine,
projectif, non linaire ou lastique
Connatre quelques grandes mthodes de
recalage (mthode du chanfrein, mthode de
Woods) ou de logiciel (AIR)

Le recalage : plan du cours

Exemples de recalage
Prsentation du recalage
Primitives, critres de similarit, transformation

Approches gomtriques et iconiques

Validation
Fusion dimage

Recalage : exemples
1) Intra-patient, mono-modalit

Exemple : volution de lsions (images IRM dun
patient atteint de SEP quelques mois dintervalle)
Source

Cible

Source : Universit Louis Pasteur, Strasbourg

Recalage : exemples
1) Intra-patient, mono-modalit

Exemple : volution de lsions (images IRM dun
patient atteint de SEP quelques mois dintervalle)

Source

Cible

Source recale

Source : Universit Louis Pasteur, Strasbourg

Recalage : exemples
1) Intra-patient, mono-modalit

Exemple : volution de lsions (images IRM dun
patient atteint de SEP quelques mois dintervalle)

Source

Cible

Source recale

Diffrence
finale

Source : Universit Louis Pasteur, Strasbourg

Recalage : exemples
2) Intra-patient, multi-modalit

Exemple : fusion dinformations provenant de 2
modalits diffrentes

Source (scanner)

Cible (TEP)

Source : EPFL

Recalage : exemples
2) Intra-patient, multi-modalit

Exemple : fusion dinformations provenant de 2
modalits diffrentes

Source (scanner)

Cible (TEP)

Source recale

Source : EPFL

Recalage : exemples
2) Intra-patient, multi-modalit

Exemple : fusion dinformations provenant de 2
modalits diffrentes

Source (IRM)

Cible (scanner)

Source : Universit de Hambourg

Recalage : exemples
2) Intra-patient, multi-modalit

Exemple : fusion dinformations provenant de 2
modalits diffrentes

Source (IRM)

Cible (scanner)

Source recale

Source : Universit de Hambourg

Recalage : exemples
3) Inter-patient, intra-modalit

Exemple : Segmentation partir dun atlas anatomique
Source

Cible

(individu)

(atlas)

Source
recale

Source : INRIA

Recalage : exemples
3) Inter-patient, intra-modalit

Exemple : Segmentation partir dun atlas anatomique
Source

Cible

(individu)

(atlas)

Source
recale

Atlas segment
et tiquet
Source : INRIA

Recalage : exemples
3) Inter-patient, intra-modalit

Exemple : Segmentation partir dun atlas anatomique
Source

Cible

(individu)

(atlas)

Source
recale

Atlas segment
et tiquet
Source : INRIA

Recalage : exemples
4) Extension en 3D

First 3D image

Second 3D image

Pourquoi faire du recalage?

Le recalage vise compenser les variations
de mesure
variations gomtriques (position du patient) et
dintensit

Multiples sources dinformation (Scanner,

IRM, TEMP)
Difficult dinterprtation des images

Aide au diagnostic
Planification et suivi des traitements

Le recalage : plan du cours

Exemples de recalage
Prsentation du recalage
Primitives, critres de similarit, transformation

Approches gomtriques et iconiques

Validation
Fusion dimage

10

Mthode
de
recalage
Structures
(primitives)
mettre en
correspondance
Critre de
similarit
Transformation
Optimisation
Source : Camino et al.

Primitives gomtriques
Structures particulires dans limage
Points, courbes, surfaces
Extraits automatiquement ou
manuellement

Source : Johnson & Christensen, IPMI, 2001

11

Primitives gomtriques
Structures particulires dans limage
Points, courbes, surfaces
Extraits automatiquement ou
manuellement

Dtection des
primitives : ici
points de forte
courbure

Primitives gomtriques
Structures particulires dans limage
Points, courbes, surfaces
Extraits automatiquement ou
manuellement

12

Primitives gomtriques
Structures particulires
Points, courbes, surfaces
Extraits automatiquement ou
manuellement

Primitives
intrinsques

Primitives
extrinsques

Primitives intrinsques
Structures intrinsques au patient
Information pertinente prsente dans les 2
jeux de donnes

Points
Courbes (contours)
Surfaces segmentes
Volumes

Points anatomiques
identifis manuellement par loprateur
isols automatiquement

13

Primitives extrinsques
Repres externes, visibles dans les 2
modalits
fixes au patient ou la table dexamen
Invasifs
Cadre strotaxique
Vis dans la bote crnienne

Non invasifs
Cadre non viss
Moule
Repres colls la peau

Primitives extrinsques
Avantages
Permet de recaler des donnes trs
diffrentes

Inconvnients
Les marqueurs doivent tre positionns
avant lacquisition
Le recalage rtrospectif nest pas possible

14

Primitives extrinsques
Autres repres
externes, contention

Primitives
Structures particulires de limage
Points, courbes, surfaces
Extraits automatiquement ou
manuellement

Pas de structures particulires :

tous les voxels de limage sont
utiliss

15

Primitives
Recalage voxel voxel
T
jk

T (x k )

ik
xk

Mthode
de
recalage
Structures
(primitives)
mettre en
correspondance
Critre de
similarit
Transformation
Optimisation
Source : Camino et al.

16

Critre de similarit
Comment dire que 2 images sont similaires ?

Cas facile

Cas difficile !

De nombreux critres existent

Critre de similarit
Recalage monomodal
Minimiser le critre des moindres carrs
(SSD = sum of squared differences)

SSD( IoT , J ) =

(IoT ( x) J ( x))

pixels x

17

Critres de similarit
Recalage multimodal
SSD pas utilisable !

Critre duniformit inter-images

(partitioned image uniformity, PIU)
Roger Woods (UCLA) in 1993 for
MRI/PET

Critre PIU
Pour chaque NdG n prsent dans A:
on note les coord des pixels de valeur n
On va chercher dans B les pixels de
mmes coordonnes
On calculer la moy, lcart-type sur ces
pixels
avant recalage
n2

n1

aprs recalage

18

Critre PIU
PIU: somme des cart-types normaliss
des valeurs de pixels dans B pour chaque
NdG dans A

avant recalage
n2

n1
On cherche
minimiser le PIU
aprs recalage

Critres de similarit
Recalage multimodal
SSD pas utilisable !

Critre duniformit inter-images

(partitioned image uniformity, PIU)

On cherche la min
Roger Woods (UCLA) in 1993 for mri pet

19

Critres de similarit
Critres bass sur la thorie de
linformation
Aucune hypothse nest faite sur le rapport entre les
intensits des images recales

Entropie dune image

H(I) = - i pi log(pi)

Entropie H=2

Critres de similarit
Entropie dune image

H(I) = - i pi log(pi)

Entropie H=2

Entropie H=1.7
Lentropie est
une mesure de
lincertitude

20

Critres de similarit

Entropie conjointe de 2 images :
H(I,J) = - ij pi,j log(pi,j)

Dfinition dun histogramme conjoint entre 2 images
Image2

Image2

255

Image1

Image1

P(nimage1, mimage2)
255

Critres de similarit

Entropie conjointe de 2 images H(I,J) = - ij pi,j log(pi,j)
Cible

Modle

255

Source

Source

255

Entropie conjointe H = 3.72

21

Critres de similarit

Entropie conjointe de 2 images H(I,J) = - ij pi,j log(pi,j)
Cible

Modle

255

Source

Source

255

Entropie conjointe H = 3.5

Critres de similarit

Entropie conjointe de 2 images H(I,J) = - ij pi,j log(pi,j)
Cible

Modle

255

Source

Source

255

Entropie conjointe H = 2.5

Entropie conjointe H(I,J) est min quand I et J sont recales

22

Critres de similarit

Entropie conjointe de 2 images H(I,J) = - ij pi,j log(pi,j)

Entropie conjointe H(I,J) est min quand I et J sont recales

Information mutuelle :
 IM(I,J) = H(I) + H(J) - H(I,J)
 On cherche la maximiser

Critre de similarit
Application au recalage monomodal

23

Critre de similarit
IM trs utilise en recalage multimodal
Zone A

Source

Zone B
Source

Cible

Zone A
Cible
Zone B

Critre de similarit
IM trs utilise en recalage multimodal

24

Critre de similarit : rsum

Recalage monomodal
Somme des diffrences au carr

Recalage multimodal
Critre PIU
Mesures de la thorie de linformation
Entropie conjointe
Information mutuelle

De nombreux autres !

Mthode
de
recalage
Structures
(primitives)
mettre en
correspondance
Critre de
similarit
Transformation
Optimisation
Source : Camino et al.

25

Diffrents types de transformation

Domaine de la transformation utilise
Globale
Sapplique de manire identique toute
limage

Locale
Des sous-sections de limage ont leurs
propres transformations

Diffrents types de transformation

Rigide
Translation rotation
Conservation des angles et des distances
+ pour recalage intra-patient / intra modalit

Original

Transformation globale

Transformation locale

26

Diffrents types de transformation

Affine
Des droites parallles restent
parallles aprs transformation

Original

Transformation globale

Transformation locale

Diffrents types de transformation

Elastique
Toutes les
dformations
sont possibles

Original

Transformation globale

Transformation locale

27

Transformation lastique

Diffrents types de transformation

Le recalage lastique
Quand les jeux de donnes recaler ne
correspondent pas au mme substrat
anatomique
Recalage inter sujet ou vers un atlas

Quand il existe un substrat anatomique

commun mais dform
Correction des dformations lies
lacquisition
Structure anatomiques en mouvement

28

Diffrents types de transformation

Exemple : recalage inter-patient de mammographies en IRM
Source

Cible
Source recale
par transformation
affine

Source : Kings College, Londres

Diffrents types de transformation

Exemple : recalage inter-patient de mammographies en IRM
Source

Cible
Source recale
par transformation
lastique

Source : Kings College, Londres

29

Diffrents types de transformation : rsum

Recalage rigide ou
affine
Erreur de
positionnement
Pas de dformations
de tissus mous

Recalage non-rigide
ou lastique
Petites dformations
locales

Source : http://www.inf.uszeged.hu/~ssip/2007/lectures/AttilaTanacs-Registration.pdf

Mthode
de
recalage
Structures
(primitives)
mettre en
correspondance
Critre de
similarit
Transformation
Optimisation
Source : Camino et al.

30

Optimisation
But : fournir les paramtres de la
transformation pour maximiser le
critre de similarit
Risque : rester bloqu dans un
minimum local
Procdure hirarchique
La multirsolution consiste :
- reprsenter un signal selon diffrents niveaux de dtails (ou rsolution),
- utiliser la reprsentation adquate selon les applications.

Optimisation
Dcomposition pyramidale des images selon diffrents
niveaux de rsolution

Source
256x256

Cible

Sous-chantillonnage
+ filtrage (gaussien)

128x128
64x64

256x256

128x128
64x64

31

Optimisation
Dcomposition pyramidale des images selon diffrents
niveaux de rsolution

Source
256x256

Cible

Sur-chantillonnage
et projection de la
transformation

128x128

128x128
64x64

256x256

Recalage au plus faible

niveau de rsolution

64x64

Le recalage : plan du cours

Exemples de recalage
Prsentation du recalage
Primitives, critres de similarit, transformation

Approches gomtriques et iconiques

Validation
Fusion dimage

32

Mthodes de recalage
2 grandes familles :
Approches gomtriques : recalage
de points, courbes, surfaces
Approches iconiques : recalage voxel
voxel

Approches gomtriques
Mise en correspondance de points,
courbes, etc positionns
manuellement ou
automatiquement
Trs souvent recalage rigide
Un exemple : recalage par
chanfrein (Chamfer matching)

33

Recalage par chanfrein

Recalage rigide ncessitant les
contours initiaux

Image de rfrence

Image flottante

Recalage par chanfrein

Calcul dune carte de distance au contour
sur limage de rfrence

(x,y)

(x,y)
d

Source : Cours O. Coulon, www.esil.univ-mrs.fr/~ocoulon

34

Recalage par chanfrein

Contour de limage
flottante superimpos sur
la carte de distance
Calcul de la moyenne des
valeurs sous les pixels
(Chamfer Distance)
R.M.S. Chamfer
Distance =

1 1 n 2
vi
3 n i=1

vi = valeur de la distance
n = nombre de points

Distance de chanfrein = 1.12

Recalage par chanfrein

Calcul de la distance de Chanfrein
sous le contour flottant

35

Recalage par chanfrein

Dplacement du C(flottant) jusqu ce
que la distance de Chanfrein soit
minimum

Recalage par chanfrein

Dplacement du C(flottant) jusqu ce
que la distance de Chanfrein soit
minimum

36

Recalage par chanfrein

Dplacement du C(flottant) jusqu ce
que la distance de Chanfrein soit
minimum

Recalage par chanfrein

Dplacement du C(flottant) jusqu ce
que la distance de Chanfrein soit
minimum

37

Recalage par chanfrein

Dplacement du C(flottant) jusqu ce
que la distance de Chanfrein soit
minimum

Recalage par chanfrein

Application au recalage IRM / TEP

Rfrence

Flottant
Source : Cours O. Coulon, www.esil.univ-mrs.fr/~ocoulon

38

Recalage par chanfrein

Calcul dune carte de distance au
contour sur limage de rfrence

Contour sur limage flottante

Recalage par chanfrein

Application du contour sur la carte de
distance
Dplacement jusqu ce que la distance
de chanfrein soit minimum

Source : Cours O. Coulon, www.esil.univ-mrs.fr/~ocoulon

39

Approches iconiques
Nutilisent pas de primitives gomtriques
Evite une tape de segmentation
Prfres quand il est difficile dextraire des
structures communes des jeux de donnes

Source : Cours D. Sarrut, Univ. Lyon 2

Approches iconiques
Utilisent lintensit et la position
des voxels
Recalage rigide ou non-rigide
Un exemple : mthode de Woods
(1992)
Logiciel AIR : Automated Image
Registration

40

Mthode de Woods
Base sur le pixel
Recalage rigide
Zones uniformes  correspondent
des rgions anatomiques
A une zone uniforme
dans une image
correspond une
zone uniforme dans
lautre image

Mthode de Woods
Trs utilis pour le recalage
multimodal IRM/TEP
Limage des rgions IRM est
projete dans limage TEP
Minimisation du critre PIU

41

Le recalage : plan du cours

Exemples de recalage
Prsentation du recalage
Primitives, critres de similarit, transformation

Approches gomtriques et iconiques

Validation
Fusion dimage

Validation
Fondamentale pour une utilisation
clinique
Dmontre ses performances et son
intrt clinique potentiel
Facile en segmentation : comparaison
du rsultat automatique avec le
rsultat trac manuellement
Mais en recalage ???

42

Validation
Fondamentale pour une utilisation
clinique
Dmontre ses performances et son
intrt clinique potentiel
Choix de la vrit-terrain
fantmes physiques (glatine)
fantmes numriques (simulation)

Choix du critre
EQM

1
D

u ( x) u ( x)
*

dx

Validation : exemple
Estimation des
dformations
myocardiques par
recalage en IRM
de marquage
(tagged MRI)

43

Validation : exemple

Estimation de la dformation
entre chaque image

Obtention dun champ
de dformation

Validation
Simulation de donnes
 Ralisme anatomique et par rapport au protocole

 utilisation dimages naturelles (pas de synthse)



Dformations ralistes
 utilisation dun modle statistique de mouvement

 Dmagntisation des tags

 spcification dhistogramme

44

Validation
Protocole

Validation
Protocole

Dformation

45

Validation
Protocole

Spcification
dhistogramme

Rsultats

Validation
Champ initial

Champ estim

Erreur en amplitude
= 0.12 0.21 pixels

46

Le recalage : plan du cours

Exemples de recalage
Prsentation du recalage
Primitives, critres de similarit, transformation

Approches gomtriques et iconiques

Validation
Fusion dimage

Dfinitions
Donnes

Recalage

Fusion

Identification de points homologues

Transformation gomtrique

Visualisation, interaction
Outils danalyse

Applications
cliniques

47

Dfinitions : recalage et fusion

Recalage : calcul dune transformation entre
des donnes mono ou multimodales
Fusion de donnes : ensemble doutils pour
mettre en correspondance, analyser et
visualiser des donnes mono ou
multimodales

Avant recalage

Aprs
recalage

48

But de la fusion
Intgration de diffrentes sources dinformation
pour aider la dcision
Affiner le diagnostic et choisir la meilleure option
thrapeutique
Diffrents contextes :
Monomodal (ex SPECT-SPECT)
Multimodal (ex SPECT-IRM)
Modalit-modle (ex SPECT-Modle mathmatique)

Les contextes de fusion

Fusion intra-sujet / intra-modalit
Un sujet, une modalit
Suivi dans le temps de modifications

Fusion intra-sujet / inter-modalit

Un sujet, plusieurs modalits
Complmentarit des sources dimages

49

Les contextes de fusion

Fusion inter-sujet

Plusieurs sujets, une ou plusieurs modalits

Complmentarit des sources dimages
Construire des modles moyens ou templates
tude de la variation anatomique ou fonctionnelle au
sein dune population de sujets
Comparer les donnes dun sujet un atlas ou un modle
moyen
Comparer des sujets diffrents appartenant une mme
population
Comparer 2 populations de sujets

Fusion : exemples
Fusion intra-sujet / inter-modalit
SPECT ictal et IRM

50

Fusion :
exemples

Fusion : exemples
Cancer pulmonaire & vsical
Rcurrence lsion
pulmonaire

ADP iliaque

Rcurrence
masse perivsicale

51

Fusion en mdecine nuclaire

Scintigraphie crbrale

Rsultat attendu
diffrences de perfusion au
niveau des cortex associatifs
postrieurs

Comparaison d'examens TEMP de malades atteints de

maladie d'Alzheimer avec la base de donnes d'examens
TEMP normaux de la SNM.

SHFJ, CEA, Orsay

Fusion en mdecine nuclaire

Scintigraphie crbrale - Soustraction dimage per et intercritique dans
lpilepsie
Co-registration

Normalization

Subtraction and smoothing

Overlay

Inter

Ictal

52

Perspectives
Application vers des systmes daide la
dcision
Outils danalyse (quantification)
Exploitation des connaissances (bases de
donnes, modles)

Diagnostic
Planning pr-opratoire
Simulation chirurgicale ou thrapeutique
Pronostic du rsultat des stratgies
thrapeutiques
Contrle post traitement

Objectifs atteints ?
Diffrencier recalage et fusion dimages
Connatre la notion de primitive permettant le
recalage des images (pixel, voxel, surface,
centre de gravit, repres internes ou
externes,)
Connatre la notion de recalage global ou local
Connatre la notion de recalage rigide, affine,
projectif, non linaire ou lastique
Connatre quelques grandes mthodes de
recalage (mthode du chanfrein, mthode de
Woods) ou de logiciel (AIR)

53

Contacts

Caroline.Petitjean@univ-rouen.fr
http://carolinepetitjean.free.fr

Rfrences

P. Vera, Cours Imagerie multimodalit, Dpartement Mdecine Nuclaire, CHB,

Universit de Rouen.

E. Kerrien, Fusion dimages multimodales, principe et difficults, INRIA Lorraine,

2007

O. Coulon, Imagerie mdicale, introduction au recalage, Universit Marseille,

2004.

JM Camino, RP Ane, Recalage dimages en mdecine nuclaire : concepts de

base, Mdecine Nuclaire Imagerie fonctionnelle et mtabolique, vol. 30,
n11, 2006

A. Datta, Chamfer Matching & Hausdorff Distance, School of Computer Science,

Carnegie Mellon

C. Nikou, 3D single and multimodal medical image registration using robust

voxel similarity measures and statistically constrained deformable models,
Universit de Strasbourg, 1999

N. Betrouni, Le recalage en imagerie mdicale : de la conception la validation,

IRBM, Volume 30, Issue 2, April 2009, Pages 60-71

J.-F. Mangin, L. Freire, A. Roche, C Poupon, Motion Correction in fMRI time

series, IPAM 2004

D. Bereziat, Mthodologies en Imagerie Mdicale, Mthodes de recalage,

Universit Paris 6, 2008

54

Applications
Domaine non-mdical
1) Tldtection

Exemple : carte de vgtation et image satellitaire

Source : ESA/ESRIN

Applications
Domaine non-mdical
1) Tldtection

Exemple : carte de vgtation et image satellitaire

Source : ESA/ESRIN

55

Applications
Domaine non-mdical
2) Estimation de pose

Source

Cible

Source images originales : Universit de Berne

Applications
Domaine non-mdical
2) Estimation de pose

Source

Cible

Source recale par SSD

Source images originales : Universit de Berne

56

Applications
Domaine non-mdical
2) Estimation de pose

Source

Cible

Source recale par IM

Source images originales : Universit de Berne

Applications
Domaine non-mdical
3) Morphing

Source

Cible

Source images originales : Universit de Berne

57

Applications
Domaine non-mdical
3) Morphing

Source

Cible

Source recale par SSD

Source images originales : Universit de Berne

Applications
Domaine non-mdical
3) Morphing

Source

Cible

Source recale par IM

Source images originales : Universit de Berne

58

Primitives
Interpolation bilinaire

59

IMAGERIE CARDIOVASCULAIRE (TDM, IRM, Angiographie numrise) (SD.

QANADLI, P. LACOMBE)
tomodensitometrie
Les applications de la tomodensitomtrie (TDM) sont limites par rapport celles de l'chographie cardiaque,
l'imagerie par rsonance magntique (IRM), la scintigraphie et l'angiographie.

Principes et instrumentation
Plusieurs types d'appareil sont disponibles :
- Appareil traditionnel (incrmental), comportant une source de rayons x et une couronne de dtecteurs. La
source de rayons x est en rotation squentielle ou continue selon la gnration (4me gnration : tube rotation
continue, 600 3000 dtecteurs).
Avec ce mode dacquisition, la table se dplace entre deux coupes d'un incrment correspondant, en rgle
gnrale, l'espacement entre deux coupes successives.
Chaque coupe d'une paisseur donne (correspondant la collimation la sortie de la source de rayons x) est
obtenue grce l'accumulation de donnes provenant de 400 1000 projections ralises en 1 5 secondes.
Ainsi limage obtenue est-elle altre par le mouvement autonome des structures cardiaques (flou cintique).
Elle est en effet la sommation de 2 10 cycles cardiaques.
- Appareil acquisition spirale (ou hlicodale). Il s'agit d'un appareil rotation continue. L'acquisition est dite
spirale car elle rsulte d'un dplacement continu de l'organe examiner pendant une mission concomitante de
rayons x. Ces appareils rapides ont un temps de rotation de l'ordre de la seconde et restent donc insuffisants pour
viter le flou cintique des structures cardiaques.
- Les scanners ultra-rapides : un seul modle commercial, l'Imatron C-100. Dans cet appareil, le faisceau
lectronique est acclr et dvi par un champ magntique sur une anode semi-circulaire contenant des cibles
en tungstne. Il n'y a pas de rotation mcanique du systme. Le temps d'acquisition est trs bref (30 50 ms). Il
est ainsi possible d'obtenir environ 80 images en une squence diffrents temps du cycle cardiaque.

Applications cliniques
En imagerie cardio-vasculaire, le scanner se pratique en dcubitus, le patient jeun. Le temps d'opacification des
cavits cardiaques (aprs injection intraveineuse de produit de contraste) est prcd par des coupes de reprage
centres sur les structures analyser. L'paisseur de coupes peut varier de 1 10 mm.
La TDM permet la fois une tude des structures anatomiques du coeur et une tude des cavits cardiaques.
Ceci la diffrencie de l'angiographie qui ne permet en fait que l'tude des cavits cardiaques et des coronaires.
Cardiopathies ischmiques et cardiomyopathies.
La TDM n'a pas d'intrt la phase aigu de l'infarctus du myocarde, bien qu' cette phase des anomalies de
diffusion transmembranaire de l'iode peuvent tre mises en vidence.

La TDM peut tre utile, notamment lorsque l'chographie est insuffisante, dans le diagnostic des complications
chroniques de l'infarctus du myocarde : anvrisme ventriculaire, thrombus (mural ou plus rarement pdicul).
Chez les patients ayant bnfici d'un pontage aorto-coronarien, il est possible d'valuer la permabilit de ces
pontages. Cependant, l'analyse morphologique n'est pas possible au mme titre que l'valuation de leur lit distal.
Les clips chirurgicaux peuvent tre la cause dartefacts gnant l'valuation des pontages.
Les divers types des cardiomyopathies sont galement accessibles la TDM (scanners ultra-rapides). Cependant
l'chographie s'avre gnralement suffisante dans ces indications. Dans les formes hypertrophiques, le bon
contraste myocarde/sang autorise une analyse topographique de l'hypertrophie paritale (concentrique, septale
asymtrique, apicale, ....)
La TDM peut apporter des donnes en faveur d'une cardiomyopathie restrictive lorsqu'elle montre, en prsence
d'un tableau d'adiastolie, l'absence d'paississement du pricarde.
Masses intra-cavitaires

Les masses intra-cavitaires apparaissent sous forme d'un dfect du produit de contraste. Il existe trs peu
d'lments morphologiques distinctifs entre les thrombus et les diverses tumeurs cardiaques.
Les thrombi de l'atrium gauche (oreillette gauche) s'observent principalement dans le rtrcissement mitral et les
cardiomyopathies hypertensives. Le caillot est volontiers de sige postrieur. Lorsque le caillot sige dans
l'auricule gauche (2me site de prdilection), sa dtection est plus difficile. L'chographie trans-oesophagienne
est aujourd'hui la meilleure technique pour dtecter les petits thrombi atriaux ou sur les prothses.
Les thrombi ventriculaires s'observent dans les cardiopathies ischmiques ou hypokyntiques, gnralement
svres.
Les thrombi des cavits droites accompagnent certains tats de stase sanguine (hypertension artrielle
pulmonaire avec cavits dilates) ou s'intgrent dans le cadre d'une maladie thrombo-embolique ou d'un

Chapitre IXC, page 1

processus noplasique (cancer du rein). Les thrombi des cavits cardiaques droites sont volontiers mobiles et
migrateurs.
Les tumeurs cardiaques sont rares. Les tumeurs primitives sont domines par les tumeurs bnignes (75 %). Le
myxome (40 %) de l'oreillette gauche est la tumeur la plus frquente : masse arrondie, trs souvent au contact du
septum inter-atrial, de faible densit, volontiers htrogne, parfois calcifi, ne se rhausse pas aprs injection de
produit de contraste. L'hypertrophie lipomateuse du septum inter-atrial est de diagnostic ais en
tomodensitomtrie : zone de densit ngative (- 50 - 100 UH) caractristique. La TDM peut donner des signes
d'orientation dans d'autres types de tumeurs : kystes pithliaux, kystes hydatiques.
Les tumeurs malignes primitives sont reprsentes par les sarcomes et les lymphomes. La TDM a une valeur de
diagnostic et de bilan d'extension loco-rgionale.
Les mtastases sont plus frquentes (cancer du poumon, cancer ORL, cancer du sein et mlanome).
Les cavits cardiaques peuvent tre envahies par contigut dans les cancers broncho-pulmonaires, du rein ou
dans les lymphomes.
Pathologie du pricarde

A l'tat normal, le pricarde apparat en TDM comme une ligne rgulire de 2 3 mm d'paisseur.
Deux pathologies congnitales sont reconnaissables en TDM : agnsies pricardiques et kystes pleuropricardiques, plus frquents. Ces kystes sont bnins et asymptomatiques et sigent habituellement dans l'angle
cardiophrnique droit et ne communiquent pas avec la cavit pricardique en rgle gnrale. Leur densit
hydrique (voisine de 0 UH) est caractristique.
La TDM est complmentaire de l'chographie dans l'exploration des panchements pricardiques.
L'paississement pricardique, dfinie comme un pricarde d'une paisseur suprieure ou gale 4 mm,
s'observe dans diffrentes pathologies (collagnose, infiltration inflammatoire, infiltration tumorale,....). La
TDM occupe une place particulire dans le diagnostic de la pricardite constrictive en montrant, en prsence
d'un tableau clinique d'adiastolie, un pricarde paissis et calcifi.
Les tumeurs pricardiques sont rares et gnralement malignes. La TDM est surtout intressantes dans le
diagnostic du lipome pricardique (densit ngative) et dans le bilan d'extension des tumeurs malignes
(msothliome, sarcomes, mtastases,...).
Pathologie aortique

Dans la pathologie congnitale de l'aorte, la TDM permet souvent un diagnostic lsionnel trs prcis.
Dans la pathologie acquise de l'aorte, la TDM, grce au mode spiral, occupe de plus en plus une place
importante dans :
- le diagnostic et le bilan propratoire des anvrismes aortiques : topographie, dimensions, calcifications
paritales, thrombus mural, fibrose pri-anvrismale, tat des branches collatrales, rupture subaigu.
- le diagnostic et l'extension des dissections : "flap" intimal, double chenal, thrombose du faux chenal, extension
de la dissection.
- la pathologie athrosclreuse non anvrismale : stnose et occlusions, ulcrations, thrombus.
- les aortites inflammatoires : paississement parital.
- les tumeurs et pseudotumeurs aortiques ("plug aortique").
- le contrle post-opratoire : hmatomes, infections, faux anvrismes anastomotiques, permabilit.

imagerie par resonance magnetique

L'IRM est non invasive puisqu'elle n'utilise pas de radiation ionisante.
Par rapport l'chographie, elle a l'avantage d'tre insensible aux crans osseux ou gazeux.
Elle offre une excellente rsolution spontane en contraste entre sang circulant, parois myocardiques, graisse
pricardique ou mdiastinale et pricarde.
Elle a cependant certains inconvnients :
- Le patient doit rester immobile dans le tunnel pendant tout le temps d'acquisition des images (en moyenne 45
minutes). Elle n'est donc pas ralisable chez les patients agits, claustrophobes ou instables
hmodynamiquement.
- Elle est contre-indique chez les patients porteurs de Pacemaker, de clips danvrismes vasculaires
crbraux, et de corps trangers oculaires ferromagntiques. La plupart des prothses valvulaires sont non
ferromagntiques et ne posent pas de problme, il est cependant ncessaire de savoir de quel type exact de
prothse le patient est porteur.

Principes et instrumentation
On utilise, dans la majorit des cas, des squences multi-coupes multi-chos (2 4 chos) synchroniss l'onde
R de l'ECG.
Dans ce type de squence, chacune des coupes de la pile est acquise un moment diffrent du cycle cardiaque
(certaines en systole, d'autres en diastole).

Chapitre IXC, page 2

Les plans de coupe utiliss dpendent de la structure anatomique tudier puisque (contrairement au scanner),
l'IRM permet de faire des coupes dans tous les plans de l'espace. Les plans de rfrence sont les plans axial,
frontal et sagittal, mais aussi parallle ou perpendiculaire au grand axe du coeur (quivalents d'OAD et OAG).
La ncessit absolue de la synchronisation l'ECG explique la qualit souvent mdiocre des examens raliss
chez les patients arythmiques.
Plusieurs squences sont utilisables en imagerie cardio-vasculaire selon lindication de lexamen. Elles
appartiennent, trs schmatiquement, quatre groupes de squences :
- des squences en pondration T1, en cho de spin ou en cho de gradient. Ces squences sont essentiellement
anatomiques (tude des structures anatomiques du coeur et des gros vaisseaux).
- des squences en pondration T2, en cho de spin ou en cho de gradient. Elle permettent un certains degr de
caractrisation tissulaire.
- des squence de flux, qui peuvent tre soit des squences en cho de gradient (temps de vol) soit des
squences en contraste de phase. Ces squences sont destines tudier les flux vasculaires. Le cin-IRM est
une squence en cho de gradient qui permet des tudes fonctionnelles cardiaques et la visualisation des flux
anormaux (flux de rgurgitation valvulaire ou travers les shunts droits-gauches...).
- des squences rapides en cho planar (EPI), en cours dvaluation.

Smiologie normale
Sur les squence pondre en T1 :
Le myocarde et les parois vasculaires sont gris (signal intermdiaire).
La graisse pricardique et mdiastinale est blanche (signal hyper-intense).
Le pricarde est une fine ligne noire continue (signal trs hypo-intense).
L'air des poumons et les calcifications ventuelles ne donnent pas de signal et apparaissent noirs.

Smiologie de flux
Sur les squences en pondration T1 :
Le sang circulant flux rapide ne donne pas de signal, car les protons excits du plan de coupe tudi en sont
dj sortis quand on enregistre la rponse de ce plan de coupe. Mais si le flux est ralenti, ces protons n'ont pas eu
le temps de sortir du plan de coupe et un signal intra-vasculaire ou intra-cavitaire apparat qu'il faut distinguer
d'un thrombus. Il faut pour cela regarder le 2me cho de la mme coupe. Si le signal intra-luminal augmente sur
le 2me cho, il s'agit d'un flux ralenti (phnomne de rephasage des spins sur les chos pairs). Si le signal intraluminal dcroit ou reste identique, il s'agit d'un thrombus.
Sur les squences de flux :
Le sang circulant donne un signal intense (apparat blanc).

Pathologie cardiaque
Cardiopathie ischmique

Dans linfarctus rcent, le myocarde infarci a un signal plus intense que le myocarde normal sur les chos tardifs
(surtout partir du troisime cho). L'tude de toutes les coupes adjacentes permet d'apprcier l'tendue et le
sige de l'infarctus.
L'absence de contractilit de cette zone myocardique entrane habituellement un ralentissement local du flux
sanguin avec apparition d'un signal intra-cavitaire qui s'accentue sur les 2me et 4me chos.
Dans linfarctus ancien (> 1 mois), le myocarde est remplac par une cicatrice fibreuse qui se traduit par un
amincissement et un signal relativement hypo-intense de la paroi ventriculaire. Un anvrisme ou une thrombose
murale secondaires peuvent galement tre vus.
LIRM peut analyser le flux dans les pontages aorto-coronariens. Il est cependant difficile de distinguer un
pontage flux ralenti, d'un pontage occlus.
Cardiomyopathies

Certaines logiciels permettent d'obtenir lors d'une squence multicoupe, 4 5 images de chacune des coupes
des moments diffrents du cycle cardiaque. Ces logiciels ne sont cependant pas disponibles sur toutes les
machines. En leur absence, on peut choisir une coupe dmonstrative et l'acqurir successivement en tldiastole
et en tlsystole en faisant varier le dlai entre le sommet de l'onde R de l'ECG et l'acquisition. Il est alors
possible d'apprcier l'paisseur myocardique et la taille des cavits ventriculaires en parallle et perpendiculaire
au grand axe du coeur.
Affections pricardiques

Le pricarde est visible sous forme d'un trait noir de 1 2 mm d'paisseur, habituellement spar du myocarde
par une petite couche graisseuse (blanche). Grce la synchronisation ECG qui supprime le flou cintique li
aux battements cardiaques, il est mieux vu en IRM qu'en scanner.
Les panchements pricardiques se traduisent par l'apparition d'un signal hypo-intense (noir), ou intermdiaire
(gris) entre myocarde et pricarde. L'IRM ne permet pas de prciser leur nature.

Chapitre IXC, page 3

Les paississements, tumoraux ou non, du pricarde sont bien tudis en IRM.

En cas de pricardite constrictive, le pricarde est paissi (>3 mm) mais les calcifications ne sont pas visibles.
L'paississement du pricarde permet d'liminer le diagnostic de cardiomyopathie restrictive.
L'agnsie du pricarde se traduit par l'absence de visibilit du pricarde.
Cardiopathies congnitales et anomalies des gros vaisseaux

L'IRM, grce la possibilit de faire des coupes cardiaques et mdiastinales dans tous les plans de l'espace
permet un bilan anatomique facile et complet des malformations du coeur et des gros vaisseaux, de faon
totalement non invasive. Elle est particulirement utile dans les cardiopathies complexes du nourrisson.
Tumeurs cardiaques et para-cardiaques

L'IRM en permet un bilan anatomique complet et prcis car elle visualise en un temps le mdiastin, le pricarde,
le myocarde et les cavits cardiaques (contrairement l'chographie et au scanner). Par contre, elle ne permet
pas d'approcher l'histologie de ces tumeurs.

Pathologie aortique
Dissection aortique

L'IRM visualise le lambeau (flap) intimal et permet le plus souvent de distinguer le vrai chenal (absence de
signal car flux rapide) du faux chenal qui contient un signal. L'tude du 2me cho permet de prciser si ce faux
chenal est thrombos ou circulant. L'extension de la dissection est bien apprcie ainsi que la portion initiale des
principales branches de l'aorte.
Malheureusement, l'IRM n'est pas ralisable en urgence chez un patient hmodynamique instable, et elle ne peut
tre envisage que pour la surveillance non invasive des dissections traites chirurgicalement ou non.
Anvrisme aortique

L'IRM visualise la fois la lumire circulante, et la thrombose priphrique (contrairement l'angiographie) et

permet donc de bien apprcier la taille et l'extension anvrismales. cependant le scanner spiral est un trs bon
examen dans cette indication.
Syndrome cave suprieur

L'IRM visualise bien le sige du processus (endo ou exo-luminal) obstructif ainsi que son extension ventuelle
vers l'oreillette droite ou le mdiastin.

angiographie numerisee cardiovasculaire

La numrisation de l'image cardio-vasculaire offre par rapport l'angiographie conventionnelle, un certain
nombre d'avantages :
- la soustraction permet de supprimer les structures anatomiques qui se superposent aux vaisseaux tudis.
- le traitement informatique de l'image permet de renforcer le contraste des structures vasculaires et d'en
modifier la luminosit.

Principes et instrumentation
L'tude cardiovasculaire suppose une infrastructure angiographique lourde permettant d'effectuer des squences
25 images/seconde.
Cette cadence leve est ncessaire pour l'tude des cavits cardiaques et pour l'tude des coronaires.
L'exploration de l'aorte thoracique et des vaisseaux pulmonaires ne ncessite pas des cadences aussi leves.
L'injection de produit de contraste peut se faire au niveau du systme veineux priphrique ou central, des
cavits cardiaques droites et gauches, de l'aorte ascendante voire directement dans les artres coronaires. Plus
l'injection est situe proche de la structure que l'on souhaite tudie, meilleure est la qualit de l'image.
Il est illusoire de souhaiter obtenir une image satisfaisante des artres coronaires aprs une injection dans la
veine cave suprieure ou infrieure.

Applications cliniques
Aorte thoracique

L'tude de l'aorte thoracique peut s'effectuer aprs injection intraveineuse de produit de contraste. La qualit de
l'image est gnralement suffisante pour la dtection des anomalies congnitales (anomalie des arcs aortiques,
coarctation congnitale) ou pour les contrles postopratoires.
A l'inverse, il est ncessaire de faire une injection directe dans l'aorte lorsque l'on est confront une pathologie
aigu de l'aorte comme une dissection aigu ou un anvrisme symptomatique.
Dans les dissections aigus, l'aortographie numrise permet une meilleure comprhension des flux dans le vrai
et dans le faux chenal, une analyse fiable de l'aspect des ostia coronaires, de l'extension de la dissection aux
troncs supra-aortiques ou sur l'aorte thoracique descendante.

Chapitre IXC, page 4

Au cours des anvrismes de l'aorte, l'aortographie numrique prcise les dimensions et le sige de lanvrisme
par rapport aux coronaires, l'orifice aortique et aux troncs supra-aortiques.
Artres coronaires

L'exploration numrique des artres coronaires est en plein dveloppement .

Les artres coronaires peuvent tre analysables sur leur portion proximale au cours d'une injection sussigmodienne. Ce type d'injection permet galement l'valuation simplifie de la permabilit des pontages.
D'une manire gnrale, ces injections non slectives des coronaires n'ont que trs peu d'applications cliniques.
La technique habituellement utilise pour la coronarographie numrise est l'injection slective comme au cours
de la coronarographie classique. La cadence d'images doit tre leve et la qualit des images est conditionne
par l'immobilit respiratoire du patient au cours de la squence angiographique.
L'utilisation rcente d'un filtre numrique en temps rel permet de se passer de la soustraction si bien que l'image
n'est pas altre par la mobilit cardiaque et par les mouvements respiratoires du malade.
La visualisation et l'valuation des lsions coronariennes posent les mmes problmes qu'en radio-cinma. Le
dveloppement des programmes de calcul au niveau de l'ordinateur permet de faire une valuation vidodensitomtrique des stnoses. Ce calcul des stnoses se fait de manire semi-automatique interactive.
En cas d'occlusion sub-totale d'une artre coronaire, la soustraction permet frquemment la visibilit du lit distal,
information importante pour juger des possibilits de revascularisation chirurgicale ou par angioplastie.
La coronarographie numrique voit son application principale au cours des dilatations coronariennes o il est
possible d'obtenir une image sur un cran de tlvision, immdiatement sans perte de temps. Ceci n'tait pas
possible avec la technique conventionnelle en radio-cinma qui ncessitait le dveloppement du film
radiologique.
La disponibilit d'une ou plusieurs images de rfrence au cours des angioplasties est importante pour
l'oprateur.
La quantification semi-automatique des stnoses permet de juger immdiatement de l'efficacit de l'angioplastie
transluminale des coronaires.
Etude des cavits cardiaques

L'exploration des cavits droites ncessitent l'injection de produit de contraste au niveau du systme cave, de
l'oreillette droite voire du ventricule droit. La soustraction permet de rduire les quantits de produit de contraste
ncessaires. Les cadences de 25 images/seconde permettent une valuation quantitative de la dynamique du
ventricule droit, de la fraction d'jection et de la cintique segmentaire. Le calcul du dbit cardiaque peut tre
galement effectu aprs avoir valu le coefficient d'agrandissement.
Au cours des injections dans les cavits droites, il est possible, sur les temps tardifs, d'obtenir une imagerie
satisfaisante de l'oreillette gauche et des cavits gauches. Cette valuation permet le mme type de calcul que
pour les cavits droites. On obtient ainsi une tude quantitative du volume de l'oreillette gauche, du ventricule
gauche et de la dynamique ventriculaire.
L'exploration de ces cavits cardiaques permet la dtection des processus tumoraux intra-cardiaques.
L'angiographie numrique cardiaque parat ainsi tre une technique fiable pour la surveillance des patients
valvulaires ou des patients souffrant d'une cardiomyopathie.
Dans le cadre des pathologies congnitales intra-cardiaques, la numrisation permet outre l'tude morphologique
des shunts anormaux, la possibilit de l'valuation quantitative de ces shunts, par courbes vidodensitomtriques.

Chapitre IXC, page 5

N O VA

LIRM 7 Tesla a-t-elle un avenir en pratique clinique?

Johnannes T. Heverhagen
Universittsinstitut fr Diagnostische, Interventionelle und Pdiatrische Radiologie, Inselspital, Bern

Limagerie par rsonance magntique nuclaire (IRM)

est lune des innovations les plus significatives du sicle
dernier. Ses implications pour la mdecine dans son ensemble ont t considrables. LIRM est aujourdhui notamment bien tablie, aux cts de limagerie purement
morphologique, dans lexamen neurofonctionnel du systme nerveux central, limagerie fonctionnelle cardiaque
et de nombreuses autres applications diagnostiques non
invasives. Limagerie pulmonaire, longtemps domine
par la tomographie computerise (CT), fait elle aussi
toujours plus appel lIRM.

Lauteur ne dclare
aucun avantage
financier ni autre
conflit dintrt en
relation avec la
prsente
publication.

rduction de la dure de lexamen et un accroissement

supplmentaire de la rsolution spectrale. Il sest avr
aussi quen plus de ces avantages limagerie obtenue par
ces fortes puissances de champ permet de dfinir de
nouveaux contrastes [5, 10, 11]. On peut ainsi mettre en
vidence des structures qui navaient jamais pu tre
visualises jusque-l. Les applications dans le systme
nerveux central sont nombreuses et comme cest si
souvent le cas avec lIRM ont pu tre valides dj trs
tt durant le dveloppement [1215]. Dautres champs
dapplication se sont par ailleurs dj faits jour, comme
le montrent les deux exemples ci-dessous.

Pourquoi la puissance du champ magntique

ne cesse-t-elle daugmenter?

Systme musculo-squelettique

LIRM consiste fondamentalement placer les patients

dans un puissant champ magntique externe constant.
Ce champ induit un alignement des ions hydrogne le
long des lignes de champ, un phnomne utilis pour
ltablissement dimages. Ce principe explique aussi
pourquoi la puissance du champ induit par les aimants
utiliss dans les applications cliniques ne cesse daugmenter depuis lintroduction de lIRM en 1978 par
Mansfield et Lauterburg. A lorigine, le standard tait
constitu par des aimants 0,5 et 1,0 Tesla. Ceux-ci ont
rapidement t remplacs par des appareils dits forte
puissance de champ, soit 1,5 Tesla, et qui forment encore lessentiel du parc de scanners cliniques installs
aujourdhui travers le monde. Depuis quelques annes,
la part des aimants 3 Tesla ne cesse toutefois daugmenter et il est probable quils constitueront bientt
lessentiel des appareils utiliss en pratique clinique.
Ds les annes 1990, quelques rares groupes ont install, grand renfort de moyens techniques, des scanners puissance de champ atteignant 7 et mme 8 Tesla
[17]. Leur nombre a nettement augment ces dernires annes, surtout par lengagement des grands fabricants dans le dveloppement. Il y a aujourdhui pas
moins de 60 appareils de ce type installs travers le
monde.
Lavantage des grandes puissances de champ rside dans
le fait que le nombre de protons contribuant la formation des images augmente linairement avec la puissance
[8, 9]. Le passage de 1,5 3 Tesla double le signal et une
nouvelle progression 7 Tesla multiplie encore par plus
de deux cette valeur. Ce signal puissant ne permet pas
seulement de former des images plus belles, mais amliore aussi la rsolution spatiale et donc la visualisation
de structures morphologiques plus fines. Par ailleurs, la
vitesse dacquisition est augmente, ce qui signifie une

Lextrmit suprieure et infrieure, ainsi que leurs

grandes et petites articulations, sont des rgions anatomiques idales pour les examens trs forte puissance
de champ. Dabord, les rgions examines sont bien dlimites dans lespace et peuvent donc tre facilement
circonscrites avec une bobine de rception relativement
petite. Ensuite, il est relativement facile dimmobiliser
ces rgions, si bien que les artefacts lis aux mouvements sont devenus ngligeables. Lun des principaux
objectifs de limagerie musculo-squelettique est la reprsentation en haute rsolution des structures osseuses et
ligamentaires. Ceci est facile obtenir, grce au rapport
signal-bruit (SNR) trs lev des images conues partir de systmes forte puissance de champ. Dans le
mme temps, on peut facilement contourner ou contrer
les problmes survenant au niveau du tronc, tels que
lentre inhomogne des signaux de RF, les artefacts de
susceptibilit aux interfaces tissus-air ou les champs
magntiques inhomognes.
Des tudes extensives ont principalement port par le
pass sur les grandes articulations comme les genoux
et les coudes, mais aussi sur les petites articulations des
mains et des pieds (fig. 1 x) [1619]. Un gain trs significatif est apparu pour toutes les techniques dexamens
en termes de SNR et de rapport porteur-bruit (CNR)
avec par consquent une reprsentation nettement plus
dtaille des diffrentes structures. Il en ressort notamment que les lsions ou les zones de faiblesses structurelles peuvent tre dtectes beaucoup plus tt quavec
les autres techniques dexamen. La rsolution actuelle
des appareils forte puissance de champ dpasse
mme la rsolution des CT. Avec les mthodes spectroscopiques, on a en outre pu montrer que les processus de
rparation et les stades prcoces des maladies peuvent
tre dpists avant mme quils se manifestent par des
Forum Med Suisse 2013;13(41):827829

827

N O VA

Figure 1
Images Spin Echo (A) en cho de gradients 3-D et (B) pondres en densit de protons 2-D du poignet dun homme de 34 ans. Les images ont t acquises
chacune en env. 5 minutes. La rsolution spatiale dans la coupe est ici de 0,09 0,09 mm2. Lpaisseur de coupe est de 0,5 mm dans limage 3-D et de 0,8 mm
dans limage 2-D. Cette haute rsolution spatiale permet une excellente visualisation des structures cartilagineuses et osseuses les plus fines (Prof. P. Schmalbrock,
Wright Center of Innovation, The Ohio State University).

altrations morphologiques. Cest le cas aussi bien du

cartilage que du tissu musculaire [2022].
Globalement, limagerie forte puissance de champ sest
dj fait une place aujourdhui dans le domaine musculo-squelettique, en particulier au niveau des extrmits. De nombreuses tudes ont dmontr les avantages
de cette technique en pratique clinique. Pour linstant,
la faible disponibilit de ces appareils limite cependant
encore son utilisation large chelle.

Angio-IRM
Langio-IRM (AIRM) est une mthode qui bnficie galement normment de laugmentation de la puissance
des champs magntiques. Cest ce quont dores et dj
bien montr les rsultats de toute une srie dessais cliniques ralises avec lAIRM 3 Tesla [23]. Lamlioration de la rsolution spatiale permet notamment une
meilleure analyse des dtails anatomiques et pathologiques. De plus, lallongement du temps T1 a pour effet
dattnuer nettement les tissus stationnaires environnants par rapport au sang [24].
LAIRM puissance de champ ultra-forte a dabord t
teste, puis perfectionne au niveau des vaisseaux intracrniens (fig. 2 x) [24, 25]. Son potentiel en termes
dapplications cliniques est aujourdhui considrable
dans ce domaine. Paralllement aux amliorations
technologiques apportes aux bobines, lexamen des
champs vasculaires extra-crniens suscite un intrt
grandissant. On a commenc par examiner les carotides
et les vaisseaux des extrmits infrieures, qui sont relativement simples analyser [26, 27] et de nombreux
travaux ont entre-temps port sur les vaisseaux coronaires et les artres rnales [28, 29].
Ladministration de produit de contraste est devenue
quasiment obsolte dans les techniques forte puissance
de champ. De nombreux auteurs ont montr que lAIRM
time-of-flight est au moins quivalente lAIRM

contraste renforc [25, 27, 29]. Ceci ouvre de toutes

nouvelles perspectives en pratique clinique chez les patients insuffisants rnaux.

Inconvnients, limitations et effets indsirables

Laugmentation de la puissance de champ implique des
cots nettement plus levs. Ils englobent le cot de fabrication des appareils et le cot des matriaux, qui sont
nettement plus importants, dans la mesure o laugmentation de la puissance de champ rend plus difficile
le maintien de lhomognit du champ magntique
lintrieur de lappareillage. Dautre part, les cots induits des quipements annexes, par exemple lisolation
ncessaire au confinement du champ magntique, le
systme de refroidissement des aimants et la structure
daccueil du scanner, sont aussi bien plus importants.
Les scanners 7 Tesla de lancienne gnration pesaient
plus de 30 tonnes et ncessitaient des structures de confinement du champ magntique dont le poids total se situait entre 200 et 400 tonnes. Dimportants progrs techniques ont permis de rduire la fois le poids et le cot
de ces installations.
La forte tendance aux artefacts reprsente un autre inconvnient. La puissance de champ plus leve favorise
les inhomognits du champ magntique de base. De
plus, les impulsions excitatrices gnres par le scanner
IRM pntrent moins bien dans le corps avec de telles
puissances, ce qui induit des inhomognits dans lexcitation gnre par le scanner. Des artefacts de susceptibilit, comme on les observe par exemple aux interfaces entre les tissus et lair ou au voisinage des implants
mtalliques, sont en outre plus prononcs. Lensemble
de ces effets peut affecter la qualit des images et donc
limiter la prcision du diagnostic. Il faut galement tenir compte du fait quune exposition des champs de
plus forte puissance implique une dposition dnergie
plus importante dans le corps par les impulsions exciForum Med Suisse 2013;13(41):827829

828

N O VA

Figure 2
Projection intensit maximale dune angio-IRM time-of-flight 7 Tesla renforce par liquide
de contraste des artres crbrales dun homme de 36 ans. La rsolution spatiale des
diffrentes images est de 0,22 0,22 0,6 mm3 et le temps dacquisition tait denv.
10 minutes. Les artres sont reprsentes jusque dans les zones trs priphriques avec
un contraste remarquable.

tatrices. Cest pourquoi on a dfini des valeurs maximales

pour lnergie radiante dispense, afin de prvenir des
lsions ventuelles. Ce qui limite videmment dans le
mme temps les performances des scanners IRM.
Ces inconvnients et ces limitations ont fait dvelopper
au cours des annes toute une srie de techniques destines parer ces difficults. Ces perfectionnements
progressifs ont souvent profit lensemble du spectre
des appareils IRM avec des effets de synergie, particulirement dans les systmes de trs grandes puissances
de champ. La technologie de transmission parallle en
est un bon exemple. Elle permet en effet dexciter plusieurs couches simultanment et donc dobtenir, surtout
pour les fortes puissances de champ, une meilleure homognit de la luminosit de limage.
Il nen demeure pas moins que certains patients sont
gns par les effets des fortes puissances de champ sur
lorganisme. Quelques patients se plaignent ainsi de nauses et de vertiges, dont la cause nest pas clairement
comprise. Il se pourrait que des dpts de fer dans
loreille interne, mobiliss lors de lexposition au champ
magntique, soient lorigine de ces troubles. On ne
connat pas, ce jour, dautres effets indsirables lis
aux techniques forte puissance de champ. Lexposition
aux champs de forte puissance augmente galement les
risques inhrents aux objets mtalliques prsents dans
la salle dexamen. Laugmentation de la puissance de
champ accrot la force dattraction exerce sur ces objets, mais aussi la distance laquelle ces objets peuvent
subir une attraction significative.

Indication et prix
Lindication ce type dexamen reste pour linstant encore principalement rserve des fins de recherche
scientifique. Dans le cadre des maladies neuro-dgnratives, il existe toutefois aujourdhui dj des indications, comme le diagnostic de la maladie dAlzheimer,

dans laquelle lIRM forte puissance de champ constitue la mthode standard dans le diagnostic non invasif.
Les situations dans lesquelles la technologie puissance
de champ ultra-forte est la seule mthode permettant
un examen sr des patients, par exemple lors dangiographies natives chez des patients en insuffisance
rnale, constituent un autre champ dapplications. Le
recours cette technique semble par ailleurs judicieux
mme dans des cas qui ne ncessitent pas obligatoirement de telles puissances de champ. Cest le cas aujourdhui dj avec les systmes 3 Tesla, utiliss par
exemple dans les examens de labdomen o une puissance de 1,5 Tesla serait vrai dire parfaitement suffisante. Il ne faut pas sattendre pour autant une
augmentation du montant pris en charge par les caissesmaladie. Le remboursement restera selon toute vraisemblance au niveau du standard actuel, aussi bien pour les
indications de lIRM classique que pour les indications
spcifiques aux examens trs forte puissance de champ.
Le passage des scanners 1 Tesla aux appareils 1,5 ou
3 Tesla ne sest ainsi accompagn daucune adaptation
tarifaire.
Pour tous les patients et pour tous les mdecins rfrents, lIRM forte puissance de champ ouvre la voie
vers de nouvelles possibilits diagnostiques, en particulier dans le domaine des maladies neuro-dgnratives.
Il convient de rester trs attentif aux futures publications et de rvaluer rgulirement la validit de cette
technique. Il y a aussi toujours plus de patients avec
dautres indications cliniques faisant lobjet de ce type
dexamens dans les centres possdant lquipement ad
hoc. Cela nimplique aucun inconvnient pour les
patients et les cots devraient continuer tre pris en
charge par les caisses-maladie au tarif de lIRM classique.

Rsum
Des IRM trs forte puissance de champ (>7 Tesla)
existent aujourdhui dj dans quelques centres universitaires hautement spcialiss. Le nombre de ces appareils va certainement continuer augmenter et leur prix
va par consquent avoir tendance diminuer. A lheure
actuelle, les indications se limitent aux bilans cliniques
des maladies neuro-dgnratives. On peut nanmoins
sattendre une extension de ces indications au cours
des prochaines annes; les avantages de cette technologie pourront bnficier un plus grand nombre, du
moins dans les centres hautement spcialiss.
Correspondance:
Prof. Johannes T. Heverhagen
Inselspital, Universittsspital Bern
Universittsinstitut fr Diagnostische,
Interventionelle und Pdiatrische Radiologie (DIPR)
Freiburgstrasse 10
CH-3010 Bern
Johannes.Heverhagen[at]insel.ch
Rfrences

Une liste complte numrote des rfrences se trouve ladresse

www.medicalforum.ch.

Forum Med Suisse 2013;13(41):827829

829

Ecole Doctorale STIC

de Nice Sophia-Antipolis
Universite

pour le recalage des

Les mesures de similarite
dicales
images me

moire
Me
pour lobtention de l

` Diriger des Recherches

Habilitation a
par

goire Malandain
Gre

Presente le 20 mars 2006,

devant le jury compose de

Rapporteurs :

Examinateurs :

Isabelle Bloch

Jocelyne Troccaz

Dirk Vandermeulen

Nicholas Ayache

directeur de recherche INRIA

Jean-Daniel Boissonnat directeur de recherche INRIA

Didier Dormont

`
TABLE DES MATIERES

Table des mati`

eres
1 Avant-propos

2 Introduction
2.1 Limportance du recalage en imagerie medicale . . . . . . . . . . . . . . . . . . .
2.2 Le recalage dun point de vue methodologique . . . . . . . . . . . . . . . . . . . .

9
9
11

3 Le recalage g
eom
etrique
3.1 Introduction . . . . . . . . . . . . . . . . . . . . .
3.2 Recalage du chanfrein et approches ressemblantes
3.3 Lalgorithme du plus proche point itere . . . . .
3.3.1 Forme classique et extensions . . . . . . .
3.3.2 Extension iconique . . . . . . . . . . . . .
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.

13
13
14
16
16
19
20

.
.
.
.

23
23
24
25
26

4 Lextraction de primitives g
eom
etriques
4.1 Segmentation du cerveau et recalage . . . . . . .
4.2 Segmentation des reseaux vasculaires et recalage
4.3 Axe median/squelette et recalage . . . . . . . . .
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . .
5 Le recalage iconique
5.1 Mesures de similarite globales .
5.2 Images adaptees `a des mesures
5.3 Mesures adaptees `a des images
5.4 Mesures de similarite locales . .
5.5 Applications . . . . . . . . . . .
5.5.1 IRM / US . . . . . . . .
5.5.2 HMPAO / Xenon 133 .
5.6 Conclusion . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

27
28
31
34
35
36
36
37
38

6 M
ethodes hybrides
6.1 Recalage iconique et appariements geometriques
6.2 Appariements iconiques . . . . . . . . . . . . . .
6.3 Les primitives iconiques . . . . . . . . . . . . . .
6.4 Un recalage hybride : le recalage par blocs . . . .
6.5 Le recalage par blocs : travaux complementaires .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

41
41
42
43
44
46

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

`
TABLE DES MATIERES

2
6.6

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 Perspectives
7.1 Les mesures de similarite . . . . . . .
7.2 Les transformations . . . . . . . . . .
7.3 Applications . . . . . . . . . . . . . . .
7.3.1 Utilisation datlas anatomiques
7.3.2 Construction datlas . . . . . .
7.3.3 Une imagerie multi-echelle . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

47
51
51
54
58
58
60
60

8 Conclusion

63

9 Documents associ
es

81

Chapitre 1

Avant-propos
Lecriture dun document tel que celui-ci offre une occasion de faire le point sur lactivite
jusquici menee. Au vu des differents etudiants avec lesquels jai eu le bonheur de travailler (cf
tableau 1.1 et page 83) il sav`ere difficile de faire une presentation exhaustive de ces travaux sans
tomber dans une enumeration laborieuse. Les domaines abordes sont relativement differents, `
a
limage de mes travaux de doctorat [118], et exhiber un fil conducteur de toute cette activite
quelque peu eclectique semblera, `a raison, un exercice retrospectif artificiel. Aussi, apr`es une
presentation succincte et sans doute incompl`ete de lensemble des travaux menes, (quelques
articles sont annexes `a la fin de ce document, page 101), le document se focalisera sur les
mesures de similarite pour le recalage.

Panorama des travaux men

es
Ici est presente un panorama des travaux conduits jusqu`a present, en particulier ceux menes
avec des etudiants en th`ese. Ils sont regroupes selon les categories methodologiques du tableau 1.1.
Recalage dimage
Le recalage dimage est au cur de ce document. Jai commence `a travailler sur ce th`eme
au cours de ma th`ese [118] en proposant une methode de recalage geometrique (on segmente
dabord les images `a recaler) dont loriginalite residait en la methode doptimisation : lun des
objet generait un champ de potentiel (une carte de distances au carre) dans lequel on plonge
lautre objet, lequel sy deplace selon les lois de la mecanique.
Ce travail a ete poursuivi lors de la th`ese de S. Vidal [69], qui a cherche `a ameliorer les
performances de la methode : dune part en utilisant une description facon octree de lobjet
se deplacant, ce qui reduit le nombre de primitives (voxels) de lobjet et reduit le co
ut calculatoire dune iteration, et dautre part en utilisant une decomposition des objets `a recaler en
classes, ce qui revient `a utiliser un champ de potentiel par type de points utilise, et permet
detre plus robuste par rapport aux minima locaux. Bien que le recalage geometrique tend `
a
tomber en desuetude depuis lavenement des methodes iconiques, ce type dapproche, inspiree
des lois de la mecanique, semble etre reprise actuellement, cf [149]. Par ailleurs, lutilisation de
la decomposition dun objet en differentes classes pour le recalage a ete poursuivie ensuite avec
S. Vidal et E. Bardinet (cf 4.3), en utilisant alors des outils de mise en correspondance de

CHAPITRE 1. AVANT-PROPOS

M. Reyes
C. Fouard
P.-Y. Bondiau
C. Blondel
A. Pitiot a
J. Stoeckel
D. Rey
S. Ourselin
O. Migneco
A. Roche
K. Krissian
L. Soler
S. Vidal

recalage

segmentation

X
X

statistique

reconstruction
(tomographique)
X

mouvement

topologie
discr`ete
X

X
X
X
X
X

X
X
X

X
X
X

Tab. 1.1 Synth`ese des domaines methodologiques abordes dans les th`eses des etudiants que
jai co-encadre (cf page 83). O. Migneco et P.-Y. Bondiau sont des medecins.
a
Bien quAlain Pitiot ait contribue `
a la segmentation de structures cerebrales, mon interaction avec lui na
porte que sur des probl`emes de recalage.

sous-graphes. Cette derni`ere technique est reprise par A. Charnoz dans ses travaux de th`ese (en
cours) pour le recalage de structures vasculaires [46].
Apr`es une tentative dadaptation de la methode des plus proches points iteres au cas iconique
(cf 3.3.2), interessante mais pas probante, les mesures de similarite iconique ont ete abordees
lors de la th`ese dA. Roche [164]. Ce dernier a dabord introduit une nouvelle mesure, le rapport
de correlation, puis propose une vue unificatrice des mesures de similarite usuelles (cf 5.3).
Dun point de vue applicatif, ces mesures globales ont ete utilisees par O. Migneco [133]
pour de la tomographie `a simple photon, et par P.Y. Bondiau [30] pour de la fusion IRM/CT
en radiotherapie.
Par ailleurs, S. Ourselin a travaille sur le recalage par blocs [140], concept proche des plus
proches points iteres, o`
u lon it`ere entre determination des appariements (cf 6.4) et calcul
de la transformation, ce qui permet de tenir compte de differences entre les images `a recaler.
Originellement developpe pour reconstruire un volume `a partir de coupes seriees (cf figure 6.2),
cet outil a ete etendu au cas 3-D, et permet aussi de recaler des images de differentes modalites.
Letude des deformations specifiques (rigides ou affines par morceaux) aux coupes 2-D a
ete realisee lors de la th`ese dA. Pitiot [147]. Une meilleure comprehension des transformations
intervenant dans ce probl`eme de reconstruction a ete ensuite realisee avec E. Bardinet [126].
Actuellement, cette voie applicative est toujours suivie.
Le recalage non-rigide a ete aussi aborde dans le cadre de la th`ese de P.Y. Bondiau. En effet,
en radiotherapie, il sagit de specifier des faisceaux dirradiation qui permettront de delivrer une
dose elevee `a la tumeur tout en epargnant au mieux le tissu sain, et particuli`erement certaines
structures, dites organes `
a risque (par exemple, le chiasma optique). Pour quantifier la dose
delivree, il faut avoir le contour de la tumeur et de ces structures. Ce contourage, sil est realise
manuellement, est tr`es consommateur de temps, en plus detre une tache fastidieuse. Aussi, sil
pouvait etre realise en transportant un atlas anatomique sur limage du patient, il sagirait dun

5
gain de temps appreciable, meme si des corrections doivent etre apportees. Specifier un outil de
recalage adapte nest pas aise et P.Y. Bondiau a travaille sur la validation du recalage [31] pour
un atlas cerebral. Ce travail se poursuit actuellement avec la th`ese dO. Commowick, qui inclut
en plus la localisation ORL. En particulier, lutilisation de transformations multi-affines permet
de gagner en robustesse [52].
Ce type dapproche, lutilisation dun atlas anatomique pour lidentification de structures, a
aussi ete mis en uvre dans un autre contexte, la segmentation des noyaux gris centraux pour
limplantation delectrodes profondes. Latlas avait ete reconstruit `a partir de coupes histologiques seriees.

Segmentation
Le recalage non-rigide avec un atlas a en fait pour finalite de segmenter limage sur laquelle cet
atlas est deforme. Lavantage est de pouvoir contourer conjointement plusieurs structures, tout
en preservant linformation a priori apportee par latlas (positionnement relatif des structures
entre elles, etc.).
La segmentation en elle-meme est un vaste domaine, il existe nombre de techniques differentes,
et le choix de lune dentre elles pour telle ou telle tache decoule souvent `a la fois dune analyse du probl`eme (choix dun outil adapte) et dun contexte culturel (choix dune classe doutils
matrisee), et les sujets ci-dessous mentionnes refl`etent cet etat de fait.
Tout dabord, lors de la th`ese de L. Soler [183], la segmentation du foie, de larbre vasculaire porte et des tumeurs hepatiques dans des images tomodensitometriques a ete abordee,
basee sur une analyse de lhistogramme de limage, et des post-traitements morphologiques
et topologiques. Larbre porte etait ensuite subdivise, afin de construire une segmentation `a la
Couinaud du foie. Une telle approche de segmentation de donnees vasculaires, en loccurrence de
limagerie microscopique de la micro-vasculature cerebrale, (cest-`a-dire seuillage et traitements
topologiques) a aussi ete suivie par C. Fouard [73].
La segmentation dimages vasculaires, plus precisement de la ligne centrale des vaisseaux,
a aussi ete realisee avec des outils de filtrage, et une methodologie proche de la detection de
contours (calcul dune fonction de merite, extraction de maxima directionnels, seuillage), dabord
lors de la th`ese de S. Vidal, puis plus en detail lors de celle de K. Krissian [101]. Les resultats issus
de ces travaux ont servi `a batir des maillages de vaisseaux pour des calculs decoulement [28],
et sont la premi`ere etape dune methode de reconstruction tomographique de larbre coronaire
`a partir dune sequence rotationnelle de projections rayons X, developpee lors de la th`ese de C.
Blondel [25].
Si lapproche ci-dessus etait assez formalisee, des methodes plus ad-hoc ont aussi ete mises
en uvre, comme la segmentation des structures oculaires pour la protontherapie des tumeurs
oculaires [32].
Lors de la th`ese de D. Rey [156], nous nous sommes attaches `a la detection et `a la segmentation des lesions evolutives de sclerose en plaques, dans une serie longitudinale. A cette
fin, un mod`ele de la variation de couleur dun voxel appartenant `a une zone evolutive a ete
appris, puis utilise pour detecter les voxels qui suivait ce mod`ele. Enfin, G. Dugas-Phocion
sinteresse actuellement `a la classification en differents tissus dimages IRM, avec un mod`ele
type Esperance-Maximisation, pour detecter et segmenter les lesions de sclerose en plaques,
dans des images acquises `a un seul instant.

CHAPITRE 1. AVANT-PROPOS

Statistiques
La derni`ere methode de segmentation presentee, qui concerne les lesions evolutives de sclerose
en plaques, est inspiree de la detection des activations en neuroimagerie, dont un avatar cel`ebre
est le logiciel SPM 1 : on ajuste en chaque voxel un mod`ele devolution (la reponse hemodynamique
en IRMf), et on cherche ensuite `a seuiller les param`etres dajustement. Savoir evaluer la significativite des seuils est dans ce cas un element cle.
De tels outils ont ete aussi utilises lors de la th`ese de J. Stoeckel [186], qui a egalement
developpe des outils statistiques de classification de populations pour laide au diagnostic en
imagerie fonctionnelle. Le but etait de mettre en evidence les zones de difference entre des sujets
sains et des sujets pathologiques. Une tache similaire, la mise en evidence de zones fonctionnelles
pathologiques, a aussi ete poursuivie par O. Migneco au cours de sa th`ese de sciences.
Reconstruction
La reconstruction peut sentendre de plusieurs facons. Tout dabord, cela peut designer la
reconstruction dun volume `a partir de coupes 2D que lon superpose les unes sur les autres,
cest aussi ainsi que lentendent les radiologues. Toutefois, le probl`eme devient plus ardu lorsque
les coupes 2D ont ete acquises independamment (dun point de vue geometrique) les unes des
autres, comme dans le cas de lhistologie ou de lautoradiographie. Ce probl`eme a ete aborde au
cours des th`eses de S. Ourselin et de A. Pitiot, comme cela a ete mentionne dans le paragraphe
ci-dessus portant sur le recalage.
La reconstruction peut aussi se comprendre comme la combinaison dimages pour en former
une plus grande, si celles-ci ne sont les unes au-dessus des autres mais les unes `a cote des autres,
on reconstruit alors une grande image `a partir dune mosaque dimages. Cette tache est particuli`erement importante si lon veut etudier une grande superficie `a une fine resolution, comme
cela etait le cas pour la th`ese de C. Fouard, qui etait motivee par letude de la microvascularisation cerebrale : les donnees etudiees etaient constituees par une mosaque dimages 3D acquises
par microscopie confocale (cf figure 7.2).
Les deux types de reconstruction ci-dessus decrits sont evidemment tr`es importants pour
limagerie biologique et sont donc encore activement poursuivis.
Enfin, la reconstruction peut sentendre au sens tomographique. Deux th`eses ont ete dirigees
dans ce sens. Dabord, C. Blondel a etudie une methode de reconstruction tomographique de
larbre coronaire `a partir dune seule sequence rotationnelle de projections rayons X, et il faut
donc compenser du mouvement cardiaque. Pour ce faire, il reconnait dabord dans la sequence
des images correspondant `a la meme phase cardiaque, desquelles il reconstruit un mod`ele 3D `
a
partir des lignes centrales des vaisseaux detectees en 2D. Ensuite, ce mod`ele est deforme dans
la sequence enti`ere afin destimer le mouvement des coronaires. Enfin, ce mouvement est integre
dans un processus de reconstruction tomographique algebrique classique, et, `a partir dimages
pseudo-soustraites, une image 3D des art`eres coronaires est produite.
M. Reyes, quant `a lui, `a etudie la reconstruction tomographique des images pulmonaires en
imagerie demission [158]. Il faut l`a compenser du mouvement respiratoire. Nous nous sommes
interesses au cas particulier o`
u nous navons acc`es `a aucune information sur la respiration du
sujet. Nous avons donc adapte un mod`ele de respiration autre aux donnees du patient, et nous
lavons integre dans une methode de reconstruction tomographique (MLEM).
1. Statistical Parameter Mapping.

7
Calcul de mouvement
Lestimation du mouvement na ete effectivement aborde quau cours de la th`ese de C. Blondel, o`
u nous deviosn estimer le mouvement cardiaque afin de le compenser lors de la reconstruction tomographique. A cette fin, le mouvement cardiaque a ete modelise comme un mouvement
cyclique, continu en temps et en espace. Afin den calculer les param`etres, un mod`ele filiaire 3D
des art`eres coronaires est deforme par rapport `a des projections rayons X.
Dans la th`ese de M. Reyes, lestimation du mouvement respiratoire du sujet image nest pas
faite : nous sommes meme dans lhypoth`ese o`
u nous navons pas acc`es `a une telle information.
Nous avons utilise le mouvement respiratoire dun sujet sain, en fait le champ de deplacement
entre les positions dexpiration et dinspiration, que nous avons recale affinement sur le patient.
Par la suite, ayant eu acc`es `a des donnees tomodensitometriques 4D, nous avons pu construire
un mod`ele moyen de respiration, et verifie sa coherence avec le mouvement du sujet sain.
Topologie et g
eom
etrie
Pour finir, un domaine detude recurrent est celui de la topologie discr`ete. Aborde au cours de
la th`ese en collaboration avec G. Bertrand, nous avions propose une caracterisation topologique
des points dune image binaire, basee sur des nombres locaux de composantes connexes [119],
qui, incidemment, donnait une caracterisation efficace des points simples 2 [19]. Cet outil a ete
abondamment utilise pour ebarbuler les lignes centrales des vaisseaux obtenues par filtrage, et
y reconnatre les embranchements dans un arbre vasculaire.
Au cours de la th`ese de S. Vidal, nous avons aussi propose un algorithme de calcul daxe
median, base sur des mesures locales de discontinuites dune carte de distance euclidienne. Puis,
au cours de la th`ese de C. Fouard, nous avons utilise une methode de squelettisation utilisant une
carte de distance du chamfrein. La difficulte y etait alors que limage ne pouvait pas etre chargee
enti`erement en memoire, et quil a fallu trouver une algorithmique efficace. Par ailleurs, nous
avons aussi aborde le calcul automatise des coefficients dune carte de distance du chamfrein
pour une grille anisotropique, ce qui permet de sadapter en ligne `a lanisotropie des images.
Enfin, et anecdotiquement, nous avons propose un algorithme de calcul du diam`etre dun
nuage de points avec J.D. Boissonnat [127].

Plan du document

Etant
donne la largeur du spectre des domaines abordes, et plutot que de survoler chacun
dentre eux, la suite de ce document tente seulement de faire un point autour des seules mesures
de similarite pour le recalage dimage, en abordant successivement le recalage geometrique, suivi
dune petite disgression sur la segmentation de primitives geometriques, puis le recalage iconique,
et enfin les methodes hybrides, avant detendre la discussion sur les probl`emes de recalage en
general.

2. Points pouvant etre ajoutes ou enleves de limage sans changer la topologie de celle-ci. Ces points simples
sont essentiels pour les algorithmes damincissement ou depaississement homotopiques.

CHAPITRE 1. AVANT-PROPOS

Chapitre 2

Introduction
2.1

Limportance du recalage en imagerie m

edicale

n offrant la possibilite dexplorer le corps humain en 2 ou 3 dimensions, limagerie medicale

in vivo apporte une aide importante au clinicien que ce soit `a des fins diagnostiques ou
therapeutiques.
Certaines modalites permettent dacceder `a lanatomie, comme limagerie par resonance
magnetique ou le scanner, dautres offrent lacc`es au metabolisme des organes (on parle alors
dimagerie fonctionnelle). Certaines sont bidimensionnelles (coupes histologiques, ou radiologie
conventionnelle), ou tridimensionnelles (par exemple lIRM), voire 4-D (sequences dechographies
3-D). Afin de (mieux) discerner lobjet image, lutilisation dun produit specifique (produit de
contraste, colorant histologique) peut etre necessaire. Certaines modalites ne realisent meme que
limage de la distribution spatiale de ce produit, comme la medecine nucleaire.
De facon generale, les differentes modalites dimagerie sont complementaires, et leurs indications se recouvrent peu :
le scanner ou la radiologie permettent de visualiser les structures, naturellement (comme
les os) ou artificiellement (par le biais dune produit de contraste), opaques aux rayons X,
lIRM, qui utilise la mise en resonance des protons de leau, permet de differencier les tissus
mous,
lhistologie ou lautoradioraphie, dune part grace `a leur resolution, de lordre du dixi`eme
de millim`etre, et dautre part grace `a lutilisation dun produit revelant certaines structures
ou fonctions, offre une imagerie plus proche dune certaine verite anatomo-fonctionnelle,
etc.
De cette rapide presentation, il ressort que, pour profiter des particularites de plusieurs
modalites, il faut etre capable de les combiner. La presentation dune information composite,
resultant de la combinaison de plusieurs modalites, se nomme la fusion dimages. Cette tache
implique implicitement que les images `a combiner soient spatialement comparables, cest-`a-dire
quelles soient definies dans le meme rep`ere geometrique. Cette condition est rarement remplie
avec les images acquises nativement 1 , et il faut donc etre capable destimer la transformation
spatiale relative permettant de passer du rep`ere geometrique dune des images `a celui de lautre.
Cette derni`ere tache, le recalage des images medicales, a ete tr`es tot une des preoccupations
des acteurs du domaine (un des premiers article proposant un etat de lart date de 1987 [76])
1. A lexception notable des cameras couplees tomodensidom`etre et tomographie par emission de positrons.

10

CHAPITRE 2. INTRODUCTION

Fig. 2.1 Pourcentage darticles traitant du recalage publies dans le journal IEEE Transactions
on Medical Imaging au cours des derni`eres annees.
en general, et de notre equipe en particulier [12]. Elle nest toujours pas consideree comme un
probl`eme resolu, et ce champ de recherche reste tr`es actif et fertile : le taux darticles dun journal
important du domaine, sy consacrant, y est a peu pr`es constant, voire en leg`ere progression (voir
figure 2.1).
Par rapport au recalage dimages dans le domaine du traitement des images en general, le
recalage dimages medicales en imagerie medicale semble avoir une importance relative bien plus
importante. Cela se comprend aisement, etant donne le nombre dapplications qui necessitent
de comparer des images medicales :
la fusion dinformation : des images de modalites differentes du meme patient doivent etre
recalees ;
la mesure devolution : des images de meme modalite du meme patient, mais acquises `
a
des instants differents, doivent etre recalees ;
la comparaison dindividus : des images de meme modalite, mais de sujets differents,
doivent etre recalees ;
la superposition datlas : des images de modalites differentes de sujets differents doivent
etre recalees.
On peut sen rendre compte en ne regardant, parmi les articles traitant de recalage, que ceux
qui dressent un etat de lart, evidemment instantane.
De tels articles dans le domaine du traitement des images en general, et qui mentionnent
le recalage des images medicales comme un cas particulier, ont ete ecrits par Brown [36] et
Zitova [216]. Par comparaison, en imagerie medicale, la production est beaucoup plus importante
[199, 108, 85, 114, 105, 94, 89, 204, 148, 58].
Les articles cites sadressent aux methodologistes plutot quaux specialistes, qui, eux-aussi,
ont dresse des etats de lart par domaine dapplication comme la medecine nucleaire [208, 195,


2.2. LE RECALAGE DUN POINT DE VUE METHODOLOGIQUE

11

93], limagerie cardiaque [77, 117], ou la radiotherapie et loncologie [47, 170] pour nen citer que
quelques-uns.
Enfin, des ateliers specialises, comme WBIR (International Workshop on Biomedical Image
Registration), sont meme organises.
Cet interet constant sexplique par plusieurs raisons, et particuli`erement :
le developpement du materiel informatique, qui permet de mettre en uvre des approches
de plus en plus gourmandes en calcul ;
letude du recalage entre sujets differents (ou entre un sujet et un atlas), qui est un probl`eme
difficile, encore non resolu, et qui suppose quil existe une transformation geometrique entre
deux sujets differents : ce type de recalage est un point de passage oblige pour pouvoir
conduire des etudes de population par exemple.

2.2

Le recalage dun point de vue m

ethodologique

Le recalage peut se formaliser, en reprenant les notations de [36], par

T = arg max S (I,J,T )
T T

(2.1)

Le recalage consiste donc `a trouver la meilleure transformation T, dans la famille de transformation T , qui permettent de superposer I sur J, S etant une fonction de mesure de la qualite
dune transformation T pour le couple dimages I et J. Cette mesure de qualite, ou mesure
de similarite, qui permet de comparer entre elles deux transformations, joue une importance
majeure dans les probl`emes de recalage.
Cependant, il ne faut pas occulter le fait que cette formulation, synthetique, masque en fait
de nombreuses difficultes techniques et pratiques. Elle permet toutefois de mieux apprehender
differentes familles de techniques : le recalage geometrique, qui sappuie sur lappariement de
primitives geometriques extraites des images `a recaler, le recalage iconique, qui ne requiert
aucune segmentation et sappuie directement sur les intensites des images `a recaler, et le recalage
par blocs, qui est une methode hybride entre les deux precedentes.
Ces familles sont en fait liees `a differentes evolutions du recalage, que lon peut toutes resumer
comme etant du simple au complique mais qui porte sur differents aspects du recalage.
Dans sa mise en uvre, o`
u lon est passe dapproches necessitant un pretraitement des
images `a recaler (par exemple une segmentation), `a des approches sans pretraitement, avec,
en correlaire, une complexite (algorithmique) accrue des crit`eres permettant devaluer la
qualite dun recalage.
Dans ses applications, o`
u lon est passe au recalage dimages du meme sujet (avec une
transformation rigide), au recalage dimages de sujets differents (avec une transformation
non-rigide).
Le present document a pour ambition de dresser, au travers des travaux auxquels lauteur
a participe, un petit panorama des differentes mesures de similarite (au sens large) et de leur
evolution, afin de mettre en evidence des rapprochements entre differentes approches, et de
pointer au passage certaines difficultes. Le point de vue adopte, tr`es focalise, et de ce fait
partial, cherche `a mettre en valeur les idees sous-tendant les differents travaux, et provenant
pour certaines dentre elles de reflexions a posteriori.

12

CHAPITRE 2. INTRODUCTION

Son plan est donc plutot simple, avec un premier chapitre sur le recalage geometrique, suivi
dune digression sur la segmentation des primitives geometriques utilisees pour celui-ci. Ensuite
viennent les mesures de similarite iconiques et les methodes de recalage hybrides. Quelques
perspectives viennent clore ce document.
Par ailleurs, certaines remarques, plus techniques, et qui permettent de mettre en evidence
certaines difficultes ou idees, mais qui ne sont pas necessaires pour une premi`ere comprehension
du document seront mises en forme typographiquement comme suit.
Soit ZnI le support de definition de limage I. I est donc consideree comme une fonction,
I : ZnI R, definie en un nombre fini de points discrets, reguli`erement repartis sur une grille
rectangulaire de dimension n. Soit egalement RnI lespace reel sous-jacent `a ZnI .
Pour transporter limage I sur limage J, il faut en fait transporter les points de ZnJ dans RnI .
On a donc T : RnJ RnI . Limage I T permet donc dobtenir une image I sur le domaine
de definition de J.
Une des difficultes recurrentes du recalage est que cela necessiterait pour I detre definie
sur RnI . Cela sobtient generalement par interpolation, cest-`a-dire en etendant I `a RnI . La
fonction IR ainsi construite peut secrire

I(M )
si M ZnI
(2.2)
IR : RnI R avec IR : M 7
f (I(Vl (M )) si M RnI \ ZnI
o`
u les Vl (M ) sont des voisins de M dans ZnI et f () une fonction dinterpolation. Outre le
fait qu elle introduite une asymmetrie dans la formulation du probl`eme (cf chapitre 5), cette
interpolation peut ne pas etre sans consequence, et pertuber le profil de certaines mesures
de similarite, comme linformation mutuelle [197, 96].
Malgre ces remarques, la notation I T , quoique abusive, sera utilisee par souci de concision.

13

Chapitre 3

Le recalage g
eom
etrique
3.1

Introduction

ar recalage geometrique, on designe loperation de calcul dune transformation optimale,

non plus entre deux images quelconques, I et J mais entre des (ensembles de) primitives
geometriques identifiees (points, lignes, vecteurs, rep`eres, surfaces, volumes, etc.), PI et PJ ,
extraites respectivement des images I et J.
Les etapes de segmentation peuvent par exemple secrire
S

I
I
PI

et

J
J
PJ

Lobtention des primitives geometriques peut etre faite en deux etapes, dabord lobtention
dune image binaire, puis la selection des points selectionnes.
Une image I peut etre vue comme une fonction de Zn , n = 2 ou 3 voire 4 selon la dimension
de limage, dans R (en fait, selon lencodage de limage (entiers sur un ou deux octets), cela
peut etre une partie de Z), tandis quune image segmentee (binaire) I est une fonction de
Zn dans {0,1}.
On a alors PI = {M I |I (M ) = 1}, auquel cas PI est un sous-ensemble de Zn , le domaine
de definition des images.
Toutefois, dautres operateurs de segmentation peuvent avoir une precision subvoxelique, et
donner directement des points de Rn , qui est lespace sous-jacent au domaine de definition
des images. On peut donc considerer PI comme une partie de Rn .
Par ailleurs, certains operateurs de segmentation peuvent aussi attribuer, aux points extraits,
des caracteristiques additionnelles (courbure, etc.) qui pourront aussi etre utilisees pour le
recalage.

les operateurs de segmentation, SI et SJ , pouvant etre a priori differents, comme les types
de primitives obtenues, PI et PJ . La formulation du recalage devient alors
T = arg max S (PI ,PJ ,T )
T T

(3.1)

Implicitement, on suppose que les solutions de lequation (3.1) seront aussi solutions (eventuellement des approximations raisonnables de celles-ci) de lequation (2.1). On suppose en fait
que les segmentations seront reussies en ce sens quelles auront pu identifier et individualiser
des ensembles de points :
qui, consideres separement, seront representatifs des images I et J, par exemple les contours
des organes dinteret, et

CHAPITRE 3. LE RECALAGE GEOM

ETRIQUE

14

qui, consideres conjointement, seront capables de rendre compte de la qualite du recalage,

cest-`a-dire de la transformation calculee (les memes contours se retrouvent dans les 2
images).
En pratique, le probl`eme se ram`ene meme `a
T = arg max S (PI ,T (PJ ))
T T

(3.2)

o`
u T (PJ ) est defini par T (PJ ) = {T (P ) avec P PJ }. A priori la nature asymetrique de
cette derni`ere formulation devrait peu importer, si la transformation T est inversible. Les
mises en uvre pratiques font cependant jouer un role different aux 2 segmentations.
Remarquons de plus que, quand bien meme PJ serait une partie de Zn , T (PJ ) sera une partie
de Rn car la restriction de la transformation T `a Zn est rarement `a valeurs dans Zn (sauf
dans le cas pariculier des translations par des vecteurs de Zn , cas que nous rencontrerons
plus tard).

La difference de formulation entre les equations (2.1) et (3.1) peut sembler tenue, mais elle a le
merite de mettre en valeur la disparition de la notion de support dune image dans la formulation
du recalage, qui, comme nous le verrons pour le recalage iconique, peut poser probl`eme.
Nous allons presenter par la suite deux approches particuli`eres de recalage geometrique, les
algorithmes du recalage du chanfrein (ou Chamfer Matching) et du plus proche point itere (ou
Iterative Closest Point), en esquissant un lien de parente entre eux. Le lecteur interesse pourra
trouver un etat de lart sur des methodes de recalage de donnees segmentees dans [11].

3.2

Recalage du chanfrein et approches ressemblantes

Si, grace `a loperation de segmentation, le probl`eme (2.1) a ete transforme en (3.1), a priori
plus simple a resoudre, il nen reste pas moins quune solution doit etre trouvee.
Si lon consid`ere que les objets segmentes peuvent etre alignes, il suffit alors de minimiser
les distances de tous les points dun objet dans une image par rapport `a lobjet issu de lautre
image. Lapproche tete-chapeau proposee par [143] et qui a eu un certain retentissement dans le
milieu de limagerie medicale sappuie sur ce principe. La tete et le chapeau sont les surfaces du
scalp extrait de deux images differentes (typiquement IRM et image de transmission en TEP),
et lon minimise iterativement (en mettant `a jour les param`etres de la transformation) la somme
des distances de chaque point du chapeau par rapport `a la tete.
Dans cette approche, le processus de calcul de la distance est ad-hoc et suppose que lon
recale deux surfaces (discr`etes) convexes. De fait, si ce calcul de distance peut etre systematise
tout en restant dune complexite algorithmique raisonnable [59, 33, 153], alors la minimisation
de la somme des distances des points de lobjet dans une image (par rapport `a lobjet de lautre
image) sen trouve facilite. Cest le principe du recalage du chanfrein (cf figure 3.1) [34], qui, bien
que propose hors du cadre de limagerie medicale, y trouvera un champ dapplication privilegie,
pour differentes localisations [128, 201, 155, 43].

Etant
donne donc que lon dispose de deux segmentations pertinentes, PI et PJ , la resolution
du recalage se decompose en
1. le calcul dune carte de distance, approchee [33] 1 ou non [59] :
M dI (M ) min kM P k
P PI

1. Pour ce type de methode, on parle de distance du chanfrein (ou chamfer distance), do`
u le nom de recalage
du chanfrein.

3.2. RECALAGE DU CHANFREIN ET APPROCHES RESSEMBLANTES

15

Fig. 3.1 Principe du recalage du chanfrein (`

a droite avec des surfaces, `
a gauche avec des
volumes) : lune des segmentations est utilisee pour generer une carte de distance, lautre cherche
a realiser un minimum dans le potentiel ainsi defini.
`
2. et la resolution de T = arg min S (I,J,T ) avec
T T

S (I,J,T ) =

  X
1
[dI T (P )](2)
2

(3.3)

P PJ

o`
u lelevation au carre et le facteur 1/2 sont optionnels, par rapport aux param`etres de la
transformation. Cette minimisation etant, en pratique, conduite de mani`ere iterative.
Nous sommes donc passe du probl`eme (3.2), T = arg max S (PI ,T (PJ )) `a un nouveau
T T
X 1
(2)
probl`eme 2 , T = arg min
[dI T (P )] , o`
u les roles differents joues par les deux
T T
2
P PJ

segmentations est manifeste. La segmentation, PI a ete transformee en une image dI : Zn

R. Cette transformation est surtout legitime si PI est une sous-partie de Zn . Dun point de
vue pratique, on se rend compte que lestimation de dI T (P ) va necessiter une approximation
(une interpolation) car T (P ) Rn . Comme la carte de distance est dej`a une approximation
de la distance euclidienne, il est important, dans une application de recalage, quelle soit
aussi precise que possible [129].

La minimisation de cette mesure peut etre faite par des algorithmes numeriques classiques
[151], prenant en compte ou non les derivees de la mesure calculables par
X
S (I,J,T )
T (P )
=
dI T (P ) (dI T (P )) .
p
p

(3.4)

P PJ

o`
u p est lun des param`etres de la transformation.
Dans le cadre de limagerie cerebrale multimodale, la transformation recherchee est en general
une transformation rigide 3D (avec 6 degres de liberte : 3 pour la rotation, 3 pour la translation).
Ayant remarque que la mesure definie dans (3.3) etait similaire `a une energie potentielle, nous
avons propose de ne pas explicitement minimiser cette energie mais detudier le mouvement du
2. Passer dune maximisation `
a une minimisation ne pose en soi aucune difficulte technique evidemment.

16

CHAPITRE 3. LE RECALAGE GEOM

ETRIQUE

Fig. 3.2 Recalage rigide IRM/TEP realise par recalage du chanfrein. En haut, position du centre des coupes TEP apr`es recalage (alignees selon un axe orbito-meatal), en bas,
contours extraits des coupes IRM reechantillonnees apr`es recalage superposes sur la TEP. IRM :
256 x256 x120 voxels de 1.3 mm3 ; TEP : 256 x256 x7 voxels de 1 x1 x9 mm3 . Donnees aimablement fournies par Jael Trav`ere (centre Cyceron, Caen) [122].
solide [27] defini par PJ dans le champ de potentiel 1/2 [dI (.)]2 [118, 122]. Les avantages de cette
approche sont multiples :
le mouvement du solide ne depend plus que dun seul param`etre, le temps,
lacceleration du solide obtenue lors de la minimisation du potentiel permet de saffranchir,
au moins partiellement, des minima locaux de ce potentiel,
cette meme acceleration permet datteindre plus vite le minimum de potentiel.
Une decomposition hierarchique du solide en mouvement permet dameliorer encore les performances de lalgorithme [71, 121, 123].
Cette approche donne de bons resultats pour le recalage rigide dimages cerebrales multimodales, par exemple IRM/TEMP, IRM/TEP (voir figure 3.2), CT/TEMP, etc [124, 125] 3 ou
dimages cardiaques [81]. Il faut toutefois garder `a lesprit que sa precision, voire son succ`es,
dependent de letape de segmentation [200].

3.3
3.3.1

Lalgorithme du plus proche point it

er
e
Forme classique et extensions

Si lon reprend lequation (3.4) qui donne lexpression des derivees de la mesure de similarite
minimisee lors du recalage du chanfrein, on voit apparatre le terme dI T (P ) (dI T (P )) pour
P point de la segmentation PJ de limage J. Ce terme peut se reecrire (exactement ou non, selon
3. Elle avait fait lobjet dun transfert industriel vers la societe Focus Graphics, transfert ayant contribue `
a
lobtention du prix ECVNet par lequipe Epidaure.

3.3. LALGORITHME DU PLUS PROCHE POINT ITER

17

que dI (.) est la distance euclidienne et quelle est derivable en T (P )) en

dI T (P ) (dI T (P )) T (P ) CI (T (P ))
o`
u CI (T (P )) est le point de la segmentation PI de limage I le plus proche du point T (P ). Il
sav`ere donc que, en ce qui concerne la translation pour les transformations rigides ou affine, la
minimisation de (3.3) revient `a apparier chaque point P de PJ , apr`es transformation par T , au
point le plus proche dans PI . On reconnat ici le principe de lalgorithme du plus proche point
itere [20, 215, 65, 83].
On peut donc considerer que lalgorithme du recalage du chanfrein se comporte un peu
comme sil realisait `a chaque iteration des appariements implicites et transitoires, appariements
qui deviennent explicites (et restent transitoires) dans lalgorithme du plus proche point itere.
En fait, le probl`eme du recalage peut simplement se ramener `a lidentification de points
se correspondant (ou points apparies) dans les deux images `a recaler. Une fois ces paires
de points construites, la determination de la meilleure transformation (en particulier les
transformations rigides) peut etre faite par une estimation aux moindres carres [63, 91, 10].
Le probl`eme secrit alors T = arg max S ({(Mk ,T (Pk ))}) o`
u (Mk ,Pk ) PI PJ est une paire
T T

de points apparies. Remarquons qualors on impose card (PI ) = card (PJ ). Cest typiquement
ce qui est realise lors dun recalage manuel o`
u on demande `a un operateur de pointer des
points similaires dans les images `
a recaler.
Cette etape dappariement etant complexe, et difficile `a automatiser (sauf peut-etre dans
certaines circonstances, comme lorsque des points extremaux peuvent etre calcules [191,
145]), lalgorithme ICP, ainsi que le recalage du chanfrein, contournent le probl`eme.
Cette estimation aux moindres carres peut aussi etre faite pour des caracteristiques geometriques autres que des points : droites, plans [131, 97].

Pour celui-ci, la mesure de similarite a` minimiser secrit donc

X
S (I,J,T ) =
kT (P ) (CI T )(P )k2

(3.5)

P PJ

On remarque, comme pour le recalage du chanfrein, le caract`ere asymmetrique de la formulation

qui fait jouer des roles differents aux deux segmentations. La symetrie peut etre artificiellement
(et heuristiquement) reintroduite, mais avec un surco
ut algorithmique [215].
La resolution de (3.5) se fait en optimisant cette mesure alternativement par rapport aux
appariements (la fonction CI : Rn PI ) et `a la transformation T :
1.
2.

CI (T (P )) = arg min kT (P ) M k2
M PI
X
T = arg min
kT (P ) (CI T )(P )k2
T T

avec T fixe
avec CI T fixe

(3.6)

P PJ

Avoir explicite les appariements peut permettre

de les construire dans un espace augmente (en considerant des courbures par exemple)
[65, 179, 180], auquel cas on change la distance spatiale utilisee dans la premi`ere etape de
(3.6) pour une distance generalisee,
Si lon veut etre rigoureux, les ensembles PI et PJ ne sont plus des sous-ensembles
de lespace spatial sous-jacent au domaine de definition Rn des images, mais des sousensembles de Rn Rk1 Rkm o`
u m designe le nombre de coordonnees ajoutees et ki

CHAPITRE 3. LE RECALAGE GEOM

ETRIQUE

18

la dimensionnalite de chacune de ces coordonnees (1 pour un scalaire representant une

courbure, 3 pour un vecteur representant une normale `a une surface i.e. un vecteur
unitaire).
Il faut prendre garde au fait que lapplication dune transformation spatiale T `a un point
augmente peut egalement modifier les coordonnees ajoutees : une transformation rigide
ne modifiera pas une courbure, mais modifiera la direction dun vecteur unitaire.
Enfin, la distance au carre entre deux points augmentes peut secrire comme une somme
ponderee de la distance au carre euclidienne classique (pour les coordonnees spatiales)
et des distances au carre des autres coordonnees. Les ponderations sont `a choisir pour
rendre comparables les differentes distances.

de les trier afin de supprimer des appariements aberrants comme dans les moindres carres
tamises (ou Least Trimmed Squares) [171], et la seconde etape de (3.6) devient
X
T = arg min
kT (P ) (CI T )(P )k2 avec PJ0 PJ
T T

P PJ0

le sous-ensemble PJ0 etant determine dynamiquement lors du calcul de T ,

de penaliser des appariements aberrants [154], par exemple en utilisant des estimateurs
robustes (.) `a la place de la norme k.k2 [171], et la seconde etape de (3.6) devient
X
T = arg min
(kT (P ) (CI T )(P )k)
T T

P PJ

de construire plusieurs appariements avec un seul point (on parle alors dEM-ICP 4 [82,
84, 83, 173], et la seconde etape de (3.6) devient
X X
X
T = arg min
(T (P ),Q)kT (P ) Qk2 avec
(T (P ),Q)
T T

P PJ QPI

QPI

les ponderations (T (P ),Q) dependant typiquement de kT (P ) Qk,

etc.
Dun point de vue tr`es generique, on se retrouve donc avec une mesure `a minimiser iterativement
de la forme
X
X
S (I,J,T ) =
(kT (P ) Qk))
P PJ0 PJ QV(T (P ))

avec V(T (P )) un voisinage autour de T (P ).

Cette technique permet de recaler des primitives geometriques similaires (comme des surfaces, cf figure 3.3) avec des caracteristiques (niveau de bruit, taille, etc.) relativement differentes.
Ce type dapproche a egalement ete applique avec succ`es au recalage de donnees angiographiques cerebrales 3D (ARM) avec des images dangiographie numerique soustraites (soustraction dune image radiologique avec produit de contraste, avec une image radiologique sans
produite de contraste), donc des projections 2D, o`
u une seule des carotides est injectees [67],
cest-`a-dire au calcul de la pose de lobjet 3-D par rapport `a sa projection (cf figure 3.4). Nous
avions montre quil etait meme possible destimer les param`etres de la camera (la matrice de
projection) avec evidemment une grande incertitude sur la position de lobjet 3D le long de
laxe optique. Cette incertitude est nettement reduite si lon dispose dune autre projection, par
4. EM pour Expectation-Maximization.

3.3. LALGORITHME DU PLUS PROCHE POINT ITER

19

Fig. 3.3 Utilisation de lICP pour le recalage de 2 surfaces. De gauche `

a droite : surface dun
visage obtenue par sterevision, surface extraite dune IRM, image composite (realite augmentee)
montrant la surface du cerveau derri`ere un visage en transparence [21, 65].

Fig. 3.4 Utilisation de lICP pour le calcul de pose (recalage 2D/3D de donnees angiographiques). De gauche `
a droite : angiographie numerique soustraite, superposee avec lestimation
initiale de la pose, superposee avec lestimation finale de la pose [67].
exemple orthogonale `a la premi`ere, comme en angiographie biplan. L`a aussi, comme pour lalgorithme du recalage du chanfrein, la qualite de la segmentation influe grandement sur la qualite
du recalage, influence heureusement temperee par les controles quil est possible dexercer sur
les appariements.

3.3.2

Extension iconique

Nous avons enfin montre quil etait possible dutiliser lalgorithme du plus proche point itere
sans realiser de segmentation dans le cadre du recalage monomodal non-rigide (recalage interpatients dIRM cerebrales), eventuellement avec correction dintensite, o`
u les transformations
etaient representees par des bases de fonctions splines [68, 66].
Dans cette approche, lune des images etait consideree comme une surface delevation, et
les points (points 4D representes par (x,y,z,i) o`
u i est lintensite du point) de lautre image
etaient apparies aux points les plus proches sur ladite surface. Pour repondre `a des contraintes
informatiques (temps de calcul, place memoire), la surface delevation etait decomposee en petits
elements de surface (de type kd-tree [150]) sur lesquels la fonction dintensite etait approximee

CHAPITRE 3. LE RECALAGE GEOM

ETRIQUE

20

par une fonction affine, (x,y,z) = ax + by + cz + d. La subdivision sarretait lorsque lerreur

entre la fonction dintensite estimee et les points 4D quelle representait devenait suffisamment
petite. Bien que maladroite (il ny avait pas de controle de continuite entre 2 petits elements de
surface), cette representation a permis dobtenir des resultats interessants.
A posteriori, cette methode contient en germe deux autres types dapproches presentees plus
loin :
le recalage iconique, puisque la distance entre ces points 4D, utilisee pour calculer le
point le plus proche, contient une difference entre les intensites des points, cest-`a-dire
un crit`ere de similarite iconique, et
le recalage par blocs, puisque, pour un bloc donne (ici reduit `a un point), on va chercher
le meilleur appariement dans un certain voisinage.

Ce type dapproche, que nous pouvons qualifier dICP 4-D et resumee par lequation (6.1),
o`
u les primitives sont donc les points geometriques augmentes de leur intensite dans limage, a
ete reprise et mieux formalisee par la suite avec les Generalized Image Models [80].

3.4

Conclusion

Ce chapitre a presente deux aspects du recalage geometrique, les algorithmes du recalage

du chanfrein et du plus proche point itere. Le point de vue adopte etait historique et certaines
remarques peuvent sembler naves au vu des progr`es realises depuis lors. Ceci concerne surtout
la segmentation des images et sera developpe dans le chapitre 4. Il faut cependant garder en
memoire que, pour toutes ces approches de type geometrique, une partie de la difficulte du
recalage de deux images est rejetee dans les etapes de segmentation mais aussi dappariement.
De ce fait, et etant donne lavenement des methodes de recalage iconique o`
u ces etapes
nexistent plus, on peut se demander si les methodes geometriques ont un avenir.
Il semblerait que les methodes de type recalage du chanfrein, qui necessitent une segmentation
globale dun objet, soient en perte de vitesse, bien quencore utilisees en pratique [102, 210].
A lopppose, les methodes de type plus proche point itere restent encore dactualite, et ce
pour plusieurs raisons
le controle retrospectif quil est possible davoir sur les appariements grace aux calculs
robustes (cf page 3.3.1) de transformations aux moindres carres,
lintroduction dune information a priori sur les primitives `a apparier, introduite soit dans
letape de segmentation qui sera specifique (extraction de points particuliers [50, 173]), soit
grace au calcul de caracteristiques supplementaires (pouvant aller jusqu`a un etiquetage
semantique [159]) pouvant guider les appariements [40].
De fait, lutilisation de primitives (ici anatomiques) particuliers pour initialiser ou pour
guider un recalage volumique [110, 40] permet lintroduction de connaissances a priori, ou,
tout du moins, dune autre source dinformation dans les methodes de recalage iconique, ce qui
augmente leur robustesse. De ce point de vue, les methodes geometriques auront toujours une
certaine importance.
Il est en outre interessant de noter le lien (sans doute artificiel) entre les methodes type recalage du chanfrein qui realiseraient des appariements implicites et transitoires avec les methodes
type plus proche point itere qui, elles, realisent des appariements explicites et transitoires.

Evidemment,
si cela est possible, il vaut mieux realiser des appariements explicites et definitifs,

3.4. CONCLUSION

21

comme cela est possible avec des amers choisis manuellement ou automatiquement comme les
points extremaux [191]. En ce cas, une etude de la precision du recalage par rapport `a lincertitude liee `a la detection des points simpose [145].
Il est egalement interessant de revenir sur lalgorithme du plus proche point itere applique `
a
des images en niveaux de gris. En effet, il ny a plus dextraction de primitives geometriques, et
lintensite des points intervient dans la determination du point le plus proche. A posteriori, on
peut considerer que cette extension prefigure lalgorithme du recalage par blocs qui sera presente
plus loin (6.4).

22

CHAPITRE 3. LE RECALAGE GEOM

ETRIQUE

23

Chapitre 4

Lextraction de primitives
g
eom
etriques
4.1

Segmentation du cerveau et recalage

ans le paragraphe 3.2, la segmentation des images cerebrales, en fait du cerveau dans
ces images (dont un exemple est presente dans la figure 3.3), etait realisee `a laide dune
chane de traitement composee doutils relativement simples : seuillage, extraction de composantes connexes, calcul de distances [33, 59], morphologie mathematique [177, 178], etc. Elle
peut netre composee que dun simple seuillage, suivi de lextraction de la plus grande composante connexe, comme pour limagerie TEMP ou TEP, ou peut etre plus complexe, comme pour
lIRM [118, 37].
Dans le cadre des approches geometriques, lautomatisation de la tache de recalage necessite
lautomatisation de la segmentation. Determiner un seuil optimal [78, 104] pour limagerie fonctionnelle est du ressort du possible. Par contre, determiner la recette (ainsi que les param`etres
afferents) optimale pour la segmentation du cerveau dans des images IRM netait pas si simple
(pour le type dapproche cite auparavant, et qui datent maintenant dune dizaine dannees). Les
sources de variabilite sont nombreuses :
ponderation de la sequence (T1, T2, ou densite de protons),
la sequence elle-meme (reglage des temps dexcitation, de relaxation, etc.),
geometrie de lacquisition : epaisseur des coupes, plan dacquisition, etc,
constructeur de lappareil dimagerie,
presence de pathologies, . . .
Aussi, une verification visuelle du resultat de la segmentation, avec eventuellement un changement de certains param`etres, est toujours conseillee. Dun point de vue pratique cette interaction
peut etre pesante. Elle peut toutefois etre allegee si les differents outils utilises sont integres dans
un syst`eme de pilotage de programmes [57, 193].
Nous avions participe `a une etude comparative dalgorithmes automatiques de recalage organisee par luniversite de Vanderbilt [209]. Il sest avere que, lorsque la segmentation etait
satisfaisante, alors la bonne transformation etait trouvee (`a une erreur acceptable pr`es), et avec
des temps de calcul bien moindres que ceux des approches iconiques (que nous aborderons un
peu plus loin), et lanalyse a posteriori des erreurs de recalage a montre que celles-ci etaient
dues `a des erreurs de segmentation.

24

CHAPITRE 4. LEXTRACTION DE PRIMITIVES GEOM

ETRIQUES

Evidemment,
ces remarques sont volontairement datees, et ne sont plus dactualite. En
mati`ere de segmentation, en particulier celle du cerveau, de grands progr`es ont ete realises.
Ainsi, la segmentation du cerveau dans les images IRM utilise maintenant des approches EM
pour realiser une classification des points de limage en substance blanche, substance grise, liquide cephalo-rachidien par exemple [106, 202, 98]. De ce fait la difficulte liee `a la determination
de seuils globaux pour isoler le cerveau disparat.
Toutefois, meme si la segmentation du cerveau est mieux matrisee maintenant, cela ne
conduit pas `a un renouveau des methodes geometriques de type chamfer matching pour le recalage des images cerebrales multimodales puisque les methodes iconiques sacquittent desormais
tr`es correctement de cette tache. Par contre, dans le cas du suivi dune pathologie evolutive
(sclerose en plaques, tumeur), o`
u la segmentation du cerveau est plus problematique, des methodes geometriques avec extraction automatique de points particuliers et appariements explicites et definitifs sont preferees [157, 156].

4.2

Segmentation des r
eseaux vasculaires et recalage

Dans le paragraphe 3.3, la methode Iterative Closest Point etait utilisee pour calculer la pose
dun arbre vasculaire 3D par rapport `a une ou deux de ses projections. Il a donc fallu extraire
des primitives geometriques de limage 3D, ainsi que des projections, representatives de larbre
vasculaire ou de ses projections.
Dans ce travail [67], nous avions considere les lignes centrales des vaisseaux (avec larri`erepensee de se servir des embranchements afin de determiner la position initiale de la pose). La
ligne centrale 3D etait calculee en amincissant (au sens topologique du terme, cest-`a-dire en
supprimant iterativement les points simples [19]) une segmentation de larbre vasculaire obtenue
par seuillage. Une approche aussi simple ne donnait pas de bons resultats sur les projections
2D (apr`es projection, le contraste entre linterieur dun vaisseau et le fond de limage varie
enormement entre les vaisseaux de grand diam`etre et ceux de petit diam`etre). Aussi nous avons
mis en uvre une approche basee sur le filtrage dimage, avec calcul dune fonction de reponse
et extraction des maxima locaux [99, 112, 176] (methodologiquement similaire `a la detection de
contours au sens de Canny [45]).
En un point, letude des derivees secondes de limage permet de determiner la direction
probable dun vaisseau sil en existe un `a cet endroit. Cette direction est celle o`
u la derivee
seconde est minimale (ce qui traduit un minimum de variation du niveau de gris dans cette
direction) et est obtenue en diagonalisant la matrice hessienne, cest-`a-dire la matrice des derivees
secondes des niveaux de gris. Connaissant cette direction probable en un point, on peut ensuite
etudier les variations de niveaux de gris dans un hyperplan orthogonal (un segment en 2D, une
surface en 3D) pour y reconnatre la coupe dun vaisseau (les 2 bords en 2D, un contour circulaire
en 3D) : la fonction de reponse rend compte de la qualite de cette reconnaissance. Le cas 3D de
la detection de vaisseaux a ete aborde par S. Fern`andez-Vidal [69] et etudie plus en detail par
K. Krissian [101, 100] (cf figure 4.1).
Cette segmentation des lignes centrales des vaisseaux (en 2D) a ete reprise pour la reconstruction des art`eres coronaires [135, 25]. Les travaux de C. Blondel visent `a obtenir une image 3D
des art`eres coronaires `a nimporte quel instant du cycle cardiaque `a partir dune seule sequence
angiographique (avec une camera en rotation). Tout dabord, des vues correspondant `a peu pr`es
au meme instant cardiaque sont selectionnees et un mod`ele filaire 3D est reconstruit `a partir


4.3. AXE MEDIAN/SQUELETTE
ET RECALAGE

25

Fig. 4.1 A gauche, vue (projection de lintensite maximale) dune angiographie par resonance
magnetique puis des maxima extraits de la fonction de reponse obtenue par filtrage. La ligne
centrale dun seul vaisseau peut ensuite etre obtenue en seuillant ces extrema et en selectionnant
une seule composante connexe. En recalculant des sections orthogonales `
a cette ligne centrale (3 e
e
image), on peut extraire le contour du vaisseau (4 image) et donc dej`
a en estimer le diam`etre,
et finalement construire un maillage [29].
des segmentations 2D grace `a des principes issus de la stereovision [26]. Puis on estime une
deformation 4D (3D+t), `a base de fonctions splines, qui permet de superposer ce mod`ele 3D sur
toutes les images de la serie, en exploitant la repetabilite supposee du mouvement cardiaque [22].
La connaissance de cette deformation, obtenue par recalage du mod`ele 3D sur les projections,
permet de realiser une reconstruction tomographique `a un instant cardiaque donne [24, 23].

4.3

Axe m
edian/squelette et recalage

Dans les paragraphes precedents, seules les informations geometriques obtenues lors de la
segmentation sont utilisees pour le recalage. Nous avons pourtant vu que des informations plus
evoluees pouvaient etre utilisees : ainsi les embranchements des arbres vasculaires peuvent aider
`a determiner une pose initiale pour le recalage 3D/2D de donnees angiographiques (4.2 et 3.3).
De fait, ces embranchements, issus des lignes centrales, apportent une information structurelle
sur les arbres vasculaires segmentes.
Ce qui a ete decrit ci-avant peut etre generalise `a des structures plus complexes que des
structures lineiques. Lutilisation de laxe median ou du squelette 1 `a des fins de recalage a
ete etudiee assez tot [118]. L`a encore, il sagissait de reduire la complexite algorithmique des
methodes de recalage geometrique, type chamfer matching, en reduisant le nombre de points
decrivant lobjet.
Cependant, le squelette est une structure tr`es sensible aux moindres changements de lobjet
dorigine, et il est rare que le meme objet, discretise dans deux positions differentes, ait deux
squelettes identiques. Cet inconvenient le rend plutot inapproprie pour des taches de recalage.
Lavantage du squelette est quil represente topologiquement lobjet de depart. Ses differentes
1. Ces deux concepts sont tr`es proches. Laxe median consiste en les maxima dune carte de distance [5], que
lon cherchera `
a reconnecter afin dobtenir une structure homotopique `
a lobjet de depart [35, 6]. Le squelette [111]
est obtenu par amincissement homotopique de lobjet de depart, lordre dexamen des points visant `
a preserver le
caract`ere central de la structure extraite [4, 18, 17]. Cet ordre peut aussi etre determine par une carte de distances
[174, 152].

26

CHAPITRE 4. LEXTRACTION DE PRIMITIVES GEOM

ETRIQUES

branches correspondent `a des parties significatives differentes de lobjet.

La decomposition dun objet mince (au sens topologique) en parties elementaires (courbes,
surfaces, embranchements) a ete systematisee dans [119]. Les embranchements, ou jonctions, sont
en general supposes etre des elements stables entre les squelettes du meme objet discretise dans
des positions differentes, alors que les branches elles-memes sont plus sujettes `a variations. Lidee
de differencier, par la ponderation, les embranchements des autres parties du squelette, `a des
fins de recalage a ete etudiee dans [71]. Malheureusement, si cela ameliorait les performances du
recalage pour certains objets (par exemple, une vert`ebre), cela netait pas applicable pour dautre
(un cerveau a un squelette au sens topologique, evidemment ! tr`es sensible `a la moindre
difference de segmentation), qui plus est dans un cadre multimodal (en medecine nucleaire, il
nest pas possible de discerner les circonvolutions cerebrales comme en IRM : les cerveaux extraits
de ces 2 modalites seront donc tr`es differents).
Extraire un squelette le moins sensible possible aux differentes variations possibles (bruit,
segmentation, position) peut etre fait en utilisant la construction dune carte de distance euclidienne [59, 153] pour en extraire les discontinuites qui correspondent en fait aux branches
du squelette [69, 120]. Une esp`ece de seuillage par hysteresis topologique permet de plus de ne
conserver que les branches les plus significatives.
Ce squelette, et sa decomposition associee [119], peut ensuite etre utilise pour decomposer
lobjet initial en parties elementaires [70], et de le representer sous la forme dun graphe value :
deux elements adjacents sont connexes dans le graphe,
chaque nud porte aussi des informations geometriques le decrivant,
etc.
Cette derni`ere decomposition permet donc dappliquer des algorithmes de recalage de graphe
[79] afin de determiner une bonne position initiale entre les deux objets `a recaler, qui est ensuite
affinee par une approche geometrique classique [14]. Cette approche, pour linstant testee en 2D
donne de bons resultats, meme dans le cas de fortes occultations.

4.4

Conclusion

Nous avons tente ici de presenter les liens entre le recalage geometrique et la segmentation.
Il apparat que cette derni`ere est une etape hautement sensible, necessitant a priori un controle
a posteriori. Cest sans doute pour cette raison que les approches geometriques du type chamfer
matching ont periclite devant les approches iconiques qui vont etre presentees dans le chapitre
suivant.
Cependant, cette meme segmentation peut aussi etre une premi`ere etape incontournable pour
resoudre ou mieux aborder le probl`eme du recalage. La reconstruction tomographique des art`eres
coronaires, telle quabordee par C. Blondel, ne serait pas possible sans lextraction des lignes
centrales qui apporte la reduction dinformation necessaire pour lapprehension du probl`eme. De
meme, lutilisation du squelette et de sa decomposition peut permettre de resoudre le probl`eme
de la position initiale dans les algorithmes de recalage iteratifs : dans la publication princeps
de Borgefors sur le chamfer matching [34], ce probl`eme est regle en multipliant les positions
initiales.

27

Chapitre 5

Le recalage iconique

e recalage geometrique resout le probl`eme du recalage en le decomposant en deux etapes

distinctes : lextraction, dans les deux images `a recaler, de primitives geometriques sensees
etre similaires, et le calcul de la transformation qui superpose au mieux ces primitives. La
qualite du calcul de la transformation recherchee est donc totalement conditionnee `a celle de
la segmentation des images. Comme il ne semble pas raisonnable darriver `a garantir, pour
nimporte quelle image, que la segmentation reussisse, lidee darriver `a recaler sans segmenter est
particuli`erement attrayante. Cette raison, associee au developpement du materiel informatique
qui permet desormais de charger enti`erement en memoire les images 3D `a traiter et de realiser
le recalage en des temps raisonnables, explique le succ`es des methodes de recalage iconique.
Le probl`eme peut se formaliser, en adaptant la formulation de Brown [36] en
T = arg max S (I T,J)
T T

(5.1)

Outre linconvenient de transformer un probl`eme a priori symetrique en un probl`eme asymetrique, cette notation masque toujours un certain nombre de difficultes techniques, comme le
fait que limage I T nest pas bien definie (cf page 12). La mise en uvre necessitera un recours
`a des procedes dinterpolation ou de ponderation.
Les premi`eres methodes introduites nont pourtant pas rencontre un grand retentissement.
Les methodes stochastiques proposees par Venot [203] reposent sur la difference dimages et
letude du nombre des changements de signes de cette difference : si les deux images considerees
sont correctement recalees, alors ce nombre est maximum 1 . Une des applications visees etait la
radiologie conventionnelle.
Par la suite, la methode introduite par Woods, pour le recalage de donnees TEP avec une
image IRM, eut plus decho dans la communaute medicale [213] puiquelle ne necessitait plus
de segmenter les images (en fait, il fallait quand meme extraire grossi`erement le cerveau dans
limage IRM mais limage TEP navait pas `a etre segmentee : il sagirait plus dune approche
intermediaire entre les approches geometriques et les approches iconiques). De plus, le logiciel
developpe `a cette occasion, AIR, a ete mis librement `a la disposition de la communaute 2 . Mais le
vrai succ`es vint avec les methodes fondees sur des mesures dentropie ou dinformation mutuelle
1. Lhypoth`ese sous-jacente est que les memes objets dans les deux images ont des intensites identiques bruitees
par des bruits gaussiens. Par difference, on doit alors observer un bruit blanc.
2. Automated Image Registration : http://bishopw.loni.ucla.edu/AIR5/. Dabord developpe pour le recalage
TEP/TEP [211], ce logiciel a ete etendu au recalage elastique intersujets [212].

28

CHAPITRE 5. LE RECALAGE ICONIQUE

entre les deux images [206, 188, 113, 175, 148]. Ces derni`eres mesures, generiques et generalistes,
semblaient apporter une solution `a tous les probl`emes de recalage.
Les mesures iconiques de similarite sont en general baties `a partir de couples dintensites,
evalues en des points M , ici les couples (I T (M ),J(M )) La mesure peut donc secrire
T = arg max S ({(I T (M ),J(M ))})
T T

(5.2)

Ces couples dintensite permettent de construire lhistogramme conjoint hc des images, o`

u
hc (i,j) compte simplement le nombre de points M tels que (I T (M ),J(M )) = (i,j). Il serait
naturel dutiliser les points M du domaine de definition de J, soit ZnJ . Malheureusement,
limage de ZnJ par T peut netre pas enti`erement contenue dans RnI , le domaine de definition
de IR (la fonction qui etend limage I, definie sur ZnI `a RnI par interpolation, voir lequation
(2.2), page 12).
Lensemble des couples dintensites utilisables, pour une transformation donnee, est donc


(I T (M ),J(M )) pour M ZnJ T 1 (RnI )
Lensemble ZnJ T 1 (RnI ), qui definit la zone de recouvrement entre les supports des deux
images, varie dune transformation a` lautre : comparer la valeur de la mesure de similarite pour deux transformations differentes peut saverer delicat, `a cause dun probl`eme de
normalisation de la mesure, comme la remarque Alexis Roche [164].
Pour contourner cette difficulte, on peut
tirer un nombre fixe et donne de points M dans lensemble ZnJ T 1 (RnI ) [206],
ne pas utiliser lhistogramme conjoint, mais estimer une densite de probabilite bidimensionnelle continue (par exemple avec une technique de fenetrage [1, 142, 169])
pour estimer la mesure [205, 87].
Par ailleurs, linterpolation, necessaire pour calculer les mesures de similarite iconique, peut
creer des extrema locaux, en particulier pour linformation mutuelle [197, 196, 96]. Ce
probl`eme, dej`
a mentionne page 12, peut etre contourne en utilisant une interpolation par volumes partiels [51, 113, 48], qui consiste `a remplacer un couple dintensites (I T (M ),J(M ))
par un ensemble de couples dintensites ponderes {l (I(Vl (T (M ))),J(M ))} o`
u les Vl (T (M ))
sont les voisins de T (M ) dans ZnI , typiquement ceux qui auraient servi pour linterpolation,
et o`
u les l seraient les ponderations de leurs intensites pour le calcul de lintensite interpolee
(cf figure 5.1).

5.1

Mesures de similarit
e globales

Le catalogue des mesures existantes, tel que dresse par A. Roche [164], se divise en quatre
parties.
1. Les mesures de difference dimages en general [38], qui supposent que les memes objets
auront les memes intensites dans les deux images `a recaler.
2. Le coefficient de correlation, qui suppose un lien affine entre les intensites dun meme objet
represente dans les deux images `a recaler.
3. Le crit`ere de Woods [213] et ses variantes [7, 2, 136], ainsi que le rapport de correlation
[162], rendent compte dune dependance fonctionnelle entre les intensites des images `
a
recaler.
4. Enfin, une dependance de nature statistique entre deux images peut etre quantifiee par
lentropie conjointe [90, 51], linformation mutuelle [206, 51], ou linformation mutuelle
normalisee [187].

 GLOBALES
5.1. MESURES DE SIMILARITE

29

Fig. 5.1 Soit un point M de J qui se transforme en (x,y) dans I (cf ci-dessus), son intensite
i, estimee par interpolation (bi)lineaire, est i = (1 u)(1 v)I1 + u(1 v)I2 + (1 u)vI3 + uvI4 .
Linterpolation par volumes partiels consiste `
a remplacer le couple dintensite (i,J(M )) par les 4
couples ponderes {(1 u)(1 v)(I1 ,J(M )),u(1 v)(I2 ,J(M )),(1 u)v(I3 ,J(M )),uv(I4 ,J(M ))}.
Une mesure de similarite est donc une mesure que lon calcule `a partir dun ensemble de
couples dintensite, eventuellement ponderes, {k (Ik ,Jk )}.
Les mesures basees sur les differences sont simples `a expliciter.
X
La somme des differences au carre (SDC) secrit SSDC (I T,J) =
k |Ik Jk |2 , et
k

la somme des differences en valeur absolue (SDA) secrit SSDA (IT,J) =

k |Ik Jk |.

Pour les autres mesures, lutilisation de lhistogramme conjoint, ou plus exactement de la

densite de probabilite discr`ete empirique associee, permet de les exprimer facilement. Lhistogramme conjoint et la densite de probabilite discr`ete empirique associee se calculent respectivement par
.X
X
k
hc (i,j) =
k et p(i,j) = hc (i,j)
k

k|(Ik ,Jk )=(i,j)

On peut immediatement P
remarquer que les deux mesures ci-dessus peuvent se reecrire, au
facteur de normalisation k k pr`es, sous la forme de sommes par rapport aux intensites, et
non plus par rapport aux points (cette reecriture a toutefois le desavantage de faire disparatre
la dependance de la mesure par rapport `a la zone de recouvrement entre les supports des
deux images) :
X
X
SSDC (I T,J) =
p(i,j)|i j|2 et SSDA (I T,J) =
p(i,j)|i j|
i,j

i,j

La moyenne et lecart-type des intensites des images I T et J se calculent par

X
X
X

2

I =
p(i,j)i
et
I2 =
p(i,j) i I =
p(i,j)i2 I2

i,j
i,j

i,j

X
X
X

2

p(i,j)j 2 J2
J =
p(i,j)j
et
J2 =
p(i,j) j J =

i,j

i,j

i,j

30

CHAPITRE 5. LE RECALAGE ICONIQUE

et on peut donner la formule du coefficient de correlation :




X
i I j J
SCC (I T,J) =
p(i,j)
I J
i,j

(5.3)

Avoir donne les formules en fonction de la densite de probabilite empirique p(i,j) fait ressortir
le fait que ce calcul de la moyenne et de lecart-type se fait sur la zone de recouvrement entre

les deux images. Evidemment,

on peut simplifier lecriture en remarquant que
p(i) =

p(i,j)

et p(j) =

p(i,j)

o`
u p(i) et p(j) sont respectivement les densites de probabilite empiriques associees aux images
I et J, dans ce cas calculees sur la zone de recouvrement entre les deux images, ce que
lecriture ne laisse plus entrevoir, de meme que lon ne discerne alors plus que p(i) est ici
calcule sur I T .
Dans le cas o`
u la zone de recouvrement entre les deux images diff`ere peu du support des
deux images, il peut etre alors justifie de considerer les densites de probabilite empiriques
associees aux images I et J, calculees sur leur support propre.
Pour le rapport de correlation, qui rend compte dune dependance fonctionnelle, nous avons
besoin de calculer la moyenne et lecart-type des intensites Ik des couples k (Ik ,Jk ) pour
une valeur Jk = j fixee (on rend compte ici dune dependance fonctionnelle I = f J):
!
j =

p(i,j)i

.X

!
p(i,j)

j2 =

et

p(i,j)i2

.X

p(i,j) j 2

Le rapport de correlation, qui cherche `a minimiser la dispersion des intensites Ik pour une
intensite j donnee, secrit alors
!
1 X X
p(i,j) j2
SRC (I T,J) = 1 2
I j
i
Lentropie conjointe et linformation mutuelle se formulent respectivement par
SE (I T,J) =

X
i,j

p(i,j) log p(i,j)

et

SIM (I T,J) =

p(i,j) log

i,j

p(i,j)
p(i)p(j)

Linformation mutuelle peut se formuler en fonction de lentropie conjointe et des entropies

individuelles de chacune des images I T et J, notees E(I T ) et E(J) :
SIM (I T,J) = E(I T ) + E(J) SE (I T,J)
Linformation mutuelle normalisee, dont il nexiste pas de definition consensuelle, peut avoir
pour forme [187] :
E(I T ) + E(J)
SIM (I T,J) =
.
SE (I T,J)
Dun point de vue pratique, ces differentes mesures soptimisent iterativement, et plusieurs
travaux ont montre limportance de cette etape quant `a la qualite du resultat, les difficultes
etant liees `
a la variation de la taille de la zone de recouvrement des deux images au cours de
loptimisation, et `
a linterpolation [164, 95, 197, 96].


` DES MESURES
5.2. IMAGES ADAPTEES
A

31

Les deux premiers mod`eles de dependance entre images sont en general inappropries pour le
recalage. En effet, de tels mod`eles semblent plutot indiques pour le recalage monomodal mais
lapplication visee serait alors sans doute le suivi de processus evolutifs : les differences
eventuelles induites par les evolutions biaiseront les mesures globales de similarite et donc
deterioreront le resultat du recalage ; des techniques geometriques de recalage sont donc
preferables [156] ;
en ce qui concerne lIRM, `a sequence identique, le signal mesure peut varier dans le temps,
dependra du constructeur de limageur, et de la position de lobjet image [181, 182].
Le mod`ele de dependance fonctionnelle, bien que plus riche que les deux precedents, ne semble
que bien peu adapte `a limagerie medicale multimodale. Le mod`ele de dependance statistique,
et les mesures y afferant, semble donc etre le meilleur choix dans ce cadre.
Dans ce qui precede, nous avons juste examine un catalogue de mesures et, pour chacune
dentre elles, precise les hypoth`eses de leur champ applicatif en terme de dependance entre les
intensites des images `a recaler. Dans cette optique, choisir la mesure la plus generaliste, semble
etre la meilleure option.

5.2

Images adapt
ees `
a des mesures

Dun cote, nous disposons dun catalogue de mesures de similarite, et de lautre, dun couple
dimages `a recaler. Il y a donc un choix `a effectuer. Une tendance naturelle dans la communaute
est dutiliser toujours le crit`ere le plus generaliste, cest-`a-dire qui est adapte `a la situation la
plus generale (dependance statistique des intensites), selon le principe bien etabli du qui peut le
plus peut le moins. En pratique, cela revient `a utiliser linformation mutuelle ou dautres crit`eres
similaires.
Ce choix nest malheureusement pas le plus optimal. En effet, plus un crit`ere est generaliste,
plus le nombre de variables cachees est important. Ces variables cachees rendent en fait compte
de la relation dintensite supposee entre les images. Dans le cas dune relation identite (mesures
basee sur des differences dintensite), il ny a aucune de ces variables, dans le cas dune relation
affine (coefficient de correlation), il y en a deux (la pente et lordonnee `a lorigine), dans le cas
dune relation fonctionnelle, I = f J, il y a une variable par valeur dintensite de limage J, et
dans le cas dune relation statistique, le nombre de ces variables atteint le produit du nombre
des valeurs dintensite de limage J par celui de limage I (les inconnues etant en fait les valeurs
de la densite de probabilite jointe).
Si le nombre de degres de libertes caches utilises pour la mesure de similarite exc`ede celui
reellement necessaire, cela se traduit par des maxima (ou minima) locaux dans le paysage de la
mesure de similarite. Comme la mise en uvre du recalage iconique est generalement realisee
par une optimisation iterative (`a partir dune position optimale), cela signifie que lon augmente
le risque de sarreter `a un optimum local de la mesure de similarite si celle-ci est trop generaliste
par rapport `a la relation vraie entre les intensites des images.
Cette assertion est verifiee experimentalement : en comparant differentes mesures de similarite pour le recalage dimages portales (mega-volt), Dekker a constate que linformation mutuelle
produisait plus dextrema locaux [61].
Cela est de plus exacerbe par les probl`emes dinterpolation comme la aussi remarque Alexis
Roche [164, 3.1.1].

32

CHAPITRE 5. LE RECALAGE ICONIQUE

(a) images non-recalees

(b) images recalees

Fig. 5.2 Histogramme conjoint de deux IRM cerebrales (coupes coronales representees) calcule
pour deux transformations differentes. Le patient souffre dune production anormalement elevee
de liquide cephalo-rachidien, ce qui explique la variation de volume des ventricules entre les deux
acquisitions. Repris de [164].


` DES MESURES
5.2. IMAGES ADAPTEES
A

33

Par ailleurs, une mesure complexe, comme linformation mutuelle, est difficile `a interpreter.
Lhistogramme conjoint permet en effet de representer visuellement la relation entre les intensites de deux images. Une relation affine 3 est aisement reconnaissable (figure 5.2). Ce meme
histogramme conjoint, calcule dans un cadre reellement multimodal (IRM versus scanner), est
beaucoup plus difficile `a interpreter (figure 5.3).

(a) images non-recalees

(b) images recalees

Fig. 5.3 Histogramme conjoint dun couple scanner/IRM (coupes axiales representees) calcule
pour deux transformations differentes. Repris de [164].

Plutot que de manipuler des mesures difficilement interpretables, il est donc tentant de revenir `a des mesures simples, comme le coefficient de correlation, quitte `a pre-traiter les images `
a
recaler. Le principe est de transformer les images originales en des images o`
u les valeurs dintensite refl`etent une propriete donnee (a priori intrins`eque `a limage, et independante par transformation, afin detre adequate pour guider le recalage), comme des caracteristiques differentielles
(norme du gradient, derivee seconde Lvv , etc). Le recalage iconique porte ensuite sur ces images
transformees [198, 116, 115]. On peut considerer que lon se situe ainsi entre le recalage iconique
et le recalage geometrique, les images utilisees pouvant etre utilisees directement pour lextraction de primitives (lextraction de maxima directionnels dune image de norme de gradient donne
les contours de limage originale).

3. Il sagit ici dimages du meme patient, acquises sur le meme imageur. On aurait pu meme attendre une
relation identite, mais des differences (calibration, etc) ont d
u survenir qui peuvent expliquer la relation seulement
affine. Par ailleurs, on peut remarquer la dispersion autour de la droite affine, en partie explicable par les effets
de volume partiel. Meme dans ce cas quasi-ideal, on nobserve pas une relation simple.

34

CHAPITRE 5. LE RECALAGE ICONIQUE

Fig. 5.4 Mod`ele de formation des 2 images `

a recaler `
a partir dun meme a priori anatomique.

5.3

Mesures adapt
ees `
a des images

Lapproche, consistant `a choisir une mesure de similarite sur catalogue, est un peu artificielle,
et plutot que de se demander a posteriori si une mesure est adaptee `a un probl`eme de recalage
donne, voire si on peut transformer les images pour les adapter `a une mesure de similarite
donnee, construire la mesure la plus adaptee pour ce probl`eme donne pourrait conduire `a un
choix optimum.
A cette fin, A. Roche a utilise un mod`ele de dependance inter-images (cf figure 5.4) qui
explique la formation des images `a partir dune meme verite anatomique (representee par une
variable aleatoire) et de deux processus dacquisition dimages (eux-memes representes par des
variables aleatoires), toutes les variables aleatoires dependant dun certain nombre de param`etres

auxiliaires inconnus, I , J , et S [161, 160]. Etant

de plus donnee une transformation spatiale
T appliquee `a la verite anatomique avant passage par lun des processus dacquisition, une bonne
mesure de similarite est alors le maximum de vraisemblance, soit la probabilite dobserver les
deux images `a recaler I et J par rapport aux param`etres (equation (5.4)).



T = arg max
max P (I,J|T, I ,J ,S )
(5.4)
| {z }
T T
I ,J ,S
param`etres
auxiliaires
Il est possible destimer alternativement la transformation T et les param`etres auxiliaires I ,
J , et S , ce qui rend possible dobtenir une segmentation des deux images recalees en meme
temps que la transformation optimale, malheureusement au prix dun surco
ut calculatoire tr`es
important [164].
On peut alors ajouter des hypoth`eses sur la formation des images, et il est interessant de
constater que lon retrouve alors certaines des mesures de similarite dej`a mentionnees.
Si lun des mod`eles dacquisition est identique `a lautre, avec un bruit additif gaussien,
alors le maximum de vraisemblance est proportionnel `a la somme des differences au carre
des intensites des images (dans la zone o`
u les supports des images se superposent) plus un
terme, qualifie de rappel, qui penalise les faibles intersections des supports des images.
Si lun des mod`eles dacquisition correspond `a la transformation, par une fonction dintensite, de lautre (toujours avec un bruit additif gaussien), alors le maximum de vraisemblance
est proportionnel `a une erreur quadratique dajustement (toujours avec un terme de rappel)
que lon retrouve dans le rapport de correlation, mais avec une normalisation differente.
Enfin, si la sc`ene est composee dun nombre fini (mais inconnu) de classe, chacune dentre
elle etant transformee en une seule intensite (additionnee dun bruit gaussien) dans chaque

 LOCALES
5.4. MESURES DE SIMILARITE

35

mod`ele dacquition, et si les probabilites conjointes peuvent etre representees par une
methode de fenetrage (type Parzen [142]) avec un noyau gaussien, alors le maximum de
vraisemblance est proportionnel `a linformation mutuelle, evaluee sur lintersection des
supports, avec toujours un terme correctif.
Cette approche montre quil est possible de construire une mesure de similarite `a partir de
la modelisation de lacquisition des images. Toutefois, un certain nombre dhypoth`eses ont ete
necessaires, qui ne sont pas forcement realistes : un signal stationnaire (un meme tissu aura la
meme intensite, au bruit pr`es, `a deux localisations differentes de limage) ; une independance
spatiale, des bruits gaussiens, etc. Lecriture de lequation (5.4) montre de plus que la recherche
de la meilleure transformation T suppose de plus une maximisation (au moins implicite, mais
qui peut etre faite explicitement comme mentionne ci-dessus) des param`etres auxiliaires I , J ,
et S , qui sont en fait autant de degres de liberte du syst`eme. Or, plus ce nombre de degres
de liberte est important, plus le nombre de maxima locaux de la mesure `a maximiser risque
detre important. Le corollaire de cette remarque est que, lorsque plusieurs mod`eles sont valides,
choisir celui avec le plus petit nombre de degres de liberte permet daugmenter la robustesse de
lapproche. Cela revient `a dire que les mesures type information mutuelle ne sont pas toujours
optimales.

5.4

Mesures de similarit
e locales

Les mesures de similarite que nous avons vues jusquici sont des mesures de similarite globales, cest-`a-dire quelles supposent une relation entre les intensites des images valable de
mani`ere equivalente en toute partie de la zone de recouvrement des deux images, relation qui
est evaluee sur lensemble de cette zone, sans prendre en compte une quelconque information
spatiale.
Ces mesures supposent donc implicitement que les signaux ayant preside `a la formation des
images soient stationnaires (cest-`a-dire quun meme tissu sera represente par le meme signal
quelle que soit sa localisation dans limage) ; en IRM, cela peut etre admis en imagerie cerebrale,
mais nest malheureusement pas vrai pour de nombreuses autres localisations (avec une antenne
corps entier par exemple, cf figure 5.5).
En r`egle generale, les mesures de similarite globales sont relativement robustes par rapport
`a cette hypoth`ese (la transformation recherchee est bien un extremum de la mesure), mais il
nen est pas forcement de meme des algorithmes (iteratifs) doptimisation et leur bassin de
convergence peut sen trouver reduit.
Cette contrainte peut etre contournee par lutilisation de mesures locales de similarite, qui
ont ete introduites dans le cadre du recalage non-rigide [13, 41, 166, 64, 87, 88, 39, 167, 165].
Le principe en est simple, on calcule une mesure locale (par point de limage), en ponderant
la contribution des points par une fonction decroissante (par exemple gaussienne). La mesure
globale, `a optimiser, est ensuite definie comme la somme de toutes les mesures locales.
Un certaine liberte existe quant au choix des fonctions de ponderation [42, 4.3.1], ainsi que
pour le choix de la mesure utilisee. Pour cette derni`ere, le choix du coefficient de correlation
nous semble le plus judicieux pour des voisinages peu importants (des fonctions de ponderations
decroissant rapidement). En effet et en r`egle generale, on nobserve au plus deux tissus differents
localement, lesquels seront representes par deux intensites moyennes differentes par image : on
aura donc localement une dependance affine des intensites, dont le coefficient de correlation

36

CHAPITRE 5. LE RECALAGE ICONIQUE

Fig. 5.5 Image IRM de labdomen, centree sur la prostate : lhypoth`ese de stationnarite nest
visiblement pas realiste.
saura rendre compte.

5.5

Applications

La modelisation presentee ci-dessus (5.3) est tr`es elegante et eminemment seduisante, mais
est-elle reellement transposable `a des applications concr`etes?

5.5.1

IRM / US

Le premier exemple est le cas du recalage de donnees echographiques 3D avec une image IRM.
Cette application prenait place dans le projet europeen Roboscope dont le but etait de montrer
lutilisation de lechographie 3D pour le controle per-operatoire de lavancee dun endocope
en neurochirurgie. La planification de la trajectoire etant realisee sur une image IRM, celle-ci
etait reportee par un recalage rigide sur une image US 3D en debut dintervention. Puis, en
cours dintervention, les deformations relevees entre deux images US 3D successives, ainsi que
la position de linstrument, peuvent etre reportees ou appliquees `a lIRM per-operatoire pour
verifier la conformite du geste realise par rapport `a la planification initiale.
Si lon suppose que limpedance acoustique en un point x est fonction du signal IRM, J(x),
en ce meme point, on peut alors montrer que lintensite I(x) dans limage US en ce point sera
fonction `a la fois de J(x) et de la derivee directionnelle |J.u(x)| o`
u u la direction du faisceau
ultrasonore. Si on neglige de plus linfluence de lorientation, ce dernier terme est remplace par
la norme du gradient kJ(x)k et il vient


I(x) f J(x), kJ(x)k + (x)

o`
u (.) represente le bruit. Etant
donnee cette dependance fonctionnelle bivariee, il sav`ere donc
quune mesure appropriee pour le recalage de donnees US et IRM est une nouvelle mesure, le
rapport de correlation bivarie [163].

5.5. APPLICATIONS

37

Les experiences menees sur plusieurs jeux de donnees ont montre que cette mesure avait de
meilleurs resultats en terme de robustesse et de reproductibilite [144] que linformation mutuelle
ou que le rapport de correlation monovarie.

5.5.2

HMPAO / Xenon 133

En medecine nucleaire, limagerie cerebrale sert soit `a surveiller de possibles reprises tumorales (avec des traceurs specifiques, comme le MIBI, de la rupture de la barri`ere hematoencephalique), soit `a quantifier le debit sanguin cerebral pour deceler de possibles hypoperfusions, signes dun dysfonctionnement.
Le HMPAO, traceur utilise pour cette derni`ere tache, ne permet quune quantification relative : lechelle des intensites utilisees pour la visualisation des images est normalisee soit par la
perfusion totale du cerveau, soit par la perfusion dune region reputee normalement perfusee,
comme le cervelet. Les regions hypoperfusees sont alors reperees par comparaison soit avec de
telles regions, soit avec la region symetrique. De plus, la fixation du HMPAO dans les cellules
nest pas lineairement liee au debit sanguin cerebral [3, 103] : les images au HMPAO souffrent
donc de plus dune possible sous-evaluation de la perfusion pour les zones les plus perfusees, ce
qui complique la tache de normalisation ci-dessus mentionnee.
Cependant, un autre traceur, le Xenon 133, permet une quantification absolue du debit
sanguin cerebral regional. Celui-ci suppose neanmoins de grandes contraintes dutilisation :
cest un gaz qui doit etre inhale (le dosage de la partie exhalee permet la quantification
absolue) en circuit ferme, ce qui suppose un appareillage specifique ;
seules certaines -camera, specifiques, peuvent realiser des images de ce traceur.
En outre, la reconstruction dune image au Xenon 133 necessite lanalyse dune sequence temporelle dimages, ce qui implique une faible resolution spatiale 4 des images reconstruites.
Les images au HMPAO offrant des resolutions spatiales bien meilleures, il est donc tentant
de chercher `a calibrer les images HMPAO grace aux images Xenon, et donc obtenir des images
montrant une quantification absolue avec la resolution des images HMPAO. Le lien fonctionnel
entre lintensite des images HMPAO, IHMPAO , et la perfusion absolue (cest-`a-dire lintensite des
images au Xenon), IXenon , a ete etablie par Lassen [103] et peut se mettre sous la forme :
IHMPAO =

A IXenon
B + IXenon

o`
u A et B sont deux constantes dependant des conditions experimentales.
Il aurait ete seduisant de pouvoir integrer cette fonction dans une mesure de similarite (le
rapport de correlation) afin de mieux contraindre la recherche de la transformation optimale
et de recaler les deux examens tout en estimant les param`etres de la relation de Lassen. Malheureusement, du fait de la mauvaise resolution spatiale des images, ceci nest pas possible : la
relation de Lassen ne rend pas compte des relations observees entre les intensites dans les images
apr`es recalage. La fusion des donnees HMPAO et Xenon a finalement ete realisee (cf figure 5.6)
[132, 133]
en recalant les images avec le rapport de correlation,
en estimant les param`etres de la relation de Lassen `a partir des densites de probabilites
conjointes,
4. Il y a une grande incertitude sur la provenance des photons lors de leur detection par la -camera, et leur
nombre nest statistiquement pas eleve.

38

CHAPITRE 5. LE RECALAGE ICONIQUE

mL/100g/min

mL/100g/min

100 %

110

104

60 %

66

62

50 %

55

52

Fig. 5.6 De gauche `

a droite: image HMPAO avec une quantification de la perfusion relative,
image Xenon avec une quantification absolue, et lestimation dune quantification absolue avec
la resolution spatiale de lHMPAO. Repris de [133].
et en utilisant la courbe obtenue pour recalculer des valeurs absolues pour limage HMPAO.

5.6

Conclusion

Nous avons expose ici un catalogue de mesures de similarite utilisees pour le recalage iconique,
et montre quil etait possible de retrouver certaines dentre elles en ajustant les hypoth`eses dans
un mod`ele probabiliste de formation des images. Il serait interessant de determiner si de telles
hypoth`eses peuvent etre trouvees pour toute mesure de similarite, puisquil en existe de nouvelles
qui sont proposees [207]. Un tel mod`ele permet de comprendre pourquoi la mesure la plus
generaliste nest pas forcement la meilleure (un plus grand nombre de degres de liberte caches
entrane un plus grand nombre possible de maxima/minima locaux de la mesure), et montre quil
est possible de construire des mesures adaptees `a des probl`emes de recalage particuliers (5.5.1).
Toutefois, les hypoth`eses de la modelisation semblent encore trop contraignantes pour que cette
derni`ere puisse etre appliquee dans dautres probl`emes, a priori relativement simples (5.5.2).
De telles modelisations, qui tendent `a mieux formaliser les methodes de recalage iconiques, sont
donc des champs dinvestigations encore feconds [217].
Un des inconvenients majeurs des approches geometriques du recalage, `a savoir letape de
segmentation, dont le resultat conditionne letape ulterieure du recalage proprement dit, a totalement disparu des approches iconiques. Le prix `a payer se retrouve dune part dans des
difficultes de mise en uvre (par exemple les probl`emes dinterpolation dont nous avons parle),
et dautre part dans la dependance `a linitialisation (loptimisation de ces mesures de similarite
etant realisee par un processus iteratif), avec un plus grand risque de voir loptimisation aboutir
`a un optimum local.
Nous avons dej`a mentionne ce genre de difficulte par rapport aux hypoth`eses implicites liees
aux mesures de similarite globales (stationarite du signal). Dautres hypoth`eses interviennent
aussi.
Par exemple, on suppose egalement de mani`ere implicite que les structures presentes dans les
deux images seront superposables par les transformations utilisees. En particulier, dans le cadre
dun recalage intra-patient, o`
u lon utilise generalement des transformations rigides ou affines,
on suppose donc implicitement que les deux images seront parfaitement superposables avec ce
type de transformations. Cette hypoth`ese est en general realiste pour limagerie cerebrale (qui

5.6. CONCLUSION

39

represente par ailleurs, et ce nest sans doute pas un hasard, le domaine applicatif privilegie pour
les publications sur le recalage).
Cette derni`ere hypoth`ese peut etre remise en question dans le cas de limagerie abdominale
multi-modalites (cf figure 5.7), o`
u les structure imagees sont eminemment deformables, mais
egalement lorsque lon veut reconstruire un volume 3-D en recalant deux `a deux des coupes
seriees (qui seront tr`es semblables, mais qui peuvent presenter quelques differences).

(a) IRM et CT sur le dos

(b) IRM sur le dos, CT sur le ventre

Fig. 5.7 Recalage intra-patient dimages de la prostate. Un recalage iconique global echoue `
a
recaler des images acquises dans des positions differentes (voir la position du lit dans limagerie
scanner) `
a cause des deformations resultant des zones dappuis differentes.
Enfin, on suppose egalement que les acquisitions dimages sont instantanees, cest-`a-dire
quil ny aura pas de mouvement durant lacquisition. Lapnee peut permettre de supprimer le

40

CHAPITRE 5. LE RECALAGE ICONIQUE

mouvement lie `a la respiration, mais evidemment pas le mouvement cardiaque (qui heureusement
reste localise). Par contre, une acquisition en apnee nest pas toujours possible. En medecine
nucleaire (TEMP ou TEP), lacquisition dure plusieurs minutes : on observe donc une image
moyenne. Le recalage de cette derni`ere avec une image instantanee, par exemple un scanner,
doit se faire prudemment [44].

41

Chapitre 6

M
ethodes hybrides

ors des chapitres precedents, nous avons rapidement aborde les methodes de recalage geometriques dune part et iconiques dautre part. Ces deux types de methodes fonctionnent de
mani`ere radicalement differentes.
Les methodes geometriques construisent des appariements entre des elements caracteristiques, appariements qui peuvent induire des distances importantes entre les caracteristiques appariees (on peut regarder au loin, ne serait-ce que parce que ces caracteristiques
sont eparses dans limage). Potentiellement, ces methodes sont moins sensibles aux minima
locaux (dautant moins si les caracteristiques peuvent etre individualisees [159], auquel
cas lappariement ne se fait plus sur une base geometrique, mais semantique 1 ), mais ne
gen`erent pas intrins`equement une transformation de lespace entier (les caracteristiques et
donc les appariements sont epars). Celle-ci peut neanmoins etre calculee si le nombre de
contraintes introduit par les appariements est superieur au nombre de degres de liberte
(par exemple, calcul au sens des moindres carres dune transformation globale), ou peut
etre extrapolee [56].
Les methodes iconiques proc`edent par minimisation dune mesure de similarite, que lon
peut considerer comme utilisant des appariements locaux voire infinitesimaux 2 , qui sont, `
a
la difference des appariements geometriques, denses. La transformation trouvee sapplique
donc intrins`equement `a lespace entier. Cette technique est malheureusement sensible aux
minima locaux.
Les methodes hybrides cherchent evidemment `a combiner les avantages des deux methodes,
soit en adjoignant des appariements geometriques, potentiellement `a longue distance (et donc
une mesure de distance), `a une mesure de similarite iconique afin den gommer les minima
locaux, soit en essayant detablir une carte dappariements dense `a partir de caracteristiques
iconiques.

6.1

Recalage iconique et appariements g

eom
etriques

Les methodes de recalage non-rigide iconique necessitent la minimisation dune mesure de

similarite iconique, minimisation generalement iterative `a partir dune position initiale. Du fait
1. Cest aussi le cas dun recalage manuel o`
u lutilisateur designe et apparie les caracteristiques.
2. Cest typiquement ce qui se passe dans le cas dune transformation libre encodee par un vecteur par point
de la grille.


CHAPITRE 6. METHODES
HYBRIDES

42

du grand nombre de degres de liberte impliques (ceux decrivant la transformation, mais aussi
ceux lies `a la relation implicite entre les intensites des images), le paysage denergie peut exhiber
de nombreux minima locaux, et la convergence vers un optimum global est loin detre assuree.
Ce comportement est sans doute aussi d
u au caract`ere local de la minimisation de la mesure
de similarite. Pour y echapper, des algorithmes de minimisation multi-echelle ont ete proposes :
`a une echelle grossi`ere, un petit deplacement correspond `a un deplacement plus important aux
echelles plus fines. Un autre approche consiste `a augmenter la complexite (le nombre de degres
de liberte) de la transformation non-rigide au fur et `a mesure de la minimisation (on commence
par une transformation affine, et on finit par une transformation libre). Dans ces deux cas, on
reduit le nombre de degres de liberte impliques en debut de minimisation en esperant ainsi
rendre plus convexe le paysage de la mesure de similarite, et donc echapper aux minima locaux.
Malheureusement, cela nest pas toujours suffisant. Ainsi lors dun recalage inter-individus
dimages dIRM anatomiques cerebrales, deux sillons distincts peuvent se retrouver apparies,
simplement `a cause de leur proximite dans la position initiale.
Lintroduction dappariements geometriques (tels ceux utilises dans un algorithme de type
ICP, cf page 17) peut alors permettre de contrecarrer ce comportement en construisant une
mesure hybride `a minimiser, composee dune mesure de similarite pure et dun terme geometrique
[40, 86].

6.2

Appariements iconiques

Au moins deux motivations peuvent etre `a lorigine de la construction de ce que nous appelerons un champ dappariements iconiques.
Les methodes utilisant des appariements geometriques reposent enti`erement sur une etape
de segmentation dont on esp`ere quelle sera couronnee de suffisamment de succ`es pour guider le recalage : des erreurs de segmentation et/ou dappariement peuvent neanmoins etre
eventuellement corrigees a posteriori, par exemple avec lutilisation destimateurs robustes
dans lalgorithme ICP (cf page 18).
Il serait pourtant desirable de sabstraire de cette dependance vis-`a-vis de cette etape de
segmentation.
Nous avons vu que les methodes de recalage iconique utilisent loptimisation dune mesure
de similarite iconique qui suppose implicitement lexistence dune relation globale entre les
intensites des images `a recaler.
Cette hypoth`ese, meme dans le cas le plus general (i.e. information mutuelle et relation
statistique entre les intensites) laisse `a desirer : lorsque les signaux donnant les images ne
sont pas stationnaires (cf figure 5.5), ou lorsque cette relation supposee nest plus verifiee
localement, par exemple, `a cause de deformations locales (cf figure 5.7).
Dans le premier cas, lutilisation dune somme de mesures de similarite locales (cf
paragraphe 5.4) permet de surmonter la difficulte.
Dans le second cas, une solution peut consister `a considerer ces zones de difference
locales comme des mesures aberrantes pour la mesure de similarite : lutilisation de
mesures robustes [137, 136, 164] tente de repondre `a ce besoin. Toutefois, les mesures
(les couples dintensite) ainsi ecartees le sont sur un seul crit`ere decart par rapport `
a
la relation supposee entre les intensites, et la localisation geographique de ces mesures

6.3. LES PRIMITIVES ICONIQUES

43

nintervient en aucune facon (elles peuvent tr`es bien etre dispersees dans toute la zone
de recouvrement entre les deux images).

6.3

Les primitives iconiques

Construire explicitement des appariements iconiques permet de repondre plus ou moins aux
probl`emes souleves. Cette idee presuppose lexistence de primitives iconiques dont il faut preciser
la notion.
La premi`ere primitive iconique qui vient `a lesprit est le point geometrique augmente de son
intensite, soit (M,I(M )) pour un point M dune image I.
Nous avions dej`a utilise cette primitive sans la nommer, par exemple dans les mesures de
similarit
e basees sur les differences (comme la somme des differences au carre, SSDC (I T,J) =
X
|I T (Mk ) J(Mk )|2 , cf page 29).
k

Nous aurions pu imaginer de lutiliser dans un schema de type ICP (equation (3.6))
1.
2.

CI (T (P )) = arg min kI T (M ) J(P )k2

XM
T = arg min
kT (P ) (CI T )(P )k2
T T

avec T fixe
avec CI T fixe

P Zn
J

mais cette approche est evidemment par trop nave : la premi`ere etape, la construction des appariements, est une operation mal posee car `a un point P de limage J on peut faire correspondre
nimporte lequel des points de limage I T dintensite J(P ) sans pouvoir les discriminer.
Lutilisation, non plus de la seule intensite du point, mais de la distribution des intensites
autour du point permet de construire de meilleurs appariements [75] 3 .
Lajout de linformation de position des points 4 permet alors doperer une selection plus fine,
et on obtient un schema de la forme
1.
2.

CI (T (P )) = arg min kT (M ) P k2 + kI T (M ) J(P )k2

XM
kT (P ) (CI T )(P )k2
T = arg min
T T

avec T fixe
avec CI T fixe

(6.1)

P Zn
J

Dans ce dernier cas, la distance entre primitives iconiques nest pas une mesure purement iconique (comme celles presentees dans le chapitre 5), mais une mesure mixte melant mesure
iconique et distance geometrique par le biais dune combinaison lineaire (les Generalized Image
Models utilisent les memes primitives avec une distance de Malahanobis [80]).
En fait, si lon y reflechit, les primitives iconiques quutilise lil humain ne sont pas des
points isoles mais des petites regions, telles celles qui sont utilisees dans le recalage par blocs.
3. Dans ce travail, il sagit de distributions de couleurs, rendues dependantes de la localisation pour une
meilleure discrimination : ces distributions de couleur ne sont pas eloignees des blocs utilises plus loin.
4. Nous avions precedemment mentionne cette approche ([66], cf page 19) en adoptant une presentation inverse,
a savoir un ICP geometrique augmente de linformation dintensite.
`


CHAPITRE 6. METHODES
HYBRIDES

44

Fig. 6.1 Quelques images autoradiographiques dun cerveau de singe (parmi 818) de la serie
utilisee pour la reconstruction presentee dans la figure 6.2.

6.4

Un recalage hybride : le recalage par blocs

Le recalage par blocs, ou block matching, utilise donc des petites regions, ou blocs, comme
primitives iconiques, et consiste en un schema de type ICP de la forme
1. CI (T (P )) = arg min S (BIT (M ),BJ (P )) avec T fixe
M V(T (P ))
X
2. T = arg min
kT (P ) (CI T )(P )k2
avec CI T fixe
T T

(6.2a)
(6.2b)

P Zn
J

o`
u BJ (P ) designe une region dans limage J autour du point P , BIT (M ) une region dans
limage I T autour du point M , et V(T (P )) un voisinage autour de T (P ).
Plusieurs points pratiques sont `a considerer dans la mise en uvre
1. Si lon consid`ere des blocs suffisamment petits, o`
u lon observe en general au plus 2 tissus
differents, le coefficient de correlation peut etre utilise comme mesure (voir aussi les mesures
de similarite locales, 5.4).
2. La selection des primitives (elimination des blocs peu informatifs, cest-`a-dire `a peu pr`es
uniforme en intensite) et des appariements a priori errones (par lutilisation dune estimation robuste, par exemple les moindres carres tamises, dans la seconde etape (equation
(6.2b)), o`
u, de plus, les appariements peuvent etre ponderes par leur mesure de similarite
associee), est essentielle.
3. Enfin, une mise en uvre multi-echelle permet dobtenir un algorithme rapide.
Ce type de recalage a ete largement etudie par S. Ourselin au cours de sa th`ese [140], avec
une premi`ere motivation qui etait la reconstruction dun volume `a partir de coupes seriees (voir
figures 6.1 et 6.2) [139], mais il peut evidemment aussi sappliquer au recalage dimages 3-D
[138]. En particulier, ce type de methode permet de sabstraire de differences entre les images `
a
recaler (comme celles presentes dans la figure 5.7).
Il a ete montre que ce type de recalage permet de recuperer des transformations rigides
relativement importantes (jusqu`a 30o de rotation pour des images 2D [139]). Dautres etudes
sur la sensibilite de la methode se trouvent dans la litterature [189].
Lecriture de lequation (6.2) appelle un certain nombre de remarques.
1. Lors de la premi`ere etape du recalage par blocs (equation (6.2a)), on retient comme
seul appariement celui qui donne le minimum global (dans un voisinage) de la mesure
de similarite. Or il sav`ere (et cela se verifie en pratique) que le bon appariement peut
etre associe `
a un minimum local qui ne soit pas le minimum global.
Il pourrait donc etre interessant de ne pas selectionner quun seul point lors de cette
premi`ere etape, mais plusieurs points en les ponderant eventuellement par la mesure
(ou son opposee selon que lon minimise ou maximise) de similarite associee.

6.4. UN RECALAGE HYBRIDE : LE RECALAGE PAR BLOCS

axial

sagittal

45
sagittal

Fig. 6.2 De gauche `

a droite : une vue axiale et deux vues sagittales du volume forme de
lempilement de coupes autoradiographiques (cf figure 6.1). En haut, empilement original, en
bas, apr`es reconstruction.
A la difference de lEM-ICP (cf page 18, [82]), o`
u lon va prendre en compte les n points
les plus proches (en les ponderant), il sagirait plutot de prendre en compte les n plus
forts extrema locaux de la mesure (lextremum global selectionne par le arg min et
n 1 extrema locaux). De plus, comme il faudrait etre capable de selectionner le bon
extremum dans lensemble des extrema, cela necessite lemploi dun estimateur adapte
(par exemple un estimateur robuste (.) en lieu et place de la norme L2 , k.k2 ). Le
schema deviendrait donc de la forme
1.
2.

MP = {M V(T
| M extrema de S (BIT (M ),BJ (P ))}
X(P ))
X
T = arg min
(T (P )M )
T T

avec T fixe
avec MP fixe

P Zn
J M MP

2. La premi`ere etape du recalage par blocs, letape dappariement entre les primitives
iconiques, qui sont aussi des sous-images (equation (6.2a)), peut etre aussi vue comme
un recalage iconique (cf equation (5.1)) entre la sous-image BJ (P ) et limage I T : on
cherche alors o`
u on peut placer au mieux (au sens de la mesure de similarite) la sousimage BJ (P ) dans limage I T . On recherche alors une transformation incrementale
optimale tP pour chaque sous-image BJ (P ), et le schema ICP devient
1. tP = arg min S (I T ,BJ (P ))
t
X

2. T = arg min
kT (P ) (tP T )(P )k2
T T

avec T fixe

(6.3a)

avec (tP T ) fixe

(6.3b)

P Zn
J

Typiquement, dans lalgorithme de recalage par blocs tel que nous lutilisons, la classe
de transformations utilisee pour le sous-probl`eme (6.3a) est celle des translations
enti`eres de norme L inferieure `a un seuil (correspondant au voisinage V(T (P )) explore). Anecdotiquement, on peut aussi remarquer que lalgorithme doptimisation utilise pour trouver la transformation optimale tP est une recherche exhaustive sur tout
lespace des possibilites.
Lecriture de la seconde etape (equation (6.3b)) est intentionnellement lourde (et maladroite puisquil y a un T variable et des (tP T ) fixe, maladresse due en partie au


CHAPITRE 6. METHODES
HYBRIDES

46

caract`ere iteratif de lestimation de la transformation que nous avions reussi `a escamoter

jusquici). En fait, nous pourrions reecrire lequation (6.3b) en
Ti+1 = arg min
T T

kT (tP Ti )k2|P

(6.4)

P Zn
J

o`
u lon voit mieux le calcul de la transformation comme lestimation de la transformation optimale approchant le mieux les transformations (tP Ti ). La notation k . . . k2|P
signifie que la transformation (tP Ti ) est surtout valable autour du point P , et approxime T en P .
On pourrait donc imaginer rechercher une transformation globale non-rigide en en
estimant une approximation rigide locale en divers points de la grille.
3. En faisant des recalages iconiques par sous-images, la question du lien avec les mesures
locales de similarite locales (section 5.4) se pose. En adaptant les notations utilisees
jusquici, on peut considerer la mesure locale de similarite secrirait
X

S (I T ,BJ (P ))

P Zn
J

et lon chercherait `
a la minimiser par rapport `a T , generalement par une descente de
gradient, tandis que le recalage par blocs minimise
X

S (I tP ,BJ (P ))

P Zn
J

par rapport aux tP , avec une recherche exhaustive. La transformation globale T est
ensuite estimee par rapport aux tP . On voit alors quil devrait etre possible dechapper
plus facilement aux minima locaux.
Ce decouplage, entre calcul de la transformation globale et influence de la mesure de
similarite, est aussi au cur du travail de th`ese de P. Cachier [42].

6.5

Le recalage par blocs : travaux compl

ementaires

Les travaux mentionnes ci-dessus, ainsi que les diverses applications sur lesquelles nous avons
pu travailler, ne cherchaient `a estimer que des transformations globales simples (rigides ou
affines).
En effet, bien que potentiellement le recalage par blocs passe par lestimation dun champ
(qui peut etre dense) de correspondances, celui-ci doit etre manipule avec prudence :
certains blocs, ceux qui presentent une couleur `a peu pr`es homog`ene, ne peuvent pas
donner un appariement fiable (ils peuvent sapparier avec nimporte quel bloc de couleur
homog`ene),
certains appariements peuvent etre errones.
Ces remarques ont motive la mise en place dune estimation robuste, tout dabord dans la
selection des blocs pour lesquels des appariements seront cherches (on ne peut en fait estimer
quun champ epars dappariements, etant donne quil est vain dessayer destimer un appariement pour une region homog`ene), puis dans lestimation proprement dite de la transformation
(nous avons meme dej`a precise que ce point etait essentiel dans la mise en uvre pratique de
lalgorithme).

6.6. CONCLUSION

47

Les classes de transformations que nous avons utilisees en pratique comportaient peu de
degres de libertes (transformations rigides ou affines). Il est interessant de sinteresser, `a partir
du champ dappariements calcules, `a dautres classes de transformations.
Lors de son stage de diplomarbeit, Heike Hufnagel sest interessee `a lestimation dune transformation spline `a partir du champ dappariements genere par le recalage par blocs [92]. Il
sest avere que lajout dun terme de regularisation pour lestimation de la transformation etait
indispensable, ceci afin de diminuer linfluence des mauvais appariements.
Par ailleurs, nous nous sommes aussi interesses `a lanalyse du champs dappariements dans
le cas o`
u la transformation recherchee est rigide (ou affine) par morceaux [146]. La methode mise
en place suit les etapes suivantes et est illustree par la figure 6.3.
1. Calcul dun champ dappariements avec le recalage par blocs.
2. Partionnement de ce champ en regions, construites sous diverses contraintes (connexite,
coherence des appariements, etc.).
3. Recalage independant des regions (avec lalgorithme de recalage par blocs).
4. Construction dune transformation globale, rigide (ou affine) `a linterieur des regions et
interpolee entre celles-ci.
Au cours de cette etude, il sest avere que les appariements generes par le recalage des blocs
manquaient de coherence. Une analyse plus fine de la construction des appariements a montre
que ce manque de coherence provenait de la mesure de similarite (en loccurrence, le coefficient
de correlation, cf equation (5.3)) : celle-ci estime implicitement une relation (ici affine) entre les
intensites des blocs apparies, et cette relation peut changer du tout au tout meme pour deux
hypoth`eses dappariements proches, ce qui induit des variations brutales de la mesure, et une
interrogation sur le bien-fonde des comparaisons entre deux mesures.
Lintroduction du coefficient de correlation contraint (qui est un coefficient de correlation o`
u
les valeurs moyennes utilisees sont figees et calculees sur des voisinages plus grands) permet de
contrecarrer ce phenom`ene (cf figure 6.4).

6.6

Conclusion

Les deux methodes presentees ci-avant, un recalage iconique augmente dappariements geometriques, et un recalage type ICP avec des primitives iconiques, sont devidence assez differents,
et il peut sembler artificiel de les regrouper ici.
En effet, la premi`ere methode melange `a la fois les primitives iconiques et geometriques, ainsi
que les mesures de similarite iconique et geometrique, tandis que la seconde utilise des primitives
iconiques et une mesure de similarite globale geometrique (somme de distances au carres).
Cependant, il nous semble que ces deux methodes hybrides (melangeant iconique et geometrique) de recalage participent de la meme philosophie. Schematiquement, la composante geometrique de ces methodes permet dajouter des appariements `
a grande distance qui permettent de
lisser le paysage de la mesure `a optimiser et ainsi desperer echapper aux minima locaux, qui
peuvent potentiellement survenir dans des methodes purement iconiques.
Toutefois, le premier type de methode, par sa construction doublement hybride proc`ede dune
demarche ad-hoc, tandis le second nous semble plus participer dun reel esprit hybride 5 .
5. Si tant est que cette expression ait un sens.

48

CHAPITRE 6. METHODES
HYBRIDES

Fig. 6.3 Recalage rigide par morceaux de deux coupes histologiques. (a) image de reference ;
(b) image flottante ; (c) partition du champ dappariements issus du recalage des blocs ; (d) image
flottante reechantillonnee apr`es recalage de chacune des parties ; (e,f ) determination et erosion
des parties qui doivent rester rigides ; (g) superposition de ces parties sur limage originale ; (h)
deformation globale appliquee sur une grille (les parties rigides sont en rouge) ; (i) resultat :
image flottante reechantillonnee par la transformation precedente ; (j) recalage global affine, `
a
comparer avec (k) le recalage localement rigide. Repris de [147].

6.6. CONCLUSION

49

Fig. 6.4 Cartes de similarites locales induites par differents mesures. (a) sous-images de
references ; (b) sous-images flottantes avec le bloc considere (en jaune) ; (c), (d) et (e) cartes
de mesures (respectivement obtenues avec la somme des differences au carre, le coefficient de
correlation, et le coefficient de correlation contraint) avec la position du meilleur appariement.
Repris de [147].

50

CHAPITRE 6. METHODES
HYBRIDES

Il nous semble donc que cette derni`ere methode est encore pleine de promesse, en particulier
pour le recalage non-rigide, o`
u la difficulte viendra de la selection des bons appariements et du
rejet des mauvais appariements.

51

Chapitre 7

Perspectives

ans ce qui prec`ede, nous nous sommes particuli`erement interesses aux primitives utilisees
ainsi qu`a la mesure de similarite optimisee, en dautre termes au calcul de la fonction
S dans lequation (2.1). Nous avons tente de presenter un panorama des diverses solutions
possibles, du recalage geometrique au recalage iconique.
Il naura pas echappe au lecteur attentif que nous navons gu`ere porte dattention aux deux
autres elements importants de lequation (2.1), `a savoir la classe de transformation T et la
methode de calcul de loptimum, le arg max.
En ce qui concerne la methode doptimisation, il est peut-etre hors de notre propos den
faire un sujet de recherche en soi. Nous pouvons remarquer que les methodes utilisees jusquici
etaient soit des methodes classiques doptimisation numeriques (descente de gradient, etc.),
soit la recherche exhaustive de loptimum (recalage de blocs). Toutefois, il est evident quil faut
sattacher, pour des raisons pratiques, `a chercher des mises en uvre robustes (pouvant echapper
aux optima locaux, comme un schema multi-echelle), et aussi rapides.
Par contre, il nous apparat que des developpements interessants peuvent etre realises, dans
le domaine des mesures de similarite, mais aussi dans la recherche de la transformation optimale.
En effet, pour diverses raisons (developpement des neurosciences, augmentation des maladies neurodegeneratives, etc.), limagerie cerebrale, en particulier chez lhomme, est un champ
dapplication privilegie. Or, la rigidite de la bote cranienne rend le recalage dimages cerebrales
du meme sujet relativement simple, puisquune transformation rigide peut suffire pour passer
dune image `a lautre. Le traitement des autres localisations (abdomen par exemple) peut etre
aussi une source potentiellement interessante de probl`emes methodologiques.

7.1

Les mesures de similarit

e

Les mesures de similarite, cest-`a-dire la fonction qui permet de quantifier le succ`es relatif
dun recalage avec une transformation donnee, ont dej`a ete largement etudiees, comme nous
avons pu nous en rendre compte dans les chapitres precedents.
De nouvelles mesures, tirees dautres champs comme la theorie de linformation, ou construites comme combinaison de mesures existantes (cf 6.1), seront sans doute proposees, sans
que cela ne change fondamentalement le panorama esquisse jusquici.
Cependant, un certain nombre de points, de differentes importances, nous semblent dignes
dinvestigation, parce quils pourront permettre detendre la portee de certaines mesures, ou de

52

CHAPITRE 7. PERSPECTIVES

proposer des ponts entre des mesures dej`a proposees.

Ajouter une incertitude aux primitives et appariements iconiques.
Lincertitude dans les primitives ou dans les appariements a dej`a ete introduite dans
les methodes geometriques de recalage. Etendre cette approche aux primitives et appariements iconiques (6.4) nous parat etre une source potentielle damelioration.
Ceci est dans lesprit des travaux presentes dans [80]. Par exemple, dans la cadre
du recalage par blocs, la variation locale de la mesure de similarite entre deux blocs
apparies nous semble intuitivement pouvoir donner une indication spatiale de lincertitude de lappariement. Il reste cependant `a construire un formalisme approprie.
Une modelisation de la formation des images plus proche de la realite physique pour
construire des mesures de similarite adaptees.
Dans le cadre des mesures iconiques, nous avons mentionne le lien entre la mesure
iconique globale choisie et la relation supposee entre les intensites des images `a recaler (5.1), puis montre linteret quil y avait `a utiliser, voire construire, la mesure
qui correspondait au plus pr`es `a cette relation supposee (5.3). Poursuivre les efforts dans cette direction, cest-`a-dire la construction de mesures appropriees, semble
evidemment une bonne chose.
Toutefois la modelisation utilisee ne rend pas compte du processus reel de formation
des images : volume partiel, mais surtout resolution comme dans le cas de limagerie
nucleaire 1 , ... Enrichir cette modelisation pour rendre compte de ce probl`eme pourrait
permettre dobtenir une mesure de similarite globale, qui assurement rendrait compte
de la distribution regionale des intensites au moins dans lune des images 2 , sans doute
plus robuste pour les probl`emes de recalage avec les images de medecine nucleaire.
Cependant, il nest pas tout-`a-fait clair que cette derni`ere approche soit la plus
adaptee pour ce probl`eme particulier. En effet, le bruit dans les images de medecine
nucleaire provient, au moins en partie 3 , de lacquisition du signal et est amplifie par
le processus de reconstruction. Pour cette derni`ere etape, lutilisation dune information anatomique permet dameliorer les resultats (la tomodensitometrie voire lIRM
[214] est utilisee pour corriger de lattenuation en imagerie TEP, lIRM peut aussi
servir `a contraindre cette reconstruction, le signal etant sense provenir de la mati`ere
grise [107]), qui necessite de mani`ere evidente un premier recalage entre imagerie
anatomique et imagerie fonctionnelle. Ameliorer la reconstruction pourrait alors etre
la solution pour obtenir une image plus facile `
a recaler. Il est cependant interessant
de noter que certains auteurs ont propose, pour contraindre la reconstruction par
lIRM, dutiliser une mesure proche des mesures de similarite iconiques globales [8]
(linformation mutuelle peut etre comprise comme une divergence de Kullback-Leibler
ponderee [141, chapitre 15]). On voit donc ici une autre utilisation de ces mesures,
et on peut imaginer une approche alternant recalage et reconstruction, qui minimiseraient la meme mesure globale.
1. Il avait ete frustrant de ne pas pouvoir utiliser experimentalement la relation analytique supposee entre les
images HMPAO et Xenon pour resoudre le recalage entre ces images (5.5.2).
2. Pour linstant, on ne tient compte que des intensites des points les plus proches par le biais de linterpolation.
3. En imagerie TEP, le temps de vol du positron avant sa desintegration est la cause dune incertitude
irreductible sur la position du lieu demission du positron.


7.1. LES MESURES DE SIMILARITE

53

Quantifier ladequation dune mesure de similarite pour un probl`eme de recalage.

Nous venons de rappeler que la mesure de similarite est liee `a la relation dintensite
supposee entre les images `a recaler. Toutefois, un choix dynamique de cette mesure
peut eventuellement etre interessant. En particulier, dans le cadre du recalage par
blocs (6.4) ou des mesures de similarite locales (5.4), nous avons choisi le coefficient
de correlation comme mesure locale : dans une petite region, on trouve en general au
plus deux tissus differents, cest-`a-dire deux couleurs, cest donc une relation affine
entre les intensites qui modelisera au mieux la relation locale entre les intensites des
images `a recaler. Cependant, si certaines de ces petites regions peuvent ne contenir
quun seul tissu, auquel cas le coefficient de correlation offre en fait trop de degres de
liberte, potentiellement source doptimums locaux. Pouvoir changer dynamiquement
la mesure choisie pourrait donc permettre de sadapter, dans ce cas localement, afin de
mieux saffranchir de ces optimums locaux. Savoir mesurer ladequation dune mesure
pour un couple dimages devrait permettre de comparer differentes mesures, et donc
de choisir la plus adaptee.
Construire un continuum de mesures de similarite.
Nous avons mentionne plusieurs mesures de similarite differentes, chacune dentre elles
rendant compte dune relation implicite entre les images `a recaler, relation pouvant
etre de la plus simple (identite) `a la plus complexe (dependance statistique).
Pour un recalage donne, la mesure `a optimiser est choisie a priori, selon les hypoth`eses que lutilisateur formule sur la relation supposee entre les intensites. Nous
venons de mentionner linteret quil y aurait `a pouvoir modifier dynamiquement (au
cours du recalage) la mesure `a optimiser, modification eventuellement guidee par une
quantification de ladequation de telle ou telle mesure pour le probl`eme considere.
La construction dun continuum des mesures de similarite serait un grand progr`es
pour cette tache. Toutefois, meme si cela semble intuitivement possible (par exemple le
passage du coefficient de correlation restreint cf 6.5 au coefficient de correlation se
fait en modulant la taille du voisinage sur lequel est calcule la moyenne des intensites),
lexistence (et par la suite la construction) dun tel continuum reste `a prouver.
Couplee avec la quantification de ladequation de la mesure, cette construction permettrait de traiter le probl`eme du choix de la mesure de similarite comme un probl`eme
doptimisation supplementaire (avec evidemment les divers soucis y afferant).
Ce probl`eme de continuite, que nous venons de mentionner pour les mesures globales
de similarite, se pose aussi entre les mesures globales et les sommes de mesures locales
(cf 5.4), qui rendent compte dune hypoth`ese locale sur la relation entre les intensites
(une mesure locale simple, telle le coefficient de correlation, peut alors etre choisie).
Dans ce cas, on suppose juste quune relation globale complexe (et inconnue) entre
les intensites peut etre approximee localement par une relation affine 4 , hypoth`ese
somme toute relativement raisonnable. Peut-on etendre cette idee `a la mesure de similarite elle-meme, et considerer que, par exemple, le coefficient de correlation est,
4. Un peu comme lequation (6.4) suppose quune transformation complexe peut etre approximee localement
par une transformation plus simple.

54

CHAPITRE 7. PERSPECTIVES
localement, lapproximation dune mesure plus complexe comme linformation mutuelle? Ce point, ainsi que les hypoth`eses permettant de latteindre, nous parat etre
une piste de recherche interessante.
Construction de champs dappariements denses.
Le recalage par blocs permet virtuellement de construire un champ dappariements
dense, qui est, en general, malheureusement incoherent : cela motive la selection des
primitives et lutilisation destimateurs robustes pour le calcul de la transformation
(cf 6.4), et lintroduction du coefficient de correlation contraint (cf 6.5). Bien que,
dans le recalage par blocs, les appariements soient calcules independamment les uns
des autres (et cela en constitue une caracteristique fondamentale), il est interessant
de noter que cette derni`ere mesure introduit une certaine continuite dans la mesure
estimee grace au calcul des moyennes sur des supports plus larges.
Il est evident que le calcul dun champ dappariements denses et coherents faciliterait
lestimation subsequente de la transformation recherchee (par exemple pour le recalage rigide par morceaux). Comment construire un tel champ est aussi une question
ouverte.

7.2

Les transformations

Dans le paragraphe precedent, nous avons debattu des mesures de similarite et des developpements que lon pouvait encore imaginer pour ce point dej`a largement etudie. Nous navons pas
vraiment aborde jusquici le probl`eme des transformations `a utiliser pour recaler deux images,
et il naura pas echappe `a notre lecteur attentif que la classe de transformation T generalement
utilisee dans les exemples emaillant ce document etait celle des transformations rigides ou affines,
transformations simples sil en est.
Malheureusement, il existe nombre de situations o`
u ces classes de transformations ne sont
pas suffisantes : recalage inter-patients, recalage avec un atlas, etc. Des transformations plus
complexes, cest-`a-dire avec plus de degres de liberte sont alors necessaires.
Choisir une telle transformation resulte dun ensemble de compromis : un grand nombre de
degres de liberte permet de representer des transformations tr`es variees, mais risque de faire
surgir des optima locaux lors de loptimisation de la mesure de similarite.
On peut par exemple utiliser une transformation decomposee sur une base de fonctions,
par exemple des fonctions splines [172] ou des fonctions `a base radiale [168]. Ces transformations, generiques, nint`egrent aucune connaissance sur le probl`eme precis `a resoudre. Il faut
donc esperer quelles aient suffisamment de degres de liberte pour capturer la transformation
recherchee.
Pour etre s
ur que la transformation recherchee soit dans la classe T des transformations sur
laquelle loptimisation se fait, on peut choisir la classe de transformations la plus large possible,
definie par un vecteur independant en chaque point de la grille reguli`ere Z. Les transformations
ainsi definies comportent en fait trop de degres de liberte, et des transformations inacceptables
(avec des valeurs de jacobien localement negatives) peuvent etre atteintes. Pour eviter cela, on
ajoute generalement un terme de regularisation, Reg(T ), portant sur la seule transformation, `
a
la mesure de similarite, afin deviter des deformations trop fortes, et lon optimise finalement
T = arg max S (I T,J) + Reg(T )
(7.1)
T T

7.2. LES TRANSFORMATIONS

55

Cette regularisation nest en fait quun moyen detourne de reduire letendue de la classe T ,
par exemple pour la restreindre `a des diffeomorphismes, ce qui suppose dailleurs implicitement
que la transformation recherchee est un diffeomorphisme. Lajout dappariements geometriques
(cf 6.1) participe du meme esprit : on cherche `a restreindre lespace de recherche de la transformation pour se ramener `a des transformations acceptables.
Que la transformation recherchee soit un homeomorphisme est une hypoth`ese communement
admise, parce quil est contre-intuitif que la transformation recherchee puisse comporter une
inter-penetration de la mati`ere (un jacobien localement negatif) que lon ne saurait pas interpreter.
Le point de vue presente peut sembler de parti pris. En effet, on peut calculer un diffeomorphisme sans forcement ajouter un terme de regularisation [134]. Et limage flottante reechantillonnee
(limage deformee) ressemble alors parfaitement `a limage cible (on observe un parfait morphing).
A-t-on pour autant reussi le recalage? Dun point de vue mathematique (optimisation dune mesure de similarite) ou image, il semble que oui puisque limage deformee ressemble parfaitement `
a
limage cible. Dun point de vue applicatif, par exemple anatomique, cela est moins s
ur : on peut
observer des fortes dilatations ou contractions locales (dues en fait `a de leg`eres variations locales
de la couleur, elles-meme dues `a une acquisition imparfaite), des structures sensees etre convexes
(comme certains ganglions de la base en imagerie cerebrale) se retrouvent, apr`es transformation,
dotees dune concavite, etc. En realite, et dans un cadre applicatif donne (par exemple le recalage
dun atlas anatomique avec limage dun sujet), nous avons quelques attentes a priori vis-`a-vis
de la transformation recherchee (comme le fait que ce soit un homeomorphisme), attentes implicites non prises en compte dans la resolution du probl`eme, mais surgissant pour la validation
de la solution trouvee.
En fait, comme nous lavons fait pour les mesures de similarite iconiques globales (cf 5.3),
il faudrait ne plus choisir la classe de la transformation `a rechercher parmi un catalogue mais
plutot se poser la question de la classe de transformation adaptee au probl`eme precis pose.
Dun point de vue implicite, on peut considerer que cest lobjet des methodes dapprentissage statistique, qui vont tenter de modeliser une distribution dont on connat un certain nombre
dechantillons (que ce soit des formes, avec les active shape models [55], ou les images, avec les
active appearance models [54]), generalement avec une loi gaussienne et une analyse en composantes principales, avec lespoir que les combinaisons lineaires de ces composantes principales
gen`erent des transformations licites.
Dun point de vue explicite, cela peut consister dej`a `a prendre en compte la geometrie ou la
cyclicite du probl`eme considere dans la formulation meme dans la transformation, comme cela
a ete fait pour le cur [60, 22].
Dans cet esprit, les transformations rigides par morceaux (cf 6.5) ont ete introduites pour
recaler un objet deformable (la colonne vertebrale) compose dobjets rigides (les vert`ebres) [109].
Il apparat que cette classe de transformations modelise relativement bien les deformations subies
par une coupe histologique cerebrale lorsquelle est mise `a plat apr`es coloration (des morceaux
relativement compacts restent rigides, tandis que les zones de jonctions entre deux morceaux
jouent le role de pivots), et quelle est suffisamment puissante pour corriger les deformations
residuelles restant dans la reconstruction 3D apr`es recalage des coupes seriees [146] 5 .
5. Le caract`ere ad hoc de cette classe de transformation peut rebuter le methodologiste en mal de formalisme :
il sav`ere quil est possible de construire une classe de transformations proches, les transformations polyrigides ou

56

CHAPITRE 7. PERSPECTIVES

De meme, le recalage dun volume reconstruit `a partir de coupes seriees, tel celui presente
dans la figure 6.2, avec une image 3-D IRM, peut `a premi`ere vue sembler etre du domaine du
recalage non-rigide, notamment `a cause des differences apparaissant apr`es un premier recalage
rigide 3D. Toutefois, une etude plus fine des processus de decoupe et de reconstruction montre
quune incertitude peut exister sur les transformations 2D calculees pour la reconstruction.
Cest leffet banane [126] : le recalage, et dans ce cas le terme de fusion semble encore plus
approprie, avec lIRM consiste `a estimer conjointement la transformation 3D entre IRM et
volume reconstruit avec lensemble des transformations 2D utilisees pour la reconstruction. il
est alors surprenant de constater que des transformations simples (rigides ou affines) sont alors
suffisantes 6 (cf figure 7.1).
Plutot que dagir sur la parametrisation de la transformation, on peut aussi agir sur sa
regularisation. Lors dun recalage inter-sujets dimages cerebrales, on cherchera ainsi une transformation plutot elastique du parenchyme cerebral, et plutot fluide du liquide cephalo-rachidien
(essentiellement, linterieur des ventricules) : la regularisation devient dependante de la structure
transformee [185] et une classification/segmentation est necessaire. Plutot que de sen remettre
`a une classification, on peut tenter dapprendre les variabilites locales en etudiant un premier
ensemble de transformations [53].
Enfin, certains probl`emes remettent meme en cause lhypoth`ese dhomeomorphisme communement admise pour le recalage inter-individus, qui suppose quil existerait une correspondance point `a point (de RnI vers RnJ , avec les notations utilisees jusquici) entre les deux images,
justifiee implicitement par le fait que les memes structures anatomiques se retrouvent dans les
deux images `a recaler.
Cette hypoth`ese ne semble dej`a pas realiste pour le cortex, o`
u lextraordinaire variation
interindividuelle qui existe pour les sillons semble 7 se manifester aussi bien geometriquement
(en terme de localisation, donc) que topologiquement (certains sillons apparaissent discontinus
chez certains sujets, les embranchements observes sur la surface corticale peuvent etre differents,
etc.) [159].
Cette hypoth`ese nest de plus manifestement pas realiste en presence de pathologies, voire, cas
extreme, dune exer`ese chirurgicale. Effectivement, la presence dune nouvelle structure (comme
une tumeur 8 ) existant dans une image mais pas dans lautre, rend illusoire la recherche dun
homeomorphisme. Si lon ne prend pas en compte explicitement la tumeur, on cree alors de
fortes deformations [62], comme si la tumeur surgissait de nulle part, fortes deformations qui,
sous leffet de la regularisation, peuvent se repercuter plus loin dans limage. A contrario, on
peut tenter dincorporer la tumeur ou lexer`ese chirurgicale dans la seconde image [184], mais
le choix geographique du site dintroduction de la nouvelle structure est alors ad hoc, et donc
questionable.
polyaffines, qui, elles, proc`edent dune formalisation poussee [9].
6. Evidemment, le protocole dacquisition des donnees autoradiographiques est aussi pour beaucoup dans cet
etat de fait, le cerveau etant decoupe en etant congele. Ladaptation dune telle approche `
a des donnees histologiques, o`
u alors des deformations locales sont susceptibles dapparatre (comme celles compensees par des
transformation rigides/affines par morceaux), si elle est envisageable, reste `
a mettre en uvre.
7. La prudence est de rigueur. Topologiquement, le cortex est homeomorphe `
a une boule de mati`ere blanche
entouree dune sph`ere de mati`ere grise [130]. La variation anatomique observee semble due aux differences de
formation des plis (les sillons) se formant sur cette derni`ere surface, formation dont on peut penser quelle depend
de lexpression du gen
ome individuel, et il nest pas interdit de rever que lon puisse, un jour, lapprehender.
8. Que lon peut differencier dautres pathologies comme la sclerose en plaques, o`
u ces lesions ne sont pas des
nouvelles structures, mais un tissu existant lese, qui exhibera pourtant une couleur differente dans limagerie.

7.2. LES TRANSFORMATIONS

coronal

57

sagittal

axial

Fig. 7.1 De haut en bas, 3 coupes de limage IRM, 3 coupes du volume autoradiographique
(reconstruction presentee dans la figure 6.2) recale affinement avec le volume IRM (dont les
contours sont visibles), 3 coupes du volume autoradiographique apr`es correction de leffet banane
(toujours avec les contours IRM).

58

7.3

CHAPITRE 7. PERSPECTIVES

Applications

Ci-dessus, nous avons evoque quelques pistes de recherche methodologique concernant les
mesures de similarite dune part, et les transformations dautre part. Pour ce dernier point, `
a
notre avis, un travail de recherche des transformations adaptees aux probl`emes poses reste `
a
faire.
Ces differentes perspectives, outre leur interet propre, prennent tout leur sens dans le cadre
dapplications precises, dont certaines sont maintenant evoquees ci-dessous.

7.3.1

Utilisation datlas anatomiques

Limagerie medicale, telle quelle est generalement admise, est une imagerie macroscopique
(avec une resolution de lordre du millim`etre). La diversite des modalites, eventuellement couplees avec lusage dun produit injecte, permet dacceder diverses informations anatomiques,
fonctionnelles ou dactivations.
Toutefois, un certain nombre de donnees, en particulier structurelles, restent hors datteinte,
soit `a cause de leur taille, trop petite pour que lon puisse esperer distinguer la structure recherchee avec une modalite dimagerie classique (cest par exemple le cas de lhippocampe dont
la structure interne, tr`es complexe, est noyee dans les effets de volume partiel dans une image
IRM anatomique de qualite normale), soit parce que le signal `a lorigine des images ne permet pas de distinguer cette structure par rapport `a son environnement (cest par exemple le
cas de certains ganglions de la base, dont le signal se confond avec celui de la mati`ere blanche
environnante). Ces causes evidemment sadditionnent, et rendent de fait une certaine quantite
dinformation potentiellement importante actuellement hors de portee de limagerie 9 .
Une solution envisageable pour surmonter ce probl`eme est dutiliser des connaissances a priori
sur la localisation des structures recherchees, si tant est que ce type dinformation est immuable.
On peut utiliser ces connaissances sous une forme semantique, par exemple en specifiant une
localisation relative par rapport `a des structures reperables (au dessus de, `a droite de, . . . ) : cest
typiquement la demarche suivie par un anatomiste.
Ces connaissances peuvent etre resumees sous forme picturale, cest-`a-dire une image, que
lon qualifiera de mod`ele ou datlas. Il peut alors etre interessant dutiliser directement cette
image, qui represente implicitement la connaissance anatomique, pour transporter les structures
recherchees sur limage dun patient donne. Ce transport necessite dune part lidentification
de points ou structures homologues entre latlas et limage consideree, et dautre part un outil
dadaptation des structures recherchees (et donc non ou peu visibles dans limage). On retrouve
bien l`a le principe du recalage avec la construction dappariements entre latlas et limage et
la determination de la transformation superposant latlas sur limage. On retrouve aussi ici le
probl`eme du choix de la classe T de transformations permettant de transporter latlas sur le
patient.
Cette methodologie nest pas nouvelle, puisque DArcy Thompson lutilisait dej`a pour construire des grilles de deformations, en loccurence dune esp`ece `a lautre [192] 10 . Le fait dob9. Le developpement de machines plus puissantes (IRM `
a haut champ), couple `
a des temps dacquisitions plus
long, peuvent permettre dimager ces structures avec une resolution infra-millimetrique. Toutefois, cela reste dans
un cadre de recherche et ne concerne que quelques centres dans le monde. On reste loin de la pratique en routine
clinique.
10. En lesp`ece, le resultat interessant etait la grille de deformation elle-meme, non de savoir deformer un individu
vers un autre.

7.3. APPLICATIONS

59

server que les memes structures se retrouvent dun individu `a lautre permet de construire une
bijection entre structures homologues. Pour arriver au choix des homeomorphismes, voire des
diffeomorphismes, comme classe T des transformations, on suppose implicitement que cette bijection observee `a un niveau macroscopique et discret peut se generaliser `a des structures plus
petites voire au niveau tissulaire, et que de plus, cette transformation, dun individu `a lautre,
aurait certaines proprietes de regularite.
Un exemple dune telle approche dans le domaine medical est latlas de Talairach [190], o`
u une
transformation homothetique par morceaux etait utilisee, qui sappuyait sur la bote englobante
du cerveau, et sur deux points particuliers, les commissures posterieure et anterieure. Il est a
posteriori etonnant quune transformation aussi simple ait pu donner des resultats interessants
pour les ganglions de la base, et peu surprenant quelle echoue pour des structures plus externes
(sillons, etc.).
Dans ce qui prec`ede, les appariements sont discrets (et de plus realises manuellement, donc
dependants de loperateur), et renvoient aux techniques de recalage geometrique. Utiliser alors
une technique de recalage iconique permet de saffranchir de la construction explicite dappariements. Les atlas tels que dessines par des anatomistes sont trop simplifies, ou trop loin de
limagerie, pour pouvoir etre utilises tels quels dans un recalage iconique. Un atlas peut alors
etre construit en prenant une image quelconque supposee representative et sur laquelle seront
tracees les structures dinteret (cela peut etre aussi une image etiquetee).
La segmentation basee recalage consiste alors `a recaler limage representative sur limage que
lon souhaite segmenter, et `a appliquer la transformation trouvee aux structures desirees, qui sen
trouvent reportees sur limage `a segmenter. Cette technique peut egalement sappliquer `a des
structures qui, bien que potentiellement visibles, peuvent etre delicates `a contourer automatiquement. En rejetant toutes les difficultes dans letape de recalage (et on suppose quelles seront
correctement gerees par ses differentes composantes: mesure de similarite, classe de transformation, et algorithme doptimisation), on obtient une methode quasi-magique de segmentation.
Une telle approche est donc tr`es attirante pour tous les besoins de segmentation que lon
peut avoir. Jen mentionnerai deux.
Limplantation delectrodes profondes dans le cerveau, o`
u il faut atteindre une petite cible
11
tr`es precisement . La procedure actuelle necessite une exploration `
a t
atons jusqu`a trouver la bonne cible (invisible `a lIRM). Pouvoir la specifier sur lIRM `a laide dun atlas
permettrait dameliorer lintervention, en etant poteniellement plus precis dune part et en
diminuant le temps dintervention dautre part.
La radiotherapie, o`
u de nombreuses structures doivent etre contourees, pour determiner la
dose recue. Ce contourage, necessaire pour etablir la planification du traitement est tr`es
co
uteux en temps. Lautomatiser permet donc dabord de liberer le radiotherapeuthe pour
dautres taches, comme le contact avec les patients. Par ailleurs, pouvoir estimer la dose
recue sur diverses structures (qui ne seraient pas contourees dans le cas dune delineation
manuelle) peut permettre de correler des effets secondaires avec la dose recue par certaines
structures, et donc offre la possibilite, `a plus long terme, de definir des traitements plus
performants en reduisant ces effets secondaires.
Si la segmentation basee atlas, telle que decrite precedemment semble pouvoir etre utilisee
pour les structures cerebrales, il semble que cela puisse etre plus complexe pour dautres
11. Dans le cadre dune collaboration avec lh
opital de la Pitie-Salpetri`ere, le CNRS, lINSERM, et la societe
Medtronic.

60

CHAPITRE 7. PERSPECTIVES
localisations comme la sph`ere ORL ou labdomen, pour lesquels des techniques faisant
intervenir des atlas autres quune image etiquetee devront peut-etre etre developpees.

7.3.2

Construction datlas

Dans ce qui prec`ede, nous etions partis du probl`eme du reperage de structures indiscernables
en imagerie medicale, pour arriver `a un recalage non-rigide avec une image atlas, cest-`a-dire
une image supposee representative enti`erement etiquetee. Cet etiquetage peut etre realise manuellement sur limage representative pour une definition la plus precise qui soit des structures
recherchees, mais il est evidemment impossible de contourer les structures indiscernables qui
etaient pourtant notre motivation premi`ere. Il nous faut donc imaginer un autre moyen dacceder
`a cette information.
De mani`ere generale, la seule verite terrain existant pour la caracterisation anatomo-fonctionnel des tissus est lhistologie 12 voire lautoradiographie 13 . Larrivee de limagerie par fluorescence, qui permet de marquer les cellules par manipulation genetique, et qui etre, sous certaines
conditions, realisee in vivo temp`ere quelque peu cet etat de fait.
Pour reconstruire un atlas, au sens image etiquetee, `a partir de ces coupes seriees o`
u ces
structures sont revelees, il faut savoir re-superposer ces coupes les unes aux autres. Cela sapparente `a un recalage entre coupes bidimensionnelles, `a ceci pr`es que deux coupes successives
ne sont pas identiques mais peuvent presenter de leg`eres differences. Nous avons dej`a mentionne
lalgorithme du recalage par blocs comme donnant dexcellents resultats pour cette tache, mais
il ne constitue pas une panacee. Tout dabord, il y a une incertitude sur la forme (cest leffet
banane, cf page 56), que lon ne pourra corriger que si lon dispose dune estimation de cette
forme 3D avant decoupe. Ensuite, le traitement dabord et la manipulation ensuite des coupes
gen`erent des deformations quil faut aussi corriger. Si lutilisation de transformations rigides par
morceaux repond partiellement au second point, le premier point reste `a resoudre. Les differents
tissus reagissant differemment `a un traitement histologique (differents facteurs de contraction,
etc), il faudrait donc rechercher une transformation, ou un ensemble de transformations, refletant
cette observation. A cette fin, lincorporation des proprietes bio-mecaniques des tissus dans le
calcul de la transformation semble une voie interessante [72, 49].
Arriver ainsi `a inverser la chane de transformations qui m`ene de limagerie 3D in vivo `
a
limagerie histologique permettra de reconstruire une imagerie anatomo-fonctionnelle volumique
[15, 16]. Outre ses vertus pedagogiques, nous avons dej`a esquisse lutilisation possible dun tel
volume en tant quatlas, pour la delineation de zones anatomiques ou fonctionnelles dans de
limagerie in vivo.

7.3.3

Une imagerie multi-

echelle

Nous venons devoquer lutilisation de limagerie optique, en loccurrence la photographie de

coupes histologiques. Ce faisant, nous avons mis laccent, dune certaine facon, sur la difference
de signal existant entre cette imagerie optique et une imagerie tridimensionnelle in vivo qui
permet, par fusion des deux modalites, de transporter des structures discernables uniquement
sur limagerie optique dans limagerie in vivo.
12. En effet, il existe differents types de coloration qui permettent de reveler soit des caracteristiques structurelles
(comment cest fait?), soit des caracteristiques fonctionnelles (quest-ce que ca fait?).
13. A la difference de lhistologie, le produit revelateur, radioactif, est injecte in vivo, mais sa revelation se fait
sur coupes seriees.

7.3. APPLICATIONS

61

Fig. 7.2 A gauche, une coupe optique dun cerveau realisee apr`es injection dencre de chine.
Une partie de cette coupe, recouvrant un sillon, a ete acquise sous forme dune mosaque dimage
de microscopie confocale [74]. Une telle construction peut potentiellement aider `
a comprendre
la formation et la localisation du signal observe dans des imageries fonctionnelles (TEP) ou
dactivation (IRMf ).
Une autre difference potentielle de limagerie optique, par rapport `a une imagerie tridimensionnelle in vivo, est la difference, potentiellement tr`es importante, de resolution. De fait, limagerie optique, peut offrir une resolution (une taille du point dans limage) infra-millimetrique,
voire inferieure grace `a la microscopie ! Une des difficulte `a surmonter est qualors le champ de
vue visible dans une image microscopique est tr`es petit par rapport au champ de vue dune image
macroscopique. Toutefois, rien nempeche de realiser une acquisition par morceaux de limage
totale, et ensuite de reconstruire 14 une image virtuelle (cf figure 7.2) de taille macroscopique et
de resolution microscopique.
Lavantage dune telle construction peut permettre lelaboration de veritables representations
multi-echelle dun organe, qui int`egrent differentes modalites `a differentes resolutions [194]. Ces
representations seront ensuite un materiel unique pour etudier des mod`eles metaboliques et/ou
de developpement de ces organes, ou des mod`eles de formation du signal dans les images.

14. A la difference des travaux presentes jusqu`

a present, la reconstruction ne se fait plus le long de laxe de
decoupe, mais selon le plan de decoupe.

62

CHAPITRE 7. PERSPECTIVES

63

Chapitre 8

Conclusion

ous avons, dans ce document, passe en revue les differentes mesures de similarite utilisees `
a
des fins de recalage. Historiquement, la tendance a ete de glisser des mesures geometriques,
proches en fait du comportement humain lors dune tache de recalage, `a des mesures iconiques,
plus proches du signal, cest-`a-dire de lobjet image et de limageur.
A notre avis, une avancee conceptuelle majeure a consiste `a relier la mesure de similarite
optimale `a utiliser `a un mod`ele dacquisition des images. La mesure doit donc sadapter aux
images quelle est sense aider `a recaler.
Comme nous lavons remarque, cette adaptation reste `a faire pour de nombreux autres
points : les mesures iconiques construites comme somme de mesures locales dune part, mais
surtout et essentiellement dans le choix des transformations `a rechercher. En effet, pour ce dernier
cas, lutilisation des transformations les plus generales nous semble comparable `a lutilisation
inconditionnelle de linformation mutuelle comme mesure de similarite. Un travail de justification
du choix de la transformation nous semble donc important.
Dans cette lignee, il me semble important de sinteresser plus precisement aux transformations inter-individus. En effet, celles-ci interviennent dans les probl`emes de recalage atlas/sujet,
ou dans le calcul de statistiques dans une base dimages.
Tout attache que je puisse etre `a la methodologie et `a un certain degre de formalisation,
il ne faut pas oublier lapplication, dont la reussite seule permet de valider a posteriori tel
ou tel choix. De ce point de vue, lutilisation des techniques de recalage peut encore apporter
beaucoup. Lapplication doit etre comprise comme ladaptation des outils `a une tache de routine,
par exemple clinique. Outre la definition des methodes, un effort supplementaire doit etre mene
pour simplifier au mieux lutilisation des outils informatiques (nombre et reglages des param`etres,
etc). Limagerie cerebrale est jusquici une application de choix, mais les autres localisations,
bien que moins attractives, ne doivent pas etre oubliees.

64

CHAPITRE 8. CONCLUSION

BIBLIOGRAPHIE

65

Bibliographie
[1] H. Akaike. An approximation to the density function. Annals of the Institute of Statistical
Mathematics, 6:127132, 1954.
[2] N M Alpert, D Berdichevsky, Z Levin, E D Morris, and A J Fischman. Improved methods
for image registration. Neuroimage, 3(1):108, February 1996.
[3] A R Andersen, H H Friberg, J F Schmidt, and S G Hasselbalch. Quantitative measurements
of cerebral blood flow using SPECT and [99mTc]-d,l-HM-PAO compared to xenon-133. J
Cereb Blood Flow Metab, 8(6), December 1988.
[4] C. Arcelli and G. Sanniti di Baja. A width-independent fast thinning algorithm. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 7:463474, July 1985.
[5] C. Arcelli and G. Sanniti di Baja. Ridge points in euclidean distance maps. Pattern
Recognition Letters, 13(4):237243, April 1992.
[6] C. Arcelli and G. Sanniti di Baja. Euclidean skeleton via centre-of-maximal-disc extraction.
Image and Vision Computing, 11(3):163173, April 1993.
[7] B A Ardekani, M Braun, B F Hutton, I Kanno, and H Iida. A fully automatic multimodality image registration algorithm. J Comput Assist Tomogr, 19(4):61523, Jul-Aug
1995.
[8] B A Ardekani, M Braun, B F Hutton, I Kanno, and H Iida. Minimum cross-entropy reconstruction of PET images using prior anatomical information. Phys Med Biol, 41(11):2497
517, November 1996.
[9] Vincent Arsigny, Xavier Pennec, and Nicholas Ayache. Polyrigid and polyaffine transformations: A new class of diffeomorphisms for locally rigid or affine registration. In Randy E.
Ellis and Terry M. Peters, editors, Proc. of MICCAI03, Part II, volume 2879 of LNCS,
pages 829837, Montreal, November 2003. Springer Verlag.
[10] K.S. Arun, T.S. Huang, and S.D. Blostein. Least-squares fitting of two 3-D point sets.
IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(5):698700, September 1987.
[11] Michel A. Audette, Frank P. Ferrie, and Terry M. Peters. An algorithmic overview of
surface registration techniques for medical imaging. Medical Image Analysis, 4(3):201
217, 2000.
[12] N. Ayache. Epidaure: a Research Project in Medical Image Analysis, Simulation and
Robotics at INRIA. IEEE Trans. on Medical Imaging, 22(10):11851201, October 2003.
[13] R. Bajcsy and S. Kovacic. Multiresolution elastic matching. Computer Vision, Graphics,
and Image Processing, 46:121, 1989.

66

BIBLIOGRAPHIE

[14] E. Bardinet, S. Fernandez-Vidal, S. Damas, G. Malandain, and N. Perez de la Blanca Capilla. Structural object matching. In Advanced Concepts for Intelligent Vision Systems
(ACIVS 2000), Baden-Baden, Allemagne, August 2000.
[15] Eric Bardinet, Sebastien Ourselin, Didier Dormont, Gregoire Malandain, Dominique
Tande, Karine Parain, Nicholas Ayache, and Jerome Yelnik. Co-registration of histological,
optical and MR data of the human brain. In Takeyoshi Dohi and Ron Kikinis, editors, Medical Image Computing and Computer-Assisted Intervention (MICCAI02), volume 2488
of LNCS, pages 548555, Tokyo, September 2002. Springer.
[16] Eric Bardinet, Sebastien Ourselin, Gregoire Malandain, Dominique Tande, Karine Parain,
Nicholas Ayache, and Jerome Yelnik. Three dimensional functional cartography of the
human basal ganglia by registration of optical and histological serial sections. In IEEE
International Symposium on Biomedical Imaging, pages 329332, Washington, USA, 2002.
[17] G. Bertrand. A parallel thinning algorithm for medial surfaces. Pattern Recognition
Letters, 16:979986, 1995.
[18] G. Bertrand and Z. Aktouf. A three-dimensional thinning algorithm using subfields. In
Vision Geometry III, volume 2356, pages 113124, Boston, November 1994. SPIE.
[19] G. Bertrand and G. Malandain. A new characterization of three-dimensional simple points.
Pattern Recognition Letters, 15(2):169175, February 1994.
[20] P.J. Besl and N.D. McKay. A method for registration of 3-D shapes. IEEE Transactions
on Pattern Analysis and Machine Intelligence, 14(2):239256, February 1992.
[21] F. Betting, J. Feldmar, N. Ayache, and F. Devernay. A new framework for fusing stereo
images with volumetric medical images. In Proceedings of the Conference on Computer
Vision, Virtual Reality and Robotics in Medecine (CVRMed95), volume 905 of Lecture
Notes in Computer Science, pages 3039, Nice, April 1995. Springer Verlag.
[22] C. Blondel, G. Malandain, R. Vaillant, and N. Ayache. 4D deformation field of coronary
arteries from monoplane rotational X-ray angiography. In Computer Assisted Radiology
and Surgery 2003 Proceedings, volume 1256 of ICS, Londres, United Kingdom, June 2003.
Elsevier.
` Coste-Mani`ere, and N. Ayache.
[23] C. Blondel, G. Malandain, R. Vaillant, F. Devernay, E.
4D tomographic representation of coronary arteries from one rotational X-ray sequence.
In Randy E. Ellis and Terry M. Peters, editors, Medical image computing and computerassisted intervention (MICCAI 2003), volume 2878 of LNCS, pages 416423, Montreal,
Canada, November 2003. Springer Verlag.
[24] C. Blondel, R. Vaillant, G. Malandain, and N. Ayache. 3D tomographic reconstruction
of coronary arteries using a precomputed 4D motion field. In Yves Bizais, editor, Proceedings of the VIIth International Conference on Fully 3D Reconstruction In Radiology and
Nuclear Medicine, Saint-Malo, France, July 2003.
[25] Christophe Blondel. Modelisation 3D et 3D+t des art`eres coronaires `
a partir de sequences
rotationnelles de projections rayons X. Th`ese de sciences, Universite de Nice Sophia Antipolis, mars 2004.
[26] Christophe Blondel, Regis Vaillant, Frederic Devernay, Gregoire Malandain, and Nicholas Ayache. Automatic trinocular 3D reconstruction of coronary artery centerlines from
rotational X-ray angiography. In Computer Assisted Radiology and Surgery 2002 Proceedings, pages 10731078, Paris, June 2002. Springer Publishers, Heidelberg. International
Symposium on Cardiovascular Imaging - Invasive Coronary and Vascular Imaging.

BIBLIOGRAPHIE

67

[27] J.C. Bone. Mecanique generale. Ecole

centrale des arts et manufactures, 1986. Paris.
[28] J.-D. Boissonnat, R. Chaine, P. Frey, G. Malandain, S. Salmon, E. Saltel, and M. Thiriet.
From arteriographies to computational flow in saccular aneurisms: the INRIA experience.
Medical Image Analysis, 9(2):133143, April 2005.
[29] Jean-Daniel Boissonnat, Raphaelle Chaine, P. Frey, G. Malandain, F. Nicoud, S. Salmon,
E. Saltel, and M. Thiriet. From medical images to computational meshes. In Marc Thiriet,
editor, Conference on Modelling and Simulation for Computer-aided Medicine and Surgery
(MS4CMS02), volume 12 of ESAIM: PROC, pages 17. European Series in Applied and
Industrial Mathematics, 2002.
[30] Pierre-Yves Bondiau. Mise en oeuvre et evaluation doutils de fusion dimage en radiotherapie. Th`ese de sciences, Universite de Nice-Sophia Antipolis, November 2004.
[31] Pierre-Yves Bondiau, Gregoire Malandain, Stephane Chanalet, Pierre-Yves Marcy, JeanLouis Habrand, Francois Fauchon, Philippe Paquis, Adel Courdi, Olivier Commowick,
Isabelle Rutten, and Nicholas Ayache. Atlas-based automatic segmentation of MR images:
validation study on the brainstem in radiotherapy context. Int J Radiat Oncol Biol Phys,
61(1):28998, January 2005.
[32] Pierre-Yves Bondiau, Gregoire Malandain, Pierre Chauvel, Frederique Peyrade, Adel
Courdi, Nicole Iborra, Jean-Pierre Caujolle, and Pierre Gastaud. Automatic threedimensional model for protontherapy of the eye: Preliminary results. Medical Physics,
30(6):10131020, June 2003.
[33] G. Borgefors. Distance transformations in digital images. Computer Vision, Graphics,
and Image Processing, 34(3):344371, February 1986.
[34] G. Borgefors. Hierarchical chamfer matching: A parametric edge matching algorithm.
IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(6):849865, november 1988.
[35] G. Borgefors, I. Ragnemalm, and G. Sanniti di Baja. The euclidean distance transform:
Finding the local maxima and reconstructing the shape. In 7th Scandinavian Conference
on Image Analysis (SCIA91), pages 974981, Aalborg, 1991.
[36] L.G. Brown. A survey of image registration techniques. ACM Computing Surveys,
24(4):325376, december 1992.
[37] Marijn E. Brummer, Russell M. Mersereau, Robert L. Eisner, and Richard R. J. Lewine.
Automatic detection of brain contours in MRI data sets. IEEE Transactions on Medical
Imaging, 12(2):153166, june 1993.
[38] T. M. Buzug and J. Weese. Voxel-based similarity measures for medical image registration
in radiological diagnosis and image guided surgery. Journal of Computing and Information
Technology, 6(2):165179, 1998.
[39] P. Cachier, E. Bardinet, D. Dormont, X. Pennec, and N. Ayache. Iconic feature based nonrigid registration: The pasha algorithm. CVIU Special Issue on Nonrigid Registration,
89(2-3):272298, Feb.-march 2003.
[40] P. Cachier, J.-F. Mangin, X. Pennec, D. Rivi`ere, D. Papadopoulos-Orfanos, J. Regis, and
N. Ayache. Multisubject non-rigid registration of brain MRI using intensity and geometric
features. In W.J. Niessen and M.A. Viergever, editors, 4th Int. Conf. on Medical Image
Computing and Computer-Assisted Intervention (MICCAI01), volume 2208 of LNCS,
pages 734742, Utrecht, The Netherlands, October 2001.

68

BIBLIOGRAPHIE

[41] P. Cachier and X. Pennec. 3D non-rigid registration by gradient descent on a gaussianwindowed similarity measure using convolutions. In Proc. of IEEE Workshop on Mathematical Methods in Biomedical Image Analysis (MMBIA00), pages 182189, Hilton Head
Island, South Carolina, USA, June 2000. IEEE Computer society.
[42] Pascal Cachier. Recalage non rigide dimages medicales volumiques - contribution aux

approches iconiques et geometriques. Th`ese de sciences, Ecole

Centrale des Arts et Manufactures, January 2002.
[43] J Cai, J C Chu, D Recine, M Sharma, C Nguyen, R Rodebaugh, V A Saxena, and A Ali.
CT and PET lung image registration and fusion in radiotherapy treatment planning using
the chamfer-matching method. Int J Radiat Oncol Biol Phys, 43(4):88391, March 1999.
[44] Oscar Camara, Gaspar Delso, Vincent Frouin, and Isabelle Bloch. Improving thoracic
elastic registration in oncology by using anatomical constraints. In Medical Image Understanding and Analysis (MIUA02), The University of Portsmouth, july 2002.
[45] J.F. Canny. A computational approach to edge detection. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 8:679698, November 1986.
[46] Arnaud Charnoz, Vincent Agnus, Gregoire Malandain, Clement Forest, Mohamed Tajine,
and Luc Soler. Liver registration for the follow-up of hepatic tumors. In J. Duncan and
G. Gerig, editors, Proceedings of MICCAI05, volume 3750 of LNCS, pages 155162, Palm
Springs, California, 2005. Springer Verlag.
[47] G T Chen, C A Pelizzari, and D N Levin. Image correlation in oncology. Important Adv
Oncol, pages 13141, 1990.
[48] Hua-Mei Chen and Pramod K Varshney. Mutual information-based CT-MR brain image
registration using generalized partial volume joint histogram estimation. IEEE Trans Med
Imaging, 22(9):11119, September 2003.
[49] O. Clatz, H. Delingette, E. Bardinet, D. Dormont, and N. Ayache. Patient specific biomechanical model of the brain: Application to parkinsons disease procedure. In N. Ayache
and H. Delingette, editors, International Symposium on Surgery Simulation and Soft Tissue Modeling (IS4TM03), volume 2673 of Lecture Notes in Computer Science, pages 321
331, Juan-les-Pins, France, 2003. INRIA Sophia Antipolis, Springer-Verlag.
[50] Fernand S Cohen and Chuchart Pintavirooj. Invariant surface alignment in the presence
of affine and some nonlinear transformations. Med Image Anal, 8(2):15164, June 2004.
[51] A. Collignon, F. Maes, D. Delaere, D. Vandermeulen, P. Suetens, and G. Marchal. Automated multi-modality image registration based on information theory. In Y. Bizais,
C. Barillot, and R. Di Paola, editors, 14th International Conference on Information Processing in Medical Imaging (IPMI95), Ile de Berder, France, June 1995. Computational
Imaging and Vision, Kluwer Academic Publishers.
[52] Olivier Commowick, Vincent Arsigny, Jimena Costa, Nicholas Ayache, and Gregroire Malandain. An efficient locally affine framework for the registration of anatomical structures.
In Proceedings of the Third IEEE International Symposium on Biomedical Imaging (ISBI
2006), Crystal Gateway Marriott, Arlington, Virginia, USA, 2006. To appear.
[53] Olivier Commowick, Radu Stefanescu, Pierre Fillard, Vincent Arsigny, Nicholas Ayache,
Xavier Pennec, and Gregoire Malandain. Incorporating statistical measures of anatomical
variability in atlas-to-subject registration for conformal brain radiotherapy. In J. Duncan
and G. Gerig, editors, Proceedings of the 8th Int. Conf. on Medical Image Computing and

BIBLIOGRAPHIE

[54]
[55]

[56]
[57]
[58]

[59]
[60]

[61]

[62]

[63]
[64]
[65]
[66]

[67]

[68]

69

Computer-Assisted Intervention - MICCAI 2005, Part II, volume 3750 of LNCS, pages
927934, Palm Springs, CA, USA, October 26-29, 2005. Springer Verlag.
T. F. Cootes, G. J. Edwards, and C. J. Taylor. Active appearance models. In 5th European
Conference on Computer Vision, pages 484498. Springer, 1998.
T.F. Cootes, A. Hill, C.J. Taylor, and J. Haslam. The use of active shape models for
locating structures in medical images. In H.H. Barrett and A.F. Gmitro, editors, Information Processing in Medical Imaging, pages 3347, Flagstaff, Arizona (USA), June 1993.
IPMI93, Springer-Verlag.
I Corouge, P Hellier, B Gibaud, and C Barillot. Interindividual functional mapping: a
nonlinear local approach. Neuroimage, 19(4):133748, August 2003.
Monica Crubezy. Pilotage de programmes pour le traitement dimages medicales. Th`ese
de sciences, Universite de Nice-Sophia Antipolis, fevrier 1999.
W R Crum, L D Griffin, D L G Hill, and D J Hawkes. Zen and the art of medical
image registration: correspondence, homology, and quality. Neuroimage, 20(3):142537,
November 2003.
P.E. Danielsson. Euclidean distance mapping. Computer Graphics and Image Processing,
14(3):227248, 1980.
J. Declerck, J. Feldmar, and N. Ayache. Definition of a four-dimensional continuous planispheric transformation for the tracking and the analysis of left-ventricle motion. Medical
Image Analysis, 2(2):197213, June 1998.
Niels Dekker, Lennert S Ploeger, and Marcel van Herk. Evaluation of cost functions for
gray value matching of two-dimensional images in radiotherapy. Med Phys, 30(5):77884,
May 2003.
Pierre-Francois DHaese, Valerie Duay, Thomas E. Merchant, Benoit Macq, and Benoit M.
Dawant. Atlas-based segmentation of the brain for 3-dimensional treatment planning in
children with infratentorial ependymoma. In Randy E. Ellis and Terry M. Peters, editors,
Proc. of MICCAI03, volume 2879 of LNCS, pages 627634, Montreal, November 2003.
Springer Verlag.
O.D. Faugeras and M. Hebert. The representation, recognition, and locating of 3-D objects.
The International Journal of Robotics Research, 5(3):2749, 1986.
Olivier Faugeras and Gerardo Hermosillo. Well-posedness of eight problems of multi-modal
statistical image-matching. Research Report 4235, INRIA, 2001.
J. Feldmar. Recalage rigide, non-rigide et projectif dimages medicales tridimensionnelles.

Th`ese de sciences, Ecole

Polytechnique, December 1995.
J. Feldmar, J. Declerck, G. Malandain, and N. Ayache. Extension of the ICP algorithm
to non-rigid intensity-based registration of 3D volumes. Computer Vision and Image
Understanding, 66(2):193206, May 1997.
J. Feldmar, G. Malandain, N. Ayache, S. Fernandez-Vidal, E. Maurincomme, and Y. Trousset. Matching 3D MR angiography data and 2D X-ray angiograms. In CVRMedMRCAS97, number 1205 in LNCS, pages 129138, Grenoble, France, March 1997. Springer.
J. Feldmar, G. Malandain, J. Declerck, and N. Ayache. Extension of the ICP algorithm
to non-rigid intensity-based registration of 3D volumes. In Mathematical Methods in Biomedical Image Analysis, San Francisco, California, USA, June 21-22 1996.

70

BIBLIOGRAPHIE

[69] S. Fernandez-Vidal. Squelettes et outils de topologie discr`ete : application `

a limagerie
medicale 3D. Th`ese de sciences, universite de Nice Sophia-Antipolis, septembre 1996.
[70] S. Fernandez-Vidal, E. Bardinet, G. Malandain, S. Damas, and N.P. de la Blanca Capilla.
Object representation and comparison inferred from its medial axis. In International
Conference on Pattern Recognition (ICPR 2000), volume 1, pages 17121715, Barcelone,
Espagne, septembre 2000.
[71] Sara Fern`andez-Vidal. Recalage dimages medicales multidimensionnelles : une approche
mecanique. Rapport de D.E.A., Universite de Nice Sophia-Antipolis, 1993. D.E.A. Theorie
et Applications de la Vision Artificielle.
[72] Matthieu Ferrant, Arya Nabavi, Benoit Macq, P M Black, Ferenc A Jolesz, Ron Kikinis,
and Simon K Warfield. Serial registration of intraoperative MR images of the brain. Med
Image Anal, 6(4):33759, December 2002.
[73] Celine Fouard. Extraction de param`etres morphometriques pour letude du reseau microvasculaire cerebral. Th`ese de sciences, Universite de Nice Sophia-Antipolis, January
2005.
[74] Celine Fouard, Gregoire Malandain, Stefen Prohaska, Malte Westerhoff, Francis Cassot,
Christophe Mazel, Didier Asselot, and Jean-Pierre Marc-Vergnes. Skeletonization by
blocks for large datasets: application to brain microcirculation. In International Symposium on Biomedical Imaging: From Nano to Macro (ISBI04), Arlington, VA, USA,
April 2004. IEEE.
[75] Bogdan Georgescu and Peter Meer. Point matching under large image deformations and
illumination change. IEEE Transactions on Pattern Analysis and Machine Intelligence,
26(6):674688, 2004.
[76] P. Gerlot and Y. Bizais. Image registration: A review and a strategy for medical applications. In C.N. de Graaf and M.A. Viergever, editors, 10th Intl. Conf. on Information
Processing in Medical Imaging, pages 8189, Utrecht, Netherlands, 1987.
[77] M C Gilardi, G Rizzo, A Savi, and F Fazio. Registration of multi-modal biomedical images
of the heart. Q J Nucl Med, 40(1):14250, March 1996.
[78] C.A. Glasbey. An analysis of histogram-based thresholding algorithms. Computer Vision,
Graphics, and Image Processing: Graphical Models and Image Processing, 55(6):532537,
november 1993.
[79] Steven Gold and Anand Rangarajan. A graduated assignment algorithm for graph matching. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(4):377388,
1996.
[80] M. A. Gonzalez Ballester, X. Pennec, M. G. Linguraru, and N. Ayache. Generalized image
models and their application as statistical models of images. Medical Image Analysis,
8(3):361369, September 2004.
[81] M.L. Goris, G. Malandain, and I. Marque. Automatic registration of myocardial perfusion
study using a potential based rigid transformation. In 2nd International Conference of
Nuclear Cardiology, Cannes France, April 1995. also in Journal of Nuclear Cardiology
1995; 2: S82.
[82] S. Granger, X. Pennec, and A. Roche. Rigid point-surface registration using an EM variant
of ICP for computer guided oral implantology. In W.J. Niessen and M.A. Viergever,
editors, 4th Int. Conf. on Medical Image Computing and Computer-Assisted Intervention

BIBLIOGRAPHIE

[83]

[84]

[85]
[86]
[87]

[88]
[89]
[90]

[91]
[92]
[93]

[94]

[95]
[96]

[97]
[98]
[99]

71

(MICCAI01), volume 2208 of LNCS, pages 752761, Utrecht, The Netherlands, October
2001.
Sebastien Granger. Une approche statistique multi-echelle au recalage rigide de surfaces :
Application `
a limplantologie dentaire. Th`ese de sciences, Ecole des Mines de Paris, April
2003.
Sebastien Granger and Xavier Pennec. Multi-scale EM-ICP: A fast and robust approach
for surface registration. In A. Heyden, G. Sparr, M. Nielsen, and P. Johansen, editors,
European Conference on Computer Vision (ECCV 2002), volume 2353 of LNCS, pages
418432, Copenhagen, Denmark, 2002. Springer.
D J Hawkes. Algorithms for radiological image registration and their clinical application.
J Anat, 193 ( Pt 3):34761, October 1998.
Pierre Hellier and Christian Barillot. Coupling dense and landmark-based approaches for
nonrigid registration. IEEE Trans Med Imaging, 22(2):21727, February 2003.
Gerardo Hermosillo, Christophe Chefdhotel, and Olivier Faugeras. Variational methods
for multimodal image matching. International Journal of Computer Vision, 50(3):329343,
November 2002.
Jorge Hermosillo Valadez. Variational Methods for Multimodal Image Matching. Th`ese de
sciences, Universite de Nice Sophia-Antipolis, 2002.
DL Hill, PG Batchelor, M Holden, and DJ Hawkes. Medical image registration. Phys Med
Biol, 46(3):R145, 2001.
D.L.G. Hill, C. Studholme, and D.J. Hawkes. Voxel similarity measures for automated
image registration. In R.A. Robb, editor, Visualization in Biomedical Computing, volume
2359 of Proceedings SPIE, pages 205215, Rochester, MN, USA, October 1994.
B.K.P. Horn. Closed form solutions of absolute orientation using unit quaternions. Journal
of the Optical Society A, 4(4):629642, 1987.
Heike Hufnagel. Non-linear 2D and 3D registration using block-matching and B-splines.
Diplomarbeit, University of Luebeck, L
ubeck, Germany, 2004.
Brian F Hutton, Michael Braun, Lennart Thurfjell, and Dennys Y H Lau. Image registration: an essential tool for nuclear medicine. Eur J Nucl Med Mol Imaging, 29(4):55977,
April 2002.
P. Jannin, C. Grova, and B. Gibaud. Fusion de donnees en imagerie medicale: une revue
methodologique basee sur le contexte clinique. ITBM-RBM Innovation et technologie en
biologie et medecine, 22(4):196198, 2001.
Mark Jenkinson and Stephen Smith. A global optimisation method for robust affine
registration of brain images. Medical Image Analysis, 5:143156, 2001.
Jim Xiuquan Ji, Hao Pan, and Zhi-Pei Liang. Further analysis of interpolation effects in
mutual information-based image registration. IEEE Trans Med Imaging, 22(9):113140,
September 2003.
Behzad Kamgar-Parsi and Behrooz Kamgar-Parsi. Algorithms for matching 3D line sets.
IEEE Transactions on Pattern Analysis and Machine Intelligence, 26(5):582593, 2004.
T Kapur, WEL Grimson, WM Wells, and R Kikinis. Segmentation of brain tissue from
magnetic resonance images. Medical Image Analysis, 1:109128, 1996.
Thomas Koller, G. Gerig, G. Szekely, and D. Dettwiler. Multiscale detection of curvilinear
structures in 2-D and 3-D image data. In IEEE, editor, International Conference on
Computer Vision (ICCV95), pages 864869, Cambridge, MA, USA, 1995.

72

BIBLIOGRAPHIE

[100] K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model-based detection

of tubular structures in 3D images. Computer Vision and Image Understanding, 80(2):130
171, 2000.
[101] Karl Krissian. Traitement multi-echelle : Applications `
a limagerie medicale et `
a la
detection tridimensionnelle de vaisseaux. Th`ese de sciences, universite de Nice SophiaAntipolis, janvier 2000.
[102] S L Kwa, J C Theuws, M van Herk, E M Damen, L J Boersma, P Baas, S H Muller,
and J V Lebesque. Automatic three-dimensional matching of ct-spect and ct-ct to localize
lung damage after radiotherapy. J Nucl Med, 39(6):107480, June 1998.
[103] N A Lassen, A R Andersen, L Friberg, and O B Paulson. The retention of [99mTc]-d,lHM-PAO in the human brain after intracarotid bolus injection: a kinetic analysis. J Cereb
Blood Flow Metab, 8(6), December 1988.
[104] S.U. Lee, S.Y. Chung, and R.H. Park. A comparative performance study of several global
thresholding techniques for segmentation. Computer Vision, Graphics and Image processing, 52:171190, 1990.
[105] Hava Lester and Simon R. Arridge. A survey of hierarchical non-linear medical image
registration. Pattern Recognition, 32(1):129149, 1999.
[106] C. Li, D.B. Goldgof, and L.O. Hall. Knowledge-based classification and tissue labeling
of MR images of human brain. IEEE Transactions on Medical Imaging, 12(4):740749,
december 1993.
[107] B Lipinski, H Herzog, E R Kops, W Oberschelp, and H W Muller-Gartner. Expectation
maximization reconstruction of positron emission tomography images using anatomical
magnetic resonance information. IEEE Trans Med Imaging, 16(2):12936, April 1997.
[108] J A Little and D J Hawkes. The registration of multiple medical images acquired from
a single subject: why, how, what next? Stat Methods Med Res, 6(3):23965, September
1997.
[109] J.A. Little, D.L.G. Hill, and D.J. Hawkes. Deformations incorporating rigid structures.
Computer Vision and Image Understanding, 66(2):223232, 1997.
[110] Tianming Liu, Dinggang Shen, and Christos Davatzikos. Deformable registration of cortical structures via hybrid volumetric and surface warping. Neuroimage, 22(4):1790801,
August 2004.
[111] S. Lobregt, P.W. Verbeck, and F.C. Groen. Three-dimensional skeletonization: principle
and algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1:7577,
January 1980.
[112] C. Lorenz, I.-C. Carlsen, T.M. Buzug, C. Fassnacht, and J. Weese. Multi-scale line segmentation with automatic estimation of width, contrast and tangential direction in 2D and 3D
medical images. In J. Troccaz, E. Grimson, and R. Mosges, editors, CVRMed-MRCAS97,
number 1205 in LNCS, pages 233242, Grenoble, France, March 1997. Springer.
[113] F. Maes, A. Collignon, D. Vandermeulen, G. Marchal, and P. Suetens. Multimodality
image registration by maximization of mutual information. IEEE Transactions on Medical
Imaging, 16(2):187198, 1997.
[114] J B Maintz and M A Viergever. A survey of medical image registration. Med Image Anal,
2(1):136, March 1998.

BIBLIOGRAPHIE

73

[115] J.B.A. Maintz, P.A. van den Elsen, and M.A. Viergever. Comparison of edge-based and
ridge-based registration of CT and MR brain images. Med Image Anal, 1(2):15161, June
1996.
[116] J.B.A. Maintz, P.A. van den Elsen, and M.A. Viergever. Evaluation of ridge seeking operators for multimodality medical image matching. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 18(4):353365, 1996.
[117] T. Makela, P. Clarysse, O. Sipila, N. Pauna, Q. C. Pham, T. Katila, and I. E. Magnin.
A review of cardiac image registration methods. IEEE Transactions on Medical Imaging,
21(9):10111021, 2002.
[118] G. Malandain. Filtrage, topologie et mise en correspondance dimages medicales multidimensionnelles. Th`ese de sciences, Ecole Centrale de Paris, Septembre 1992.
[119] G. Malandain, G. Bertrand, and N. Ayache. Topological segmentation of discrete surfaces.
International Journal of Computer Vision, 10(2):183197, 1993.
[120] G. Malandain and S. Fernandez-Vidal. Euclidean skeletons. Image and Vision Computing,
16(5):317327, April 1998.
[121] G. Malandain, S. Fernandez-Vidal, and J.-M. Rocchisani. Improving registration of 3D medical images using a mechanical based method. In 3rd European Conference on
Computer Vision (ECCV94), number 801 in LNCS, pages 131136, Stockholm, Sweden,
May 26 1994. Springer.
[122] G. Malandain, S. Fernandez-Vidal, and J.-M. Rocchisani. Mise en correspondance dobjets 3D par une approche mecanique : application aux images medicales multimodales.
Traitement du Signal, 11(6):541558, 1994.
[123] G. Malandain, S. Fernandez-Vidal, and J.-M. Rocchisani. Rigid registration of 3-D objects
by motion analysis. In 12th International Conference on Pattern Recognition (ICPR94),
pages 579581, Jerusalem, Israel, October 913 1994. IAPR.
[124] G. Malandain and J.-M. Rocchisani. 3D superimposition of CT and SPECT images of
the brain by a mechanical based method. In European Association of Nuclear Medicine
Congress, Lisbon, Portugal, August 1992. Also in European Journal of Nuclear Medicine
19(8):624.
[125] G. Malandain and J.-M. Rocchisani. Registration of 3D medical images using a mechanical
based method. In IEEE EMBS satellite symposium on 3D advanced image processing in
medicine, Rennes, France, November 24 1992.

[126] Gregoire Malandain, Eric

Bardinet, Koen Nelissen, and Wim Vanduffel. Fusion of autoradiographs with an MR volume using 2-D and 3-D linear transformations. NeuroImage,
23(1):111127, September 2004.
[127] Gregoire Malandain and Jean-Daniel Boissonnat. Computing the diameter of a point
set. International Journal of Computational Geometry & Applications, 12(6):489510,
December 2002.
[128] J F Mangin, V Frouin, I Bloch, B Bendriem, and J Lopez-Krahe. Fast nonsupervised 3D
registration of PET and MR images of the brain. J Cereb Blood Flow Metab, 14(5):74962,
September 1994.
[129] J.F. Mangin, I. Bloch, J. Lopez-Krahe, and V. Frouin. Chamfer distances in anisotropic
3D images. In VII European Signal Processing Conference, Edimburgh, UK, september
1994.

74

BIBLIOGRAPHIE

[130] J.F. Mangin, V. Frouin, I. Bloch, J. Regis, and J. Lopez-Krahe. From 3D magnetic resonance images to structural representations of the cortex topography using topology
preserving deformations. Journal of Mathematical Imaging and Vision, 5:297318, 1995.
[131] Charles R. Meyer, Gregg S. Leichtman, James A. Brunberg, Richard L. Wahl, and Leslie E.
Quint. Simultaneous usage of homologous points, lines, and planes for optimal, 3-D,
linear registration of multimodality imaging data. IEEE Transactions on Medical Imaging,
14(1):111, 1995.
[132] O. Migneco, G. Malandain, A. Roche, I. Dygai, F. Bussi`ere, N. Ayache, and J. Darcourt.
Absolute calibration of HMPAO SPECT using Xenon-133. In European Association of
Nuclear Medicine Meeting, Paris, France, August 2000. European Journal of Nuclear
Medecine 27(8):967.
[133] Octave Migneco. Contribution `
a lAnalyse dImages de la Perfusion Cerebrale : Recalage,
Fusion et Traitement Statistique. Th`ese de sciences, Universite de Nice Sophia-Antipolis,
December 2001.
[134] M.I. Miller and L. Younes. Group actions, homeomorphisms, and matching: A general
framework. International Journal of Computer Vision, 2001.
[135] F. Mourgues, F. Devernay, G. Malandain, and E. Coste-Mani`ere. 3D+t modeling of coronary artery tree from standard non simultaneous angiograms. In W.J. Niessen and M.A.
Viergever, editors, 4th Int. Conf. on Medical Image Computing and Computer-Assisted
Intervention (MICCAI01), volume 2208 of LNCS, pages 13201322, Utrecht, The Netherlands, October 2001.
[136] C. Nikou, F. Heitz, and J.P. Armspach. Robust voxel similarity metrics for the registration
of dissimilar single and multimodal images. Pattern Recognition, 32(8):13511368, 1999.
[137] Christophoros Nikou. Contributions au recalage dimages medicales multimodales: approches par fonctions de similarite robustes et mod`eles deformables sous contraintes statistiques. Th`ese de sciences, Universite Louis Pasteur - Strasbourg I, May 1999.
[138] S. Ourselin, A. Roche, S. Prima, and N. Ayache. Block matching: A general framework to
improve robustness of rigid registration of medical images. In A.M. DiGioia and S. Delp,
editors, Third International Conference on Medical Robotics, Imaging And Computer Assisted Surgery (MICCAI 2000), volume 1935 of Lectures Notes in Computer Science, pages
557566, Pittsburgh, Pennsylvanie USA, octobre 11-14 2000. Springer.
[139] S. Ourselin, A. Roche, G. Subsol, X. Pennec, and N. Ayache. Reconstructing a 3D structure
from serial histological sections. Image and Vision Computing, 19(1-2):2531, January
2001.
[140] Sebastien Ourselin. Recalage dimages medicales par appariement de regions - Application
a la construction datlas histologiques 3D. Th`ese de sciences, Universite de Nice Sophia`
Antipolis, January 2002.
[141] Athanasios Papoulis. Probability, Random Variables, and Stochastic Processes. McGrawHill, New York, 2nd edition, 1984.
[142] E. Parzen. On the estimation of a probability density function and the mode. Annals of
Mathematical Statistics, 33:10651076, 1962.
[143] C A Pelizzari, G T Chen, D R Spelbring, R R Weichselbaum, and C T Chen. Accurate
three-dimensional registration of CT, PET, and/or MR images of the brain. J Comput
Assist Tomogr, 13(1):206, Jan-Feb 1989.

BIBLIOGRAPHIE

75

[144] X. Pennec. Evaluation of the uncertainty in various registration problems. In K.W.

Bowyer, M.H. Loew, H. S. Stiehl, and M. Viergever, editors, Methodology of Evaluation
in Computational Medical Imaging, pages 1516, Dagsthul, March 2001. Schloss Dagsthul,
Int. Conf. and Research Center for Computer Science. Dagstuhl Seminar 01111.
[145] X. Pennec, N. Ayache, and J.-P. Thirion. Landmark-based registration using features identified through differential geometry. In I. Bankman, editor, Handbook of Medical Imaging,
chapter 31, pages 499513. Academic Press, September 2000.
[146] A. Pitiot, G. Malandain, E. Bardinet, and P. Thompson. Piecewise affine registration of
biological images. In J.C. Gee, J.B. A. Maintz, and M. W. Vannier, editors, Second International Workshop on Biomedical Image Registration WBIR03, volume 2717 of Lecture
Notes in Computer Science, pages 91101, Philadelphia, PA, USA, 2003. Springer-Verlag.
Also research report INRIA RR-4866.
[147] Alain Pitiot. Segmentation automatique des structures cerebrales sappuyant sur des

connaissances explicites. Th`ese de sciences, Ecole

des mines de Paris, November 2003.
[148] Josien P W Pluim and J Michael Fitzpatrick. Image registration. IEEE Trans Med
Imaging, 22(11):13413, November 2003.
[149] Helmut Pottmann, Stefan Leopoldseder, and Michael Hofer. Registration without ICP.
Computer Vision and Image Understanding, 95(1):5471, 2004.
[150] F. Preparata and M. Shamos. Computational Geometry, an Introduction. Springer Verlag,
1986.
[151] W.H. Press, B.P. Flannery, S.A. Teukolsky, and W.T. Vetterling. Numerical Recipes in C.
Cambridge University Press, 1988.
[152] Chris J. Pudney. Distance-ordered homotopic thinning: A skeletonization algorithm for
3D digital images. Computer Vision and Image Understanding, 72(3):404413, December
1998.
[153] Ingemar Ragnemalm. The euclidean distance transform in arbitrary dimensions. Pattern
Recognition Letters, 14(11):883888, November 1993.
[154] Anand Rangarajan, Haili Chui, Eric Mjolsness, Suguna Pappu, Lila Davachi, Patricia
Goldman-Rakic, and James Duncan. A robust point-matching algorithm for autoradiograph alignment. Medical Image Analysis, 1(4):379398, 1997.
[155] C Rasch, I Barillot, P Remeijer, A Touw, M van Herk, and J V Lebesque. Definition
of the prostate in CT and MRI: a multi-observer study. Int J Radiat Oncol Biol Phys,
43(1):5766, January 1999.
[156] David Rey. Detection et quantification de processus evolutifs dans des images medicales
tridimensionnelles : application `
a la sclerose en plaques. Th`ese de sciences, Universite de
Nice Sophia-Antipolis, October 2002.
[157] David Rey, Gerard Subsol, Herve Delingette, and Nicholas Ayache. Automatic detection
and segmentation of evolving processes in 3D medical images: Application to multiple
sclerosis. Medical Image Analysis, 6(2):163179, June 2002.
[158] Mauricio A. Reyes. Respiratory Motion Compensation in Emission Tomography. Th`ese
de sciences, Universite de Nice Sophia-Antipolis, December 2005.
[159] Denis Riviere, Jean-Francois Mangin, Dimitri Papadopoulos-Orfanos, Jean-Marc Martinez, Vincent Frouin, and Jean Regis. Automatic recognition of cortical sulci of the human
brain using a congregation of neural networks. Med Image Anal, 6(2):7792, June 2002.

76

BIBLIOGRAPHIE

[160] A. Roche, G. Malandain, and N. Ayache. Unifying maximum likelihood approaches in

medical image registration. International Journal of Imaging Systems and Technology:
Special Issue on 3D Imaging, 11(1):7180, 2000.
[161] A. Roche, G. Malandain, N. Ayache, and S. Prima. Towards a better comprehension of
similarity measures used in medical image registration. In C. Taylor and A. Colchester,
editors, Proc. of 2nd Int. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI99), number 1679 in LNCS, pages 555566, Cambridge, UK, September
1999. Springer Verlag.
[162] A. Roche, G. Malandain, X. Pennec, and N. Ayache. The correlation ratio as a new
similarity measure for multimodal image registration. In Proc. of First Int. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI98), volume 1496
of LNCS, pages 11151124, Cambridge, USA, October 1998. Springer Verlag.
[163] A. Roche, X. Pennec, G. Malandain, and N. Ayache. Rigid registration of 3D ultrasound
with MR images: a new approach combining intensity and gradient information. IEEE
Transactions on Medical Imaging, 20(10):10381049, October 2001.
[164] Alexis Roche. Recalage dimages medicales par inference statistique. Th`ese de sciences,
Universite de Nice Sophia-Antipolis, February 2001.
[165] Peter Rogelj. Non-Rigid Registration of Multi-Modality Images. Ph.d. thesis, University
of Ljubljana, December 2003.
[166] Peter Rogelj and Stanislav Kovacic. Similarity measures for non-rigid registration. In
M. Sonka and K. Hanson, editors, Medical Imaging 2001: Image Processing, volume 4322,
pages 569578, San Diego, California, USA, February 17-23 2001. SPIE.
[167] Peter Rogelj, Stanislav Kovacic, and James C. Gee. Point similarity measures for non-rigid
registration of multi-modal data. Computer Vision and Image Understanding, 92(1):112
140, 2003.
[168] Gustavo K Rohde, Akram Aldroubi, and Benoit M Dawant. The adaptive bases algorithm
for intensity-based nonrigid image registration. IEEE Trans Med Imaging, 22(11):14709,
November 2003.
[169] M. Rosenblatt. Remark on some nonparametric estimates of a density function. Annals
of Mathematical Statistics, 27:832837, 1956.
[170] J G Rosenman, E P Miller, G Tracton, and T J Cullip. Image registration: an essential part
of radiation therapy treatment planning. Int J Radiat Oncol Biol Phys, 40(1):197205,
January 1998.
[171] Peter J. Rousseeuw and Annick M. Leroy. Robust Regression and Outlier Detection. John
Wiley & Sons, New-York, 1987.
[172] D. Rueckert, L. L. Sonoda, C. Hayes, D. L. G. Hill, M. O. Leach, and D. J. Hawkes. Nonrigid registration using free-form deformations: Application to breast MR images. IEEE
Transactions on Medical Imaging, 18(8):712721, 1999.
[173] Neil Ryan, Conor Heneghan, and Philip de Chazal. Registration of digital retinal images
using landmark correspondence by expectation maximization. Image and Vision Computing, 22(11):883898, 2004.
[174] T. Saito and J.i. Toriwaki. New algorithms for euclidean distance transformation of an
n-dimensional digitized picture with applications. Pattern Recognition, 27(11):15511565,
1994.

BIBLIOGRAPHIE

77

[175] David Sarrut and Serge Miguet. Similarity measures for image registration. In European Workshop on Content-Based Multimedia Indexing, pages 263270, Toulouse, France,
October 1999.
[176] Yoshinobu Sato, Shin Nakajima, Nobuyuki Shiraga, Hideki Atsumi, Shigeyuki Yoshida,
Thomas Koller, Guido Gerig, and Ron Kikinis. Three-dimensional multi-scale line filter
for segmentation and visualization of curvilinear structures in medical images. Medical
Image Analysis, 2(2):143168, June 1998.
[177] J. Serra. Image Analysis and Mathematical Morphology. Academic Press, 1982.
[178] J. Serra. Image analysis and mathematical morphology: theoretical advances, volume 2.
Academic Press, 1988.
[179] Gregory C. Sharp, Sang W. Lee, and David K. Wehe. ICP registration using invariant
features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(1):90102,
2002.
[180] Dinggang Shen and Christos Davatzikos. Hammer: hierarchical attribute matching mechanism for elastic registration. IEEE Trans Med Imaging, 21(11):142139, November
2002.
[181] J. G. Sled and G. B. Pike. Data acquisition and processing - understanding intensity nonuniformity in MRI. In William M. Wells, Alan Colchester, and Scott Delp, editors, Medical image computing and computer-assisted intervention (MICCAI 1998), volume 1496 of
LNCS, pages 614622, Cambridge, UK, 1998. Springer.
[182] J. G. Sled, A. P. Zijdenbos, and A. C. Evans. A nonparametric method for automatic
correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging,
17(1):8797, 1998.
[183] L. Soler. Une nouvelle methode de segmentation des structures anatomiques et pathologiques : application aux angioscanners 3D du foie pour la planification chirurgicale. Th`ese
de sciences, universite de Paris XI, Orsay, November 1998.
[184] R. Stefanescu, O. Commowick, G. Malandain, P.-Y. Bondiau, N. Ayache, and X. Pennec.
Non-rigid atlas to subject registration with pathologies for conformal brain radiotherapy.
In C. Barillot, D.R. Haynor, and P. Hellier, editors, Proc. of the 7th Int. Conf on Medical
Image Computing and Computer-Assisted Intervention - MICCAI 2004, volume 3216 of
LNCS, pages 704711, Saint-Malo, France, September 2004. Springer Verlag.
[185] Radu Stefanescu. Parallel nonlinear registration of medical images with a priori information on anatomy and pathology. Th`ese de sciences, Universite de Nice Sophia-Antipolis,
March 2005.
[186] Jonathan Stoeckel. Outils de classification pour laide au diagnostic : application `
a la
maladie dAlzheimer et `
a dautres pathologies cerebrales. Th`ese de sciences, Ecole des
Mines de Paris, March 2003.
[187] C. Studholme, D. L. G. Hill, and D. J. Hawkes. An overlap invariant entropy measure of
3D medical image alignment. Pattern Recognition, 1(32):7186, 1999.
[188] C Studholme, D.L.G. Hill, and D J Hawkes. Automated 3-D registration of MR and CT
images of the head. Med Image Anal, 1(2):16375, June 1996.
[189] Marshall S Sussman and Graham A Wright. Factors affecting the correlation coefficient
template matching algorithm with application to real-time 2-D coronary artery MR imaging. IEEE Trans Med Imaging, 22(2):20616, February 2003.

78

BIBLIOGRAPHIE

[190] J. Talairach and P. Tournoux. Co-Planar Stereotaxic Atlas of the Human Brain. Thieme,
1988.
[191] J.-P. Thirion. New feature points based on geometric invariants for 3D image registration.
International Journal of Computer Vision, 18(2):121137, May 1996.
[192] DArcy W. Thompson. On Growth and Form. Cambridge Univ. Pr., 1917.
[193] M. Thonnat, S. Moisan, and M. Crubezy. Experience in integrating image processing
programs. In Henrik Christensen, editor, Proceeding of the 1st International Conference
on Vision Systems, Lecture Notes in Computer Science, Las Palmas, Gran Canaria, Spain,
January 1998. Springer-Verlag.
[194] Arthur W. Toga and John C. Mazziotta, editors. Brain Mapping: the Systems. Academic
Press, 2000.
[195] S T Treves, K D Mitchell, and I H Habboush. Three dimensional image alignment, registration and fusion. Q J Nucl Med, 42(2):8392, June 1998.
[196] J. Tsao. Correction to interpolation artifacts in multimodality image registration based on
maximization of mutual information. IEEE Transactions on Medical Imaging, 22(9):1183,
2003.
[197] Jeffrey Tsao. Interpolation artifacts in multimodality image registration based on maximization of mutual information. IEEE Trans Med Imaging, 22(7):85464, July 2003.
[198] P. A. van den Elsen, J. B. A. Maintz, E-J. D. Pol, and M. A. Viergever. Automatic
registration of CT and MR brain images using correlation of geometrical features. IEEE
Transactions on Medical Imaging, 14(2):384396, 1995.
[199] P.A. van den Elsen, E.J.D. Pol, and M.A. Viergever. Medical image matching - a review
with classification. IEEE Engineering in Medicine and Biology, 12(4):2639, march 1993.
[200] M van Herk, K G Gilhuijs, J C de Munck, and A Touw. Effect of image artifacts, organ motion, and poor segmentation on the reliability and accuracy of three-dimensional
chamfer matching. Comput Aided Surg, 2(6):34655, 1997.
[201] M van Herk and H M Kooy. Automatic three-dimensional correlation of CT-CT, CT-MRI,
and CT-SPECT using chamfer matching. Med Phys, 21(7):116378, July 1994.
[202] K. Van Leemput, F. Maes, D. Vandermeulen, and P. Suetens. Automatic segmentation of
brain tissues and MR bias field correction using a digital brain atlas. In Proc. MICCAI98,
volume 1496 of LNCS, pages 12221229, Cambridge, MA, USA, October 1998. Springer
Verlag.
[203] A. Venot, J.F. Lebruchec, and J.C. Roucayrol. A new class of similarity measures for robust
image registration. Computer Vision, Graphics, and Image Processing, 28:176184, 1984.
[204] M A Viergever, J B Maintz, W J Niessen, H J Noordmans, J P W Pluim, R Stokking, and
K L Vincken. Registration, segmentation, and visualization of multimodal brain images.
Comput Med Imaging Graph, 25(2):14751, Mar-Apr 2001.
[205] P. Viola. Alignment by Maximisation of Mutual Information. Phd thesis, Massachusetts
Institute of Technology, 1995.
[206] P. Viola and W.M. Wells. Alignment by maximization of mutual information. International
Journal of Computer Vision, 24:137154, 1997.
[207] F. Wang, B. C. Vemuri, M. Rao, and Y. Chen. A new and robust information theoretic
measure and its application to image alignment. In Chris Taylor and Alison J. Noble,
editors, Information Processing in Medical Imaging, volume 2732 of LNCS. Springer, 2003.

BIBLIOGRAPHIE

79

[208] D A Weber and M Ivanovic. Correlative image registration. Semin Nucl Med, 24(4):31123,
October 1994.
[209] J. West, J. M. Fitzpatrick, M. Y. Wang, B. M. Dawant, C. R. Maurer, Jr., R. M. Kessler,
R. J. Maciunas, C. Barillot, D. Lemoine, A. Collignon, F. Maes, P. Suetens, D. Vandermeulen, P. A. van den Elsen, S. Napel, T. S. Sumanaweera, B. Harkness, P. F. Hemler,
D. L. G. Hill, D. J. Hawkes, C. Studholme, J. B. A. Maintz, M. A. Viergever, G. Malandain, X. Pennec, M. E. Noz, G. Q. Maguire, Jr., M. Pollack, C. A. Pelizzari, R. A.
Robb, D. Hanson, and R. P. Woods. Comparison and evaluation of retrospective intermodality brain image registration techniques. Journal of Computer Assisted Tomography,
21(4):554566, 1997.
[210] J. West, J.M. Fitzpatrick, M.Y. Wang, B.M. Dawant, C.R. Maurer, R.M. Kessler, and
R.J. Maciunas. Retrospective intermodality registration techniques for images of the head:
Surface-based versus volume-based. IEEE Transactions on Medical Imaging, 18(2):144
150, February 1999.
[211] R P Woods, S R Cherry, and J C Mazziotta. Rapid automated algorithm for aligning and
reslicing PET images. J Comput Assist Tomogr, 16(4):62033, Jul-Aug 1992.
[212] R P Woods, S T Grafton, C J Holmes, S R Cherry, and J C Mazziotta. Automated image
registration: I. general methods and intrasubject, intramodality validation. J Comput
Assist Tomogr, 22(1):13952, Jan-Feb 1998.
[213] R P Woods, J C Mazziotta, and S R Cherry. MRI-PET registration with automated
algorithm. J Comput Assist Tomogr, 17(4):53646, Jul-Aug 1993.
[214] Habib Zaidi, Marie-Louise Montandon, and Daniel O Slosman. Magnetic resonance
imaging-guided attenuation and scatter corrections in three-dimensional brain positron
emission tomography. Med Phys, 30(5):93748, May 2003.
[215] Zhengyou Zhang. Iterative point matching for registration of free-form curves and surfaces.
International Journal of Computer Vision, 13(2):119152, 1994.
[216] Barbara Zitova and Jan Flusser. Image registration methods: a survey. Image and Vision
Computing, 21(11):9771000, 2003.
[217] L. Zollei, J. Fisher, and W.M. Wells. A unified statistical and information theoretic framework for multi-modal image registration. In Chris Taylor and Alison J. Noble, editors,
Information Processing in Medical Imaging, volume 2732 of LNCS. Springer, 2003.

80

BIBLIOGRAPHIE

81

Chapitre 9

Documents associ
es
Encadrements et co-encadrements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Liste des publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

page 83
page 87

82

CHAPITRE 9. DOCUMENTS ASSOCIES

83

Encadrements et co-encadrements
Th`
eses de sciences soutenues
1. Mauricio A. Reyes. Respiratory Motion Compensation in Emission Tomography. Th`ese de
sciences, Universite de Nice Sophia-Antipolis, decembre 2005. Avec J. Darcourt.
2. Celine Fouard. Extraction de param`etres morphometriques pour letude du reseau microvasculaire cerebral. Th`ese de sciences, Universite de Nice Sophia Antipolis, janvier 2005.
3. Pierre-Yves Bondiau. Mise en uvre et evaluation doutils de fusion dimage en radiotherapie. Th`ese de sciences, Universite de Nice Sophia Antipolis, novembre 2004. Avec N.
Ayache
4. Christophe Blondel. Modelisation 3D et 3D+t des art`eres coronaires `a partir de sequences
rotationnelles de projections rayons X. Th`ese de sciences, Universite de Nice Sophia Antipolis, mars 2004. Avec N. Ayache et R. Vaillant.
5. Alain Pitiot. Segmentation automatique des structures cerebrales sappuyant sur des con
naissances explicites. Th`ese de sciences, Ecole
des mines de Paris, November 2003. Avec
N. Ayache et H. Delingette.
6. Jonathan Stoeckel. Outils de classification pour laide au diagnostic : application `a la ma
ladie dAlzheimer et `a dautres pathologies cerebrales. Th`ese de sciences, Ecole
des Mines
de Paris, Mars 2003. Avec N. Ayache et J. Darcourt.
7. David Rey. Detection et quantification de processus evolutifs dans des images medicales
tridimensionnelles : application `a la sclerose en plaques. Th`ese de sciences, Universite de
Nice Sophia-Antipolis, Octobre 2002. Avec N. Ayache et G. Subsol.
8. Sebastien Ourselin. Recalage dimages medicales par appariement de regions - Application
`a la construction datlas histologiques 3D. Th`ese de sciences, Universite de Nice SophiaAntipolis, Janvier 2002. Avec N. Ayache et G. Subsol.
9. Octave Migneco. Contribution `a lAnalyse dImages de la Perfusion Cerebrale : Recalage,
Fusion et Traitement Statistique. Th`ese de sciences, Universite de Nice Sophia-Antipolis,
Decembre 2001. Avec J. Darcourt.
10. Alexis Roche. Recalage dimages medicales par inference statistique. Th`ese de sciences,
Universite de Nice Sophia-Antipolis, Fevrier 2001. Avec N. Ayache.
11. Karl Krissian. Traitement multi-echelle : Applications `a limagerie medicale et `a la detection tridimensionnelle de vaisseaux. Th`ese de sciences, universite de Nice Sophia-Antipolis,
janvier 2000. Avec N. Ayache.
12. Luc Soler. Une nouvelle methode de segmentation des structures anatomiques et pathologiques : application aux angioscanners 3D du foie pour la planification chirurgicale. Th`ese
de sciences, universite de Paris XI, Orsay, Novembre 1998. Avec N. Ayache et H. Delingette.


CHAPITRE 9. DOCUMENTS ASSOCIES

84

13. Sara Fernandez-Vidal. Squelettes et outils de topologie discr`ete : application `a limagerie

medicale 3D. Th`ese de sciences, universite de Nice Sophia-Antipolis, septembre 1996. Avec
N. Ayache.

Autre th`
ese soutenue
1. Pierre-Yves Bondiau. Lil virtuel. Th`ese de medecine, universite de Nice Sophia-Antipolis, octobre 1996.

Stages pass
es: DEA, DESS, . . .
1. Olivier Duhamel. Validation de mod`eles mathematiques en biologie `a laide du traitement
dimage. Rapport de Master, Universite Paul Sabatier, Toulouse, 2005.
2. Heike Hufnagel. Non-linear 2D and 3D Registration Using Block-Matching and B-Splines.
Diplomarbeit, University of Queensland, L
ubeck, Germany, 2004.
3. Olivier Commowick. Utilisation datlas anatomiques numeriques pour la cancerologie. Rapport de D.E.A., DEA MVA Cachan, 2003.
4. Jean-Marc dAngelo. Etude des possibilites de quantification semi-automatique des structures vasculaires. DESS Teledetection - Imagerie numerique, Toulouse, 2003.
5. Karen Benezery. Recalage et fusion dimages scanner et IRM du pelvis : utilisation dans le
traitement des tumeurs prostatique. Rapport de D.E.A., DEA Rayonnements et Imagerie
en Medecine, Universite Toulouse III, 2001.
6. Florence Perret. Correction et segmentation dimages appliquees `a la radiotherapie. Rap
port de fin detude, Ecole
Centrale de Paris, 2001.
7. Mikael Speranza. Synth`ese de ralentis artificiels dune sequence video par interpolation
dimage. DESS genie biomedical, Nice, 2001,
8. Gerald Bianchi. Realite Augmentee en chirurgie hepatique. Rapport de D.E.A., DEA Informatique, Productique, Imagerie medicale universite Blaise Pascal Clermont-Ferrand
II, 2000.
9. Yves Chau. Extraction automatique des structures arborescentes pulmonaires Creation
semi-automatique des segments pulmonaires sur des images tomodensitometriques normales. Rapport de D.E.A., DEA Algorithmique, Robotique, Automatique, Vision, Image
et Signal universite de Nice-Sophia Antipolis, 2000.
10. Guillaume Flandin. Filtrage adaptatif par Analyse Tensorielle. Rapport de D.E.A., DEA
Signal, Image, Acoustique - ENSEEIHT, Toulouse, 2000.
11. Aline Myx. Visualisation du deplacement des visc`eres pelviens par analyse dimages dans
la chirurgie du prolapsus rectal. Rapport de D.E.A., DEA Signaux et Images en Biologie
et Medecine - universite dAngers, 2000.
12. Nicolas Lambert. Logiciel daide `a la protontherapie des tumeurs oculaires. DESS genie
biomedical, Nice, 1999.
13. Alejandro Ribes Cortes. Un syst`eme semi-automatique pour le recalage projectif, une application medicale. Rapport de D.E.A., universite de Nice-Sophia Antipolis, septembre
1999.

85
14. Beatrice Frison. Segmentation des reseaux vasculaires `a laide doutils de topologie discr`ete.
Rapport de stage de 2e annee de lESSI, Septembre 1998.

15. S. Jourdan. Etude

statistique dimages SPECT fonctionnelles `a laide du logiciel SPM.
Rapport de D.E.A., universite de Nice-Sophia Antipolis, Juin 1997.
16. P.-Y. Bondiau. Reconstruction informatique du globe oculaire `a partir des images scanner,
IRM et du FO : utilisation pour le traitement des tumeurs oculaires. Rapport de D.E.A.,
DEA de luniversite de Toulouse III Paul Sabatier, septembre 1996.
17. K. Krissian. Diffusion anisotrope dimages cerebrales 3D et segmentation mati`ere blanche
/ mati`ere grise. Rapport de DEA, universite de Paris IX, septembre 1996.
18. Sara Fern`andez-Vidal. Recalage dimages medicales multidimensionnelles : une approche
mecanique. Rapport de D.E.A., Universite de Nice Sophia-Antipolis, 1993.

86

CHAPITRE 9. DOCUMENTS ASSOCIES

87

Liste des publications

Th`
ese
1. G. Malandain. Filtrage, topologie et mise en correspondance dimages medicales multidi
mensionnelles. Th`ese de sciences, Ecole
Centrale de Paris, Septembre 1992.

Articles de revues
1. J.-D. Boissonnat, R. Chaine, P. Frey, G. Malandain, S. Salmon, E. Saltel, and M. Thiriet.
From arteriographies to computational flow in saccular aneurisms: the INRIA experience.
Medical Image Analysis, 9(2):133-143, April 2005.
2. Pierre-Yves Bondiau, Gregoire Malandain, Stephane Chanalet, Pierre-Yves Marcy, JeanLouis Habrand, Francois Fauchon, Philippe Paquis, Adel Courdi, Olivier Commowick,
Isabelle Rutten, and Nicholas Ayache. Atlas-based automatic segmentation of MR images:
validation study on the brainstem in radiotherapy context. Int J Radiat Oncol Biol Phys,
61(1):289-98, January 2005.
3. Olivier Clatz, Maxime Sermesant, Pierre-Yves Bondiau, Herve Delingette, Simon K. Warfield, Gregoire Malandain, and Nicholas Ayache. Realistic Simulation of the 3D Growth of
Brain Tumors in MR Images Including Diffusion and Mass Effect. IEEE Transactions on
Medical Imaging, 2005.
4. Celine Fouard and Gregoire Malandain. 3-D chamfer distances and norms in anisotropic
grids. Image and Vision Computing, 23(2):143-158, February 2005.
5. Alain Pitiot, Eric Bardinet, Paul M. Thompson, and Gregoire Malandain. Piecewise Affine Registration of Biological Images for Volume Reconstruction. Medical Image Analysis,
2005.
6. Christophe Blondel, Regis Vaillant, Gregoire Malandain, and Nicholas Ayache. 3-D tomographic reconstruction of coronary arteries using a precomputed 4-D motion field. Physics
in Medicine and Biology, 49(11):2197-2208, 2004.
7. P.Y. Bondiau, G. Malandain, S. Chanalet, P.Y. Marcy, C. Foa, and N. Ayache. Traitement
des images et radiotherapie. Cancer/Radiotherapie, 8(2):120129, 2004.
8. C. Lebrun, D. Rey, S. Chanalet, V. Bourg, M. Chatel, N. Ayache, and G. Malandain.
Interet du recalage automatique des IRM cerebrales dans le suivi et la decision. Revue
Neurologique, 160(8-9):805-810, septembre 2004.
9. Gregoire Malandain, Eric Bardinet, Koen Nelissen, and Wim Vanduffel. Fusion of autoradiographs with an MR volume using 2-D and 3-D linear transformations. NeuroImage,
23(1):111-127, 2004.

88

CHAPITRE 9. DOCUMENTS ASSOCIES

10. R.R. Peeters, P. Kornprobst, M. Nikolova, S. Sunaert, T. Vieville, G. Malandain, R. Deriche, O. Faugeras, M. Ng, and P. Van Hecke. The use of superresolution techniques to
reduce slice thickness in functional MRI. International Journal of Imaging Systems and
Technology (IJIST), Special issue on High Resolution Image Reconstruction, 14(3):131138, 2004.
11. Pierre-Yves Bondiau, Gregoire Malandain, Pierre Chauvel, Frederique Peyrade, Adel Courdi, Nicole Iborra, Jean-Pierre Caujolle, and Pierre Gastaud. Automatic three-dimensional
model for protontherapy of the eye: Preliminary results. Medical Physics, 30(6):1013-1020,
June 2003.
12. P. Hellier, C. Barillot, I. Corouge, B. Gibaud, G. Le Goualher, D.L. Collins, A. Evans, G.
Malandain, N. Ayache, G.E. Christensen, and H.J. Johnson. Retrospective evaluation of
inter-subject brain registration. IEEE Trans. on Medical Imaging, 22(9):1120-1130, 2003.
13. J. Montagnat, M. Sermesant, H. Delingette, G. Malandain, and N. Ayache. Anisotropic
filtering for model-based segmentation of 4D cylindrical echocardiographic images. Pattern
Recognition Letters - Special Issue on Ultrasonic Image Processing and Analysis, 24(45):815828, February 2003.
14. Gregoire Malandain and Jean-Daniel Boissonnat. Computing the Diameter of a Point Set.
International Journal of Computational Geometry & Applications, 12(6):489510, 2002.
15. O. Migneco, M. Benoit, P.M. Koulibaly, I. Dygai, C. Bertogliati, P. Desvignes, Ph. Robert, G. Malandain, F. Bussi`ere, and J. Darcourt. Perfusion brain SPECT and Statistical
Parametric Mapping analysis indicate that apathy is a cingulate syndrome: a study in
Alzheimers disease and non-demented patients. Neuroimage, 13:896902, 2001.
16. A. Roche, X. Pennec, G. Malandain, and N. Ayache. Rigid Registration of 3D Ultrasound
with MR Images: a New Approach Combining Intensity and Gradient Information. IEEE
Transactions on Medical Imaging, 20(10):10381049, October 2001.
17. J. Stoeckel, J.-B. Poline, G. Malandain, N. Ayache, and J. Darcourt. Smoothness and
degrees of freedom restrictions when using SPM 99. NeuroImage, 13(6):259, June 2001.
18. K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model-Based Detection of Tubular Structures in 3D Images. Computer Vision and Image Understanding,
80(2):130171, 2000.
19. A. Roche, G. Malandain, and N. Ayache. Unifying Maximum Likelihood Approaches in
Medical Image Registration. International Journal of Imaging Systems and Technology:
Special Issue on 3D Imaging, 11(1):7180, 2000.
20. G. Malandain and S. Fernandez-Vidal. Euclidean Skeletons. Image and Vision Computing,
16(5):317327, April 1998.
21. L. Robert and G. Malandain. Fast Binary Image Processing Using Binary Decision Diagrams. Computer Vision and Image Understanding, 72(1):19, October 1998.
22. L. Soler, G. Malandain, and H. Delingette. Segmentation automatique : application aux
angioscanners 3D du foie. Traitement du signal, 15(5):411-431, 1998.
23. P Chauvel, W Sauerwein, N Bornfeld, W Friedrichs, N Brassart, A Courdi, J Herault, J
P Pignol, P Y Bondiau, and G Malandain. Clinical and technical requirements for proton
treatment planning of ocular diseases. The SERAG (South Europe Radiotherapy Group).
Front Radiat Ther Oncol, 30:133-42, 1997.
24. J. Feldmar, J. Declerck, G. Malandain, and N. Ayache. Extension of the ICP Algorithm

89

25.

26.

27.

28.
29.

30.
31.

32.

to Non-Rigid Intensity-Based Registration of 3D Volumes. Computer Vision and Image

Understanding, 66(2):193206, May 1997.
L Picard, E Maurincomme, M Soderman, J Feldmar, R Anxionnat, L Launay, K Ericson,
G Malandain, S Bracard, E Kerrien, O Flodmark, and N Ayache. X-ray angiography in stereotactic conditions: techniques and interest for interventional neuroradiology. Stereotact
Funct Neurosurg, 68(1-4 Pt 1):117-20, 1997.
J. West, J. M. Fitzpatrick, M. Y. Wang, B. M. Dawant, C. R. Maurer, Jr., R. M. Kessler, R.
J. Maciunas, C. Barillot, D. Lemoine, A. Collignon, F. Maes, P. Suetens, D. Vandermeulen,
P. A. van den Elsen, S. Napel, T. S. Sumanaweera, B. Harkness, P. F. Hemler, D. L. G.
Hill, D. J. Hawkes, C. Studholme, J. B. A. Maintz, M. A. Viergever, G. Malandain, X.
Pennec, M. E. Noz, G. Q. Maguire, Jr., M. Pollack, C. A. Pelizzari, R. A. Robb, D. Hanson,
and R. P. Woods. Comparison and evaluation of retrospective intermodality brain image
registration techniques. Journal of Computer Assisted Tomography, 21:554566, 1997.
G. Bertrand and G. Malandain. A note on Building skeleton models via 3D medial surfaceaxis thinning algorithms. Graphical Models and Image Processing, 57(6):537538, November 1995.
G. Bertrand and G. Malandain. A new characterization of three-dimensional simple points.
Pattern Recognition Letters, 15(2):169175, February 1994.
G. Malandain, S. Fernandez-Vidal, and J.M. Rocchisani. Mise en correspondance dobjets
3D par une approche mecanique : application aux images medicales multimodales. Traitement du Signal, 11(6):541558, 1994.
G. Malandain, G. Bertrand, and N. Ayache. Topological segmentation of discrete surfaces.
International Journal of Computer Vision, 10(2):183197, 1993.
O. Monga, R. Deriche, G. Malandain, and J.-P. Cocquerez. Recursive filtering and edge
tracking: two primary tools for 3-D edge detection. Image and Vision Computing, 9(4):203
214, August 1991.
J.-M Rocchisani, O. Monga, R. Deriche, and G. Malandain. Automatic multidimensional
segmentation of nuclear medicine images using fast recursive filters. European Journal of
Nuclear Medicine, 16:419, 1990.

Articles de conf
erence
Conf
erences internationales avec comit
e de lecture
1. Eric Bardinet, Didier Dormont, Gregoire Malandain, Manik Bhattacharjee, Bernard Pidoux, Christian Saleh, Philippe Cornu, Nicholas Ayache, Yves Agid, and Jerome Yelnik.
Retrospective cross-evaluation of an histological and deformable 3D atlas of the basal ganglia on series of Parkinsonian patients treated by deep brain stimulation (DBS). In J.
Duncan and G. Gerig, editors, Proceedings of MICCAI05, LNCS, Palm Springs, California, 2005. Springer Verlag.
2. Arnaud Charnoz, Vincent Agnus, Gregoire Malandain, Clement Forest, Mohamed Tajine,
and Luc Soler. Liver registration for the follow-up of hepatic tumors. In J. Duncan and G.
Gerig, editors, Proceedings of MICCAI05, LNCS, Palm Springs, California, 2005. Springer
Verlag.

90

CHAPITRE 9. DOCUMENTS ASSOCIES

3. Arnaud Charnoz, Vincent Agnus, Gregoire Malandain, Luc Soler, and Mohamed Tajine.
Tree Matching Applied to Vascular System. In Luc Brun and Mario Vento, editors, GraphBased Representations in Pattern Recognition, volume 3434 of LNCS, pages 183-192, 2005.
Springer.
4. Arnaud Charnoz, Vincent Agnus, Gregoire Malandain, Luc Soler, and Mohamed Tajine.
Vascular system matching validated on the liver. In Gary Christensen and Milan Sonka,
editors, Proc. of Information Processing in Medical Imaging 2005 (IPMI05), LNCS, Glenwood springs, Colorado, USA, July 2005. Springer.
5. Olivier Commowick, Radu Stefanescu, Pierre Fillard, Vincent Arsigny, Xavier Pennec,
and Gregoire Malandain. Incorporating Statistical Measures of Anatomical Variability in
Atlas-to-Subject Registration for Conformal Brain Radiotherapy. In J. Duncan and G.
Gerig, editors, Proceedings of MICCAI05, LNCS, October 2005. Springer Verlag.
6. Mauricio Reyes, Gregoire Malandain, Jacques Darcourt, and Pierre Malick Koulibaly. Respiratory Motion Correction in Emission Tomography Imaging. In Fully Three-Dimensional
Image Reconstruction Meeting in Radiology and Nuclear Medicine, Salt Lake City, Utah,
USA, July 2005.
7. Mauricio Reyes, Gregoire Malandain, Pierre Malick Koulibaly, Miguel A. Gonzalez Ballester, and Jacques Darcourt. Respiratory Motion Correction in Emission Tomography Image
Reconstruction. In J. Duncan and G. Gerig, editors, Proceedings of MICCAI05, LNCS,
Palm Springs, California, 2005. Springer Verlag.
8. O. Clatz, P.Y. Bondiau, H.Delingette, G. Malandain, M. Sermesant, S. K. Warfield, and
N. Ayache. In Silico Tumor Growth: Application to Glioblastomas. In C. Barillot, D.R.
Haynor, and P. Hellier, editors, Proc. of the 7th Int. Conf on Medical Image Computing
and Computer-Assisted Intervention - MICCAI 2004 (2), volume 3217 of LNCS, SaintMalo, France, pages 337-345, September 2004. Springer Verlag.
9. Guillaume Dugas-Phocion, Miguel Angel Gonzalez Ballester, Christine Lebrun, Stephane
Chanalet, Caroline Bensa, Gregoire Malandain, and Nicholas Ayache. Hierarchical Segmentation of Multiple Sclerosis Lesions in Multi-Sequence MRI. In International Symposium
on Biomedical Imaging: From Nano to Macro (ISBI04), Arlington, VA, USA, April 2004.
IEEE.
10. Guillaume Dugas-Phocion, Miguel Angel Gonzalez Ballester, Gregoire Malandain, Christine Lebrun, and Nicholas Ayache. Improved EM-Based Tissue Segmentation and Partial
Volume Effect Quantification in Multi-Sequence Brain MRI. In Proc. of MICCAI04, Lecture Notes in Computer Science, Saint-Malo, France, September 2004. Springer.
11. Celine Fouard, Gregoire Malandain, Stefen Prohaska, Malte Westerhoff, Francis Cassot,
Christophe Mazel, Didier Asselot, and Jean-Pierre Marc-Vergnes. Skeletonization by blocks
for large datasets: application to brain microcirculation. In International Symposium on
Biomedical Imaging: From Nano to Macro (ISBI04), Arlington, VA, USA, April 2004.
IEEE.
12. N. Savoire, G. Le Goualher, A. Perchant, F. Lacombe, G. Malandain, and N. Ayache.
Measuring Blood Cells Velocity In Microvessels From a Single Image: Application To In
Vivo and In Situ Confocal Microscopy. In ISBI04, Arlington (USA), April 2004.
13. R. Stefanescu, O. Commowick, G. Malandain, P.-Y. Bondiau, N. Ayache, and X. Pennec.
Non-Rigid Atlas to Subject Registration with Pathologies for Conformal Brain Radiotherapy. In C. Barillot, D.R. Haynor, and P. Hellier, editors, Proc. of the 7th Int. Conf on

91

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

Medical Image Computing and Computer-Assisted Intervention - MICCAI 2004, volume

3216 of LNCS, Saint-Malo, France, pages 704-711, September 2004. Springer Verlag.
Jonathan Stoeckel, Nicholas Ayache, Gregoire Malandain, Pierre M. Koulibaly, Klaus P.
Ebmeier, and Jacques Darcourt. Automatic Classification of SPECT Images of Alzheimers
Disease Patients and Control Subjects. In Christian Barillot, David Haynor, and Pierre
Hellier, editors, Proc. of MICCAI04, volume 3217 of LNCS, Saint-Malo, France, pages
654-662, September 2004. Springer Verlag.
` Coste-Mani`ere, and N. Ayache. 4D
C. Blondel, G. Malandain, R. Vaillant, F. Devernay, E.
Tomographic Representation of Coronary Arteries From One Rotational X-ray Sequence.
In Medical image computing and computer-assisted intervention (MICCAI 2003), LNCS,
Montreal, Canada, 2003. Springer.
C. Blondel, R. Vaillant, G. Malandain, and N. Ayache. 3D tomographic reconstruction of
coronary arteries using a precomputed 4D motion field. In Yves Bizais, editor, Proceedings of the VIIth International Conference on Fully 3D Reconstruction In Radiology and
Nuclear Medicine, Saint-Malo, France, july 2003.
Celine Fouard and Gregoire Malandain. Systematized calculation of optimal coefficients of
3-D chamfer norms. In Ingela Nystrom, Gabriella Sanniti di Baja, and Stina Svensson,
editors, Proc. of DGCI03, 2886, Napoly, Italy, pages 214223, November 2003. LNCS
2886.
C. Kenwright, E. Bardinet, S.A. Hojjat, G. Malandain, N. Ayache, and A.C.F. Colchester.
2D to 3D Refinement of Post Mortem Optical and MRI Co-Registration. In Randy E. Ellis
and Terry M. Peters, editors, Medical image computing and computer-assisted intervention
(MICCAI 2003), volume 2879 of LNCS, Montreal, Canada, pages 935944, November 2003.
Springer Verlag.
G. Malandain and E. Bardinet. Fusion of autoradiographies with an MR volume using 2-D
and 3-D linear transformations. In Chris Taylor and Alison Noble, editors, Proceedings
of Information Processing in Medical Imaging (IPMI03), volume 2732 of LNCS, pages
487498, 2003. Springer.
Gregoire Malandain and Eric Bardinet. Intensity compensation within series of images.
In Medical image computing and computer-assisted intervention (MICCAI 2003), LNCS,
Montreal, Canada, 2003. Springer.
A. Pitiot, G. Malandain, E. Bardinet, and P. Thompson. Piecewise Affine Registration of
Biological Images. In Second International Workshop on Biomedical Image Registration
WBIR03, 2003.
Eric Bardinet, Sebastien Ourselin, Didier Dormont, Gregoire Malandain, Dominique Tande, Karine Parain, Nicholas Ayache, and Jerome Yelnik. Co-registration of histological,
optical and MR data of the human brain. In Takeyoshi Dohi and Ron Kikinis, editors, Medical Image Computing and Computer-Assisted Intervention (MICCAI02), volume 2488
of LNCS, Tokyo, pages 548555, September 2002. Springer.
Eric Bardinet, Sebastien Ourselin, Gregoire Malandain, Dominique Tande, Karine Parain, Nicholas Ayache, and Jerome Yelnik. Three dimensional functional cartography of
the human basal ganglia by registration of optical and histological serial sections. In IEEE
International Symposium on Biomedical Imaging, Washington, USA, pages 329332, 2002.
Guillaume Flandin, Ferath Kherif, Xavier Pennec, Gregoire Malandain, Nicholas Ayache,
and Jean-Baptiste Poline. Improved Detection Sensitivity in Functional MRI Data using

92

25.

26.

27.

28.

29.

30.

31.

32.

33.

34.

CHAPITRE 9. DOCUMENTS ASSOCIES

a Brain Parcelling Technique. In Takeyoshi Dohi and Ron Kikinis, editors, Medical Image
Computing and Computer-Assisted Intervention (MICCAI02), volume 2488 of LNCS,
Tokyo, pages 467474, September 2002. Springer.
Gregoire Malandain and Jean-Daniel Boissonnat. Computing the Diameter of a Point Set.
In A. Braquelaire, J.-O. Lachaud, and A. Vialard, editors, Discrete Geometry for Computer
Imagery (DGCI 2002), volume 2301 of LNCS, Bordeaux, France, 2002. Springer.
P. Hellier, C. Barillot, I. Corouge, B. Giraud, G. Le Goualher, L. Collins, A. Evans, G.
Malandain, and N. Ayache. Retrospective Evaluation of Inter-subject Brain registration.
In W.J. Niessen and M.A. Viergever, editors, 4th Int. Conf. on Medical Image Computing
and Computer-Assisted Intervention (MICCAI01), volume 2208 of LNCS, Utrecht, The
Netherlands, pages 258265, October 2001.
F. Mourgues, F. Devernay, G. Malandain, and E. Coste-Mani`ere. 3D+t Modeling of Coronary Artery Tree from Standard Non Simultaneous Angiograms. In W.J. Niessen and M.A.
Viergever, editors, 4th Int. Conf. on Medical Image Computing and Computer-Assisted
Intervention (MICCAI01), volume 2208 of LNCS, Utrecht, The Netherlands, pages 1320
1322, October 2001.
S. Ourselin, E. Bardinet, D. Dormont, G. Malandain, A. Roche, N. Ayache, D. Tande,
K. Parain, and J. Yelnik. Fusion of histological sections and MR images: towards the
construction of an atlas of the human basal ganglia. In W.J. Niessen and M.A. Viergever,
editors, 4th Int. Conf. on Medical Image Computing and Computer-Assisted Intervention
(MICCAI01), volume 2208 of LNCS, Utrecht, The Netherlands, pages 743751, October
2001.
David Rey, Jonathan Stoeckel, Gregoire Malandain, and Nicholas Ayache. A Spatio-temporal Model-based Statistical Approach to Detect Evolving Multiple Sclerosis Lesions. In IEEE
Workshop on Mathematical Methods in Biomedical Image Analysis, MMBIA01, Kauia,
Hawai, USA, December 2001.
D. Rey, J. Stoeckel, G. Malandain, and N. Ayache. Using SPM to Detect Evolving MS
Lesions. In W.J. Niessen and M.A. Viergever, editors, 4th Int. Conf. on Medical Image
Computing and Computer-Assisted Intervention (MICCAI01), volume 2208 of LNCS,
Utrecht, The Netherlands, pages 12321234, October 2001.
J. Stoeckel, G. Malandain, O. Migneco, P.M. Koulibaly, P. Robert, N. Ayache, and J. Darcourt. Classification of SPECT Images of Normal Subjects versus Images of Alzheimers
Disease Patients. In W.J. Niessen and M.A. Viergever, editors, 4th Int. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI01), volume 2208 of
LNCS, Utrecht, The Netherlands, pages 666674, October 2001.
S. Fernandez-Vidal, E. Bardinet, G. Malandain, S. Damas, and N.P. de la Blanca Capilla.
Object Representation and Comparison Inferred from Its Medial Axis. In International
Conference on Pattern Recognition (ICPR 2000), Barcelone, Espagne, pages Vol I: 712715, septembre 2000.
A. Roche, X. Pennec, M. Rudolph, D. P. Auer, G. Malandain, S. Ourselin, L. M. Auer, and
N. Ayache. Generalized Correlation Ratio for Rigid Registration of 3D Ultrasound with MR
Images. In A.M. DiGioia and S. Delp, editors, Proc. of the 3rd Int. Conf. on Medical Image
Computing and Computer-Assisted Intervention (MICCAI00), volume 1935 of LNCS,
Pittsburgh, Pennsylvanie, USA, pages 567577, October 11-14 2000.
J. Montagnat, H. Delingette, and G. Malandain. Cylindrical Echocardiographic Images Seg-

93

35.

36.

37.

38.

39.

40.

41.

42.

43.

44.

45.

46.

mentation based on 3D Deformable Models. In Medical Image Computing and ComputerAssisted Intervention (MICCAI99), volume 1679 of Lectures Notes in Computer Science,
Cambridge, UK, pages 168175, September 1999. Springer.
A. Roche, G. Malandain, N. Ayache, and S. Prima. Towards a Better Comprehension of
Similarity Measures used in Medical Image Registration. In C. Taylor and A. Colchester,
editors, Proc. of 2nd Int. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI99), number 1679 of LNCS, Cambridge, UK, pages 555-566, September
1999. Springer Verlag.
K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model-Based Multiscale Detection of 3D Vessels. In B. Vemuri, editor, Proc. of Worshop on Biomedical Image
Analysis WBIA98, Santa Barbara, pages 202-208, 1998.
K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model-Based Multiscale Detection of 3D Vessels. In Proc. of the IEEE Conf. on Computer Vision and Pattern
Recognition, CVPR98, Santa Barbara, pages 722-727, 1998.
A. Roche, G. Malandain, X. Pennec, and N. Ayache. The Correlation Ratio as a New
Similarity Measure for Multimodal Image Registration. In Proc. of First Int. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI98), volume 1496
of LNCS, Cambridge, USA, pages 11151124, October 1998. Springer Verlag.
P.-Y. Bondiau and G. Malandain. Eye Reconstruction and CT-Retinography Fusion for
Proton Treatment Planning of Ocular Diseases. In proceedings of CVRMed-MRCAS97,
Grenoble, France, pages 705714, March 1997. Note: Springer, LNCS 1205.
J. Feldmar, G. Malandain, N. Ayache, S. Fernandez-Vidal, E. Maurincomme, and Y.
Trousset. Matching 3D MR Angiography Data and 2D X-ray Angiograms. In CVRMedMRCAS97, Grenoble, France, pages 129138, March 1997. Note: Springer, LNCS 1205.
K. Krissian, G. Malandain, and N. Ayache. Directional Anisotropic Diffusion Applied to
Segmentation of Vessels in 3D Images. In Scale-Space Theory in Computer Vision (ScaleSpace97), Utrecht, The Netherlands, pages 345348, July 1997. Note: Springer, LNCS
1252.
O. Migneco, J.-P. Thirion, M. Benoit, G. Malandain, P. Robert, N. Ayache, and J. Darcourt. SPECT memory activation studies thanks to non-rigid automated 3D image registration. In CVRMed-MRCAS97, Grenoble, France, pages 487490, March 1997. Note:
Springer, LNCS 1205.
L. Robert and G. Malandain. Fast Binary Image Processing Using Binary Decision Diagrams. In Computer Vision and Pattern Recognition, Puerto Rico, pages 97102, June
1997. IEEE.
J. Feldmar, G. Malandain, J. Declerck, and N. Ayache. Extension of the ICP Algorithm
to Non-Rigid Intensity-Based Registration of 3D Volumes. In Mathematical Methods in
Biomedical Image Analysis, San Francisco, California, USA, June 21-22 1996.
S. Fernandez-Vidal and G. Malandain. Digital euclidean skeleton in n-D. In 9th Scandinavian Conference on Image Analysis (SCIA95), Uppsala, Sweden, pages 517524, June
1995. IAPR.
G. Malandain and S. Fernandez-Vidal. Topologically correct skeleton in n D. In 5th
Discrete Geometry for Computer Imagery (DGCI95), Clermont-Ferrand, France, pages
199208, September 1995.


CHAPITRE 9. DOCUMENTS ASSOCIES

94

47. G. Malandain, S. Fernandez-Vidal, and J.-M. Rocchisani. Improving Registration of 3D Medical Images Using a Mechanical Based Method. In 3rd European Conference on
Computer Vision (ECCV94), volume 801, Stockholm, Sweden, pages 131136, May 26
1994. Note: LNCS.
48. G. Malandain, S. Fernandez-Vidal, and J.-M. Rocchisani. Rigid Registration of 3-D Objects
by Motion Analysis. In 12th International Conference on Pattern Recognition, Jerusalem,
Israel, pages 579581, October 913 1994. IAPR.
49. G. Bertrand and G. Malandain. A new topological segmentation of discrete surfaces. In 2nd
European Conference on Computer Vision (ECCV 92), pages 71071, May 1823 1992.
Note: Santa Margherita, Ligure, Italy.
50. G. Malandain and G. Bertrand. Fast characterization of 3D simple points. In IAPR 11th
International Conference on Pattern Recognition, The Hague, The Netherlands, August
30 September 3 1992.
51. G. Malandain, G. Bertrand, and N. Ayache. Topological classification in digital space. In
A.C.F. Colchester and D.J. Hawkes, editors, XIIth international conference on Information
Processing in Medical Imaging (IPMI), Wye, Kent, England, pages 300313, July 1991.
Note: Lecture notes in Computer Science 511, Heidelberg, Springer Verlag.
52. G. Malandain, G. Bertrand, and N. Ayache. Topological segmentation of discrete surfaces.
In Proceedings of the conference on Computer Vision and Pattern Recognition, Lahaina,
Maui, Hawaii, pages 444449, June 36 1991. IEEE.
53. O. Monga, R. Deriche, G. Malandain, and J.P. Cocquerez. 3-D edge detection by recursive filtering and edge tracking. In 10th International Conference on Pattern Recognition,
Atlantic City, USA, June 1721 1990.
54. O. Monga, R. Deriche, G. Malandain, and J.P. Cocquerez. Recursive filtering and edge
closing: two primary tools for 3-D edge detection. In 1st European Conference on Computer
Vision (ECCV90), Nice, France, April 1990. Note: Lecture notes in computer science 427,
Springer verlag.

Conf
erences nationales avec comit
e de lecture
1. Celine Fouard, Gregoire Malandain, Stefen Prohaska, Malte Westerhoff, Francis Cassot,
Christophe Mazel, Didier Asselot, and Jean-Pierre Marc-Vergnes. Squelettisation par blocs
pour des grands volumes de donnees 3D: application `
a la microcirculation cerebrale. In
Proc. of RFIA04, Toulouse, France, 2004.
2. L. Soler, G. Malandain, and H. Delingette. Segmentation automatique : application aux
angioscanners 3D du foie. In Proceedings of Sixth Orasis conference (ORASIS97), La
Colle-sur-Loup, France, 1997.
3. S. Fernandez-Vidal and G. Malandain. Squelettes euclidiens dobjets n-dimensionnels. In
10`eme Congr`es Reconnaissance des Formes et Intelligence Artificielle (RFIA96), Rennes,
France, 16-18 janvier 1996. AFCET - AFIA.

Autres conf
erences
1. H. Hufnagel, X. Pennec, G. Malandain, H. Handels, and N. Ayache. Non-Linear 2D and
3D Registration Using Block-Matching and B-Splines. In Bildverarbeitung fuer die Medizin
2005, Heidelberg, Germany, March 2005. Deutsches Krebsforschungszentrum.

95
2. Mauricio A. Reyes, Gregoire Malandain, Nicholas Ayache, Jacques Darcourt, and Pierre
M. Koulibaly. Respiratory Motion Compensation within Emission Tomographic Reconstruction. In 52nd Annual Meeting of the Society of Nuclear Medicine, Toronto, Canada,
June 2005.
3. PY Bondiau, G Malandain, O Commowick, PY Marcy, S Chanalet, and N Ayache. Atlasbased Automatic Segmentation of MR Images: Validation Study on the Brainstem in Radiotherapy Context. In 90th Scientific Assembly and Annual Meeting of the Radiological
Society of North America (RSNA), Chicago, 2004.
4. Caroline Bensa, Gregoire Malandain, Stephane Chanalet, Christelle Bertogliati, Octave
Migneco, Marcel Chatel, and Christine Lebrun. Multiple Sclerosis and Mild Cognitive
Impairment. In American Academy of Neurology, 56th Annual Meeting, San Francisco,
California, April-May 2004.
5. PY Bondiau, G Malandain, O Commowick, PY Marcy, S Chanalet, and N Ayache. Atlasbased Automatic Segmentation of MR Images: Validation Study on the Brainstem in Radiotherapy. In 90th Scientific Assembly and Annual Meeting of the Radiological Society of
North America (RSNA), Chicago, 2004.
6. Guillaume Dugas-Phocion, Miguel Angel Gonzalez Ballester, Christine Lebrun, Stephane
Chanalet, Caroline Bensa, and Gregoire Malandain. Segmentation automatique des hypersignaux de la substance blanche (HSB) sur des IRM T2 FLAIR de patients atteints de
forme remittente de sclerose en plaques. In Journees de Neurologie de Langue Francaise,
Strasbourg, France, April 2004.
7. Christine Lebrun, Caroline Bensa, Gregoire Malandain, Christelle Bertogliati, Octave Migneco, and M.-N. Magnie. Sclerose en plaque et troubles cognitifs mineurs. In Journees de
Neurologie de Langue Francaise, Strasbourg, France, April 2004.
8. C. Bensa, S. Chanalet, G. Malandain, C. Bertogliati, P. Bedoucha, M.N. Mauro, C. Chatel,
and C. Lebrun. Sclerose en plaques et troubles cognitifs mineurs. In Journees de Neurologie
de Langue Francaise, Nantes, avril 2003. Note: Revue Neurologique, tome 159, page 2S63
9. C. Bensa, S. Chanalet, G. Malandain, C. Bertogliatti, P. Bedoucha, M.N. Magnie, M.
Chatel, and C. Lebrun. Multiple sclerosis ans mild cognitive impairment. In 19th Congress
of the European Committee for Treatment and Research in Multiple Sclerosis (ECTRIMS),
Milan, Italy, September 2003. Note: Multiple Sclerosis, P545, pp S136.
10. C. Blondel, G. Malandain, R. Vaillant, and N. Ayache. 4D deformation field of coronary
arteries from monoplane rotational X-ray angiography. In Computer Assisted Radiology
and Surgery 2003 Proceedings, volume 1256 of ICS, Londres, United Kingdom, june 2003.
Elsevier.
11. C. Lebrun, D. Rey, S. Chanalet, N. Ayache, M. Chatel, and G. Malandain. First validation
experiments of a 3-D automatic algorithm based on a vector field analysis to detect and
quantify volume variation of multiple sclerosis lesions. In 19th Congress of the European
Committee for Treatment and Research in Multiple Sclerosis (ECTRIMS), Milan, Italy,
September 2003. Note: Multiple Sclerosis, P455, pp S112.
12. C. Lebrun, D. Rey, S. Chanalet, V.Bourg, M.Chatel, N. Ayache, and G. Malandain. Interet
du recalage automatique des IRM cerebrales dans le suivi et la decision therapeutique :
application `
a la sclerose en plaques. In 10`emes Journees Jean-Denis-Degos Therapeutique
et Neurologie, December 2003. Societe Francaise de Neurologie.

96

CHAPITRE 9. DOCUMENTS ASSOCIES

13. Jerome Yelnik, Eric Bardinet, Didier Dormont, Chantal Francois, Dominique Tande, Carine Parain, Gregoire Malandain, Nicholas Ayache, Etienne Hirsch, and Yves Agid. Delineation of the basal ganglia in MR images of patients by automatic registration of a
multimodal atlas based on histological and MR data. In NeuroImage (HBM03), New York,
USA, 2003.
14. Christophe Blondel, Regis Vaillant, Frederic Devernay, Gregoire Malandain, and Nicholas Ayache. Automatic trinocular 3D reconstruction of coronary artery centerlines from
rotational X-ray angiography. In Computer Assisted Radiology and Surgery 2002 Proceedings, Paris, June 2002. Springer Publishers, Heidelberg. Note: International Symposium
on Cardiovascular Imaging - Invasive Coronary and Vascular Imaging.
15. Jean-Daniel Boissonnat, Raphaelle Chaine, P. Frey, G. Malandain, F. Nicoud, S. Salmon,
E. Saltel, and M. Thiriet. From medical images to computational meshes. In Marc Thiriet,
editor, Conference on Modelling and Simulation for Computer-aided Medicine and Surgery
(MS4CMS02), volume 12 of ESAIM: PROC, pages 17, 2002. European Series in Applied
and Industrial Mathematics.
16. P.-Y. Bondiau, G. Malandain, P.-Y. Marcy, F. Peyrade, M. Frenay, and J.-P. Gerard.
Contourage automatique de lencepahle utilisant la fusion dimage avec atlas : resultats sur
3 patients. In 13`eme Congr`es National de la Societe Francaise de Radiotherapie Oncologique (SFRO), Bordeaux, November 2002.
17. Jerome Yelnik, Eric Bardinet, Didier Dormont, Chantal Francois, Dominique Tande, Karine Parain, Sebastien Ourselin, Gregoire Malandain, Nicholas Ayache, and Etienne Hirsch.
Elaboration of a three-dimensional, functional and registrable atlas of the human basal ganglia. In 3rd Forum of European Neuroscience, Paris, July 2002. The Federation of European
Neuroscience Societies (FENS).
18. P.Y. Bondiau, O. Ostapiak, G. Malandain, T. Toubiana, K. Benezery, J.M. HannounLevi, R.J. Bensadoun, A. Courdi, D. Leschi, P. Chauvel, and J.P. Gerard. Fusion de la
tomographie par emission de positons (TEP) fonctionnelle et du Scanner dosimetrique :
Etude de faisabilite pour le traitement des tumeurs cerebrales. In Proc. du premier atelier
de radiotherapie assistee par limage, Nice, 4 et 5 mai 2001. SFRO.
19. K. Benezery, F. Perret, P.-Y. Bondiau, G. Malandain, and N. Ayache. Recalage et Fusion
dimages Scanner et IRM du pelvis : utilisation dans le traitement du cancer de la prostate.
In 12`eme Congr`es de la Societe Francaise de Radiotherapie Oncologique (SFRO), Paris,
22-23 Novembre 2001.
20. Y. Chau, D. Rey, G. Malandain, C. Raffaelli, and B. Padovani. Extraction automatique
des structures arborescentes pulmonaires, semi-automatique des segments pulmonaires `
a
partir de TDM thoraciques normales. In Journees Francaises de Radiologie, JFR2001,
Paris, FRANCE, October 2001.
21. O. Migneco, G. Malandain, P.M. Koulibaly, Ph. Robert, N. Ayache, and J. Darcourt. Evaluation of an automatic classifier for SPECT Alzheimers disease diagnosis. In European
Association of Nuclear Medicine Meeting, Napoli, Italy, 2001. Note: European Journal of
Nuclear Medecine 28(8):1056.
22. E. Bardinet, S. Fernandez-Vidal, S. Damas, G. Malandain, and N. Perez de la Blanca
Capilla. Structural Object Matching. In Advanced Concepts for Intelligent Vision Systems
(ACIVS 2000), Baden-Baden, Allemagne, August 2000.
23. I. Dygai, J. Stoeckel, O. Migneco, Ph. Desvignes, G. Malandain, N. Ayache, M. Chatel,

97

24.

25.

26.

27.

28.

29.

30.

31.

32.

33.

34.

F. Fauchon, M. Frenay, J. Darcourt, and F. Bussi`ere. SPM Analysis Applied to MIBISPECT for the Diagnosis of Recurrent Oligodendrogliomas. In European Association of
Nuclear Medicine Meeting, Paris, France, August 2000. Note: European Journal of Nuclear
Medecine 27(8):1144.
C. Lebrun-Fresnay, D. Rey, G. Malandain, S. Chanalet, N. Ayache, and M. Chatel. Detection and quantification of MS lesions MRI variations by mathematical differential operators. In 16th Congress of the European Committee for Treatment and Research in Multiple
Sclerosis, volume 156 of Revue Neurologique (Supplement), Toulouse, France, pages 3S104,
septembre 6-9 2000.
O. Migneco, G. Malandain, A. Roche, I. Dygai, F. Bussi`ere, N. Ayache, and J. Darcourt.
Absolute calibration of HMPAO SPECT using Xenon-133. In European Association of
Nuclear Medicine Meeting, Paris, France, August 2000. Note: European Journal of Nuclear
Medecine 27(8):967.
D. Rey, C. Lebrun-Fresnay, G. Malandain, S. Chanalet, N. Ayache, and M. Chatel. A
New Method to Detect and Quantify Evolving MS Lesions by Mathematical Operators. In
American Academy of Neurology, 52nd Annual Meeting, Neurology (Supplement) 54(7),
San Diego, USA (Californie), pages 123, May 2000. Note: Supplement 3.
L. Soler, J.-M. Clement, C. Koehl, H. Delingette, G. Malandain, N. Ayache, O. Dourthe,
and J. Marescaux. An Automatic Virtual Patient Reconstruction from CT-Scans for Hepatic Surgical Planning. In Medicine Meets Virtual Reality (MMVR2000), Studies in Health
Technology and Informatic, Los Angeles, January 2000. IOS press.
L. Soler, H. Delingette, G. Malandain, J. Montagnat, N. Ayache, J.-M. Clement, C. Koehl,
O. Dourthe, D. Mutter, and J. Marescaux. A Fully Automatic Anatomical, Pathological
and Fonctionnal Segmentation from CT-scans for Hepatic Surgery. In Medical Imaging
2000, SPIE proceedings, San Diego, pages 246255, February 2000. SPIE.
L. Soler, O. Dourthe, G. Malandain, J. Montagnat, H. Delingette, and N. Ayache. A new
3D segmentation of liver neoplasm, portal venous system and parenchymal contours. In
European Congress of Radiology, Vienne (Autriche), mars 2000.
L. Soler, C. Koehl, H. Delingette, G. Malandain, N. Ayache, D. Mutter, J. Leroy, B. Malassagne, and J. Marescaux. Planification Chirurgicale Hepatique Assistee par Ordinateur.
In 11`eme Journees de printemps de lACHBT, Paris (France), Juin 2000.
P.Y. Bondiau, G. Malandain, K. Benezery, A. Roche, R. Ferrand, D. Pontvert, J.L. Habrand, and J.N. Bruneton. Fusion Scanner / IRM enti`erement automatique : perspective
dutilisation pour la radiotherapie. In Proc. du XIX Forum de Cancerologie, Paris, 31 mai2 juin 1999.
P.Y. Bondiau, G. Malandain, K. Benezery, A. Roche, R. Ferrand, D. Ponvert, J. L. Habrand, and J. N. Bruneton. Full Automatic CT Scan and MRI Matching : Use for Brain
Tumor Radiotherapy. In Proc of RSNA99, Chicago, 27 nov au 3 dec. 1999.
L. Soler, J.-M. Clement, C. Koehl, H. Delingette, G. Malandain, N. Ayache, O. Dourthe, D.
Mutter, and J. Marescaux. Planification Chirurgicale Hepatique Assistee par Ordinateur.
In Journees de la societe francaise de Chirurgie Digestive, Paris, December 1999.
M. Thiriet and G. Malandain. Modelisation numerique de lecoulement dans les anevrismes
cerebraux. In XXIII`eme congr`es de la societe de Biomecanique, Lyon, France, 17-18 septembre 1998.

98

CHAPITRE 9. DOCUMENTS ASSOCIES

35. M. Thiriet, S. Piperno, G. Malandain, P. Frey, J. Bittoun, and A. Gaston. Computational models of flow in cerebral aneurisms. In 11th Conference of the European Society of
Biomechanics, Toulouse, France, pages 20, 8-11 juillet 1998.
36. P.-Y. Bondiau, G. Malandain, N. Ayache, C. Zur, P. Chauvel, and P. Gastaud. Lil
virtuel. In 103`eme Congr`es de la societe francaise dophtalmologie, Paris, France, May
1997.
37. P.-Y. Bondiau, G. Malandain, P. Chauvel, F. Peyrade, and J.N. Bruneton. Automatic
eye reconstruction for radiotherapy. In 1st Joint Annual Conference of the International
Society for Computer Aided Surgery, Berlin, Germany, June 1997.
38. O. Migneco, M. Benoit, G. Malandain, J.-P. Thirion, Ph. Robert, N. Ayache, F. Bussi`ere,
and J. Darcourt. SPECT memory activation thanks to non-rigid coregistration. In European Association of Nuclear Medecine Meeting, Glasgow, Scotland, August 1997.
39. O. Migneco, J. Darcourt, M. Benoit, G. Malandain, J.-P. Thirion, Ph. Robert, R. Vidal,
Ph. Desvignes, J. Benoliel, N. Ayache, and F. Bussi`ere. Activation mnesique en TEMP.
In 36eme Colloque de medecine nucleaire 1997, Rennes, France, October 1997.
40. L. Soler, G. Malandain, J. Montagnat, H. Delingette, N. Ayache, J.M. Clement, C. Roy,
Y. Russier, V. Tassetti, and J. Marescaux. Automatic Segmentation of Portal Vein in CTScans of the Liver. In Proceedings of World Congress on Medical Physics and Biomedical
Engineering, number 2, Nice, France, pages 788, 1997.
41. P.-Y. Bondiau, G. Malandain, and P. Chauvel. Projet de reconstruction tridimensionnelle
de lil `
a partir des images scanneurs, IRM et de fundographie. Utilisation pour la protontherapie des tumeurs oculaires. In 35eme Congr`es de la societe francaise des physiciens
dhopital, Toulouse, France, 6-8 juin 1996.
42. P. Chauvel, W. Sauerwein, N. Bornfeld, W. Friedrichs, N. Brassart, A. Courdi, J. Herault,
J.-P. Pignol, P.-Y. Bondiau, and G. Malandain. Clinical and Technical Requirements for
Proton Treatment Planning of Ocular Diseases. In First International Symposium on Special Aspects of Radiotherapy, Berlin (Germany), May 36 1996.
43. O. Migneco, J.-P. Thirion, M. Benoit, G. Malandain, P. Robert, N. Ayache, and J. Darcourt. Une etude TEMP dactivation mnesique realisee gr
ace `
a des recalages dimages 3D.
In Actes du congr`es sur la Methodologie en imagerie fonctionnelle cerebrale, Lyon, France,
December 1996.
44. J. West, J.M. Fitzpatrick, M.Y. Wang, B.M. Dawant, C.R. Maurer, Jr., R.M. Kessler, R.J.
Maciunas, C. Barillot, D. Lemoine, A. Collignon, F. Maes, P. Suetens, D. Vandermeulen,
P.A. van den Elsen, P.F. Hemler, S. Napel, T.S. Sumanaweera, B. Harkness, D.L.G. Hill, C.
Studholme, G. Malandain, X. Pennec, M.E. Noz, G.Q. Maguire, Jr., M. Pollack, C.A. Pelizzari, R.A. Robb, D. Hanson, and R.P. Woods. Comparison and evaluation of retrospective
intermodality image registration techniques. In Medical Imaging 1996: Image Processing,
volume 2710 of SPIE proceedings series, Newport Beach, California, USA, February 10-15
1996.
45. N. Ayache, J. Feldmar, G. Malandain, E. Maurincomme, C. Picard, and Y. Trousset.
Recalage sans cadre stereotaxique dimages volumiques et projectives en radiologie interventionnelle. In Mini colloque INSERM de radiologie interventionnelle, Paris, June 1995.
46. M. Goris, G. Malandain, and I. Marque. Automatic registration of Myocardial Perfusion
study using a Potential Based Rigid Transformation. In 2nd International Conference of

99
Nuclear Cardiology, Cannes France, April 1995. Note: Also in Journal of Nuclear Cardiology 1995; 2: S82.
47. G. Malandain and J.-M. Rocchisani. 3D superimposition of CT and SPECT images of
the brain by a mechanical based method. In European Association of Nuclear Medicine
Congress, August 1992. Note: Lisbon, Portugal. Also in European Journal of Nuclear
Medicine, vol 19, number 8, page 624.
48. G. Malandain and J.-M. Rocchisani. Registration of 3D medical images using a mechanical
based method. In IEEE EMBS satellite symposium on 3D advanced image processing in
medicine, November 24 1992. Note: Rennes, France.

Rapports de recherche
1. Celine Fouard, Gregoire Malandain, Steffen Prohaska, and Malte Westerhoff. Blockwise
processing applied to brain micro-vascular network study. Research Report 5581, INRIA,
2005.
2. Gregoire Malandain and Celine Fouard. On optimal chamfer masks and coefficients. Research Report 5566, INRIA, 2005.
3. Christophe Blondel, Gregoire Malandain, Regis Vaillant, and Nicholas Ayache. Reconstruction of Coronary Arteries from One Rotational X-Ray Projection Sequence. Research
report 5214, INRIA, May 2004.
4. Olivier Clatz, Pierre-Yves Bondiau, Herve Delingette, Maxime Sermesant, Simon K. Warfield, Gregoire Malandain, and Nicholas Ayache. Brain Tumor Growth Simulation. Research report 5187, INRIA, 2004.
5. Mauricio Reyes Aguirre, Gregoire Malandain, and Jacques Darcourt. Respiratory Movement Correction in Emission Tomography. Research report 5279, INRIA, July 2004.
6. E. Bardinet and G. Malandain. Fusion of autoradiographies with an MR volume using 2-D
and 3-D linear transformations. Research report 4791, INRIA, 2003.
7. Alain Pitiot, Eric Bardinet, P. Thompson, and G. Malandain. Automated Piecewise Affine
Registration of Biological Images. Research report RR-4866, INRIA, July 2003.
8. P. Kornprobst, R. Peeters, T. Vieville, G. Malandain, S. Mierisova, S. Sunaert, O. Faugeras, and P. Van Hecke. Superresolution in MRI and its influence in statistical analysis.
Research report RR-4513, INRIA, July 2002.
9. Gregoire Malandain and Jean-Daniel Boissonnat. Computing the Diameter of a Point Set.
Research report RR-4233, INRIA, Sophia-Antipolis, July 2001.
10. S. Ourselin, X. Pennec, R. Stefanescu, G. Malandain, and N. Ayache. Robust Registration
of Multi-Modal Medical Images: Towards Real-Time Clinical Applications. Research report
4333, INRIA, 2001.
11. A. Roche, X. Pennec, G. Malandain, N. Ayache, and S. Ourselin. Generalized Correlation
Ratio for Rigid Registration of 3D Ultrasound with MR Images. Research Report RR-3980,
INRIA, July 2000.
12. K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model Based Detection
of Tubular Structures in 3D Images. Research report 3736, INRIA, July 1999.
13. A. Roche, G. Malandain, and N. Ayache. Unifying Maximum Likelihood Approaches in
Medical Image Registration. Research Report RR-3741, INRIA, July 1999.

100

CHAPITRE 9. DOCUMENTS ASSOCIES

14. Marie-Laure Tabary, Nicholas Ayache, Jacques Darcourt, and Gregoire Malandain. Analyse
statistique dimages medicales : etude et utilisation du logiciel SPM. Rapport de recherche
RR-3802, INRIA, November 1999.
15. K. Krissian, G. Malandain, and N. Ayache. Model Based Multiscale Detection and Reconstruction of 3D Vessels. Research report RR-3442, INRIA, March 1998.
16. A. Roche, G. Malandain, X. Pennec, and N. Ayache. Multimodal Image Registration by
Maximization of the Correlation Ratio. Research Report RR-3378, INRIA, August 1998.
17. Luc Soler, G. Malandain, and H. Delingette. Segmentation automatique des reseaux vasculaires dans les images dangiographie 3D. Rapport de recherche 3496, INRIA, 1998.
18. S. Fernandez-Vidal and G. Malandain. Squelettes euclidiens dobjets discrets n-dimensionnels. Rapport de recherche RR-2771, INRIA, 2004 route des Lucioles BP 93, 06902
Sophia Antipolis Cedex, France, janvier 1996.
19. K. Krissian, G. Malandain, and N. Ayache. Directional Anisotropic Diffusion applied to
segmentation of vessels in 3D images. Research report RR-3064, Inria Sophia Antipolis,
2004 route des Lucioles BP 93 06902 Sophia Antipolis Cedex (France), December 1996.
20. L. Robert and G. Malandain. Fast Binary Image Processing Using Binary Decision Diagrams. Research report RR-3001, INRIA, 2004 route des Lucioles BP 93, 06902 Sophia
Antipolis Cedex, France, octobre 1996.
21. G. Malandain, S. Fernandez-Vidal, and J.M. Rocchisani. Physically Based Rigid Registration of 3-D Free-Form Objects: Application to Medical Imaging. Research report 2453,
INRIA, January 1995.
22. Gregoire Malandain. On topology in multidimensional discrete spaces. Technical report
2098, INRIA, 2004 route des Lucioles BP 93, 06902 Sophia Antipolis Cedex, France, November 1993.
23. G. Malandain and J.M. Rocchisani. Matching of 3-D medical images with a potential based
method. Research report RR-1890, INRIA, March 1993.
24. G. Bertrand and G. Malandain. A New Characterization of three-dimensional Simple
Points. Internal report, ESIEE, 1992.
25. Gregoire Malandain, G. Bertrand, and Nicholas Ayache. Segmentation topologique des
surfaces discr`etes. Rapport de recherche RR-1357, INRIA, decembre 1990.
26. Olivier Monga, Rachid Deriche, G. Malandain, and J.P. Cocquerez. Recursive filtering and
edge closing : two primary tools for 3D edge detection. Research report RR-1103, INRIA,
October 1989.

101

Publications annex
ees
1. Gregoire Malandain, Eric Bardinet, Koen Nelissen, and Wim Vanduffel. Fusion of autoradiographs with an MR volume using 2-D and 3-D linear transformations. NeuroImage,
23(1):111-127, 2004.
2. K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset. Model-Based Detection of Tubular Structures in 3D Images. Computer Vision and Image Understanding,
80(2):130171, 2000.
3. Christophe Blondel, Gregoire Malandain, Regis Vaillant, and Nicholas Ayache. Reconstruction of Coronary Arteries from a Single Rotational X-Ray Projection Sequence. IEEE
Transactions on Medical Imaging, 2006. Note: In press.
4. Gregoire Malandain and Celine Fouard. On optimal chamfer masks and coefficients. Research Report 5566, INRIA, 2005. Note: submitted to Computer Vision and Image Understanding.

Universit de Technologie de Compigne

impulsion de radiofrquence l.f.
radio frequency impulsion
En IRM, onde lectromagntique brve, appartenant la gamme des ondes de
radiofrquence, (mgahertz), utilise pour exciter les moments magntiques des
protons; sa frquence doit tre gale celle de la rsonance de ces protons (frquence
de Larmor).
Elle est produite grce un champ oscillant de haute frquence dsign
conventionnellement par Limpulsion de radiofrquence est applique dans un plan
xoy perpendiculaire la direction du champ magntique de laimant et laxe
longitudinal zz du patient. La frquence de Larmor varie avec lintensit du champ
magntique Pour les protons, elle est de 21,2 MHz pour un champ de 0,5 T; de 42,5
MHz pour un champ de 1 T; de 63,8 MHz pour un champ de 1,5 T. Londe de
radiofrquence fait basculer le vecteur daimantation des protons dun certain angle
qui saccrot avec la dure de passage de cette onde. Si celle-ci est suffisante pour
que bascule de 90, limpulsion est dite de /2; si elle fait basculer de 180,
limpulsion a t de

Lorsqu'on arrete l'impulsion de radio frquence, le retour

l'tat d'quilibre se produit du fait de 2 phnomnes
bien distincts :
Composante longitudinale du vecteur d'aimantation :
Le retour de l'excs de protons
dans le sens parallle Bo induit
une croissance de la composante
Mz du vecteur d'aimantation.

Cette relaxation est appele

indiffremment :
relaxation T1
relaxation longitudinale
relaxation spin-rseau

Cette relaxation est assez longue. Elle est spcifique pour chaque
tissu et elle n'est pas constante dans le temps.
Jean-Marc DIDELOT

-1-

Universit de Technologie de Compigne

Chaque tissu a donc une valeur de T1 qui lui est propre.

Le T1 d'un tissu ( ne pas confondre avec la relaxation T1) est le temps
au bout duquel ce tissu a effectu 63% de sa repousse longitudinale.
C'est a dire que le T1 d'un tissu est le temps qui lui faut pour
effectuer 63% de sa relaxation T1.

Composante transversale du vecteur d'aimantation :

Le redphasage des spins les uns
par rapport aux autres induit une
dcroissance de la composante
transversale Mxy du vecteur
aimantation M.
Cette relaxation est appele
indiffremment :
relaxation T2
relaxation transversale
relaxation spin-spin
Cette relaxation est assez rapide. Elle est spcifique pour chaque
tissu et elle n'est pas constante dans le temps.

Jean-Marc DIDELOT

-2-

Universit de Technologie de Compigne

Chaque tissu a donc une valeur de T2 qui lui est propre.

Le T2 d'un tissu ( ne pas confondre avec la relaxation T2) est le temps
au bout duquel ce tissu a effectu 63% de sa repousse transversale.
C'est a dire que le T2 d'un tissu est le temps qui lui faut pour
effectuer 63% de sa relaxation T2.
Il reste donc 37% de la composante transversale du vecteur
d'aimantation.

IRM
Principes de base de
lImagerie par Rsonance Magntique

Jean-Marc DIDELOT

-3-

Universit de Technologie de Compigne

Le magntisme
L'aimant prsente deux ples : nord (-) et sud (+). Les ples de signe inverse s'attirent, les ples de
mme signe se repoussent. Autour des ples d'un aimant existe un champ magntique.

L'aimant prsente 2 ples : nord (-) et sud (+)

Autour de l'aimant existe un champ magntique

Ce champ magntique est, en gnral, non uniforme, car il dcrot avec la distance, mais on peut le
rendre uniforme en courbant l'aimant.

Le champ est uniforme entre les deux bras de l'aimant

La terre est un aimant dont le champ magntique est de 0,05 gauss. Les champs magntiques utiliss
en rsonance magntique sont trs puissants et trs uniformes : Les champs magntiques utiliss
varient de 0,1 tesla 2,0 tesla (1 tesla = 10 000 gauss). Un courant lectrique (produit par des
charges lectriques en mouvement), cre un champ magntique. Un champ magntique possde
une direction (d'un ple l'autre), et un sens (de Sud vers Nord). Une grandeur qui possde une
direction et un sens, s'appelle un vecteur et se reprsente par une lettre surmonte d'une petite
flche. Un vecteur est caractris par quatre paramtres : sa direction, son sens, son point
d'application, sa norme (son intensit). Le champ magntique principal en IRM est fixe, et est
reprsent par la lettre B0.

B0 est le champ magntique

principal

L'atome
L'atome est constitu d'un noyau autour duquel gravitent les lectrons. Le noyau est constitu de
protons et de neutrons sauf l'atome le plus simple, l'hydrogne, dont le noyau est compos d'un seul
proton. C'est de loin l'atome le plus abondant dans le corps humain, et le seul qui soit rellement
utilis en imagerie par rsonance magntique. On peut faire de l'IRM du phosphore, du sodium, et
de tous les atomes dont la somme des protons et des neutrons est impaire. Les noyaux ont un
moment magntique. En effet, les protons et les neutrons, ont leur surface occupe par des charges
lectriques dont les centres de gravit ne concident pas. Ce sont des diples, et ils possdent un
moment lectrique dipolaire. Les noyaux, comme les lectrons, tournent sur eux-mmes grande

Jean-Marc DIDELOT

-4-

Universit de Technologie de Compigne

vitesse. En anglais, "tourner sur soi-mme", se dit "to spin". Les noyaux possdent un moment
angulaire de spin, appel plus simplement spin.

Moment magntique angulaire de spin ou spin.

C'est un vecteur qui reprsente l'axe de rotation du proton sur luimme

Que devient le spin dans un champ magntique ?

Vu qu'il se comporte comme un petit aimant, le spin du proton va s'aligner dans la direction du
champ magntique, mais a le choix entre deux positions. Il peut s'aligner du sud au nord, dans une
position dite parallle au champ magntique, ou bien du nord au sud, dans la position dite
antiparallle.

Dans un champ magntique, le spin du

proton s'aligne selon deux positions
parallle : sud nord
antiparallle : nord sud

Les deux positions ne sont pas quivalentes. Elles correspondent des niveaux d'nergie diffrents. Il
faut un paquet d'nergie ou "quantum" moins lev pour mettre un proton en position parallle. Or
les protons suivent la rgle gnrale : moins on en fait, mieux on se porte. Par consquent, il va y
avoir un tout petit peu plus de protons aligns en position parallle dans le sens du champ
magntique.
Sur 2 millions et 3 protons, aligns dans un champ magntique de 0,3 tesla, il y en aura 1 million + 3
dans le sens du champ magntique, sens parallle, et 1 million dans le sens antiparallle. Donc entre
les deux positions, parallle et antiparallle, il existe une diffrence d'nergie E. C'est cette
diffrence entre les deux niveaux d'nergie qui va rendre possible la dtection d'un signal de
rsonance magntique. Lorsqu'on augmente l'intensit du champ magntique, on augmente la
diffrence d'nergie qui existe entre les deux tats des spins. Ce faisant, on augmente le signal, mais
aussi certains artefacts et autres inconvnients, ce qui fait que l'on ne peut pas augmenter le champ
magntique au-dessus de deux tesla.

La rsonance

Jean-Marc DIDELOT

-5-

Universit de Technologie de Compigne

Les exemples de phnomnes de rsonance sont nombreux :

Une cantatrice peut faire exploser un lustre de cristal. Que se passe-t-il ? La voix met des
ondes sonores d'une certaine frquence. Si cette frquence est la mme que celle du cristal, il
y a un transfert d'nergie entre les deux systmes. Ils entrent en rsonance. L'nergie peut
tre ventuellement suffisante pour briser le lustre.
Lors d'un tremblement de terre, lorsque la frquence de l'onde de propagation correspond
la frquence de rsonance d'un immeuble, il y a transfert d'nergie. L'immeuble vibre avec
une amplitude beaucoup plus forte et va s'crouler. L'immeuble voisin dont la frquence est
diffrente, n'aura que peu de dgts.
Dans une vieille voiture, une vitesse donne, une pice entre en rsonance lorsque la
frquence du moteur correspond sa propre frquence de rsonance. Il y transfert d'nergie
entre les deux systmes.
Dans tous les cas de rsonance, il s'agit d'une onde, c'est--dire d'un phnomne vibratoire qui une
amplitude et une frquence propre.

La frquence est l'inverse de la priode

et caractrise donc la priodicit du
phnomne.

Lorsqu'un objet est mis en prsence d'une onde dont la frquence correspond sa propre frquence,
il entre en rsonance. En conclusion : la rsonance est le transfert d'nergie entre deux systmes
oscillant la mme frquence. En imagerie par rsonance magntique, les ondes utilises sont des
ondes de 1 100 MHz, les mmes que celles utilises pour les missions radiophoniques. On les
appelle ondes radiofrquences, et leur frquence est RF. L'mission RF se fait par une bobine ou
antenne, dans laquelle des dispositifs lectroniques appropris provoquent des oscillations
lectriques. La rception se fait galement par une antenne. L'antenne mettrice sert parfois
galement d'antenne rceptrice. Les antennes sont situes dans l'aimant et sont de formes variables,
solnodales ou en selle.

Placs dans un champ magntique, les spins des protons s'alignent et deviennent sensibles
l'nergie d'une impulsion radiofrquence RF avec laquelle ils entrent en rsonance . A la fin de
l'impulsion RF, ils rmettent un signal de rsonance magntique.

Jean-Marc DIDELOT

-6-

Universit de Technologie de Compigne

La structure qui va ragir dans le corps humain est le noyau des atomes d'hydrogne. Ceux-ci, placs
dans le champ magntique, rsonnent leur frquence propre. Cette frquence, dite frquence de
Larmor, varie avec l'intensit du champ magntique. Par exemple, l'hydrogne rsonne 42,5 MHz
dans un champ de 1,0 tesla et 63,8 MHz dans un champ de 1,5 tesla.
Pour faire basculer un proton d'un tat d'nergie un autre, il faut lui apporter exactement la
quantit d'nergie ncessaire, c'est--dire la diffrence entre ses deux tats d'nergie (E).Cette
nergie E varie avec le champ magntique B0. L'nergie que les protons absorbent en passant de
l'tat fondamental de basse nergie E1 l'tat excit de haute nergie E2 va tre restitue lorsqu'ils
reviennent leur tat d'quilibre sous la forme d'un signal qui va dcrotre rapidement en fonction
du temps. On reprsente ce signal comme une sinusode amortie.

Cette sinusode se caractrise par trois paramtres :

Sa frquence : c'est la frquence de rsonance.

Son amplitude de dpart : elle est fonction du nombre de protons dans l'chantillon, de
l'intensit de l'onde RF, de l'intensit du champ magntique, de l'environnement physicochimique des protons. L'amplitude s'exprime sous la forme d'une intensit de courant induite
par l'onde radiofrquence dans la bobine rceptrice.
La pente de la courbe de dcroissance : cette pente prsente une dcroissance exponentielle.
La dcroissance est dite libre, parce qu'elle s'effectue librement aprs arrt de l'impulsion RF.
Cette impulsion RF a induit un signal, d'o le nom de dcroissance de l'induction libre ou en
anglais "Free Induction Decay" ou encore FID.

Jean-Marc DIDELOT

-7-

Universit de Technologie de Compigne

Au total : aprs l'excitation des noyaux dans un champ magntique par une onde RF de frquence
caractristique, on recueille un signal qui est caractris par une courbe FID.

Le signal
Le moment magntique
angulaire ou spin

Lorsqu'on place un groupe de protons dans un champ magntique, ils vont s'aligner dans la direction
du champ, en position parallle ou antiparallle.

Dans un champ magntique,

le spin du proton s'aligne
selon deux positions
parallle : sud nord
antiparallle : nord sud

En fait ils ne vont pas s'aligner exactement dans l'axe. Ils vont se comporter comme des toupies, en
tournant autour de l'axe de rotation. Ce mouvement s'appelle la prcession. Sa frquence est trs
rapide. C'est la frquence de Larmor. Chaque proton prcesse pour son propre compte. Les protons
sont donc dphass les uns par rapport aux autres. Le mouvement de prcession peut tre
reprsent comme la base d'un cne dont le sommet correspond une position neutre,
intermdiaire entre les deux ples du champ magntique.

Le proton prcesse
comme une toupie
autour de l'axe du
champ magntique B0

Jean-Marc DIDELOT

-8-

Universit de Technologie de Compigne

Voici la reprsentation lorsqu'il y a plusieurs protons. Chacun prcesse pour son compte autour de
B0.

Sur la circonfrence,
chque proton
prcesse
por son propre
compte
autour de l'axe B0

Donc non seulement les protons peuvent tre orients au nord ou au sud, mais aussi gauche ou
droite, vers l'avant ou vers l'arrire et leurs intensits s'annulent, sauf dans une seule direction qui
est celle du champ magntique B0.

Les intensits des spins

des protons s'annulent
sauf
dans une seule
direction,
celle du champ
magntique B0

Dans cette direction leurs intensits s'additionnent. Reprsentons par un vecteur M la somme des
spins des protons en excs aligns dans le champ magntique B0 et plaons-le arbitrairement dans un
systme de coordonnes x, y, et z. Nous pouvons dfinir une sphre de rayon M.

Jean-Marc DIDELOT

-9-

Universit de Technologie de Compigne

Reprsentation
de la somme des spins
des protons en excs
aligns dans le champ
magntique B0
par un vecteur M

Sur ce globe, nous pouvons dfinir l'axe nord-sud que nous appellerons plan z, (et qui sera l'axe du
champ magntique B0), et le plan de l'quateur que nous appellerons plan xy. La position de
l'extrmit du vecteur M en chaque point de la sphre peut tre dfinie par sa projection sur l'axe z
d'une part et dans le plan xy d'autre part.
Lorsqu'on introduit le patient dans l'aimant, tous les protons s'alignent. Les spins de la plupart
d'entre eux s'annulent, mais ceux qui sont en excs, s'additionnent. Le vecteur M, reprsentant la
somme des spins des protons en excs, pointe dans la direction de l'axe z et prcesse autour de
celui-ci. On l'appelle "vecteur de magntisation" M et les protons sont dits "magntiss" lorsqu'ils
sont dans cette position. Ce vecteur de magntisation a deux composantes : l'une sur l'axe z et
l'autre dans le plan xy.

Projection des vecteurs de magntisation

transversale dans le plan xy. Leur somme s'annule.

La composante sur l'axe z est appele vecteur de magntisation longitudinale Mz. La composante
dans le plan xy est appele vecteur de magntisation transversale Mxy. Il est nul l'tat d'quilibre
parce que les protons sont dphass les uns par rapport aux autres et que leur somme s'annule.

Jean-Marc DIDELOT

-10-

Universit de Technologie de Compigne

Voyons maintenant ce qui se passe lorsque l'onde RF excite les spins des protons la frquence de
rsonance, c'est--dire, lorsque le patient ayant t install dans la machine, on lui envoie une brve
onde RF de frquence approprie. Il y a un change d'nergie entre l'onde RF et les protons. Ceci a
deux consquences :

Les protons vont tre obligs de prcesser en phase. De ce fait, leur somme ne s'annule plus et on
va voir apparatre un vecteur de magntisation transversale dans le plan xy.

Les protons prcessent en phase et leur

somme n'est pas nulle.
Le vecteur Mxy tourne dans le plan xy la
frquence de prcession des protons.

Le vecteur Mz de magntisation longitudinale va diminuer sur l'axe z jusqu' s'annuler. Si la

quantit d'nergie dlivre est suffisante, il peut aussi s'inverser.
La rsultante de ces actions est que les protons vont prcesser en spirale du ple l'quateur puis
jusqu'au ple oppos si l'nergie est suffisante.

La nutation

Ce mouvement en spirale est appel la nutation. Le vecteur de magntisation peut tre dfini en
n'importe quel point de la surface de ce globe par :
-

sa projection sur l'axe z et

sa projection dans le plan xy

Lorsque l'impulsion RF s'arrte, les spins vont revenir leur tat d'quilibre, en restituant l'nergie
acquise sous forme d'un signal, qui est une onde RF de frquence spcifique, et qui possde une
amplitude maximale au dpart, mais qui diminue rapidement en fonction du temps.

Jean-Marc DIDELOT

-11-

Universit de Technologie de Compigne

L'antenne rceptrice du signal est place dans le plan xy, vu que sur l'axe z se trouve le champ
principal, et que l'antenne y serait insensible aux petites variations que l'on voudrait y mesurer. C'est
donc la magntisation transversale tournante dans le plan xy qui donne le signal RM.

Le vecteur Mxy de magntisation

transversale diminue rapidement
d'intensit dans le plan xy, tout en
prcessant, lorsque l'impulsion RF
s'arrte.

Sur la figure est reprsent le vecteur Mxy de magntisation transversale diminuant rapidement
d'intensit dans le plan xy, tout en prcessant, lorsque l'impulsion RF s'arrte. Cette spirale
dcroissante et la courbe FID de dcroissance du signal sont deux reprsentations de la mme chose.
En d'autres termes : la dcroissance de la magntisation transversale donne un signal dans le plan xy
o se trouve le rcepteur. Simultanment on assiste la remonte de la magntisation longitudinale
vers sa position d'quilibre.
Ce phnomne s'appelle la relaxation.

T1 et T2

La relaxation des spins

Le retour des spins leur position d'quilibre, la fin de l'excitation par l'impulsion RF s'appelle la
relaxation.
Il y a une relaxation longitudinale et une relaxation transversale. Ces deux phnomnes vont mettre
un certain temps se produire. Ce temps dpend de l'intensit du champ magntique, mais aussi, ce

Jean-Marc DIDELOT

-12-

Universit de Technologie de Compigne

qui est plus important, de la nature des tissus. Les temps de relaxation dcrivent une exponentielle
croissante ou dcroissante que l'on peut caractriser par des constantes T1 et T2. T1 est le temps
ncessaire pur que la magntisation longitudinale ait rcupr 63% de sa magntisation. T2 est le
temps ncessaire pur que la magntisation transversale ait perdu 63% de sa magntisation.

La magntisation longitudinale (T1)

Reprsentons en fonction du temps, ce qui se passe pour le vecteur de magntisation longitudinale

M z.

Au temps 0 : on est en position d'quilibre

Au temps 1 : on administre une impulsion RF
Au temps 2 : Mz diminue rapidement
Au temps 3 : Mz est nul, si l'impulsion est de
90
Au temps 4 : Mz repousse
Au temps 5 : Mz repousse
Au temps 6 : Mz a rcupr sa magn. initiale

Jean-Marc DIDELOT

-13-

Universit de Technologie de Compigne

Mz repousse en suivant une courbe exponentielle. La constante de temps T1 de l'exponentielle

caractrise la vitesse de rcupration de la magntisation longitudinale. Elle est caractristique d'un
tissu donn.

La rcupration est trs rapide au dbut, beaucoup plus lente ensuite.

Au temps T1 : 63% de la magntisation longitudinale aura repouss.
Au temps 2 x T1 : 87% de la magntisation longitudinale aura repouss.

Au temps 3 x T1 : 96% de la magntisation longitudinale aura repouss.

Au temps 4 x T1 : 98% de la magntisation longitudinale aura repouss.

Au cours de cette remagntisation, il y a un change d'nergie important

avec les molcules environnantes qui forment un rseau.

Schmatiquement, dans un solide ou dans la graisse, le rseau est serr, les changes d'nergie sont trs
rapides, le temps de relaxation T1 est court.

Jean-Marc DIDELOT

-14-

Universit de Technologie de Compigne

Courbes de relaxation T1 d'un solide et d'un liquide.

Dans un liquide pur comme l'eau ou le liquide cphalorachidien, le rseau est moins serr, la perte
d'nergie est moins rapide, le temps de relaxation T1 est plus long. Pour se souvenir que T1 dpend de
la structure du rseau qui entoure les protons, on l'appelle aussi temps de relaxation "spin-rseau". Les
tissus diffrents ont donc des temps de relaxation diffrents. C'est la raison du contraste en IRM. Voici,
titre d'exemple, la valeur du T1 de certains tissus dans un champ de 1 Tesla (en millisecondes).

Graisse

240 ms

Muscle

730 ms

Substance blanche

680 ms

Substance grise

809 ms

LCR

2500 ms

Les temps de relaxation T1 sont de l'ordre de la seconde.

La magntisation transversale (T2)

La dcroissance de la magntisation transversale Mxy correspond la courbe FID. C'est aussi une
exponentielle.
De mme que pour T1, la dcroissance de la magntisation transversale est rapide au dbut, plus lente
ensuite.
Au temps T2 : 63% de la magntisation aura t perdue.

Jean-Marc DIDELOT

-15-

Universit de Technologie de Compigne

A priori, on pourrait s'imaginer que l'ordre de grandeur de T1 et de T2 est le mme. En fait T2 est
beaucoup plus court que T1. Il y a donc un mcanisme supplmentaire qui survient pour expliquer ce
dclin plus rapide. A l'tat d'quilibre les spins prcessent librement, chacun pour son propre compte. Ils
ne sont pas en phase. Le premier effet de l'impulsion RF est de les mettre en phase, ce qui fait
apparatre une composante transversale Mxy. Celle-ci est maximale pour une impulsion de 90. Ds la fin
de l'impulsion de 90 les spins se dphasent les uns par rapport aux autres car chacun est influenc par
les micro-champs magntiques des protons voisins, qui ne sont pas distribus uniformment et varient
suivant le type de tissu.

Ds la fin de l'impulsion de 90 les spins

se dphasent les uns par rapport aux
autres.

L'inhomognit du champ magntique externe contribue aussi au dphasage. Comme les spins se
dphasent cause de leurs interactions rciproques, T2 est encore appel temps de relaxation "spinspin". Les interactions des spins varient suivant les tissus. Dans un liquide par exemple, les spins restent
en phase plus longtemps. Ils auront donc un signal plus intense et le T2 des liquides est long. Les solides,
par contre, ont des T2 extrmement courts. Le T2 des tissus biologiques est environ 10 fois plus court
que leur T1. Voici quelques valeurs de T2 dans un champ de 1 Tesla.

Jean-Marc DIDELOT

Graisse

84 ms

Muscle

47 ms

Substance blanche

92 ms

Substance grise

101 ms

LCR

1400 ms

-16-

Universit de Technologie de Compigne

L'cho

cho de spin ou cho de gradient

Le signal de dcroissance de T2 disparat vite cause du dphasage rapide des spins. L'tude
exprimentale de la dcroissance de la courbe rvle qu'elle dcrot beaucoup plus vite. En effet, les
champs magntiques utiliss en pratique, bien qu'ils puissent tre considrs comme trs homognes
l'chelle macroscopique, sont inhomognes au niveau microscopique et ces inhomognits entranent
un dphasage encore plus rapide des spins. De ce fait le signal observ reprsente T2 + les
inhomognits du champ. C'est pour cela qu'on appelle T2* (T2 astrisque ou T2 toile) le signal
obtenu immdiatement aprs l'impulsion RF.

Pour pouvoir observer vraiment T2, il faudrait pouvoir se dbarrasser de ces inhomognits. Or
l'inhomognit du champ magntique est constante. Donc si on pouvait remettre les spins en phase et
observer une deuxime fois leur dcroissance, on pourrait soustraire, du signal obtenu, la constante
inhomognit, et le rsultat exprimerait uniquement la dcroissance du signal du dphasage des spins.
C'est ce qu'exprime le schma suivant. En joignant entre eux les sommets de plusieurs courbes FID
successives, on peut mesurer la vraie valeur de T2.

Le problme rsoudre se rsume donc ainsi : comment remettre les spins en phase pour obtenir un
deuxime signal, ou en d'autres termes, comment obtenir un cho d'un signal. L'obtention de cet cho
permettra en plus d'effectuer la lecture du signal, un certain temps aprs la fin de l'impulsion RF, ce qui
est beaucoup plus facile. On obtient un signal de meilleure qualit. Il existe deux manires d'obtenir
l'cho : soit l'cho de spin, soit l'cho de gradient.

Jean-Marc DIDELOT

-17-

Universit de Technologie de Compigne

L'cho de spin

Nous avons vu qu'une impulsion RF de 180 est capable d'inverser la magntisation longitudinale Mz.

De la mme manire, une impulsion de 180 dans le plan transversal va inverser ou basculer le vecteur
Mxy.

Si cette impulsion est applique alors que les spins avaient dj commenc se dphaser, on obtiendra
une image en miroir du dphasage. Les spins qui avaient commenc se dphaser vont refaire le
chemin en sens inverse, c'est--dire se rephaser avant de se dphaser nouveau.

Les impulsions RF de 90 et 180 sont reprsentes par des petits rectangles.

1.
2.
3.
4.

Vecteur Mxy maximum la fin de l'impulsion 90.

Dphasage rapide reprsent par la courbe T2* ou FID.
Impulsion 180 de rephasage dans le plan transversal.
Les spins ont bascul de 180 et vont se rephaser.

Jean-Marc DIDELOT

-18-

Universit de Technologie de Compigne

5. Les spins sont rephass. Le signal peut tre mesur nouveau (c'est l'cho des spins).
6. Les spins se dphasent nouveau.
On peut recommencer 2, 3, n fois le cycle et obtenir 2, 3, n chos.
Au total : Il est certes possible d'obtenir un signal mesurable partir d'une courbe de FID. Ce signal ne
donnera pas de bons renseignements sur le vrai T2 des tissus examins. Pour obtenir T2, on recueille un
deuxime signal appel cho des spins, en basculant la magntisation transversale Mxy par une
impulsion p de rephasage. L'cho de spin, ou Spin-Echo : SE, est une squence de base en IRM.

L'cho de gradient.

Il existe une autre manire d'obtenir l'cho en utilisant des gradients. On appelle gradient la variation
d'une mesure dans l'espace ou le temps. En IRM, les gradients utiliss sont des gradients de champs
magntiques, c'est--dire qu'ils produisent des petits champs magntiques variables superposs au
champ magntique principal qui est uniforme. Comme ce sont des lectro-aimants, leur effet s'tablit et
cesse instantanment avec l'ouverture ou la fermeture du courant lectrique par lequel ils sont
aliments. Les champs magntiques crs par les gradients sont faibles par rapport au champ
magntique principal (de l'ordre du millitesla par mtre). L'application de gradients remplace l'impulsion
RF de 180 dans le plan transversal. C'est l'imagerie en cho de gradient, Gradient Echo : GRE, qui est
l'autre squence de base en IRM.

Les squences utilisant des gradients pour obtenir l'cho ont un avantage : elles sont plus rapides.
Cependant elles ont les dfauts suivants :
1. Les inhomognits du champ magntique ne sont pas limines comme dans la squence SpinEcho. Les protons se dphasent plus vite que dans une squence spin-cho d'o une perte plus
rapide du signal.
2. Elles sont plus sensibles la diffrence du signal entre deux tissus voisins trs diffrents, par
exemple os et air, tissu mou et prothse mtallique, etc. C'est ce que l'on appelle les artefacts de
susceptibilit magntique.
Les protons de l'eau et de la graisse ne rsonnent pas exactement la mme frquence. Au moment du
recueil du signal, ces deux varits de protons peuvent tre en phase, auquel cas le signal des deux
s'additionne. Ils peuvent tre en opposition de phase auquel cas leur signal se soustrait. Cela s'appelle le
dplacement chimique et survient dans un champ de 1 tesla pour des temps d'cho trs courts. A 3,5
millisecondes les protons sont en phase, 7 millisecondes ils sont en opposition de phase. La
dcroissance de Mxy nous donnait un effet T2 en cho de spin. Ici, l'utilisation d'un gradient qui n'enlve
pas les inhomognits du champ magntique nous donne une courbe dont la dcroissance est fonction
de T2*.

La rptition

Jean-Marc DIDELOT

-19-

Universit de Technologie de Compigne

Nous avons vu qu'aprs une impulsion RF mise sur un tissu plac dans un champ magntique, on
obtenait un signal. En dehors de cas particuliers celui-ci n'est pas assez intense pour obtenir une bonne
information. Si on rpte l'impulsion RF, on obtiendra un nouveau signal. L'intervalle de temps qui
spare deux impulsions est appel temps de rptition ou TR. Exprimentalement, il a t constat que
le signal obtenu lorsque le temps de rptition tait long n'tait pas le mme que lorsque le temps de
rptition tait court. Voyons l'effet de TR sur les courbes de relaxation de deux tissus diffrents A et B.

Nous voyons que pour un TR de 2 secondes, les deux tissus ont pratiquement rcupr entirement leur
magntisation. Le signal qui va tre recueilli lors de l'impulsion suivante ne permettra pas de mettre en
vidence la diffrence de T1 de ces deux tissus. Donc, avec un TR long les informations obtenues seront
essentiellement fonction de T2. Par contre, avec TR de 0,5 seconde, le tissu A aura rcupr davantage
de magntisation que le tissu B. Le signal qu'il va pouvoir donner sera plus important que le signal en
provenance de B.

On voit qu'en raccourcissant TR, on a rendu visible des diffrences de T1 entre deux tissus. Par
consquent : les TR courts donnent des signaux qui font apparatre les diffrences de T1 des tissus. C'est
pourquoi ces images sont dites "pondres T1" ce qui veut dire "influences" , mais pas exclusivement,
par T1. En conclusion, TR est le temps qu'on laisse aux tissus pour rcuprer totalement ou
partiellement leur magntisation. Le choix du TR est donc fondamental pour obtenir des images en T1
ou T2, mais il est loin d'tre le seul paramtre en jeu.

Jean-Marc DIDELOT

-20-

Universit de Technologie de Compigne

La lecture
Nous avons vu que dans la squence en Spin-Echo l'impulsion RF initiale bascule la magntisation
longitudinale et fait apparatre une magntisation transversale Mxy. Celle-ci est suivie d'une impulsion RF
de 180 dans le plan transversal, dite impulsion de rephasage des spins qui donne un deuxime signal,
cho du premier, que l'on peut recueillir plus facilement. Le temps qui spare l'impulsion 90 de la
lecture du signal est appel Temps d'Echo (TE).

Aprs l'impulsion 90, on voit reprsent le signal FID

qui dcrot rapidement.

Aprs l'impulsion de rephasage de 180, le signal

de l'cho des spins est reprsent par une
sinusode croissante puis dcroissante.

Remarques :
-

L'impulsion RF de 180 de rephasage doit tre administre juste au milieu du temps d'cho, pour
que le rephasage soit maximum au moment de la lecture.
On peut recueillir autant d'chos que l'on donne d'impulsions de rephasage. En pratique, le signal
s'affaiblit assez vite, devient parasit par des artfacts (cela s'appelle le bruit), ce qui fait qu'on
s'arrte souvent deux chos.

Jean-Marc DIDELOT

-21-

Universit de Technologie de Compigne

-

Les chos successifs peuvent tre symtriques (les TE sont identiques, par exemple 30 et 60
millisecondes), ou asymtriques (par exemple 30 et 80 millisecondes).

Voyons maintenant l'influence du temps d'cho sur le signal reu et pour cela reprenons les courbes T2
des tissus A et B.

Nous constatons que l'intensit des signaux recueillis dcline trs rapidement. La diffrence de T2 entre
deux tissus est plus manifeste au deuxime cho qu'au premier. En d'autres termes le choix du temps
d'cho va influencer la diffrence de T2 des tissus. Nous ne pouvons pas influencer T1 et T2, qui sont des
proprits des tissus, mais en jouant avec TR et TE, nous pouvons obtenir des images plus ou moins
dpendantes de T1 ou de T2. Par contre, si nous prenons maintenant le cas des tissus A et B avec un TR
court de 0,5 seconde, nous voyons qu'un TE court conserve la diffrence de T1 entre les deux tissus que
le TR court avait fait apparatre. Par contre un TE long va attnuer cette diffrence, voire la faire
disparatre.

Jean-Marc DIDELOT

-22-

Universit de Technologie de Compigne

Au total, TE, le temps d'cho, est le temps pendant lequel on laisse le signal dcrotre avant de
l'enregistrer.

Autres facteurs influenant le signal

Le signal forme la base de limage en rsonance magntique. Nous avons vu quil dpendait de T1 et de
T2, deux proprits des tissus dont nous pouvons varier linfluence en modifiant TR, le temps de
rptition et TE, le temps dcho. Le signal dpend encore dautres paramtres. Ce sont :

Langle de bascule alpha du vecteur M, cest--dire lintensit de limpulsion RF

Jusqu prsent nous navons vu que des impulsions RF de 90 et de 180. En ralit on peut utiliser
nimporte quel angle entre 0 et 180 et ceci aussi bien en cho de spin quen cho de gradient.
Limpulsion de 90 nest pas la meilleure et en fait chaque tissu possde un angle de bascule optimal
appel angle de Ernst. Cest souvent lexprience qui a permis de dterminer quel tait langle le plus
favorable pour un examen donn. Linfluence de langle de bascule sur le contraste T1 ou T2 est trs
important. Un angle de bascule faible favorise T2, un angle lev favorise T1.

La concentration en hydrogne : la densit des protons

Il est clair que sil ny a pas de dhydrogne, cest--dire pas de protons, il ny a pas de signal (du moins
lorsquon fait de limagerie du proton). Cest ce que lon constate dans lair et dans los o la
concentration est trs faible. Donc tous les organes contenant de lair (poumons, sinus, trache,
pharyngo-larynx, tube digestif) ne donnent pas de signal de mme que la corticale osseuse et les
calcifications.
Dans les tissus du corps humain, la concentration en hydrogne ne varie que de 20% environ, alors que
les diffrences de T1 et T2 peuvent varier de 500%. En pratique, la concentration en hydrogne est donc
un lment peu important dans le contraste de limage par rapport T1 et T2. Cependant certaines
valeurs de TR et TE qui diminuent linfluence de T1 et T2 peuvent faire apparatre davantage la
concentration en hydrogne. Cest le cas pour un TR long (1,5 sec) et un temps dcho court (30 msec).
Ces images sont en gnral peu contrastes et sont appeles images en densit de protons (Rho).

Le flux

Linfluence du flux est lun des phnomnes les plus complexes de la RMN. On peut le rsumer deux
phnomnes spars dont les effets sadditionnent.

Jean-Marc DIDELOT

-23-

Universit de Technologie de Compigne

-

Les spins en mouvement, dans un vaisseau par exemple, se dphasent plus vite que les spins des
tissus immobiles. Le signal va donc tre diminu et pour un certain degr dagitation, il disparatra.
Le dphasage devient si rapide que le signal ne peut plus tre lu.
- Les spins qui entrent ou qui sortent du volume imag vont donner un signal diffrent : signal nul si
les spins quittent le volume, signal parfois trs intense si les protons entrant dans le volume
apportent avec eux une magntisation intacte.
Ces deux phnomnes expliquent quen gnral un flux rapide, suprieur 15 cm/sec, ne donne pas de
signal, alors quun flux lent va donner un signal dont lintensit va dpendre de la vitesse, de
lacclration, du dphasage des spins (de lentre et de la sortie du plan de coupe).

Rapport signal sur bruit

Sur une image de rsonance magntique, le bruit est constitu par des signaux parasites rceptionns et
qui non seulement ne contribuent pas limage, mais la dgradent.
Le rapport signal sur bruit exprime limportance relative des deux paramtres. Il est vident que lon
doit essayer davoir le rapport le plus lev possible. On peut le faire, soit en augmentant le signal, soit
en diminuant le bruit.

Le codage spatial

La transformation de Fourier

L'antenne rceptrice reoit le signal RM sous la forme de sinusodes complexes qui ne seront utilisables
pour former une image qu'aprs une transformation de Fourier. La transformation de Fourier est une
opration mathmatique complexe. L'oreille humaine est capable de reconnatre le son spcifique du
hautbois, de la cornemuse, de la flte, mme lorsqu'ils sont mlangs dans un orchestre : l'oreille fait
une transformation de Fourier. L'il par contre n'est pas capable d'effectuer cette transformation de
Fourier, sinon il ne verrait jamais la couleur "blanche", mais toutes les couleurs qui la composent, c'est-dire les couleurs de l'arc-en-ciel.
Dans le signal recueilli par l'antenne rceptrice se trouvent toutes les informations confondues. La
transforme de Fourier va extraire ces informations et les rendre intelligibles.

Commenons par un exemple simple : Prenons un petit volume dans lequel nous aurons mlang 1/3 de
graisse et 2/3 d'eau. Dans les deux cas, il s'agit d'analyser les protons. Mais les protons de l'eau ne
rsonnent pas tout fait la mme frquence que les protons des graisses, parce que leurs liaisons
chimiques sont diffrentes. La diffrence de frquence de rsonance est trs faible (30 hertz dans un
champ de 1 tesla), elle dpend naturellement de l'intensit du champ magntique et augmente avec

Jean-Marc DIDELOT

-24-

Universit de Technologie de Compigne

celui-ci. L'antenne rceptrice est capable de reconnatre cette diffrence et par consquent le signal sera
un mlange des deux frquences.

Remarquons que :
-

la frquence de la rsonance des protons est spcifique du noyau mais modifie par son
environnement.
l'amplitude est fonction du nombre de protons (et des proprits T1 et T2 du tissu).

Voyons maintenant ce qui se passe si, au lieu d'exprimer ce signal en intensit par rapport au temps,
nous l'exprimons en intensit par rapport la frquence.

Nous constatons que nous obtenons deux pics, chacun spcifique d'une catgorie de protons. La
concentration des protons des graisses est la moiti de la concentration en protons de l'eau. Nous avons

Jean-Marc DIDELOT

-25-

Universit de Technologie de Compigne

analys notre chantillon. En fait, nous avons rendu visible une information qui existait dj dans le
signal composite prcdent. L'opration mathmatique qui permet de passer du temps la frquence
en conservant l'intensit s'appelle : transformation de Fourier.
De la mme manire, si l'on divise arbitrairement une distance de 10 cm en dix segments de 1
centimtre et si l'on attribue chaque segment une frquence diffrente, on recueillera un signal
composite qu'une transformation de Fourier rendra intelligible en attribuant sa valeur chaque
segment. C'est la base du codage spatial par transformation de Fourier.

Le codage par la frquence et par la phase

L'antenne rceptrice reoit le signal de rsonance magntique sous la forme de sinusodes complexes
qui ne seront utilisables pour former une image qu'aprs plusieurs transformations de Fourier.
Nous pouvons obtenir un signal, c'est--dire une information sur un volume lmentaire, unique. Pour
avoir une image, il nous faut maintenant diviser le volume en multiples petits volumes lmentaires ou
voxels, plus ou moins gros. De la taille de chaque voxel dpendra la finesse de l'image et l'intensit du
signal. Il est vident que ces deux facteurs varient en sens inverse et que le rsultat final sera toujours
un compromis. La premire tape consiste dfinir la matrice, c'est--dire le nombre de voxels que l'on
veut tudier. Nous allons diviser chaque direction (x, y, z) en n units lmentaires.

Pour coder un voxel dans les trois directions de l'espace nous allons utiliser des gradients. Rappelons
qu'un gradient est la variation d'une mesure dans l'espace. En IRM, les gradients utiliss sont linaires
c'est--dire que leur variation est uniforme d'un point un autre. Ce sont des gradients de champs
magntiques : des petits champs magntiques produits par des lectro-aimants situs l'intrieur du
champ magntique principal.
Les gradients sont de puissance variable. Ils doivent tre dautant plus forts que le champ magntique
principal est puissant. Pour un champ magntique de 1 tesla, la frquence de rsonance des protons est
de 42.000.0010 Hz et les gradients de 10 15 millitesla par mtre font varier cette frquence. Pour
obtenir des temps dcho ultracourts, les constructeurs proposent des hypergradients qui vont jusqu
25 millitesla par mtre.

Jean-Marc DIDELOT

-26-

Universit de Technologie de Compigne

Nous pouvons utiliser au choix des gradients de phase ou de frquence. Lapplication des trois gradients
quels quils soient, dans les trois directions de lespace, suffit localiser nimporte quel voxel de cet
espace avec prcision. Cependant, chaque point tant caractris par une frquence et une phase
diffrente, il faut faire autant de mesures quil y a de voxels. Si lon choisissait de mettre en image un
cube avec une matrice de 256 de chaque ct, il faudrait donc faire 256 x 256 x 256 mesures, ce qui
rendrait la mthode inapplicable car chaque squence durerait plusieurs heures. Nous verrons cidessous comment ce problme a trouv une solution lgante.

Les gradients de frquence (GF)

Lapplication dun gradient de frquence dans le sens dun des axes x, y ou z va dfinir un certain
nombre de points le long de cet axe, chaque point rsonnant une frquence qui lui est propre,
lgrement diffrente de celle du point voisin.
Par exemple si on travaille avec un aimant de 1 tesla, la frquence de rsonance des protons sera de
42.000.000 Hz. Le gradient surajout pourrait varier lui, par exemple, de 1 Hz pour chaque point. Les
points dfinis le long de laxe z rsonneront 42.000.001, 42.000.002, ... 42.000.256 Hz. Pour chaque
point de laxe choisi (z par exemple), on peut dfinir un plan perpendiculaire z. Chaque plan sera
caractris par une frquence de rsonance particulire et tous les points lintrieur du plan
rsonneront la mme frquence.

Tous les protons de ce plan de coupe rsonnent

la mme frquence

On peut choisir la direction z de manire quelconque pour obtenir un plan sagittal, frontal ou nimporte
quelle oblique. Un gradient appliqu selon laxe z scrit Gz. Comme cest un gradient de frquence on
peut lappeler GF. Si ce gradient sert slectionner un plan de coupe on lappelle plus souvent GS
(gradient de slection).

Le gradient de phase (GP)

Nous savons que les protons excits prcessent en phase, ce que nous pouvons reprsenter de la faon
suivante, pour quatre protons aligns, au moment zro.

Jean-Marc DIDELOT

-27-

Universit de Technologie de Compigne

Les 4 protons prcessent la mme frquence et

en phase

Si lon introduit un gradient linaire

arbitrairement dans la direction y, les protons
situs des distances diffrentes vont se mettre
prcesser des frquences diffrentes. Ils vont
se dphaser les uns par rapport aux autres dans
la direction y.

Lorsquon arrte le gradient y, les protons vont

se remettre prcesser tous la mme
frquence, mais ils vont conserver leur
dphasage, ce qui va les diffrencier.

On appelle alors Gy le gradient de codage de

phase.

Quelle est la dure d'une squence ?

Nous allons maintenant pouvoir calculer la dure d'une squence. Elle va dpendre :
-

du temps de rptition TR
du nombre de mesures sur les trois axes, c'est--dire de la matrice choisie. On utilise couramment
une matrice 256.
souvent le signal obtenu aprs une seule impulsion n'est pas suffisamment bon pour donner une
image satisfaisante. On donne alors plusieurs impulsions, au mme endroit, et on fait la moyenne
des signaux obtenus. Si on fait 4 impulsions, on dira qu'on a fait 4 acquisitions ou 4 excitations.
L'amlioration obtenue est proportionnelle la racine carre du nombre d'acquisitions (cela veut
dire que 4 acquisitions amliorent 2 fois la qualit du signal). Au total le temps de la squence sera
gal au produit de ces 3 facteurs.

Jean-Marc DIDELOT

-28-

Universit de Technologie de Compigne

Temps = TR x Matrice x nombre d'acquisitions. Si TR = 1, Matrice = 256 x 256 x 256 et si l'on fait 2
excitations, la squence durera plusieurs heures. Heureusement deux amliorations significatives ont
permis de rduire la dure des squences :
-

La transformation de Fourier : Applique au signal recueilli aprs application du gradient de lecture

permet de dcoder tous les points d'une ligne en une seule fois. On raccourcit le temps d'un facteur
256, ce qui est exceptionnel. Bien entendu la qualit du signal diminue.
La technique multicoupe

La technique multicoupe a rendu l'IRM utilisable en pratique. Regardons une squence typique :

Nous voyons que le temps utilis pour produire et recueillir le signal (TE 30 msec) est court par rapport
au temps qui s'coule entre 2 impulsions (TR 2.000 sec). On peut profiter de ce temps mort pour exciter
et recueillir le signal dans les coupes voisines.
Suivant le TR et le nombre d'chos choisis, on peut placer de 5 20 coupes dans cet intervalle. Prenons
un exemple.

Si nous avons un TR de 0,5 sec et si nous voulons un cho avec un TE de 30 msec, le temps utilis sera de
30 msec. L'ordinateur a besoin de quelques msec pour passer la coupe suivante, donc un total de 50
msec. En 500 msec, on peut placer 10 coupes simultanment. Avec un TR de 2 secondes, on peut placer
20 coupes, ce qui est suffisant pour l'tude d'un cerveau.
Pour l'tude du cur, au lieu de faire 5 coupes diffrentes pendant un TR, on peut faire 5 fois la mme
coupe des temps diffrents du cycle cardiaque. Ceci permet de faire la diffrence entre un thrombus,

Jean-Marc DIDELOT

-29-

Universit de Technologie de Compigne

qui conserve le mme signal, et le flux, dont la vitesse et l'acclration (donc le signal) sont trs variables
entre la systole et la diastole.
En appliquant ces deux amliorations si le TR = 0,5 sec, la matrice 256, le nombre d'acquisitions 2 : la
dure est de 4 minutes et demie (pour une coupe ou pour dix grce la technique multicoupe).
Autre exemple : TR = 2 sec, matrice 256, nombre d'acquisitions 1 : la dure est de 8 minutes pour une
vingtaine de coupes. Ces temps sont des temps normaux pour une squence spin cho classique.

Rcapitulons le droulement d'une squence en prenant pour type une squence spin cho
classique

Sur la premire ligne figure les impulsions radiofrquences. On commence par une impulsion de 90.

En mme temps on applique le gradient de slection du plan de coupe GS. Il est reprsent sur la
deuxime ligne. C'est un gradient de frquence positif suivi d'un gradient de sens inverse et d'intensit
plus faible qui est destin amliorer la prcision de la slection du plan de coupe.
On peut slectionner thoriquement n'importe quel plan de coupe de l'espace. Il suffit d'appliquer ce
premier gradient dans la direction perpendiculaire au plan choisi. Si le gradient de slection est tabli
sur l'axe z qui va des pieds la tte du patient (et qui, dans la plupart des appareils est aussi l'axe du
champ magntique principal) on obtiendra des coupes transversales. Si le gradient de slection est
choisi selon l'axe y, on obtiendra des coupes frontales et, selon l'axe x, des coupes sagittales.
On continue par une impulsion de 180 destine rephaser les spins. Simultanment on code les voxels
par un gradient y. Les spins sont cods par leur diffrence de phase sur les lignes perpendiculaires l'axe
y. Ce gradient Gy doit tre rpt autant de fois que l'on dsire de lignes. Il est incrment chaque fois.
Le gradient de codage de phase Gy varie donc continuellement sur 360. C'est pour cela qu'on le
reprsente des deux cts de l'axe (lorsque la diffrence de phase entre deux protons atteint 360, ils
sont de nouveau en phase).
La lecture du signal s'effectue pendant que le gradient Gx code les lignes perpendiculaires l'axe des x.
Gx, gradient de codage en frquence, est aussi appel gradient de lecture, GL. IL peut tre dcod

Jean-Marc DIDELOT

-30-

Universit de Technologie de Compigne

directement par transformation de Fourier. Il n'y a donc ici qu'un seul recueil de signal quel que soit le
nombre de points imags, car la transformation de Fourier va dcoder le signal composite de tous les
points de la ligne pour attribuer chaque point ce qui lui revient.

Les donnes brutes (l'espace K, le plan de Fourier)

Le signal recueilli par l'antenne n'est pas utilisable directement. Ce sont les donnes brutes ou "Raw
Data" qui sont contenues dans le "plan de Fourier" ou "espace K".

Les donnes de l'espace K ne sont pas directement relies une position l'intrieur du patient. Ainsi la
partie droite de l'espace K ne correspond pas au ct droit du patient. Au contraire chaque point de
l'espace K contribue la formation de la totalit de l'image.
On peut comparer approximativement l'espace K l'objectif d'un appareil photographique. Lorsqu'on
prend une photographie, tous les points de l'objectif contribuent la formation de la totalit de l'image
sur la pellicule. Le codage suivant la phase est obtenu en dphasant les spins sur plus ou moins 180
partir du milieu du plan de coupe. Il existe habituellement une nette symtrie entre la moiti droite et la
moiti gauche de l'espace K. Les spins les plus proches de zro seront beaucoup moins dphass que les
spins les plus loigns ; tant moins dphass, les pics centraux apportent beaucoup plus de signal que
les pics priphriques. Ils sont responsables du bon contraste de l'image. Inversement les spins
priphriques trs dphass apportent relativement peu de contraste mais ils sont importants pour
donner des informations sur la forme et les contours de l'image. La symtrie de l'espace K permet
parfois de ne recueillir que le signal de la moiti de l'espace K (plus quelques lignes) et, en presque la
moiti du temps.
Mais on recueillera galement la moiti du signal, ce qui entrane une image plus bruite. La squence la
plus connue utilisant cette technique s'appelle HASTE (Half Acquisition Turbo Spin Echo). Pour obtenir
une image, il faut appliquer aux donnes brutes de cet espace K une double transformation de Fourier.

Les mthodes tridimensionnelles (acquisition de volumes)

Jean-Marc DIDELOT

-31-

Universit de Technologie de Compigne

Les techniques utilisables en deux dimensions le sont aussi en trois dimensions. Il suffit de remplacer le
gradient de slection de coupe Gs par un gradient de codage de phase. En technique trois dimensions
(3D) il existe donc un double codage de phase, le codage de frquence n'tant utilis qu'une seule fois
au moment du recueil du signal.
-

L'inconvnient majeur est qu'il faut multiplier le temps d'une squence par le nombre de voxels
imager dans la troisime dimension. On n'est toutefois pas oblig d'utiliser la mme matrice dans
les trois dimensions. On peut, par exemple, n'utiliser que 64 mesures sur un axe et 256 sur l'autre.
L'avantage de cette mthode est que l'on augmente le nombre d'informations reues pour chaque
voxel, le signal est donc bien meilleur. L'acquisition en 3D n'est pratiquement pas ralisable en spin
cho classique, mais elle est d'usage courant en turbo spin cho et en cho de gradient (squences
plus rapides).

Les squences
Dfinir une squence, revient choisir :

un certain type d'impulsion RF, donnant un angle de bascule alpha

une varit d'cho : cho de spin ou cho de gradient
un TR
un ou plusieurs TE

Le choix de l'cho dtermine la famille

Il y a deux manires de dfinir l'cho. Ceci dtermine trois grandes familles.

La famille Echo de spin (SE) qui donne des images en vrai T2.
La famille cho de gradient (GE) qui donne des images dpendant de T2*.
L'association cho de spin et cho de gradient constitue la famille des squences hybrides (trs rapides).

Evolution des squences disponibles en IRM

Jean-Marc DIDELOT

-32-

Universit de Technologie de Compigne

Toutes les squences commencent par une impulsion RF mais le choix de l'impulsion ne caractrise pas
la famille

On a le choix entre trois types d'impulsions :

L'impulsion 90 (la saturation rcupration)

Aprs une impulsion 90, les spins sont compltement saturs puisque la magntisation disparu.
Dans les secondes qui suivent, ils vont rcuprer leur magntisation. C'est l'impulsion standard. Le mot
saturation est synonyme de dmagntisation. En IRM, saturer signifie annuler le vecteur de
Magntisation Mz des protons par une impulsion de 90.

L'impulsion d'un angle variable alpha

La bascule de 90, n'est pas forcment le meilleur angle. Pour chaque tissu, il existe un angle alpha qui
donne le meilleur signal pour un TR donn. La diminution de l'angle alpha, va souvent de pair avec le
raccourcissement du TR, et permet des squences plus rapides.

L'impulsion de 180 : "l'inversion-rcupration" : IR

Elle sera dcrite associe la squence spin cho classique, mais elle peut se rajouter n'importe quelle
squence. Une impulsion de 180 le long de l'axe z inverse le vecteur de magntisation Mz. Lorsque
l'impulsion s'arrte, le vecteur Mz va revenir sa position initiale, suivant sa courbe de relaxation T1.

Jean-Marc DIDELOT

-33-

Universit de Technologie de Compigne

Ceci ne donne pas de signal mesurable, puisqu'il n'y a pas de composante de M dans le plan xy.
Quelques millisecondes aprs l'impulsion de 180, on applique une impulsion de 90, qui va basculer
dans le plan xy le vecteur Mz qui aura repouss.

Le temps entre l'impulsion initiale de 180 et l'impulsion de 90, est appel : Temps d'Inversion TI.
Sur la figure ci-dessous, on a reprsent la rcupration de trois tissus types, le LCR, le muscle, la
graisse. Au moment de l'impulsion de 90, le LCR, n'est pas encore pass par le zro et il y a un signal
ngatif. Le muscle est au zro et ne donne aucun signal (il n'y a aucun vecteur de magntisation
basculer). La graisse a dpass le zro depuis longtemps, et donne un signal positif. A partir de ces
courbes de rcupration, deux types d'images sont possibles : les images relles et les images modules.

Jean-Marc DIDELOT

-34-

Universit de Technologie de Compigne

L'image relle est la plus informative. Les contrastes vont du noir pour les valeurs ngatives de Mz, au
blanc pour les valeurs positives de Mz. Au niveau du passage par le plan xy, le signal est gris, comme le
fond de l'image.
L'image module s'obtient si on ne tient pas compte de la ngativit du vecteur Mz au-dessous du plan
xy. Dans ce cas, chacun des tissus est reprsent par sa valeur absolue, que sa magntisation soit
ngative ou positive. Le LCR se retrouve en hypersignal, et des tissus trs diffrents peuvent avoir un
contraste voisin. La figure ci-dessous montre que pour deux tissus A et B, il existe un point ou les
courbes se croisent, ce qui veut dire que le signal obtenu partir de ces tissus sera identique. On ne
pourra pas les dissocier, ce qui en pratique peut tre gnant.

Quels sont les avantages de l'inversion rcupration ?

Ils sont variables selon le TI utilis.

Avec un TI de 400 600 msec, l'avantage majeur est de donner un meilleur contraste en T1. La
diffrence de la rcupration de la magntisation longitudinale (T1) est bien plus importante en
IR, donc la diffrence de contraste entre les tissus sera plus grande.
Avec un TI beaucoup plus court de l'ordre de 150 msec, le signal de la graisse est presque annul,
car l'impulsion de 90 est donne au moment o la graisse croise le zro (le plan xy), et ne donne
plus de signal. Cette squence qui s'appelle STIR (Short TI Inversion Recovery) est trs utilise,
chaque fois que l'on veut s'affranchir du signal de la graisse.

Remarque :
Il existe une autre faon de supprimer slectivement le signal de la graisse. L'eau et la graisse n'ont pas
tout fait la mme frquence de rsonance. Il existe entre eux un petit dcalage chimique de 3,3 parties
par million, soit 140 Hz 1 tesla. On peut supprimer le signal de la graisse par une impulsion de
frquence trs pure avant de commencer la squence proprement dite. La graisse, tant sature, ne
donnera pas de signal. C'est la suppression spectrale, que l'on appelle FATSAT (Fat Saturation) ou SPIR
(Spectral Saturation with Inversion Recovery). L'avantage de cette suppression spectrale de la graisse,
est qu'elle peut tre combine avec n'importe quelle squence, sans en modifier la pondration ni la
rponse des autres tissus, ce qui n'est pas le cas du STIR.

Jean-Marc DIDELOT

-35-

Universit de Technologie de Compigne

3. On peut aussi supprimer spcifiquement le liquide cphalo-rachidien, en choisissant un TI adapt (aux
environs de 2000 msec). Cette squence s'appelle FLAIR (Fluid attenuated Inversion Recovery).
En combinant les diverses possibilits d'chos et d'impulsions, nous obtenons les squences que nous
allons dcrire ci-dessous.

Description des squences

La famille Spin Echo

Spin Echo classique

L'avantage essentiel des squences spin cho est de pouvoir obtenir des images en vrai T2. En effet,
dans les squences qui n'utilisent pas l'cho de spin, T2 est perdu dans T2*. L'angle de bascule de 90
n'est pas obligatoire mais c'est celui qui reprsente le meilleur compromis. La vraie caractristique de la
famille Spin Echo est l'existence d'une impulsion de 180 de rephasage des spins. C'est elle qui permet
d'avoir un vrai T2. Le schma ci-dessous reprsente la squence spin cho classique.

Squence en spin cho classique avec 2 chos

Squence rapide en cho de spin (Turbo Spin Echo : TSE) ou (Fast Spin Echo : FSE)

La squence spin cho rapide est un perfectionnement particulirement intressant. En spin cho
conventionnel, le gradient de codage de phase est appliqu une seule fois, mme si l'on recueille
plusieurs chos. En spin cho rapide, l'impulsion initiale est suivie d'un train d'impulsions 180, donc
d'un train d'chos (de 2 128), et un gradient de codage de phase diffrent est utilis pour chaque cho,

Jean-Marc DIDELOT

-36-

Universit de Technologie de Compigne

ce qui raccourcit le temps d'acquisition d'un facteur de 2 128 suivant le nombre d'chos recueillis (le
plus souvent 8 ou 16). Ce nombre est appel TURBO facteur. Lorsque le turbo facteur est trs lev, le
signal diminue, et seuls les liquides qui ont un T2 trs long vont encore donner un signal. Cette squence
est utilise pour obtenir des images o seuls les liquides sont visibles, par exemple les voies biliaires
dans la cholangio IRM.
Une autre squence particulire en Turbo Spin Echo est la squence HASTE o seulement un demi-plan
de Fourier est acquis et qui permet d'obtenir une coupe en une seconde.

Turbo spin cho

La famille Echo de Gradient

L'absence d'impulsion de 180 de rephasage des spins.

Squence en cho de gradient

Le rephasage des spins est obtenu en inversant les gradients, ce qui est ralisable beaucoup plus
rapidement qu'une impulsion RF. C'est pourquoi l'avantage essentiel des premires squences en cho
de gradient a t le gain de temps (de deux quatre fois)par rapport au spin cho classique.

Jean-Marc DIDELOT

-37-

Universit de Technologie de Compigne

Lorsque l'angle de bascule initial est de 90, il faut que le TR soit assez long pour que la magntisation
longitudinale Mz rcupre incompltement et le signal est de plus en plus faible, car la magntisation
transversale produite diminue galement.

Plus on raccourcit le TR, moins le Mz rcupre et plus le signal est faible

Si l'angle de bascule est infrieur 90, la magntisation transversale de dpart sera un peu moins
leve, mais la magntisation longitudinale rcupre beaucoup plus vite et aprs plusieurs impulsions,
on va atteindre un tat d'quilibre : Steady State.

Etat d'quilibre (Steady State) atteint avec un TR trs court et un angle alpha rduit

La magntisation longitudinale redevient alors la mme entre chaque impulsion. Cet tat d'quilibre
dpend donc du TR, mai aussi de l'angle de bascule alpha. Tous les tissus n'ont pas le mme angle de
bascule optimal. L'angle pour lequel on obtient la magntisation optimale d'un tissu donn s'appelle
angle d'Ernst.
En pratique, le contraste obtenu varie en fonction de l'angle alpha, du TR et du TE :
-

Un angle alpha petit favorise un contraste en T2*.

Un TR trs court favorise un contraste T1.
Un TE trs court favorise un contraste T1.

Cette squence de base en cho de gradient a reu des noms diffrents suivant les constructeurs ce qui
complique considrablement et inutilement le sujet. Par exemple la mme squence s'appelle GRASS
(Gradient cho in the Steady State) chez GE, FAST (Fourier Acquired Steady State) chez Picker, FFE (Fast
Field Echo) chez Philips et FISP chez Siemens.
Il existe des variantes de la squence de base en cho de gradient. Lorsque le TR est trs court par
rapport T2, (en pratique en dessous de 25 msec), il reste une magntisation transversale rsiduelle au

Jean-Marc DIDELOT

-38-

Universit de Technologie de Compigne

moment de la nouvelle impulsion RF. Cette magntisation transversale rsiduelle entrane un
hypersignal parasite des liquides. Elle est dtruite au moyen d'un gradient puissant appel SPOILER.

Squence en cho de gradient avec un "spoiler" pour dtruire la magntisation transversale rsiduelle

Ce sont les squences appeles FLASH (Fast Low Angle SHot), SPGR (SPoiled Gradient Recalled), etc.
Il existe d'autres variantes d'intrt plus restreint.

Squences rapides en cho de gradient (Turbo Gradient Echo : TGE)

Le principe est le mme que pour les squences rapides en cho de spin. On utilise un gradient oscillant
rapidement pour former un train d'chos la suite d'une seule impulsion RF. Chaque cho est cod
diffremment par le gradient de codage de phase qui est administr en mme temps.

Squence turbo cho de gradient (TGE)

Combinaison Echo de Spin et Echo de Gradient : les squences hybrides

Jean-Marc DIDELOT

-39-

Universit de Technologie de Compigne

Si les mthodes "turbo" dont il vient d'tre question donnent des images de bonne qualit, en des
temps parfois aussi brefs qu'une ou quelques dizaines de secondes, leur combinaison permet d'obtenir
des images en un temps infrieur la seconde. Ce sont les perfectionnements techniques incessants
apports aux antennes, aux gradients et l'informatique qui permettent de raliser l'acquisition du
signal de la totalit d'un plan avec une seule impulsion.
On peut combiner cho de spin et cho de gradient de plusieurs manires.
La premire est de partir d'une squence turbo spin cho. Dans "l'enveloppe" de chaque cho on
applique un gradient oscillant. On combine donc les effets positifs des deux squences turbo, d'o le
nom de TGSE (Turbo Gradient Spin Echo) ou encore de GRASE (GRadient And Spin Echo). Dans cette
squence on n'utilise pas des "turbo" facteurs trs levs, car on est encore limit par de facteurs
techniques.
La deuxime est connue sous le nom de squence cho-planar (EPI). Sur le plan thorique, c'est presque
une simplification de la prcdente. La premire partie de cette squence est une squence spin cho
classique, c'est--dire qu'on y voit se succder deux impulsions, l'une de 90, l'autre de 180.
Sur cette base classique, on rajoute un gradient de lecture Gx qui oscille rapidement d'une amplitude (+)
une amplitude (-) pour former un train d'chos de gradients. Chaque cho est cod diffremment par
le codage de phase Gy qui est administr en mme temps. Les lignes du plan de Fourier au lieu d'tre
acquises l'une aprs l'autre, sont acquises en une seule fois (EPI-single shot).
Chaque oscillation du gradient de lecture correspond une ligne du plan de Fourier et chaque
incrmentation du gradient de phase correspond un changement de ligne. Si on dsire une matrice de
256 et si on dcide de lire 32 lignes la fois, il faudra en technique multi-shot 266/32 = 8 passages. Par
rapport un seul passage, la qualit de l'image sera nettement amliore car il y aura moins de
distorsions gomtriques. Cette technique ultra-rapide donne des coupes en quelques millisecondes et
ouvre la porte l'exploration des mouvements articulaires, des flux comme celui du liquide cphalorachidien, du cur et des vaisseaux, et l'examen des malades non-cooprants et des enfants. Il permet
l'imagerie de l'abdomen pendant une simple pause respiratoire. Nanmoins, pour les temps trs court,
la qualit de l'image n'est encore pas comptitive avec les squences classiques et l'cho-planar doit
tre considr avant tout comme un additif une exploration standard, pour obtenir des informations
fonctionnelles.

Modification des squences de base par les variantes

La synchronisation l'ECG (gating cardiaque)

Le temps de rptition TR peut tre coupl au rythme cardiaque. Si celui-ci est de 60 par seconde, le TR
sera de 1 seconde. Si on choisit de n'envoyer qu'une impulsion un battement sur deux, le TR sera de

Jean-Marc DIDELOT

-40-

Universit de Technologie de Compigne

deux secondes. Le gating cardiaque est indispensable pour tudier le cur, les gros vaisseaux du
mdiastin.

La compensation respiratoire (resp comp)

Pour minimiser les artefacts dus aux mouvements respiratoires, on dclenche les impulsions RF toujours
au mme moment de la respiration.

La compensation de flux (sat, prsat, flow comp)

C'est une saturation utilise pour liminer le signal des organes non dsirs. Pour cela une impulsion RF
supplmentaire est applique au dbut de la squence. Elle sature les spins parallles ou
perpendiculaires au plan de l'image, extrieurs celui-ci mais susceptibles d'y rentrer s'il s'agit de flux
ou d'artefacter la coupe s'il s'agit de mouvements comme ceux du cur ou de l'aorte.

Le transfert de magntisation (MTC : Magnetisation Transfert Contrast)

Comme son nom l'indique, le transfert de magntisation consiste diminuer le signal de certains tissus
en transfrant leur magntisation aux tissus voisins. Dans l'organisme, il existe des protons libres et des
protons lis aux macromolcules. Les protons lis ne contribuent pas l'image car leur relaxation est
trop rapide. La largeur du spectre de rsonance des protons lis est beaucoup plus grande que celle des
protons libres.

Diffrence des spectres de rsonance

des protons libres et des protons lis

Jean-Marc DIDELOT

-41-

Universit de Technologie de Compigne

On rajoute une impulsion RF spcifique pour saturer les spins des protons lis. Une fois les protons lis
saturs, les protons libres leur cdent une partie de leur magntisation. Donc le signa des protons libres
diminue.

Diminution du signal des protons libres aprs une impulsion de saturation des protons lis

Le transfert de magntisation ralise une forme indirecte de prsaturation qui rduit le signal de
certains tissus solides comme le parenchyme crbral mais qui conserve le signal des composants
liquides comme le sang. Le transfert de magntisation est utilis en angioRM, pour mieux voir les
cartilages hyalins et chaque fois que l'on veut augmenter le contraste entre deux tissus, l'un sensible au
transfert de magntisation, l'autre non.

Le flux

Les liquides en mouvements et l'angio IRM

L'tude du flux est l'un des chapitres les plus passionnants de la rsonance magntique nuclaire. De
nombreux paramtres entrent en jeu. Nous allons essayer de simplifier l'tude des liquides en
mouvement en dfinissant une loi gnrale, qui s'applique dans tous les cas et explique 90 % des
phnomnes observs. Nous verrons ensuite un certain nombre de cas particuliers qui dpendent de
l'appareillage et des squences utilises. Rappelons d'abord qu'en IRM, on considre toujours ce qui se
passe dans le volume lmentaire, le voxel. Un voxel contient des millions de protons et les
phnomnes que l'on va observer sont donc la somme des mouvements de quelques millions de
protons.

La loi gnrale, le dphasage des spins (spin phase phenomenom)

Jean-Marc DIDELOT

-42-

Universit de Technologie de Compigne

Les spins des protons en mouvement se dphasent plus vite que les autres. Par consquent, ils donnent
un signal moins intense et partir dun certain seuil, ils ne donnent plus de signal du tout.

Dans le cas de protons stationnaires, le dphasage des spins suit la rgle gnrale.
-

sur la ligne du haut est reprsente la courbe de FID classique aprs une impulsion de 90.
en bas se trouvent reprsents en flches maigres, les vecteurs individuels et en flches grasses, leur somme (ou
rsultante).

En 1, tous les vecteurs sont en phase. En 2, les vecteurs commencent se dphaser les uns par rapport
aux autres. Leur rsultante a une intensit infrieure. En 3, les vecteurs sont encore plus dphass, le
signal correspondant sera trs faible. En 4, les vecteurs sont parpills sur 360 de circonfrence et
sannulent tous les uns les autres : il ny a plus de signal.
Si on utilise un cho de spin, on aura la squence suivante :

Sur la ligne du haut est reprsent une squence dcho de spin avec son premier cho.
Sur la ligne du bas, les 4 premiers cercles sont les mmes que sur la figure ci-dessus, mais seule la
somme des vecteurs a t reprsente. Aprs limpulsion 180, les 4 derniers cercles montrent le
rephasage progressif des spins.
Comme nous lavons dj vu, la courbe de FID ou courbe de dcroissance de la prcession libre, est aussi
appele T2* parce que sa dcroissance est acclre par les inhomognits du champ magntique
principal.

Jean-Marc DIDELOT

-43-

Universit de Technologie de Compigne

Lcho de spin limine ces inhomognits et, en joignant le sommet des courbes aprs n chos, on
obtient la vraie courbe de dcroissance T2. Le rsultat du rephasage est schmatis ci-dessous.

Dcroissance de T2 dans un milieu stationnaire

Lorsqu'un liquide circule lentement vitesse constante :

Les spins se dphasent plus vite qu' l'tat stationnaire. Le signal sera d'autant moins intense que la
vitesse sera plus grande.

En cho de spin, le signal recueilli aprs le deuxime cho est plus intense que celui qui est obtenu aprs
le premier cho. Ceci est tout fait paradoxal et mrite une explication dtaille.

Jean-Marc DIDELOT

-44-

Universit de Technologie de Compigne

Lors du premier cho, le vecteur rsultant ne sera pas 180, mais bien dcal d'un certain angle a qui
est proportionnel la vitesse du flux, avec pour consquence une diminution du signal.

Au deuxime cho par contre, l'angle (constant vitesse constante) va ramener le vecteur sa position
de rephasage intgral. L'intensit du signal sera donc plus importante au deuxime cho (et tous les
chos pairs par rapport aux chos impairs). Ce phnomne est connu sous le nom du rephasage des
chos pairs.

Le fluide circule lentement mais avec une acclration constante.

Au premier cho, le vecteur sera situ dans une position dpendante de la vitesse et de l'acclration.
Par contre, au deuxime cho, cause de l'acclration constante, le vecteur aura dpass la position
de rephasage d'autant plus que son acclration sera grande. L'absence de renforcement du signal au
deuxime cho est donc le tmoin d'une acclration constante. Le signal au deuxime cho est moins
intense qu'au premier cho.

A partir dune certaine vitesse (15 cm/sec) on considre que le fluide circule rapidement.

Jean-Marc DIDELOT

-45-

Universit de Technologie de Compigne

Le dphasage des spins est si rapide quaucun signal ne peut tre recueilli, ni en FID, ni aprs un cho.

Ceci est la raison pour laquelle les flux rapides ne donnent aucun signal en IRM, quel que soit le plan
imag (transversal, coronal, sagittal ou oblique).

Dans un vaisseau, la vitesse et lacclration varient suivant les endroits

(par exemple, plus rapide au centre, plus lent mais turbulent sur les bords ou prs dune courbe).
Le cas gnral sapplique chacun voxel individuellement dans la lumire du vaisseau. Ceci explique que
lon puisse avoir des zones sans signal et dautres avec un signal intense (en particulier, il peut y avoir
disparition du signal dans les zones de turbulence, divisions artrielles, courbes, etc.).

2. Entre et sortie du plan de coupe : le temps de vol

Le proton qui quitte le plan de coupe entre limpulsion de 90 et la lecture du signal ne donne pas
de signal.

Cest une vidence et cest le mcanisme habituellement invoqu pour expliquer que les vaisseaux ne
donnent pas de signal en IRM et apparaissent par consquent en noir.

Jean-Marc DIDELOT

-46-

Universit de Technologie de Compigne

Si on recueille le signal dans un autre plan, situ une certaine distance, on pourra calculer la vitesse du
proton (elle sera fonction du temps quil aura mis pour parcourir cette distance). Cette mthode est
appele " temps de vol " (Time Of Flight : TOF).

Un proton qui rentre dans un voxel y apporte un certain signal qui dpend de son tat antrieur.

Certains protons entrant dans un plan de coupe n'ont jamais subi d'impulsion, on dit qu'ils sont
compltement magntiss (ils sont dans la position d'quilibre du dpart) par rapport aux protons de la
coupe qui ont dj subi de multiples impulsions au cours de la squence et qui ont seulement rcupr
partiellement leur magntisation.

Les protons compltement magntiss vont donner un signal plus intense que les protons dj saturs.
Ce phnomne est appel renforcement paradoxal ou phnomne d'ente dans le plan de coupe. Il ne
concerne que les coupes les plus externes, car ds la premire impulsion, les protons rejoignent le lot
commun. Le nombre de coupes o ce phnomne sera visible dpend de la vitesse du flux, (et du
constructeur, car certains programmes ne font pas les coupes dans l'ordre). De mme, suivant le sens du
flux (artres ou veines) ce seront les premires ou les dernires coupes qui seront intresses par ce
phnomne de renforcement paradoxal.

Jean-Marc DIDELOT

-47-

Universit de Technologie de Compigne

Erreur de codage pour les protons circulant dans le plan de coupe.

Chaque voxel est cod dans les 3 dimensions. Le gradient Gz de slection de coupe est le mme pour
tous les protons du plan. Il n'entre donc pas en jeu ici. Le gradient de lecture Gx est appliqu pendant la
lecture du signal. Il ne peut donc pas donner lieu des erreurs de codage.
Seul le gradient de dphasage Gy, appliqu pendant l'impulsion de 180 va pouvoir donner lieu une
erreur de codage si le contenu d'un voxel change de place entre l'impulsion 180 et la lecture du
signal.
Prenons deux exemples : un proton circule dans la veine rnale. Il se dirige vers la veine cave. Sa position
est code selon y lorsqu'il est en position 1 pendant l'impulsion de 180. Lorsqu'on recueille le signal, il
est en position 2, mais il va contribuer au signal d'un voxel 3 dont la position selon l'axe y sera errone,
alors que sa position sur x sera correcte.

En d'autres termes, ce proton va contribuer au signal d'un voxel o il n'a jamais t et, dans le cas
considr, on va voir apparatre un signal intense parallle et postrieur la veine rnale.
Dans le cas d'un flux quittant l'aorte, comme l'artre splnique, le phnomne sera identique mais la
ligne intense parallle au vaisseau sera antrieure, car le flux va dans le sens inverse.

Jean-Marc DIDELOT

-48-

Universit de Technologie de Compigne

Utilisation du flux : langio-IRM

Les proprits des spins circulants que nous venons de dtailler sont l'origine de nombreux artfacts.
Elles peuvent tre mises profit pour faire de l'angiographie IRM, c'est--dire obtenir une image
slective des vaisseaux en supprimant les autres tissus. Dans ce cas, on choisira des paramtres qui
favorisent spcifiquement un des deux effets du flux en diminuant l'autre. Donc, on parlera soit
d'angiographie IRM par temps de vol (Time Of Flight, TOF), soit d'angiographie par contraste de phase
(Phase Contrast Angiography, PCA).

Angio IRM par temps de vol (TOF)

C'est une squence avec un TR trs court, pour que les spins stationnaires n'aient pas le temps de
rcuprer leur magntisation. Ils donnent trs peu de signal par rapport aux spins entrant dans le
volume qui n'ont jamais t saturs. Le signal de ces derniers est donc trs important. C'est donc une
squence en cho de gradient. Le dphasage des spins est rduit par l'application d'un gradient de
rephasage et des temps d'cho trs courts. Une technique de post traitement appel MIP (Maximum
Intensity Projection), ne conserve le long de chaque axe que le voxel d'intensit maximale et ralise un
ensemble de projection autour d'un axe prdfini.
Une visualisation dynamique de ces projections permet de voir tourner l'arbre vasculaire.
L'angio IRM par temps de vol peut se faire en 2D et en 3D.
-

en 2D, l'acquisition se fait coupe par coupe, programmes perpendiculairement au sens du flux. Cette technique
convient mieux au flux lent comme celui des veines et permet de couvrir de larges volumes.
en 3D, le rehaussement du signal est maximum si tous les paramtres sont optimiss (TR court, angle de bascule
grand, volume important). Les artres sont bien tudies par cette technique.

Les artres et les veines circulant en sens inverse, les spins y rentrent de bas en haut ou de haut en bas.
Si on supprime le signal des spins dans un des sens, au choix, les artres ou les veines, on aura une

Jean-Marc DIDELOT

-49-

Universit de Technologie de Compigne

image slective des autres. Ceci est possible grce la prsaturation. La prsaturation (PRESAT) consiste
saturer les spins avant leur entre dans le volume imag. On supprime ainsi leur rehaussement
paradoxal. Ceci s'obtient en envoyant une onde RF trs nergique juste en dehors du volume imag.

Angio-IRM utilisant le dphasage des spins (PCA)

Image de magnitude avec un gradient de dphasage.

Nous avons vu que le dphasage des spins est encore plus rapide pour les protons circulant que pour les
protons stationnaires. On peut utiliser cette proprit pour faire une soustraction d'images. On ralise
une premire acquisition avec un gradient de dphasage qui maximise la dispersion de phase due au
flux. On obtient ainsi une image avec un hyposignal intra-vasculaire trs net. La deuxime acquisition est
faite avec un gradient de rephasage des flux, ce qui donne un hypersignal intra-vasculaire. Tous les
autres paramtres tant inchangs, une soustraction image par image, donne une cartographie
vasculaire.
Une variante consiste raliser la premire acquisition avec un gradient bipolaire qui encode la vitesse
comme une modification de phase. Une deuxime acquisition est ralise en inversant les gradients.
Pour les spins stationnaires, la soustraction des deux donne un signal nul. Pour les spins mobiles le long
de l'axe o a t appliqu le gradient, la somme a une amplitude non nulle proportionnelle la vitesse
du flux. On obtient une image angiographique. On peut coder le sens du flux si celui-ci est
unidirectionnel.
en 2D, on peut raliser en une deux minutes une cartographie des vitesses de la coupe. Si la coupe est
paisse, on fait ainsi trs vite le diagnostic de thrombose d'un sinus veineux par exemple.
en 3D, les temps d'acquisition sont beaucoup plus longs.
Remarque : La valeur du gradient de codage de phase est dtermine en fonction des vitesses extrmes,
de la plus lente la plus rapide. Si la valeur maximale de la vitesse en un point est suprieure 2 fois la
valeur pour laquelle le gradient a t calcul, il y a repliement et les flux les plus rapides seront cods
comme les flux les plus lents, en hyposignal, et ne seront pas visualiss sur les projections en MIP.

Contre-indications
Les contre-indications formelles de cet examen sont :

Les stimulateurs cardiaques et les dfibrillateurs implantables, les neurostimulateurs,

les pompes implantes,
Les implants cochlaires (House et Vienna),
Les valves cardiaques (Starr, Starr-Edwards),
Les filtres cave,

Jean-Marc DIDELOT

-50-

Universit de Technologie de Compigne

Les corps trangers mtalliques mobilisables (Clips vasculaire, clat ferrique intra-oculaire).

Les contre-indications relatives sont :

La claustrophobie,
L'agitation,
La femme enceinte durant le premier trimestre (Par manque d'information sur le risque
d'embryopathie)

Les contraintes sont :

La prsence de matriel ferrique au voisinage de la zone d'exploration gnre des artefacts,

Les effets biologiques des courants induits par les gradients de champ magntique sont
thermiques et lectriques directs; l'chauffement est cependant ngligeable. Les effets
lectriques physiologiques dpendent de la frquence.
Les RF ne produisent qu'un effet thermique.
Le bruit combattu par un casque et des gnrateurs d'antibruit,
Ne pas introduire de montre, d'ordinateur ou de carte de crdit dans le tunnel.

DEFINITION : la Rsolution spatiale (RS) permet de dterminer la

dimension du plus petit dtail observable.
Cette rsolution spatiale, dpend directement de la taille du voxel.
Le voxel est ce cube form par un pixel et la profondeur (= l'paisseur) de la
coupe.

Il depend donc de 3 paramtres :

l'paisseur de la coupe : il est grandit
avec elle
la taille du fov : matrice gale, il
augmente au carr
la taille de la matrice : fov gal, il
diminue au carr

Jean-Marc DIDELOT

-51-

Universit de Technologie de Compigne

La relation est trs simple :

+ le voxel est petit, meilleure est la

rsolution spatiale !!!
Nous pouvons donc dire :
si l'paisseur de coupe augmente, la
rsolution spatiale diminue
si le fov augmente, matrice gale, la
rsolution spatiale diminue
si la matrice augmente, a fov gal, la
rsolution spatiale augmente.
En imagerie (mdicale, gographique,...), la rsolution spatiale dpend de la taille du pixel ou du
voxel correspondant. Au plus elle est leve, au plus il est possible de zoomer l'image et d'identifier
clairement
des
petites
structures
(par
exemple
des
nerfs).
La rsolution spatiale est gnralement en conflit avec le rapport signal-sur-bruit (SNR). Plus le
voxel est petit, plus la rsolution spatiale est leve, mais plus le rapport signal-sur-bruit est bas.
Il faut donc trouver un optimum entre ces 2 contraintes.

what's the difference between spatial and temporal

characterization in terms of image processing?
Temporal characterization occurs when you have a series of images taken at different time. Correlations
between the images are often used to monitor the dynamic changes of the object.
Spatial characterization applies when you are analyzing one image. It includes but not limited to the
coordinates, intensity, gradient, resolution, to name only a few.

La rsolution spatiale, est une mesure de la finesse des dtails d'une image, pour une dimension
donne. Une image matricielle est compose de pixels, pour l'impression, on peut galement lui
dfinir une taille en (centimtre ou pouce), la conjonction de ces deux donnes s'exprime en nombre
de pixels par unit de surface, cette rsolution spatiale, ou densit de pixels1 est couramment
simplement nomme rsolution .

La rsolution d'une image numrique s'exprime en ppi ( pixels per inch ) ou en franais
ppp ( pixels par pouce ).

La rsolution d'impression d'une imprimante ou de capture d'un scanner s'exprime en DPI

( dots per inch ) ou en franais PPP ( points par pouce )

Jean-Marc DIDELOT

-52-

Universit de Technologie de Compigne

La magntoencphalographie (MEG)
La MEG permet denregistrer les champs magntiques quaccompagne toute activit lectrique. Ces
champs sont de trs faible intensit, mais peuvent tre dtects lextrieur du crne par des
capteurs ultra sensibles.
Champ magntique
La MEG est aussi une technique de quantification de lactivit lectrique crbrale mais, au lieu de
mesurer directement le potentiel lectrique cr par les neurones via le champs lectrique quil
forme comme lEEG, il mesure les champs magntiques du cerveau qui sont exprims en Tesla 1 et
sont environ 1 milliard de fois plus faible que le champ magntique terrestre soit de lordre de 10-15
Tesla. Etant donn que tout courant lectrique gnre un champ magntique, que ce champ
magntique est d'autant plus intense que le courant l'est et que, contrairement lEEG, un champ
magntique se propage perpendiculairement au sens de lactivit lectrique dun diple, la MEG
enregistre des signaux perpendiculaires la surface du crne. Ce signal tant dune intensit
extrmement faible il ncessite donc une machine trs performante et prcise pour pouvoir tre
enregistr distinctement.

Jean-Marc DIDELOT

-53-

-1-

MEG/EEG et Neurochirurgie

Hugues Duffau

Service de Neurochirurgie, Hpital Salptrire, Paris

I Problmatique

La chirurgie du systme nerveux central expose de haut risques de squelles neurologiques, en particulier
lorsque ralise en zones dites fonctionnelles (Apuzzo, 1993). Par consquent, la lgitimit dune
intervention neurochirurgicale tant conditionne par le ratio risque/bnfice de lacte, il parat ncessaire afin de
planifier lexrse optimale:
-

dune part de dfinir prcisment la topographie et les contours de la zone idalement rsquer si lon
souhaite maximiser les chances damliorer les pronostics vital et/ou fonctionnel;

dautre part de cartographier la rpartition des aires loquentes prserver dans le but de minimiser
les risques de dficits post-opratoires dfinitifs;

enfin dextrapoler en fonction de ces deux critres linterface rsultant optimal, qui constituera en
pratique la dlimitation relle de la rsection chirurgicale, les deux sous-groupes tissu pathologique/aires
fonctionnelles pouvant le cas chant se superposer au moins partiellement (Duffau, 2000a; Morrell,
1999; Ojemann, 1996; Skirboll, 1996).

Dun point de vue mthodologique, les techniques classiquement utilises dans ces reprages cruciaux ont
certes t prouves, mais pchent toutefois par un certain nombre de lacunes.
Ainsi concernant lidentification du tissu pathologique, si en matire de chirurgie lsionnelle (notamment
tumorale), la dtection du processus expansif a nettement bnfici de lavnement de lIRM anatomique, non
seulement pr-opratoire (avec en particulier les reconstructions surfaciques tridimensionnelles), mais galement
per-opratoire via les systmes de neuronavigation (possiblement combins un reprage chographique en
temps-rel), plus difficile reste la dfinition prcise du (ou des) foyer(s) pileptogne(s) pralable toute
chirurgie de lpilepsie (lsionnelle ou non). En effet, outre les signes cliniques et lEEG de surface (coupls
sous forme denregistrement vido-EEG des 24h), le bilan neuropsychologique, lIRM anatomique, associs aux
examens mtaboliques (tomographie par mission de simple photons ou de positrons) (Engel, 1993), les
implantations de grilles corticales et/ou dlectrodes profondes sont bien souvent ncessaires afin de dtecter la
structure rsquer: ces mthodes fiables et prcises sont cependant invasives, ncessitant un premier acte
opratoire avant la chirurgie dexrse proprement parler (Spencer, 1993).
Sur le plan du reprage des zones loquentes, fait dune importante variabilit anatomo-fonctionnelle interindividuelle actuellement bien documente, tant chez le volontaire sain qua fortiori chez le patient porteur dune

-2-

pathologie crbrale (Galaburda, 1990; Ojemann, 1979), les simples critres anatomiques didentification des
sulci et gyri ne procurent quune information trs imparfaite. Lidentification directe des cartes fonctionnelles
(notamment motrice, sensitive et du langage) semble donc souhaitable pour toute intervention
intraparenchymateuse dans ou au voisinage des aires loquentes. Alors que la mthode des stimulations
lectriques per-opratoires permet une dtection fiable et prcise de ces aires loquentes (essentielles) au fur et
mesure de la rsection chirurgicale (Berger, 1992; Duffau, 1999; Ojemann, 1989), cette dernire ne rend
toutefois pas possible la planification de lacte en pr-opratoire. Par ailleurs, commence tre dmontre
lexistence de phnomnes de rorganisation des cartes fonctionnelles, dans un but compensateur, non seulement
ractionnels au dveloppement progressif dune lsion intracrbrale (Seitz, 1995; Wunderlich, 1998), mais
galement induits par la procdure chirurgicale elle-mme, court (Duffau, 2000b, 2001) et long termes
(Krainik, in press; Lders, 1997). Une meilleure comprhension de ces mcanismes pourrait dboucher sur une
prdiction individuelle du potentiel de rorganisation fonctionnelle, possiblement incorporable dans la stratgie
neurochirurgicale (en oprant en plusieurs temps, pour profiter de la redistribution entre les procdures).

Lavnement rcent de la Magntoencphalographie (MEG) semblerait reprsenter un apport substantiel dans

les diffrents domaines sus-cits de la planification opratoire dynamique: la fois dans lidentification des
foyers pileptognes, dans le reprage des aires fonctionnelles, et le cas chant dans lauthentification des
phnomnes de rorganisation des cartes (pr- et/ou post-opratoires).
Ces diffrents aspects seront successivement envisags.

II MEG et foyers pileptognes

Les bases ayant t mises en place dans lexpos MEG et pilepsie, nous ninsisterons que sur laspect
planification pr-opratoire.
Deux types de chirurgie de lpilepsie sont clairement distinguer, du fait dune stratgie thrapeutique
diffrente: chirurgie de lpilepsie lsionnelle, et chirurgie de lpilepsie non-lsionnelle.
Dans lpilepsie lsionnelle, savoir secondaire lexistence dun processus malformatif
(dysembryoplasique, vasculaire) ou tumoral, lintervention vise le plus souvent radiquer la lsion seule dans
un premier temps. La chirurgie vite ainsi le risque inhrent lhistoire naturelle du processus lui-mme
(saignement dune malformation vasculaire, croissance tumorale ), du moins lors dune exrse complte, et
de plus agt favorablement sur les crises comitiales dans 80% des cas (Awad, 1991; Boon, 1991; Packer, 1994;
Villemure, 1996). Ce nest quen cas dventuelle continuation voire aggravation de lpilepsie aprs rsection
lsionnelle, que peut se poser la question dune deuxime intervention, type de chirurgie de lpilepsie
proprement parler. Cest dans ce cadre quune recherche prcise dun (ou plusieurs) foyer(s) pileptogne(s) peut
devenir ncessaire, car si le plus souvent la zone irritative se situe autour la lsion dsormais enleve conduisant ainsi rsquer une collerette de tissu gliotique pricavitaire, geste prn par certains auteurs
directement au cours de la premire procdure chirurgicale afin de majorer les chances damlioration immdiate
de la symptomatologie critique (Berger, 1993; Jooma, 1995; Zentner, 1997) - certains foyers ont toutefois pu

-3-

tre identifis distance de la lsion initiale (Fish, 1991; Sperling, 1989). La problmatique rejoint alors celle
rencontre dans les pilepsies non-lsionnelles.
En effet, par dfinition, il ny a pas de point dappel anatomique dans les pilepsies non induites par un
processus expansif, en dehors dans certains cas dune atrophie de la face msiale du lobe temporal par sclrose
hippocampique mesurable sur lIRM. Cest en consquence beaucoup plus un faisceau dargument clinico-EEG
(enregistrement des 24h), neuropsychologique et mtabolique (tomographie par mission de simple photon ou de
positron) quune vritable visualisationanatomique du foyer de dysfonction lectrophysiologique, qui peut
dboucher sur une ventuelle rsection chirurgicale dans les cas de parfaite concordance. Sinon, si discordance il
y a, les mthodes de dtection directe du site pileptogne doivent tre utilises afin de prciser la zone qui sera
la cible de la chirurgie dexrse (Engel, 1993). Ces techniques consistent pour certaines en la ralisation
dlectrocorticographie directement en per-opratoire (Ojemann, 1989), vitant ainsi les implantations
chroniques, mais noffrant pas la possibilit de planifier lacte en pr-opratoire (voire mme exposant une
moins grande fiabilit de dtection du(des) site(s) pileptogne(s) daprs dautres auteurs). Soit une
implantation dlectrodes corticales et/ou profondes (ces dernires mises en place par mthode strotaxique) est
ncessaire dans les foyers suspects daprs les premiers examens sus-mentionns, afin denregistrer les
phnomnes lectriques survenant pendant les crises (tout en les comparant avec les autres paramtres
notamment cliniques) (Lders, 1992; Spencer, 1993). Cette technique prsente ainsi linconvnient dtre
invasive, obligeant la ralisation dune premire procdure chirurgicale avant mme lintervention dexrse,
non dnue de risque (hmatome, infection), et ncessitant de surveiller en milieu spcialis le patient pendant
plusieurs jours, le temps que se produisent un quota suffisant de crises pour recueillir les informations lectriques
ncessaires.

La MEG pourrait reprsenter un examen essentiel concernant lidentification du (des) foyer(s)

pileptogne(s), dans le cadre dune planification de lacte opratoire. En effet, la MEG est contrairement
limplantation dlectrodes une mthode non-invasive. De plus, la MEG bnficie outre son excellente rsolution
temporelle, dune meilleure rsolution spatiale que lEEG, puisquil ny a pas de distorsion des champs
magntiques induite par la peau et los. Enfin, lenregistrement simultan des champs au niveau de lensemble
du cerveau semble cruciale pour la cartographie de lactivit pileptogne. Ainsi, de nombreuses tudes ont dj
commenc tester la fiabilit de la MEG, intgre dans un bilan rigoureux de planification pr-opratoire, pour
diffrentes formes de chirurgie de lpilepsie (lsionnelle/non-lsionnelle; temporale/extra-temporale;
enfant/adulte), et compare aux autres examens sus-mentionns.
- Epilepsie lsionnelle: la MEG a t juge comme fiable dans la dtection des foyers pileptognes associs
la prsence de malformations artrio-veineuses. Morioka (2000a) a ainsi dcrit une excellente corrlation entre
les rsultats MEG et scintigraphiques pr-opratoires, en parfaite concordance avec les donnes
lectrophysiologiques prodigues par llectrocorticographie (EcoG) per-opratoire (autour du nidus
malformatif). Le mme auteur a galement utilis un couplage MEG/ EcoG dans plusieurs chirurgies de tumeurs
crbrales (neurocytomes) engendrant une pilepsie pharmacorsistante, avec exrse de la lsion ainsi que de
zones pileptognes dtectes par ces enregistrements MEG/EcoG: les crises ont t rsolues, et lexamen
anatomo-pathologique des aires pileptognes non-tumorales rsques sur les donnes lectro-magntiques
a rvl lexistence dune dysplasie corticale associe (Morioka, 2000b). De nombreuses tudes en MEG

-4-

interictales ont galement t ralises spcifiquement dans le cadre dpilepsies lsionnelles temporales
(Knowlton, 1997; Nakasato, 1994; Stefan, 1992, 1994; Sutherling, 1992). Il a ainsi t montr que la MEG
pouvait aider la comprhension des mcanismes troits reliant la lsion et la production des crises, permettant
dans le planning pr-opratoire de diffrencier les patients pouvant bnficier dune lsionectomie seule, de ceux
ncessitant une rsection associe des aires pileptognes adjacentes (Fried, 1993; OBrien, 1997). Enfin,
certains auteurs ont rapport qu la suite dune lsionectomie seule, en cas de persistance des crises, la MEG
pouvait reprsenter un excellent examen pour dtecter les foyers irritatifs corticaux pri-lsionnels, en raison du
fait que les champs magntiques subissent trs peu de distorsion malgr les remaniements cutano-osto-duraux
- contrairement aux champs lectriques, tmoignant de la supriorit de la MEG par rapport lEEG de surface ces phnomnes cicatriciels gnant par ailleurs limplantation dlectrodes sous-durales (Baumgartner, 2000;
Kirchberger, 1998).
- Epilepsie non-lsionnelle: lintrt de la MEG a t premirement soulign chez lenfant, puisque cet
examen est non seulement non-invasif, mais de plus prodiguant des informations de qualit daprs des
enregistrements inter-ictaux - quoique ralisable en ictal (Eliashiv, 1999) - contrairement lEEG voire aux
mthodes scintigraphiques ncessitant le plus souvent un enregistrement ictal (Imai, 2001). A fortiori, comme
dj mentionn, limplantation dlectrodes intracrniennes ncessite la fois une premire intervention et
lattente des crises pour analyser la source irritative, deux lments particulirement invasifs chez lenfant.
Minassian (1999) a ainsi rapport une srie pdiatrique (pilepsie non-lsionnelle extratemporale), montrant que
les foyers pileptognes dtects par la MEG pr-opratoires correspondaient aux zones de dcharges ictales
enregistres par lectrodes intra-crniennes dans 10 cas sur 11. Chez ladulte, de nombreuses tudes de
corrlations entre les mthodes classiques et la MEG, ont galement objectiv lexcellente fiabilit de ce
nouvel outil denregistrement des champs magntiques: tant avec la clinique (Knowlton, 1997), lEEG
(Sutherling, 1991), le monitorage vido-EEG (Gallen, 1997), lIRM (Stefan, 1992), les techniques
scintigraphiques (Lamusuo, 1999 ; Stefan, 1992; Volkmann, 1998), que les mthodes invasives (Ebersole,
1997; Morioka, 1999; Otsubo, 1999; Wheless, 1999). Ces comparaisons ont sembl aussi favorables dans
lpilepsie non-lsionnelle extratemporale (Stefan, 2000) que temporale (Baumgarten, 2000). Dans ce cas
particulier de lpilepsie temporale, Baumgartner a de plus montr que la MEG tait suffisamment prcise pour
diffrencier les crises dorigine msiale de celles dorigine latrale, avec toutefois une meilleure prdictibilit des
bons rsultats post-opratoires lors dune origine temporale antro-interne - donns rcemment confirmes par
Shih (2000). Enfin, la plupart des auteurs saccordent penser que bien au del dune rivalit des mthodes,
lassociation des ces dernires ne peut tre que bnfique pour optimiser la planification pr-opratoire (Stefan,
1995), dans un premier temps en essayant de recueillir les informations ncessaires partir des techniques noninvasives - notamment couplage MEG/EEG (Ebersole, 1994; Fuchs, 1998; Matsuo, 2000; Ossenblock, 1996;
Stefan, 1996) - mais si besoin le cas chant en utilisant la MEG comme guidage pour limplantation des
lectrodes chroniques (Stefan, 2000; Sutherling, 1992).

En conclusion, la MEG, bien que ncessitant dautres tudes de corrlations avec les techniques
conventionnelles de dtection des foyers pileptognes, semble dj trs prometteuse sur le plan de la sensibilit
et de la fiabilit dans le cadre de la planification de lacte opratoire en matire de chirurgie de lpilepsie
(lsionnelle ou non-lsionnelle), mais galement sur le plan de la slection des patients candidats ce type de

-5-

chirurgie (Aung, 1995; Ebersole, 1995; Shih, 2000; Smith, 1994a). En effet, au del de lexcellente rsolution
temporelle de cet examen (et de sa meilleure rsolution spatiale compare lEEG), de son aspect non-invasif, la
MEG apporte en soi une information diffrente donc complmentaire des autres mthodes, savoir
lenregistrement des champs lectriques, donnant un clairage nouveau sur la conception des rseaux
pileptognes (Bartolomei, 2000; Blumenfield, 2000; Wendling, 2000).

III MEG et cartographie fonctionnelle

Le risque majeur de toute chirurgie intra-systme nerveux central reste celui dengendrer un dficit
neurologique dfinitif. Ce problme est dautant plus aigu quexiste une importante variabilit inter-individuelle
physiologique dans lorganisation des rseaux fonctionnels (Galaburda, 1990; Ojemann, 1979), majore lors de
lexistence de lsion intracrbrale, gnrant bien souvent au del dun simple refoulement mcanique
(Wunderlich, 1998) des phnomnes de redistribution fonctionnelle ipsilatrale (Atlas, 1996; Fandino, 1999;
Seitz, 1995) voire controlatrale (Chollet, 1994; Vikingstad, 2000; Weiller, 1998).
La ralisation dune cartographie fonctionnelle individuelle semble donc souhaitable, afin de dicter les
limites de la rsection chirurgicale selon ces critres fonctionnels (respect des zones loquentes constituant la
frontire ne pas dpasser) et non pas en fonction des seuls contourages lsionnels (foyers pileptognes
prdtermins laide des mthodes sus-mentionnes, tumeurs ou malformations repres de visu, par
chographie ou neuronavigation).
Trois mthodes de rfrence ont longtemps t utilises lors dinterventions conduites dans ou au voisinage
de rgions fonctionnelles. Premirement, la technique denregistrement des potentiels voqus somesthsiques
dans la chirurgie en zone rolandique, technique base sur le principe de linversion de phase en regard du sillon
central, et permettant ainsi un reprage prcis du sulcus rolandique, mais en aucun cas des sites moteurs ou
somatosensoriels primaires eux-mmes (Wood, 1988). Deuximement, limplantation de grilles dlectrodes
corticales, rendant possible la ralisation de stimulations lectriques du cortex, donc llaboration de
cartographies assez exhaustives des diffrentes fonctions (sensori-motrice, langagire, ) sans limitation de
temps (Lders, 1992). Toutefois, cette technique prsentaient plusieurs inconvnients majeurs: la ncessit de
pratiquer un premier acte opratoire avant la chirurgie dexrse proprement parler (bien souvent donc dans un
contexte de chirurgie de lpilepsie, les lectrodes servant la fois au reprage des zones fonctionnelles mais
aussi voire surtout la dtection des foyers pileptognes); limpossibilit de raliser une cartographie souscorticale (grilles dlectrodes poses sur la surface du cortex); le manque relatif de prcision spatiale (la distance
inter-lectrode tant de 1 cm dans les grilles conventionnelles). En consquence, la technique la plus prne dans
la littrature ancienne (Foerster, 1931; Penfield, 1937) et rcente (Berger, 1992; Duffau, 1999; Ojemann,
1989; Skirboll, 1996), consiste en la ralisation per-opratoire de stimulations lectriques directes. Ces dernires
sont prcises car utilisant un courant bipolaire ne diffusant pas, et permettent tout moment (en temps-rel) et
tout endroit (cortico-souscortical) pendant la rsection chirurgicale, didentifier avec fiabilit et reproductibilit
les aires loquentes corticales et leurs faisceaux correspondants, indispensables pour la ralisation de tches
motrices (patient opr sous anesthsie gnrale), somatosensorielles, du langage, de la mmoire ou autres tches
cognitives (patients oprs veills sous anesthsie locale afin de pratiquer directement les tests pendant toute la

-6-

dure de lexrse). Linconvnient majeur toutefois de cette mthode, est limpossibilit de planifier lacte
opratoire puisque par dfinition les informations fonctionnelles sont prodigues au fur et mesure de la
rsection chirurgicale.

Minimiser les risques de squelles post-opratoires implique donc le dveloppement dune technique de
cartographie fonctionnelle pr-opratoire non-invasive, en complment de la dtection des aires loquentes peropratoires par les stimulations directes. Cest dans ce cadre prcis de pr-planification fonctionnelle que la
MEG semble reprsenter un examen trs prometteur, occupant une place part au sein des diffrentes techniques
dimagerie neurofonctionnelle actuellement disponibles (IRMf, TEP, SPECT). En effet, la MEG donne
contrairement ces autres mthodes un reflet direct de lactivit neuronale (et non via les modifications
indirectes du dbit sanguin et/ou du mtabolisme local), et bnficie grce son excellente rsolution temporelle,
du potentiel de mise en vidence des modifications de cette activit neuronale en temps-rel (Lewine, 1994).
Comme dans le cadre de lpilepsie, les premires tudes dvaluation de la fiabilit et sensibilit de la
MEG concernant la cartographie fonctionnelle pr-opratoire, ont bien souvent consist en une corrlation avec
les mthodes de rfrence sus-mentionnes, tout particulirement avec les stimulations per-opratoires directes
(Alberstone, 2000; Gallen, 1993, 1995; Meunier, 2000; Morioka, 1994, 1995a; Nakasato, 1998, 1999;
Orrisson, 1992; Papanicolaou, 1999; Roberts, 1995a, 1997a; Simos, 1999a, 1999b; Sutherling, 1988), mais
galement avec les autres mthodes de neuroimagerie anatomo-fonctionelle (Baumann, 1995; Joliot, 1999;
Morioka, 1995a, 1995b; Orrisson, 1990; Roberts, 1997b; Stippich, 1998). Ces comparaisons ont port tant sur
la composante prcoce des rponses magntiques (jusqu 150 ms post-stimulus), intressant notamment les
fonctions auditives, visuelles ou sensorimotrices (Alberstone, 2000; Buchner, 1994; Gallen, 1993,1995; Hund,
1997; Morioka, 1994; Nakasato, 1996, 1997, 2000; Orrison, 1999; Rezai, 1996; Roberts, 1995a, 1995b,
1997a, 1997b), que sur la composante tardive de ces rponses (de 150 700 ms post-stimulus), particulirement
informatives en matire de langage et autres fonctions cognitives (Breier, 1999a; Papanicolaou, 1999; Simos,
1999a, 1999b, 2000). Les taux de corrlations positives ont ainsi rapport des chiffres compris entre 81% et
100% en fonction des sries.
Les diffrences observes entre MEG et stimulations lectriques intra- ou extra-opratoires peuvent tre en
partie expliques par le fait que les stimulations dtectent les sites essentiels (non compensables) et non
lensemble des sites participant une fonction donne (compensables). Par ailleurs, la MEG dtecte plus
volontiers lactivit magntique du cortex situ dans les sillons que du cortex de surface. Or, cette activit
lectrique surfacique est la seule dtecte par les stimulations extraopratoires (les stimulations directes
peuvent ventuellement tester le cortex tapissant les sillons - voire la substance blanche - condition toutefois
que la rsection ncessite louverture de ces sulci), et dans tous les cas la seule enregistre de faon fiable tant
par les potentiels voqus, que par llectrocorticographie. Si lon tient compte du fait que le cortex de surface
reprsente moins de la moiti de lensemble du cortex crbral, ceci montre tout lintrt de complter les
donnes fonctionnelles classiques par les informations MEG. De plus, concernant le cas particulier de lEEG,
lors de la prsence dune tumeur intracrbrale, plusieurs auteurs ont montr combien la distorsion pouvait tre
majore pour les enregistrements lectriques par le processus expansif, alors que ce dernier ninduisait que peu
dartfacts sur le plan des enregistrements magntiques (Gallen, 1993, 1995; Kucharczyk, 1996; Morioka,
1994, 1995a, 1995b; Nakasato, 2000; Sutherling, 1988, Wood, 1988). Enfin, des corrlations ont galement t

-7-

pratiques entre la MEG et la simple imagerie IRM anatomique, en particulier en cas de lsions expansives
modifiant l encore les repres classiques. Ainsi, concernant lidentification du sillon rolandique, Sobel a dcrit
partir de 127 IRM, interprtes par 2 neuroradiologues diffrents utilisant les critres rapports dans la littrature
(Berger, 1990; Kido, 1980; Naidich, 1996; Yousry, 1997), une erreur dau moins un sillon dans 20% des cas,
rectifie par la MEG.
Lensemble de ces considrations a en consquence un intrt majeur dans la conduite thrapeutique en cas
de lsion (quelquen soit sa nature) dans ou au voisinage dune zone loquente. Tout dabord dans la prise de
dcision concernant lindication opratoire. En effet, le recalage tridimensionnel des informations MEG
fonctionnelle sur une IRM anatomique, montrant directement la lsion (Kucharczyk, 1996; Morioka, 1994),
ou sur laquelle seront ventuellement dans le cadre de lpilepsie superposes les donnes MEG/foyer(s)
pileptogne(s) telles que nous les avons prcdemment dfinies (Smith, 1994b; Sutherling, 2000), permettra
danalyser avec prcision les rapports tissu pathologique/aires fonctionnelles. Ce paramtre sera effectivement
crucial pour valuer si a priori une exrse pourra tre totale, subtotale ou simplement partielle, puisquil a dj
t dmontr tant en tumorologie (Duffau, 2000a; Ojemann, 1996; Skirboll, 1996) quen pilepsie (Morrell,
1999), que des lots fonctionnels pouvaient persister au sein mme du tissu pathologique: ainsi pourra tre
estim le fameux rapport individuel risque/bnfice de lintervention (pour un patient donn, porteur dune
lsion donne, un instant donn - i.e. avec une organisation des cartes fonctionnelles bien prcise mais
susceptible de se modifier secondairement, comme nous le reverrons ultrieurement -), et donc choisir loption
thrapeutique optimale. Cest ainsi que Benzel (1993) a rapport le cas dun patient porteur dune lsion
paritale gauche, interprte comme infiltrant laire sensorimotrice primaire par 4 neuroradiologues diffrents,
daprs un simple reprage anatomique du sillon rolandique. La ralisation dun MEG a objectiv quen fait,
le sulcus central tait situ plus en avant que suppos selon ces seuls critres anatomiques, et que la marge entre
la tumeur et les zones fonctionnelles devait finalement tre confortable. A laide de ce nouvel clairage, le
chirurgien qui avait pralablement dcid de ne pas oprer le patient, a rvis son indication: la lsion a t
totalement rsque, et aucune complication post-opratoire na t dplorer. Dautres cas semblables ont plus
rcemment t galement dtaills (Alberstone, 2000).
Si lindication chirurgicale est retenue, les informations MEG pourront tre utilises en pr-opratoire
premirement pour choisir une voie dabord (porte dentre et trajectoire) ne traversant aucune aire active (en
particulier pour les lsions profondes naffleurant pas la corticalit), deuximement pour dfinir o devront se
situer les limites de la rsection. Ces informations pourront le cas chant tre intgres dans un repre
strotaxique, voire dans un systme de neuronavigation, de faon utiliser ces donnes fonctionnelles pendant
lacte opratoire lui-mme (Ebmeier, 1999; Ganslandt, 1997, 1999; Jannin, 2000; McDonald, 1999; Rezai,
1996) - du moins en surface et/ou dans les lsions de petites tailles, savoir tant quaucune dformation
crbrale naura rendu caduque le recalage IRM pr-opratoire (indformable)/cerveau du patient en perpratoire (dformable) -. Enfin, la MEG pr-opratoire aidera au choix des modalits selon lesquelles devront
tre pratiques les procdures chirurgicales (anesthsie gnrale ou locale, largeur du volet notamment). Ainsi,
concernant le langage, la MEG semble selon certains auteurs permettre une dfinition de la dominance
hmisphrique (Breier, 1999a; Simos, 1998), voire mme un reprage prcis des aires impliques notamment
dans la reconnaissance visuelle ou auditive des mots (Simos, 1999a): la prsence de sites du langage dtects
par la MEG pr-opratoire proches de la lsion rsquer, fera prfrer la ralisation dune intervention chez un

-8-

patient veill afin de raliser une cartographie du langage per-opratoire directe en temps-rel. Cette
dernire pourra galement tre guide par les rsultats MEG, savoir avec une stimulation premire des sites
identifis en MEG (dans le but de diffrencier parmi eux les indispensables - blocage du langage, conserver
imprativement -, de ceux compensables - pas dinduction de troubles phasiques durant les stimulations
malgr une activation en MEG, donc rsquables si envahis par la lsion, au prix dun probable dficit postopratoire immdiat mais avec rcupration secondaire (Duffau, 1999) -), lorigine dun gain de temps
prcieux dans les procdures conduites sous anesthsie locale. Le cas chant, la largeur du volet osseux
exposant la fois la lsion et les aires fonctionnelles imprativement identifier en per-opratoire, pourra peu ou
prou tre module par la rpartition corticale des sites loquent prodigue par la MEG initiale.
Si par contre lindication neurochirurgicale na finalement pas t retenue, en particulier en raison dune
trop grande proximit entre les aires fonctionnelles et la lsion, les informations MEG pourront cependant tre
utiles pour guider une biopsie en conditions strotaxiques, souvent ncessaire pour bnficier dun diagnostic
histologique permettant de dcider si un autre traitement que lintervention est souhaitable (par exemple
radiothrapie ou chimiothrapie), en planifiant un trajet vitant les sites loquents (Alberstone, 2000). Le cas
chant, si est retenue une indication de radiothrapie, notamment multifaisceaux, la MEG a galement t
dcrite comme pouvant tre incorpore dans les paramtres de pr-planification des modalits de dlivrance des
rayons (Smith, 2000).

En conclusion, la MEG, bien que ncessitant encore comme dans le cadre de la dtection des foyers
pileptognes, des complments de corrlations avec les autres mthodes pr- et per-opratoires de cartographie
fonctionnelle dans le but de majorer sa fiabilit et sa reproductibilit, semble nanmoins reprsenter dores et
dj un examen intgrer dans le bilan systmatique dvaluation pr-chirurgicale, lors de lsions situes (selon
un a priori anatomique) dans ou au voisinage des aires loquentes. En effet, tant dans la pose de lindication
opratoire, que dans la planification de lacte (voie dabord, trajet, limites de rsection), avec une ventuelle
incorporation des donnes dans un systme de neuronavigation per-opratoire, lenregistrement des champs
magntiques donne un reflet pr-chirurgical direct du fonctionnement neuronal, contrairement aux autres
mthodes non-invasives dimagerie fonctionnelle - qui plus est avec une meilleure rsolution temporelle -. De
plus, cet examen offre le potentiel de dtecter non seulement les aires fonctionnelles isolment, mais galement
de mettre en vidence le fonctionnement des rseaux neuronaux eux-mmes, notamment concernant certains
tests classiquement utiliss lors des cartographies per-opratoires (dnomination dobjets par exemple) (Breier,
1998, 1999b; Levelt, 1998; Salmelin, 2000).

IV- MEG et plasticit crbrale

Alors que pendant de nombreuses dcades a persist la vision dune organisation statique des aires
fonctionnelles du systme nerveux central, une conception plus dynamique a rcemment t propose, tant dans
le domaine de la physiologie quen cas de lsion crbrale. Cest ainsi quest n le concept de plasticit
crbrale, dfinissable comme lensemble des processus continus permettant des modifications court, moyen

-9-

et long termes de lorganisation neurono-synaptique dans le but doptimiser le fonctionnement des rseaux du
systme nerveux central.
Lapprentissage reprsente en consquence larchtype mme de la plasticit naturelle. Lessor des
mthodes de neuroimagerie fonctionnelle non-invasives a permis ces dernires annes dobjectiver chez le
volontaire sain des phnomnes de rorganisation qui jusqu lors taient rduits ltat de simple hypothse.
Ainsi, il a t montr en IRMf en particulier la suite dapprentissage prolong de tches motrices complexes,
une augmentation de la taille de la reprsentation de laire motrice primaire de la main (Karni, 1998), notamment
chez les instrumentistes (Hund-Georgiadis, 1999).
Dans le domaine des maladies du systme nerveux central, ont t de dcrits de nombreux exemples de
rcupration fonctionnelle la suite dune lsion brutale (accident vasculaire crbral ou traumatisme
notamment) ayant initialement engendr un dficit. Ce phnomne de plasticit post-lsionnelle a rcemment
t document grce aux mthodes TEP et IRMf, qui ont pu montrer lactivations de rgions compensatrices
ispsilatrales loco-rgionales ou distantes de la zone lse, voire dhomologues contro-hmisphriques, tant
concernant les fonctions motrice (Chollet, 1994), somatosensorielle (Bittar, 2000) que du langage (Weiller,
1998). Ces techniques ont galement permis de commencer entrevoir les mcanismes de compensation mis en
jeu au fur et mesure de la croissance dune lsion lentement volutive - voire lors de lexistence dune
malformation congnitale (Vikingstad, 2000) - expliquant labsence de tout dficit neurologique chez un patient
qui bien souvent signore jusquau signe rvlateur (le plus frquemment de nature pileptique). Plusieurs tudes
PET/IRMf conduites chez des patients porteurs de gliomes de bas grade en zone loquente sans retentissement
fonctionnel, ont par consquent dmontr le recrutement daires de voisinage pri-lsionnelles (Atlas, 1996;
Seitz, 1995; Wunderlich, 1998). Certains travaux ont par ailleurs utilis la mthode des stimulations lectriques
directes, offrant la possibilit de raliser des cartographies fonctionnelles rptes per-opratoires, pour mettre en
vidence lexistence de phnomnes de rorganisation des aires loquentes court terme (en quelques minutes)
(Duffau, 2000b, 2001). Les hypothses avances ont t celles dun dmasquage de redondances fonctionnelles
(locales ou rgionales), probablement induit par une leve dinhibition gnre par lacte opratoire lui-mme.
Lexistence de rseaux multiples potentiellement compensateurs les uns pour les autres, pourrait avoir une
implication majeure dans la modification de la stratgie neurochirurgicale en zone fonctionnelle, condition
toutefois de connatre en pr-opratoire lorganisation prcise de ces circuits parallles chez un patient donn.
Enfin, des mcanismes de compensation post-opratoires ont galement t observs, et ont commenc tre
tudis, lors de dficits post-chirurgicaux immdiats survenant malgr la prservation des aires fonctionnelles
indispensables, avec toutefois rcupration secondaire comme par exemple dans le syndrome de laire
motrice supplmentaire (Krainik, in press), voire la suite de lsions chirurgicales volontairement effectues au
sein mme des aires sensorimotrices primaires (Duffau, in press; Lders, 1997) (en particulier lors de
transections sous-piales multiples dans le cadre de la chirurgie de lpilepsie non-lsionnelle extratemporale)
(Leonhardt, 2000).

Sur la base de ces donnes actuelles, la MEG semble pouvoir apporter une aide substantielle dans la
comprhension des mcanismes de plasticit crbrale, dans le but dappliquer cette connaissance la
thrapeutique neurochirurgicale. Ainsi, la MEG a dj pu documenter certains phnomnes de plasticit naturelle
lors de tche dapprentissage, concernant notamment les fonctions somatosensorielle (Spengler, 1997) et

- 10 -

auditive - augmentation de la reprsentation corticale de laire auditive de 25% chez les musiciens - (Pantev,
1998). Par ailleurs, des phnomnes de rorganisation des cartes fonctionnelles somatosensorielles ont t trs
largement illustrs la suite de daffrentation priphrique, en particulier aprs amputation (Elbert, 1994,
1997; Knecht, 1998; Weiss, 2000; Yang, 1994), rimplantation digitale (Wiech, 2000), et intervention pour
syndactylie (majoration de la distance entre les reprsentations corticales de chacun des doigts la suite de la
chirurgie priphrique de sparation digitale) (Mogilner, 1993). Le mme processus a t observ au niveau de
laire corticale auditive chez des patients porteurs dune surdit congnitale unilatrale (Vasama, 1994). De plus,
dans plusieurs cas de lsions intracrbrales nengendrant aucun dficit ou avec rcupration post-lsionnelle,
des recrutements daires compensatrices ont t objectivs (Farmer, 1991; Lewine, 1994). Ainsi, Lewine (1994)
a montr chez un enfant victime dun infarctus nonatal dans le territoire de lartre sylvienne gauche, la
dtection en MEG lors dun test somatosensoriel dune source magntique au niveau dune rgion atypique
(gyrus temporal infrieur gauche), ainsi que du recrutement de lhomologue parital controlatral droit
probablement dsinhib du fait de la destruction de laire sensitive primaire gauche. Breier (1999c) a galement
rapport le cas dune patiente de 18 ans porteuse dune volumineuse malformation artrio-veineuse (donc
congnitale) frontoparitale gauche, avec seulement quelques troubles modrs de la sensibilit de la main
droite: la MEG a objectiv lors de la stimulation priphrique de lhmicorps droit la reconstitution dun
homonculus cortical au niveau de lhmisphre ipsilatral droit, respectant la somatotopie classique, et situ plus
obliquement par rapport lhomonculus correspondant lhmicorps gauche. Dans un autre cas de lsion
prinatale du carrefour gauche, cest une activation bilatrale des deux cortex somatosensoriels primaires qui a
t retrouve lors de tches somesthsiques de la main droite atteinte (Simos, 2000). A souligner de plus que
chez ces deux derniers patients, au del des cartes somatosensorielles, les aires du langage ont aussi t trouves
redistribues au niveau de lhmisphre non ls droit par la MEG (Simos, 1999b).
Ce type de rorganisation a galement t observ chez des patients pileptiques ainsi que lors de lsions
expansives intracrbrales situes en zone loquente (Simos, 2000). La MEG a ainsi permis de raliser une
cartographie pr-opratoire permettant une planification de lacte chirurgical comme nous lavons dj dtaill
ci-dessus, mais en tenant compte de la redistribution des aires du langage induite par la lsion (Simos, 1999a et
b). Il devient par ailleurs possible de documenter les effets de la rorganisation fonctionnelle induite par la
chirurgie elle-mme. Ainsi, dans un cas de patiente de 14 ans opre dune lobectomie temporale antrieure
gauche en raison dune pilepsie rebelle au traitement mdical, avec sur la MEG pr-opratoire couple au test
de Wada une rpartition bilatrale des aires du langage (nanmoins avec une lgre prdominance gauche), les
mmes examens pratiqus 2 mois aprs la rsection (nayant engendr aucun dficit clinique), ont objectiv une
claire dominance hmisphrique droite du langage, avec qui plus est la disparition dactivations dans des zones
considres a priori comme essentielles sur la MEG pr-opratoire (notamment la rgion de Wernicke)
(Simos, 2000). Tenant compte du fait que lacte opratoire pourrait lui-mme engendrer un phnomne de
plasticit post-lsionnelle, soit court terme comme dj dmontr par les stimulations lectriques peropratoires (Duffau, 2000b, 2001), soit plus long terme comme suggr par les examens MEG aprs rsection
de tumeurs dans la rgion somatosensorielle primaire (Meunier, 2000), il pourrait devenir souhaitable pour le
neurochirurgien dincorporer dans sa stratgie opratoire une vision dynamique de lorganisation des rseaux
neurono-synaptiques. Cette conception a ainsi dj pu permettre de roprer certains gliomes infiltrants (pour
lesquels la qualit de la rsection semble conditionner les pronostic fonctionnel et vital), envahissant en partie

- 11 -

des aires loquentes sans toutefois engendrer de dficit neurologique, et qui navaient bnfici en consquence
que dune exrse incomplte au cours dune premire chirurgie (puisquayant d tre interrompue au contact
des rgions fonctionnelles): une deuxime intervention dcide 18 24 mois plus tard en raison dune
rvolution tumorale a alors permis la ralisation dune rsection totale grce un remodelage des cartes
fonctionnelles survenue la suite du premier acte (Duffau, 2000c). Devant ces rsultats, il semblerait souhaitable
de proposer la ralisation de MEG squentielles avant et aprs toute chirurgie en zone loquente, dans le but de
tenter de comprendre et donc de prdire non seulement quelle est lorganisation des cartes fonctionnelles chez un
patient donn, porteur dune lsion donne un instant donn, mais galement comment pourrait tre module
cette distribution en fonction de la manire dont sera pratique l'intervention chirurgicale: un couplage des
informations acquises par les stimulations directes per-opratoires (dmasquage de redondances?) et par les
MEG rptes post-opratoires (rorganisation par rapport la MEG pr-opratoire, voire poursuite du
remodelage au cours du temps?), pourrait possiblement dboucher sur une deuxime procdure opratoire en
cas de premire exrse incomplte, et si les phnomnes de plasticit ont rendu secondairement accessible la
lsion qui initialement infiltrait des zones considres comme indispensables pour la fonction. Le concept de
planification pr-opratoire prendrait alors une toute autre dimension, intgrant non seulement le pr-planning de
lacte proprement parler selon les critres dbattus dans les chapitres prcdents, mais prvoyant le cas chant
la ralisation de chirurgies successives dans le but doptimiser le ratio risque/bnfice, en fonction des
informations prodigues par un panel dexamens incorporant au premier chef la MEG.

V- Conclusions et perspectives

Du fait de son caractre non-invasif, de son excellente rsolution spatio-temporelle, de sa capacit

dtecter directement les phnomnes neuromagntiques (et non leurs consquences hmodynamiques), et du peu
de distorsion induite par les lsions intracrbrales, la MEG semble reprsenter un examen qui devrait
systmatiquement tre intgr dans la rflexion neurochirurgicale prcdent tout acte en zone crbrale
fonctionnelle. Cette mthode pourrait ainsi participer tant au reprage des aires loquentes, fixant les limites de
lexrse, qu la dtection du tissu pathogne rsquer dans le cadre de lpilepsie (lsionnelle ou non). De
plus, du fait de son potentiel de mise en vidence non seulement des aires fonctionnelles, mais galement des
rseaux neurono-synaptiques, la MEG pourrait galement permettre une meilleure comprhension des
phnomnes de plasticit induits par la lsion et par la chirurgie elle-mme. Un tel progrs dans la connaissance
de lorganisation fonctionnelle dynamique individuelle rendrait possible une conception diffrente de la stratgie
neurochirurgicale (planification de plusieurs procdures), dans le but de repousser les limites de la chirurgie en
zone fonctionnelle, en optimisant la qualit des rsections donc en majorant les chances defficacit de lacte,
tout en minimisant les risques de squelles post-opratoires. Une telle tude multidisciplinaire est actuellement
en cours dans notre institution.

VI - Rfrences
1.

Alberstone CD, Skirboll SL, Benzel EC, et al. Magnetic source imaging and brain surgery: presurgical and
intraoperative planning in 26 patients. J Neurosurg 92:79-90, 2000

- 12 -

2.
3.
4.
5.
6.
7.

8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.

Apuzzo MLJ. Brain surgery. Complication avoidance and management, Vol 1. Churchill Livingstone, New York; 379390, 1993.
Atlas SW, Howard RS, Maldjian J, et al. Functional magnetic resonance imaging of regional brain activity with
intracerebral gliomas: findings and implications for clinical management. Neurosurgery 38:329-338, 1996
Aung M, sobel DF, Gallen CC, et al. Potential contribution of bilateral magnetic source imaging to the evaluation of
epilepsy surgery candidates. Neurosurgery 37:1113-1120, 1995
Awad A, Rosenfeld J, Ahl J, et al. Intractable epilepsy structural lesions of the brain: mapping, resection strategies, and
seizure outcome. Epilepsia 32:179-186, 1991
Bartolomei F, et al. Functional neural networks underlying temporal lobe seizures. A non linear analysis of signals
interdependencies. Epilepsia 41:Abstr 3.122, 2000
Baumann SB, Noll DC, et al. Comparison anf functional magnetic resonance imaging with positron emission
tomography and magnetoencephalography to identify the motor cortex in a patient with an arteriovenous malformation.
J Image Guid Surg 1:191-197, 1995
Baumgartner C, Pataraia E, Lindinger G, et al. Neuromagnetic recordings in temporal lobe epilepsy. J Clin
Neurophysiol 17:177-189, 2000
Benzel EC, Lewine JD, Bucholz RD, et al. Magnetic source imaging: a review of the Magnes system by Biomagnetic
Technologies Incorporated. Neurosurgery 33:252-259, 1993
Berger MS, Cohen WA, Ojemann GA, et al. Correlation of motor cortex mapping data with magnetic resonance
imaging. J Neurosurg 72:383-387, 1990
Berger MS, Ojemann GA. Intraoperative brain mapping techniques in neuro-oncology. Stereotact Funct Neurosurg
58:153-161, 1992
Berger MS, Ghatan S, Haglund MM, et al. Low-grade gliomas associated with intractable epilepsy: seizure outcome
utilizing electrocorticography during tumor resection. J Neurosurg 79:62-69, 1993
Bittar RG, Olivier A, Sadikot AF, et al. Cortical motor somatosensory representation: effect of cerebral lesions. J
neurosurg 92:242-248, 2000
Blumenfield H, et al. Epilepsy as a disorder of large scale neural networks. Epilepsia 41:Abstr SI.01, 2000
Boon PA, Williamson PD, Fried I, etal. Intracranial, intraaxial, space-occupying lesions in patients with intractable
partial seizures: an anatomical, neuropsychological and surgical correlation. Epilepsia 32:467-476, 1991
Breier JI, Simos PG, Zouridakis G, et al. Relative timing of cortical activation during a word recognition task. J Clin
Exp Neuropsychol 20:782-790, 1998
Breier JI, Simos PG, Papanicolaou AC, et al. Language dominance determined by magnetic source imaging: a
comparison with the Wada procedure. Neurology 53:938-945, 1999a
Breier JI, Simos PG, Zouridakis G, et al. Temporal course of regional activation associated with phonological decoding:
a MEG study. J Clin Exp Neuropsychol 21:465-476, 1999b
Breier JI, Simos PG, Zouridakis G, et al. A MEG study of cortical plasticity. Neurocase 5:277-284, 1999c
Buchner H, Adams L, Knepper A, et al. Preoperative localization of the central sulcus by dipole source analysis of early
somatosensory evoked potentials and three-dimensional magnetic resonance imaging. J Neurosurg 80:849-856, 1994
Chollet F, Weiller C. Imaging recovery of function following brain injury. Curr Opin Neurobiol 4:226-230, 1994.
Duffau H, Capelle L, Sichez JP, et al. Intraoperative direct electrical stimulations of the central nervous system: the
Salptrire experience with 60 patients. Acta Neurochir (Wien) 141:1157-1167, 1999
Duffau H, Capelle L, Lopes M, et al. The insular lobe: physiopathological and surgical considerations. Neurosurgery
47:801-811, 2000a
Duffau H, Sichez HP, Lehricy S. Intraoperative unmasking of brain redundant motor sites during resection of a
precentral angioma. Evidence using direct cortical stimulations. Ann Neurol 47:132-137, 2000b
Duffau H, Capelle L. May surgery in eloquent areas induce brain plasticity? Neuroimage 11:S271, 2000c
Duffau H. Acute functional reorganisation of the human motor cortex during resection of central lesions: a study using
intraoperative brain mapping. J neurol Neurosurg Psychiatry 70:506-513, 2001
Duffau H, Capelle L. Rcupration fonctionnelle aprs rsection de gliomes infiltrant laire somato-sensorielle primaire
(SI): tude par stimulations lectriques per-opratoires. Neurochirurgie. In press
Ebersole JS. Spike focus localization using dipole models from simultaneous MEG and EEG. Neurology 44-52, 1994
Ebersole JS, Squires KC, Eliashiv SD, et al. Applications of magnetic source imaging in evaluation of candidates for
epilepsy surgery. Neuroimaging Clin N Am 5:267-288, 1995
Ebersole JS. Magnetoencephalography/magnetic source imaging in the assessment of patients with epilepsy. Epilepsia
38:1-5, 1997
Ebmeier K, Haberland N, Steenbeck J, et al. Neuronavigation and magnetic source imaging in brain tumors. Front
Radiat Ther Oncol 33:78-87, 1999
Elbert T, Flor H, Birbaumer N, et al. Extensive reorganization of the somatosensory cortex in adult humans after
nervous system injury. Neuroreport 5:2593-2597, 1994
Elbert T, Sterr A, Flor H, et al. Input-increase and input-decrease types of cortical reorganization after upper extremity
amputation in humans. Exp Brain Res 117:161-164, 1997
Eliashiv SD, et al. Ictal magnetic source imaging (MSI) in focal epilepsy. Epilepsia 40:222, 1999
Engel J Jr. Surgical treatment of the epilepsies, Second edition. New York: Raven Press, 1993
Fandino J, Kollias SS, Wieser HG, et al. intraoperative validation of functional magnetic resonance imaging and cortical
reorganization patterns in patients with brain tumors involving the primary motor cortex. J Neurosurg 91:238-250, 1999
Farmer SF, Harrison LM, Ingram DA, et al. Plasticity of central motor pathways in children with hemiplegic cerebral
palsy. Neurology 41:1505-1510, 1991

- 13 -

38. Fish D, Andermann F, Olivier A. Complex partial seizures and small posterior temporal or extratemporal structural
lesions: surgical management. Neurology 41:1781-1784, 1991
39. Foerster O. the cerebral cortex of man. Lancet 2:309-312, 1931
40. Fried I, Cascino GD. Lesional surgery. In: Engel J Jr, ed. Surgical treatment of the epilepsies, second edition. New
York: Raven Press, 1993
41. Fuchs M, et al. Improving source reconstructions by combining bioelectric and biomagnetic data. Electroencephalogr
Clin Neurophysiol 107:93-111, 1998
42. Galaburda AM, Rosen GD, Sherman GF. Individual variability in cortical organization: its relationship to brain
laterality and implications to function. Neuropsychologia 28:529-546, 1990
43. Gallen CC, Sobel DF, Waltz T, et al. Noninvasive presurgical neuromagnetic mapping of the somatosensory cortex.
Neurosurgery 33:260-268, 1993
44. Gallen CC, Schwartz BJ, Bucholz RD, et al. Presurgical localization of functional cortex using magnetic source
imaging. J Neurosurg 82:988-994, 1995
45. Gallen CC, Tecoma E, Iragui V, et al. Magnetic source imaging of abnormal low-frequency magnetic activity in
presurgical evaluation of epilepsy. Epilepsia 38:452-460, 1997
46. Ganslandt O, et al. Magnetic source imaging combined with image-guided frameless stereotaxy: a new method in
surgery around the motor strip. Neurosurgery 41:621-628, 1997
47. Ganslandt O, et al. Functional neuronavigation with magnetoencephalography: outcome in 50 patients with lesions
around the motor cortex. J Neurosurg 91:73-79, 1999
48. Hund M, Rezai AR, Kronberg E, et al. Magnetoencephalographic mapping: basis of a new functional risk profile in the
selection of patients with cortical brain lesions. Neurosurgery 40:936-943, 1997
49. Hund-Georgiadis M, von Cramon DY. Motor-learning related changes in piano players and non-musicians revealed by
functional magnetic-resonance signals. Exp Brain Res 125:417-425, 1999
50. Imai K. Magnetoencephalography analysis of epileptic foci. No To Hattatsu 33:146-152, 2001
51. Jannin P, Fleig OJ, Seigneuret E, et al. A data fusion environment for multimodal and multi-informational
neuronavigation. Comput Aided Surg 5:1-10, 2000
52. Joliot M, Crivello F, Badier JM, et al. Anatomical congruence of metabolic and electromagnetic activation signals
during a self-paced motor task: a combined PET-MEG study. Neuroimage 7:337-351, 1998
53. Jooma R, Yeh HS, Privitera MD, et al. Lesionectomy versus electrophysiologically guided resection for temporal lobe
tumors manifesting with complex partial seizures. J Neurosurg 83:231-236, 1995
54. Karni A, Meyer G, Jezzard P, et al. Functional MRI evidence for adult motor cortex plasticity during motor skill
learning. Nature 377:155-158, 1995
55. Kido DK, et al. Computed tomographic localization of the precentral gyrus. Radiology 135:373-377, 1980
56. Kirchberger K, Hummel C, Stefan H. Postoperative multichannel magnetoencephalography in patients with recurrent
seizures after epilepsy surgery. Acta Neurol Scand 98:1-7, 1998
57. Knecht S, Henningsen H, Hohling C, et al. Plasticity of plasticity? Changes in the pattern of perceptual correlates of
reorganization after amputation. Brain 121:717-724, 1998
58. Knowlton RC, Laxer KD, Aminoff MJ, et al. Magnetoencephalography in partial epilepsy: clinical yield and
localization accuracy. Ann Neurol 42:622-631, 1997
59. Krainik A, Lehricy S, Duffau H, et al. The role of the supplementary area in motor deficit following medial frontal lobe
surgery. Neurology. In press
60. Kucharczyk J, Anson J, Benzel E, et al. Evaluation of magnetic source imaging for presugical planning of brain
neoplasms: a two-center retrospective technology assessment study. Acad Radiol 3:S131-134, 1996
61. Lamusuo S, Forss N, Ruottinen HM, et al. [18F]FDG-PET and whole-scalp MEG localization of epileptogenic cortex.
Epilepsia 40:921-930, 1999
62. Leonhardt G, Spiekermann G, Muller S, et al. Cortical reorganization following multiple subpial transection in human
brain a study with positron emission tomography. Neurosci Lett 292:63-65, 2000
63. Levelt WJM, Praamstra P, Meyer AS, et al. An MEG study of picture naming. J Cogn Neurosci 10:553-567, 1998
64. Lewine JD, Astur RS, Davis LE, et al. Cortical organization in adulthood is modified by neonatal infarct: a case study.
Radiology 190:93-96, 1994
65. Lders HO, ed. Epilepsy surgery. New York:Raven press, 1992
66. Lders HO, et al. Recovery of function following lesions of eloquent brain areas. Adv Neurol 73:335-346, 1997
67. Matsuo F, et al. MEG and EEG identification of epileptiform transients in patients with mesial temporal sclerosis.
Epilepsia 41:Abstr 3.138, 2000
68. McDonald JD, et al. Integration of preoperative and intraoperative functional brain mapping in a frameless stereotactic
environment for lesions near eloquent cortex. Technical note. J Neurosurg 90:591-598, 1999
69. Meunier S, Duffau H, Garnero L, et al. Comparison of the somatosensory cortical mapping of the fingers using a whole
head magnetoencephalography (MEG) and direct electrical stimulations during surgery in awake patients. Neuroimage
11:5 (S868), 2000
70. Minassian BA, Otsubo H, Weiss S, et al. Magnetoencephalographic localization in pediatric epilepsy surgery:
comparison with invasive intracranial electroencephalography. Ann Neurol 46:627-633, 1999
71. Mogilner A, Grossman JAI, Ribary U, et al. Somatosensory cortical plasticity in adults humans revealed by
magnetoencephalography. Proc Natl Acad Sci USA 90:3593-3597, 1993
72. Morioka T, Yamamoto T, Katsuta T, et al. Presurgical three-dimensional magnetic source imaging of the somatosensory
cortex in a patient with a peri-rolandic lesion: technical note. Neurosurgery 34:930-934, 1994
73. Morioka T, Mizushima A, Yamamoto T, et al. Functional mapping of the sensorimotor cortex: combined use of
magnetoencephalography, functional MRI, and motor evoked potentials. Neuroradiology 37:526-530, 1995a

- 14 -

74. Morioka T, Yamamoto T, Mizushima A, et al. Comparison of magnetoencephalography, functional MRI, and motor
evoked potentials in the localization of the sensory-motor cortex. Neurol Res 17:361-367, 1995b
75. Morioka T, et al. Intrinsic epileptogenicity of focal cortical dysplasia as revealed by magnetoencephalography and
electrocorticography Epilepsy Res 33:177-187, 1999
76. Morioka T, Nishio S, Hisada K, et al. Neuromagnetic assessment of epileptogenicity in cerebral arteriovenous
malformation. Neurosurg Rev 23:206-212, 2000a
77. Morioka T, Nishio S, Shigeto H, et al. Surgical management of intractable epilepsy associated with cerebral
neurocytoma. Neurol Res 22:449-456, 2000b
78. Morrell F, Kanner AM, et al. Multiple subpial transection. Adv Neurol 81:259-270, 1999
79. Naidich TP, Brightbill TC. Systems for localizing fronto-parietal gyri and sulci on axial CT and MRI. Int J Neuroradiol
4:313-338, 1996
80. Nakasato N, Levesque MF, Barth DS, et al. Comparisons of MEG, EEG, and EcoG source localization in neocortical
partial epilepsy in humans. Electroenceph Clin Neurophysiol 91:171-178, 1994
81. Nakasato N, Seki K, Kawamura T, et al. Cortical mapping using an MRI-linked whole head MEG system and
presurgical decision making. Electroencephalogr Clin Neurophysiol 47:333-341, 1996
82. Nakasato N, Kumabe T, Kanno A, et al. Neuromagnetic evaluation of cortical auditory function in patients with
temporal lobe tumors. J Neurosurg 86:610-618, 1997
83. Nakasato N, Kumabe T, Takahashi A, et al. Identification of cortical somatotopy by MEG and cortical stimulation. In:
Hashimoto I, Kakigi R, eds. Recent advances in human neurophysiology. Amsterdam: Elsevier 939-944, 1998
84. Nakasato N, Kanno A, Hatanaka K, et al. Preoperative MEG, fMRI and intraoperative cortical stimulation for
neurosurgical brain mapping. In: Yoshimoto T, Kotani M; Kuriki S, Karibe H, Nakasato N, eds. Recent advances in
biomagnetis. Sendai: Tohoku University press, 821-824, 1999
85. Nakasato N, Yoshimoto T. Somatosensory, auditory, and visual evoked magnetic fields in patients with brain diseases. J
Clin Neurophysiol 17:201-211, 2000
86. OBrien TJ, Kazemi NJ, Cascino GD. Localization-related epilepsies due to specific lesions. In: Engel J Jr, Pedley TA,
eds. Epilepsy: a comprehensive textbook. Philadelphia: Lippincott-raven Publishers: 2433-2446, 1997
87. Ojemann GA. Individual variability in cortical localization of language. J neurosurg 50:164-169, 1979
88. Ojemann GA, Ojemann JG, Lettich E, et al. Cortical language localization in left, dominant hemisphere. An electrical
stimulation mapping investigation in 117 patients. J Neurosurg 71:316-326, 1989
89. Ojemann JG, Miller JW, et al. Preserved function in brain involved by tumor. Neurosurgery 39:253-259, 1996
90. Orrisson WW, Davies LE, Sullivan GW, et al. Anatomic localization of cerebral cortical function by
magnetoencephalography combined with MR imaging and CT. AJNR 11:713-718, 1990
91. Orrisson WWJr, Rose DF, Hart BL, et al. Noninvasive preoperative cortical localization by magnetic source imaging.
AJNR 13:1124-1128, 1992
92. Orrison WWJr. Magnetic source imaging in stereotactic and functional neurosurgery. Stereotact Funct Neurosurg 72:8994, 1999
93. Ossenblock P, et al. Locating the cortical sources of somatosensory evoked responses by integration of EEG and MEG.
In: Barber C, et al., eds. Funktional neuroscience 183-191, 1996
94. Otsubo H, et al. Confirmation of two magnetoencephalographic epileptic foci by invasive monitoring from subdural
electrodes in an adolescent with right frontocentral epilepsy. Epilepsia 40:608-613, 1999
95. Packer RJ, Sutton LN, Patel KM, et al. Seizure control following tumor surgery for childhood cortical low-grade
gliomas. J Neurosurg 80:998-1003, 1994
96. Pantev C, Oostenveld R, et al. Increased auditory cortical representation in musicians. Nature 392:811-814, 1998
97. Papanicolaou AC, Simos PG, Breier JI, et al. Magnetoencephalographic mapping of the language-specific cortex. J
Neurosurg 90:85-93, 1999
98. Penfield W, Boldrey E. Somatic motor and sensory representation in the cerebral cortex of man as studied by electrical
stimulation. Brain 60:389-443, 1937
99. Rezai AR, Hund M, Kronberg E, et al. The interactive use of magnetoencephalography in stereotactic image guided
neurosurgery. Neurosurgery 39:92-102, 1996
100. Roberts TP, Zusman E, McDermott M, et al. Correlation of functional magnetic source imaging with intraoperative
cortical stimulation in neurosurgical patients. J Image Guid Surg 1:339-347, 1995a
101. Roberts T, Rowley H, Kucharczyk J, et al. Applications of magnetic source imaging to presurgical brain mapping.
Neuroimaging Clin N Am 5:251-266, 1995b
102. Roberts TP, Rowley HA. Magnetic source imaging as a tool for presurgical functional brain mapping. Neurosurg Clin N
Am 8:421-438, 1997a
103. Roberts TP, Rowley HA. Mapping of the sensorimotor cortex: functional MR and magnetic source imaging. AJNR
18:871-880, 1997b
104. Salmelin R, Helenius P, Service E. Neurophysiology of fluent and impaired reading: a magnetoencephalographic
approach. J Clin Neurophysiol 17:163-174, 2000
105. Seitz RJ, Huang Y, Knorr U, et al. Large-scale plasticity of the human motor cortex. Neuroreport 6:742-744, 1995
106. Shih JJ, et al. Location of spikes detected by magnetic source imaging may predict surgical outcome in patients with
mesial temporal sclerosis. Epilepsia 41:Abstr F12, 2000
107. Simos PG, Breier JI, Zouridakis G, et al. Assessment of cerebral dominance for language using
magnetoencephalography. J Clin Neurophysiol 15:364-372, 1998
108. Simos PG, Papanicolaou AC, Brier JI, et al. Localization of language-specific cortex using MEG and intraoperative
stimulation mapping. J Neurosurg 91:787-796, 1999a

- 15 -

109. Simos PG, Breier JI, Maggio WW, et al. Atypical temporal lobe language representation revealed by MEG and
intraoperative stimulation mapping. Neuroreport 10:139-142, 1999b
110. Simos PG, Papanicolaou AC, Brier JI, et al. Insights into brain function and neural plasticity using magnetic source
imaging. J Clin Neurophysiol 17:143-162, 2000
111. Skirboll SS, Ojemann GA, Berger MS, et al. Functional cortex and subcortical white matter located within gliomas.
Neurosurgery 38:678-685, 1996
112. Smith JR, Gallen C, Orrisson W, et al. Role of multichannel magnetoencephalography in the evaluation of ablative
seizure surgery candidates. Stereotact Funct Neurosurg 62:238-244, 1994a
113. Smith JR, Gallen CC, Schwartz BJ. Multichannel magnetoencephalographic mapping of sensorimotor cortex for
epilepsy surgery. Stereotact Funct Neurosurg 62:245-251, 1994b
114. Smith JR, King DW, Park YD, et al. Magnetic source imaging guidance of gamma knife radiosurgery for the treatment
of epilepsy. J Neurosurg 3:136-140, 2000
115. Sobel DF, Gallen CC, Schwartz BJ, et al. Locating the central sulcus: comparison of MR anatomic and
magnetoencephalographic functional methods. AJNR 14:915-925, 1993
116. Spencer SS, So NK, Engel J Jr, et al. Depth electrodes. In:Engel J Jr, eds. Surgical treatment of the epilepsies, second
edition. New York: Raven Press:359-376, 1993
117. Spengler F, Roberts TP, Poeppel D, et al. Learning transfer and neuronal plasticity in humans trained in tactile
discrimination. Neurosci Lett 232:151-154, 1997
118. Sperling MR, Cahan LD, Brown WJ. Relief of seizures from a predominantly posterior tumor with anterior temporal
lobectomy. Epilepsia 30:559-563, 1989
119. Stefan H, Schneider S, Abraham-Fuchs K, et al. Ictal and interictal activity in partial epilepsy recorded with
multichannel magnetoencephalography: correlation of electroencephalography/electrocorticography, magnetic
resonance imaging, single photon emission computed tomography, and postitron emission tomography findings.
Epilepsia 33:874-887, 1992
120. Stefan H, Schler P, Abraham-Fuchs K, et al. Magnetic source localization and morphological changes in temporal lobe
epilepsy: comparison of MEG/EEG, EcoG and volumetric MRI in presurgical evaluation of operated patients. Acta
Neurol Scand Suppl 152:83-88, 1994
121. Stefan H, et al. Presurgical evaluation in frontal lobe epilepsy. A multimethodological approach. Adv Neurol 66:213220, 1995
122. Stefan H, et al. Multi-channel magnetoelectro-encephalography. In: Pawlik G and Stefan H, eds. Focus localization.
Berlin, 247-259, 1996
123. Stefan H, Hummel C, Hopfengrtner R, et al. Magnetoencephalography in extratemporal epilepsy. J Clin Neurophysiol
17:190-200, 2000
124. Stippich C, et al. Motor, somatosensory and auditory cortex localization by fMRI and MEG. Neuroreport 9:1953-1957,
1998
125. Sutherling WW, Crandall PH, Darcey TM, et al. The magnetic and electric fields agree with intracranial localizations of
somatosensory cortex. Neurology 38:1705-1714, 1988
126. Sutherling WW, et al. Localization of partial epilepsy using magnetic and electric measurements. Epilepsia 32 (Suppl
5):29-40, 1991
127. Sutherling WW, Cuffin BN, Hari R, et al. Assessment: magnetoencephalography (MEG). Neurology 4:1-4, 1992
128. Sutherling WW, et al. Whole cortex MEG and MRI(MSI) localizes sensorimotor cortex adjacent to epilepsy and tumors.
Epilepsia 41:Abstr 2.173, 2000
129. Vasama JP, Makela JP, Parkkonen L, et al. Auditory cortical responses in humans with congenital unilateral conductive
hearing loss. Hear Res 78:91-97, 1994.
130. Vikingstad EM, Cao Y, Thomas AJ, et al. Language hemispheric dominance in patients with congenital lesions of
eloquent brain. Neurosurgery 47:562-570, 2000
131. Villemure J, De Tribolet N. Epilepsia in patients with central nervous system tumors. Curr Opin Neurol 9:424-428, 1996
132. Volkmann J, et al. Extrarolandic origin of spike and myoclonus activity in epilepsia partialis continua: a
magnetoencephalographic and positron emission tomography study. J Neuroimaging 8:103-106, 1998
133. Weiller C. Imaging recovery from stroke. Exp Brain Res 123:13-17, 1998
134. Weiss T, Miltner WH, Huonker R, et al. Rapid functional plasticity of the somatosensory cortex after finger amputation.
Exp Brain Res 134:199-203, 2000
135. Wendling F, et al. Modeling of EEG seizure signals and analysis of functional couplings in temporal lobe epilepsy.
Epilepsia 41: Abstr 3.121, 2000
136. Wiech K, Preissl H, et al. Cortical reorganization after digit-to-hand replantation. J Neurosurg 93:876-883, 2000
137. Wheless JW, Willmore LJ, Breier JI, et al. A comparison of magnetoencephalography, MRI, and V-EEG in patients
evaluated for epilepsy surgery. Epilepsia 40:931-941, 1999
138. Wood CC, Spencer DD, Allison T, et al. Localization of human sensorimotor cortex during surgery by cortical surface
recordings of somatosensory evoked potentials. J Neurosurg 68:99-111, 1988
139. Wunderlich G, Knorr U, Herzog H, et al. Precentral glioma location determines the displacement of cortical hand
representation. Neurosurgery 42:18-27, 1998
140. Yang TT, Gallen CC, Ramachandran VS, et al. Noninvasive detection of cerebral plasticity in adult human
somatosensory cortex. Neuroreport 5:701-704, 1994.
141. Yousry TA, Schmidt UD, Alkhadi H, et al. Localization of the motor hand area to a knob on the precentral gyrus. A new
landmark. Brain 120:141-157, 1997
142. Zentner J, Hufnagel A, Wolf HK, et al. Surgical treatment of neoplasms associated with medically intractable epilepsy.
Neurosurgery 41:378-387, 1997

Recalage automatique rigide d'images mdicales : IRM / IRM

Ahmed KHARRAT1, Moncef BOUSSELMI1, Mohamed ABID1
ahmed.kharrat@fss.rnu.tn, Moncef.Bousselmi@fss.rnu.tn, mohamed.abid@enis.rnu.tn
1 Ecole Nationale des Ingnieurs de Sfax Computer & Embedded Systems Laboratory (CES)
Route Soukra km 3,5
B.P.: w -- 3038 Sfax TUNISIA
RSUM. Le prsent article propose une mthode de recalage des images mdicales de type IRM
base sur la technique du bloc Matching, utilisant l'algorithme de rsolution conu aux centres
dimages. Cet article prsente une technique permettant lamlioration du traitement aux niveaux
des coins tout en profitant des performances des mthodes prcdentes. La mthode propose se
compose de quatre tapes : dcoupage des deux images source et cible et recherche du correspond
de chaque bloc dans limage cible, application des filtres, recherche de la transformation rigide en
tenant compte de certains mesures de similarit et enfin loptimisation des rsultats en utilisant
lestimateur des moindre carr tamise. Cette approche a t exprimente et a abouti des
rsultats intressants.
Mots-cls: recalage, rigide, IRM, mesure de similarit.

I. Introduction
Le recalage dimages fait rfrence la procdure ayant pour but de trouver une transformation spatiale reliant
deux ou plusieurs images. Au final, le but est de situer les images dans un mme repre gomtrique. Cest un
domaine de recherche aux multiples applications et impliquant un vaste nombre de technique dimagerie
numrique. Cette multiplicit provient essentiellement de la notion assez gnrale de lien entre images : les
mthodes de recalage interviennent en fait chaque fois quune correspondance spatiale entre images est
requise. En effet, le recalage constitue un problme incontournable de nombreuses tches danalyse dimages
mdicales. Il est notamment ncessaire pour la comparaison dimages mono ou multimodales et intra ou interpatients. Plusieurs approches ont t dveloppes en fonction de la nature des images recaler et des conditions
dacquisitions. Ce processus peut tre rencontr dans la littrature sous le nom de mise en correspondance
spatiale, fusion ou normalisation spatiale lorsque les donnes manipules par lalgorithme du recalage sont des
images mdicales. Dans ce travail, nous abordons la classification de recalage en se basant sur la technique de
rsolution considre. En effet, deux classes dapproches de recalage dimages mdicales peuvent tre
distingues : les approches bases sur lextraction des primitives [4, 7, 8, 11] et les approches bases sur
lintensit : [2, 10, 12,13], appel parfois recalage sans primitives.
Le prsent papier se situ dans le cadre de pr-traitement de lanalyse des images mdicales, il prsente une phase
prliminaire visant la prise de dcision suite une diagnostique dcisionnelle. Concernant cette aspect
dcisionnelle, nous citons plusieurs approches ont t cit dans la littrature tel que lutilisation de rseau de
neurones [3].
Le prsent article sera organis comme suit : la deuxime section sera consacre une description technique du
recalage dimages mdicales en prsentant les techniques de recalage bases sur les primitives, les techniques de
recalage bases sur lintensit afin de les comparer avec les techniques dcrites prcdemment et les diffrentes
possibilits dintgration des deux approches pour avoir une nouvelle famille dapproches de recalage nomme
hybride [5, 6, 9]. Enfin, nous prsentons notre approche base sur le recalage hybride fin dillustrer ses
avantages sous forme des diffrents rsultats avant et aprs lapplication des filtres et essentiellement le filtre de
Sobel en utilisant comme estimateur le moindre carre tamis.

II. Recalage dimages

1. Introduction
La notion de recalage est associe la dfinition dune correspondance point par point entre les coordonnes
dun point dans un espace celle dun autre point dans un autre espace (appel aussi rfrentiel). Dans le
domaine mdical, cette notion se trouve renforce par le fait que ces points correspondent tous un point
anatomique.
Ds lors, un certain nombre de questions viennent l'esprit : quelles informations utiliser pour guider le recalage
? Comment dformer une image ? Comment dfinir la ressemblance entre deux images ? Comment trouver la
meilleure transformation ?
De ce fait, quelle sinscrive dans le cadre dune application interactive ou automatique, une procdure de
recalage suit gnralement le mme schma et rclame la dfinition de certains critres savoir :
- Extraction des structures homologues (appeles aussi attributs ou primitives) : Ce sont les
caractristiques, extraites des images, qui permettent de guider le recalage.
- Modle de transformation : Il conditionne la manire dont l'image est gomtriquement modifie.
- Critre de similarit : Il dfinit une certaine distance entre les attributs des images afin de quantifier la
notion de ressemblance.
- Stratgie d'optimisation : Elle permet de dterminer la meilleure transformation au sens d'un certain
critre de similarit dans l'espace de recherche dfini par le modle de transformation.
2. Algorithme gnral du recalage dimages
Dans cette partie, nous allons poser le problme du recalage de manire plus formelle en introduisant les
diffrentes notations utilises et en dcrivant le principe gnral de la procdure de recalage (Fig. 1).
Critre de similarit

Iref

Fref

Iref

E (Iref, Icib (T))

Icib (T)

Icib

Fcib
Prtraitement

Icib

Optimisation

Mise jour
de T

T(p) = p+ u(p)
Modle de transformation (rigide)

Fig. 1. Principe gnral du recalage de l'image Icib sur Iref

La notion de recalage peut tre rsume de la faon suivante :
Considrons le recalage d'une image Icib sur une image de rfrence Iref. Le problme de mise en correspondance
des deux images consiste l'estimation d'une transformation T qui chaque point p de l'image de rfrence Iref
associe les coordonnes T(p) = p + u(p) dans l'image Icib (u reprsente le champ de dformation). La
transformation T est recherche parmi un ensemble de transformations, dfinissant l'espace de recherche des
transformations. Une tape prliminaire l'estimation de la transformation est l'extraction partir des images
brutes Iref et Icib des informations pertinentes permettant de guider le recalage. Iref et Icib sont donc construites
respectivement partir de Iref et Icib en utilisant les fonctions Fref et Fcib.
Une fois les informations extraites, il s'agit de dfinir une fonction d'nergie E permettant d'associer un couple
Icib (T) et Iref une valeur permettant de quantifier leur proximit ou bien leur ressemblance. Cette fonction E,

appele aussi critre de similarit, devrait thoriquement tre minimale (ou maximale) lorsque l'image de
rfrence et l'image cible sont en parfaite correspondance.

qui minimise (ou maximise) la

La phase d'optimisation consiste enfin trouver la transformation optimale T
fonction d'nergie E sur l'espace de recherche entre les deux images Iref et Icib. Le problme d'optimisation peut
ainsi tre formul de la manire suivante (eq.1) :

)
T = arg min E ( I ref , I cib (T ))
T

(1)

3. Recalage bas sur les primitives

Ce type de recalage est bas sur lextraction des primitives gomtriques des deux images recaler. La premire
tape de cette technique consiste extraire un type de primitives gomtriques : points dintrt, contours ou
surface sur les deux images objet dtudes. Ensuite, un processus didentification des paires de primitives qui
peuvent se correspondre est mis en place. Ce processus est appel mise en correspondance ou appariement des
primitives. La transformation est par la suite calcule en se basant sur lensemble des couples apparis. Il est
noter que ltape dextraction des primitives est considre discriminante pour la prcision de la transformation
recherche. Donc, le manque de prcision des primitives conduit obligatoirement une transformation aberrante
qui peut parfois compliquer le problme de comparaison dimages plus que le simplifier [1]. Cest pourquoi, une
validation des algorithmes de recalage en routine clinique est toujours demande pour raffiner les algorithmes
proposs.
4. Recalage bas sur lintensit
Pour beaucoup de travaux rencontrs dans la littrature, ltape dextraction des primitives a t limine et la
mesure de la similarit est applique directement sur lintensit des voxels. Au contraire du recalage bas sur les
primitives, ce recalage utilise linformation fournie par lintensit de limage toute entire. Ltape cruciale de ce
recalage est donc la mesure de similarit adopte et le processus doptimisation choisi. En fait, une mesure de
similarit est calcule pour valuer la ressemblance entre les pixels qui doivent se correspondre aprs avoir
appliquer une transformation initiale T0 [1].
5. Recalage hybride
Pour faire face aux problmes lis lutilisation des primitives ou lintensit pour assurer le recalage dimages
mdicales, des auteurs de quelques travaux, ont introduit une nouvelle catgorie dapproches. En fait, cette
catgorie dite dapproches hybrides, utilisent une combinaison temporaire [9], spatiale [6] ou bien simultane [5]
des deux autres. Pour la combinaison spatiale ou simultane des deux algorithmes de recalage, la prcision est
toujours dpendante de la prcision dextraction des primitives ce qui peut tre un inconvnient li lutilisation
de ce type de combinaison. Alors que pour une combinaison temporaire, il y aura toujours une possibilit de
raffinement des rsultats car les primitives ne sont utilises que pour une estimation grossire pour initialiser les
paramtres de l'algorithme. Les possibilits de combinaison entre les deux types de recalage sont trs
nombreuses et les techniques dcrites dans ce travail ne sont que des exemples pour illustrer la possibilit de
combinaison temporaire, spatiale et simultane [1].

III. Description de lapproche

Pour suivre lvolution du cancer dans le temps, afin de mettre en place une planification radio-thrapeutique
fiable, limagerie anatomique se trouve insuffisante pour une dlimitation confie du cancer. En fait,
linterprtation visuelle de la structure anatomique au cours de la radiothrapie par le radiologue, est parfois
impossible. En effet, en se basant sur l'interprtation visuelle uniquement, le diagnostic diffrentiel entre rcidive
et radioncrose peut conduire une planification radio-thrapeutique invasive. Par exemple, dans le cas du
cancer de rhinopharynx, un paississement de la membrane de la cavit nasale est remarqu sans quune
interprtation correcte puisse tre mise en place par interprtation visuelle sur des images rsonance
magntique. Donc, un recalage des images mdicales dans ce cas se trouve de grand intrt. Dans notre
application, nous nous proposons de recaler des images IRM 2D de rhinopharynx, il est tenir compte de

plusieurs sources de diffrences possibles entre l'image de rfrence et l'image cible [1]. En fait, limportance
source de diffrence est le changement de l'anatomie de rhinopharynx. Cette diffrence sera utilise pour estimer
le changement de volume de la tumeur et quantifier l'avancement ou le recule de la tumeur. Cela permettra de
mettre en place une planification radio-thrapeutique fiable. Pour cette application nous optons pour une
technique hybride de recalage rigide afin de surmonter les inconvnients du recalage bas sur les primitives et les
inconvnients du recalage bas sur l'intensit.
Selon notre tude bibliographique, les approches qui combinent successivement l'utilisation des deux autres
catgories d'approches sont les plus prometteuses. Pour cette raison, nous nous proposons d'utiliser une approche
drive de celle dcrite dans [9]. Dans ce travail, la subdivision successive des blocs est inspire de la
subdivision des blocs utilise dans la norme de compression MPEG4. Pour cette norme, il n'existe pas un critre
de dcision de l'arrt de subdivision pour quelques blocs ou de sa continuit pour des autres. Cela veut dire que
tous les blocs utiliss sont toujours de mme taille malgr qu'il existent certainement des subdivisions inutiles sur
des blocs qui ne sont pas discriminants et dont les correspondants sont faible prcision. Pour notre approche
nous proposons d'utiliser la subdivision en bloc qui s'inspire de la norme de compression H.264 [1].
Pour notre application, nous suggrons que ce critre soit bas sur l'application d'un masque d'extraction de
contours afin de localiser les parties de l'image qui contiennent des informations anatomiques valides qui
peuvent aider pour raffiner le recalage. Pour cela nous utilisons une stratgie dappariement de rgions, afin
destimer une transformation paramtrique rigide T, initialis lidentit. Nous utilisons pour cela une approche
itrative, c'est--dire que nous approchons pas pas la transformation. A chaque itration, nous calculons la
mesure de similarit ( champ de vecteur) entre les deux images de rfrence et cible jusqu ce que le recalage
est assur ou quil y a plus damlioration du rsultat.
Considrons deux images 2D de mme taille 256*256 que nous dsirons mettre en correspondance, nous notons
(x, y) les positions sur la grille de voxels des images. Pour cela nous dcoupons limage de rfrence en un
ensemble de sous-images que nous appellerons blocs. Ces blocs seront nots B dans limage de rfrence I et B
dans limage cible J, de taille identique N*N [1], en premier lieu 32*32, en deuxime lieu 16*16, ensuite 8*8 et
enfin 4*4. Nous recherchons alors les meilleurs correspondants dans limage cible dun ensemble de blocs B de
limage de rfrence, pour un critre de similarit donn. Chaque couple de blocs sera stock par la position de
son centre du fait du mouvement recherch du bloc (mouvement translationnel). Signalons de plus que le point
du centre est celui pour qui la relation locale entre les blocs est statiquement la plus juste. Cest cet ensemble de
couples de points qui dfinira un champ de vecteurs entre nos deux images.
Le principe de lalgorithme retenu est de mettre en correspondance un bloc de limage de rfrence avec un bloc
de limage cible. Nous pouvons effectuer cette recherche sur toute limage ou bien sur une zone autour de la
position du bloc de limage de rfrence. C'est--dire pour un bloc B de I, nous recherchons donc dans un
voisinage qui est dfini par 2*rayon du bloc B, de J le meilleur correspondant B. Lors de la phase
dappariement, on prend en considration que le pas entre deux blocs conscutifs dans le voisinage dtermin de
limage cible est , qui peut bien sr tre anisotrope suivant les axes. Dans la stratgie classique dappariement
de rgions, nous nous sommes amens effectuer une recherche complte dans ce voisinage. C'est--dire que
nous explorons toutes les positions en coordonnes entires dans . En faisant lhypothse que, dans un
voisinage donn, le critre de similarit que nous optimisons est convexe, alors nous pouvons effectuer une
recherche quasi-complte (Fig. 2). En effet, en utilisant cette proprit de convexit, nous pouvons par exemple
explorer une position sur deux, et considrer que la solution trouve reprsente la position la plus proche de la
solution relle (recherche complte).

Fig. 2. Illustration de lappariement de rgions sur une coupe IRM [9]

Pour une direction donne, N est la taille du bloc, est la taille de la zone de recherche, est la rsolution du
champ de vecteurs, est la densit du champ de vecteurs. Sur cette figure, le centre du bloc B est not mi et celui
du bloc B est not mi.

IV. Exprimentation
Afin dvaluer la performance de notre algorithme nous avons utilis ce stade la base de donnes vanderbilt et
nous avons limit nos expriences uniquement aux images IRM 2D intra-sujets et particulirement au quatre
premier sries. Il est a signal que les images sont de taille 256x256 et en niveau de gris (16 bits/ pixels). Nous
avons test lapproche base sur lutilisation du Coefficient de Corrlation (CC) et linformation mutuelle (MI)
sur quatre sries dimages IRM 2D monomodale intra-sujets suivant la variation de ces trois paramtres N, et
avant (tableau1) et aprs lapplication de filtre de Sobel (tableau2).
Puis nous avons calcul les deux taux derreur moyen, un relatif aux coins de limage prsent par (eq.2) et un
autre dcrivant celle du centre de limage (eq.3). Nous avons ensuite compar ces quatre sries avec celles de
lalgorithme dAladin [9].

1 4
ST ( Pi ) T ( Pi )
4 i =1

= ST ( P1 ) T ( P1 )

(2)
(3)

Avec S est estim laide de lalgorithme destimation de transformation au sens des moindres carrs tamis.
Une fois S est calcule on met jour la transformation prcdente T tel que T
ToS. Aussi P1,, P4 les quatre
coins de limage dans lquation 2, P1 reprsente le centre de limage dans lquation 3.
Tableau 1: Distance moyenne de recalage IRM/IRM des quatre premires sries de la base vanderbilt, pour trois
algorithmes diffrents avant lapplication de filtre de Sobel

Mthode
Block Matching avec
CC
Block Matching avec
MI
Aladin

Erreur au centre
Moyen (mm)
5.22

Erreur au coin
Moyen (mm)
9.91

4,28

11.46

2.39

3.70

Par la suite, nous avons prcd appliquer les trois filtres classiques Sobel, Robert et Prewitt, et nous avons
essay de choisir celle qui donne le meilleur rsultat du taux derreur moyen qui est prsent au tableau suivant.

Tableau 2: Distance moyenne de recalage IRM/IRM des quatre premires sries de la base vanderbilt, pour trois
algorithmes diffrents aprs lapplication de filtre de Sobel sur les deux premiers algorithmes
Mthode / filtre de
Sobel
Block Matching avec
CC
Block Matching avec
MI
Aladin

Erreur au centre
Moyen (mm)
3. 91

Erreur au coin
Moyen (mm)
6. 15

3.26

8.37

2.39

3.70

La comparaisons des performances nous amne aux observations suivantes, alors lalgorithme qui utilise le MI
comme mesure de similarit aprs lapplication de filtre de Sobel est efficace par rapport au premier quutilise le
coefficient de corrlation, puisquil a donn un taux derreur faible au centre dimage. Alors que cette tendance
est diffrente en se qui concerne le taux derreur au coins dimage. En effet, la performance de ces deux
approches sont actuellement comparable : le taux derreur moyen de Block Matching avec MI est moins lev et
par consquent plus performant et prcis. Les exprimentations faites sur une base dimages IRM 2D
monomodale intra-sujets ont montre que cette approche prsente toujours des rsultats meilleurs que lapproche
Block Matching avec CC au centre dimage. Cette diffrence rsulte, peut tre, du changement de la mthode de
mesure de similarit utilise, le cfficient de corrlation pour la premire et linformation mutuelle pour la
secondaire. Lutilisation de linformation mutuelle sur cette base dexemple se traduit par une performance
remarquable au niveau du traitement au centre de limage, et une dgradation au niveau des coins. Quant
lutilisation de lapproche quutilise le cfficient de corrlation, elle se traduit par une bonne performance au
niveau du traitement des coins et une lgre dgradation au niveau du traitement au centre. Cette constatation

nous mne combiner ces deux algorithmes dans un processus de recalage pour profiter des avantages du
premier (traitement des coins) et des avantages du deuxime (traitement au centre) et atteindre une rsultat
proche de lalgorithme dAladin.

Conclusion
Dans cet article une synthse des diffrents algorithmes de recalage est prsente afin de classifier les mthodes
en trois catgories : une premire catgorie dapproches qui se base sur lappariement des primitives
gomtriques afin de montrer les avantages et les inconvnients de cette approche. Une deuxime catgorie est
celle qui englobe les approches bases sur le calcul de similarit dintensit sur limage toute entire. Pour ces
approches nous avons prsent les diffrents choix possibles, selon la bibliographie consulte, pour construire
une chane de rsolution robuste en mettant laccent sur limportance de choix dans chaque tape. Avant de
terminer nous avons achever notre synthse par la prsentation de quelques approchent qui ont montr la
ncessit de faire recours aux algorithmes hybrides qui associent, spatialement, temporairement ou
simultanment, une approche base sur les primitives une approche base sur lintensit. Ces approches ont
permis aux autres catgories de se complter pour donner des approches plus robustes. Enfin, nous avons
prsent la performance de notre approche par rapport celle de lalgorithme dAladin.
Rfrences
[1] Ahmed Kharrat, Saoussen Belhassani, Moncef Bousselmi, Recalage logiciel pour limagerie mdicale :
classification, comparaison et ralisation, GEI2008 Huitimes Journes Scientifiques des Jeunes Chercheurs en
GENIE ELECTRIQUE ET INFORMATIQUE.
[2] J.E. Atif, Recalage non-rigide multimodal des images radiologiques par information mutuelle quadratique
normalise. Thse, LIMSI-CNRS, 2004
[3] Frdric Alexandre, Nizar Kerkeni, Khaled Ben Khalifa, Mohamed Hdi Bedoui, Laurent Bougrain, and
Mohamed Dogui. Supervised neuronal approaches for EEG signal classification: experimental studies. In
Artificial Intelligence and Soft Computing, pages 114-119, 2006.
[4] Z.Cao, S. Pan, R.Li, R.BAlachandran, M.J. Fitzpatrick,W. C. Chapman et B.M.Dawant. Registration of
medical images using an interpolated closest point transform: Method and validation.
[5] P. Cachier, J-F. Mangin, X. Pennec, D. Rivire, D. Papadopoulos-Orfanos, J. Rgis et N. Ayache. Multisubject
non-rigid registration of brain MRI using intensity and geometric features. Proc. Of Medical Image Computing
and Computer-Assisted Intervention (MICCAI01), pp.734-742, The Netherlands-Octobre 2001.
[6] H.J. Johnson et G.E. Christensen, Consistent landmark and Intensity-based Image Registration, IEEE
transactions on medical imaging, VOL.21, NO 5, Mai 2002.
[7] L.Ding, A. Goshtasby et M. Satter, Volume image registration by template matching, 2001
[8] D. W. G. Montgomery, A.Abbes et H.Zaidi, Fully Automated Segmentation of Oncological PET volumes
using combined Multiscale an statistical Model, 2006
[9] S. Ourselin, A. Roche, S. Prima et N. Ayache, Block matching: a general frame work to improve robustness
of rigid registration of medical images. INRIA, 2001
[10] J. P.W. Pluim, J.B. A. Maintz et M.A. Viegever. Mutual information based registration of medical images: a
survey. IEEE Transaction on medical imaging, 2003.
[11] P.Putjarupong, C. PINtavirooj, W. Withayachumnankul et M. Sangworasil, Image registration Exploiting
Five-point coplanar perspective invariant and maximum-curvature point, Journal of WSCG, Vol.12, No.1-3,
ISSN 1213-6972, WSCG2004.
[12] G. K. Rohde, A. Aldroubi et B. Dawant. The adaptative bases algorithm for intensity-based nonrigid image
registration. IEEE Transaction on Medical Imaging, vol.22, No.11, novembre 2003.
[13] P. Thvenaz, U.E. Ruttimann et M. Unser. A pyramid approach to subpixel registration based on intensity.
IEEE Transactions o image processing, vol.7, No.1, janvier 1998.