On voit bien que les techniques permettant d'acquérir les données tridimensionnelles sont au point même si des améliorations sont toujours possibles. Mais la difficulté essentielle réside dans l'exploitation des informations recueillies. Les différentes méthodes d'exploitation des données peuvent être réparties en trois catégories : plans de coupe, surface et rendu de volume. Elles font appel à des algorithmes de traitement d'image différents et donc n'ont pas les mêmes conséquences sur le traitement de l'image. Un point commun, néanmoins, existe : il s'agit de la taille des matrices à traiter. Actuellement on arrive à obtenir des résultats en temps réel avec des matrices de 128³ ou 256³ pixels.

1 - Plans de coupe

La construction de la matrice 3D, à partir des données acquises, permet d'accéder rapidement à la valeur approchée de l'intensité de l'écho en n'importe quel point de la zone étudiée. Il est donc aisé de calculer l'image d'un plan de coupe donné. Comparé aux autres méthodes de visualisation, le calcul d'un plan de coupe demande assurément le moins de puissance de calcul. Les rendus peuvent donc être très interactifs et l'on atteint des fréquences comparables aux taux de rafraîchissement d'un échographe classique. L'utilisateur peut ainsi facilement explorer le volume de données et trouver rapidement les plans adéquats. L'image d'un plan de coupe est similaire à l'image obtenue par une échographie classique donc tout ce qui a été fait pour l'échographie classique peut être réutilisé ici. Contrairement aux autres méthodes de visualisation, il n'y a pas d'adaptation à un nouveau type de représentation. L'avantage réside dans le fait de pouvoir examiner exactement le plan de coupe qu'on veut (même si on ne peut pas l'atteindre en échographie classique).

D'un point de vue algorithmique, il faut développer un algorithme qui puisse donner à l'utilisateur le plan de coupe qu'il souhaite, accompagné des 2 plans qui lui sont perpendiculaires. Il est possible de générer des plans de coupe sans effectuer la reconstruction du volume numérique [6]. L'échantillonnage peut alors être adapté à la géométrie de l'acquisition pour certains balayages automatiques.

2 - Rendu de volume

Le rendu de volume permet de calculer une image directement à partir du volume de données sans passer par un intermédiaire géométrique comme les surfaces. Il est alors possible d'afficher une image qui représente l'ensemble des données c'est-à-dire non seulement la surface des objets mais aussi l'intérieur. Le résultat est similaire à une radiographie. La méthode la plus connue est basée sur le lancer de rayon. Pour calculer la valeur d'un pixel sur l'écran, on simule les rayons partant de l'oeil de l'observateur et traversant la matrice volumique. On affiche ensuite à l'écran une valeur correspondant à une combinaison donnée des propriétés des voxels rencontrés par chaque rayon. Le choix de la combinaison dépend alors des caractéristiques de la structure que l'on veut visualiser. Cela peut être la moyenne ou le maximum pour visualiser la structure osseuse ou le minimum pour visualiser le réseau sanguin. Cette catégorie ne fait pas appel à des algorithmes très compliqués même s'il faut dans ce cas les implémenter (à ma connaissance) spécialement pour l'échographie 3D.

Figure 19 - Lancer de rayon

3 - Surface

Déterminer la surface peut être utile pour visualiser l'objet de façon naturelle mais aussi pour mesurer le volume d'une structure plus précisément. Afin de trouver la surface d'un objet, on doit passer par les 3 étapes suivantes : sa détection et sa segmentation, sa représentation mathématique, et sa visualisation. Ici encore on peut essayer de récupérer des méthodes déjà éprouvées. Ainsi on va se tourner vers la tomographie 3D ou l'IRM 3D pour essayer de récupérer le maximum d'algorithmes qui fonctionnent. Finalement on s'aperçoit que la seule grosse difficulté à surmonter réside dans la détection et la segmentation de l'objet désiré.

Représentation mathématique : une surface est un objet géométrique et suivant les propriétés que l'on désire exploiter, différentes représentations sont possibles. Les approximations à l'aide d'éléments finis mettent en évidence les propriétés locales : fréquemment on utilise des polygones ou des surfaces de Bézier. Mais pour maîtriser la forme globale, ou simplifier au maximum la description de la surface, on préfère les modèles paramétriques comme les surfaces de Fourier ou les surfaces hyperquadriques. Posséder une description mathématique d'un objet permet d'accéder à toutes les mesures dont on peut avoir besoin : distances ou mesures de volume. Tous ces modèles ont déjà été utilises pour d'autres sources de données. Et a priori l'échographie n'a rien de spécifique en ce qui concerne cette représentation mathématique donc on peut réutiliser les algorithmes déjà existants [6].

Visualisation : ici il s'agit de faire percevoir au cerveau humain un sentiment de tridimensionnalité sur une image qui s'affiche sur un écran. Ainsi on va jouer sur l'éclairage et la variation de la luminosité appliqués sur la surface. On pourrait penser aussi à la perspective mais sur des organes dont on ne connaît pas la forme précise, il est trop difficile d'utiliser ce critère. La perspective cavalière est souvent privilégiée par défaut. Les variations d'intensité lumineuse fournissent d'importants renseignements sur l'orientation de la surface par rapport aux sources de lumières. Sur une surface, on simule l'éclairage à l'aide de trois modèles : la lumière ambiante, la réflexion diffuse et la réflexion spéculaire. La lumière ambiante correspond à un éclairage uniforme. La réflexion diffuse dépend de l'angle entre la source lumineuse et la normale à la surface pour chaque point de la surface. La réflexion spéculaire enfin dépend en plus du point de vue de l'observateur. En plus, il est courant d'utiliser un modèle d'atténuation de l'intensité lumineuse : plus l'objet est loin, moins il est éclairé. Ces modèles étant implantés sur les processeurs graphiques de tous les ordinateurs, ils permettent de manipuler très facilement des surfaces approchées par des éléments finis.

Détection - Segmentation : ceci correspond à la partie la plus délicate de l'utilisation des surfaces. Il existe deux approches : soit l'on possède suffisamment de connaissance a priori sur la région étudiée et l'on peut espérer utiliser des algorithmes de segmentation automatique, soit l'utilisateur doit délimiter manuellement les différents objets. La segmentation manuelle se fait par dessins des contours de l'objet sur des plans parallèles successifs. Ces contours sont ensuite reliés pour donner des surfaces. Cette méthode est très précise mais fastidieuse et peu intéressante car aucun médecin n'acceptera de dessiner manuellement pour chaque patient les contours d'une zone uniquement pour avoir une visualisation 3D de cette région. C'est pourquoi il est impératif d'implémenter des algorithmes de segmentation automatique (ou du moins minimisant l'intervention humaine). Cette partie est sûrement la plus difficile et celle qui accapare toutes les attentions du moment. Dans [3], Sakas propose sa méthode BLTP (Binarize, Low-pass, Threshold and Propagate) avec laquelle il obtient de bons résultats comme on peut le voir (figure 20). Cette segmentation automatique est rendue difficile par les particularités des données échographiques : bruit, importance du speckle, échos spéculaires forts, effets de masquage, etc. Le seul cas favorable est l'obstétrique lorsque le fœtus est entouré de suffisamment de liquide amniotique. A ce moment là, la surface du fœtus qui est représenté par la frontière peau / liquide est très visible et bien détectée automatiquement (fort contraste entre le fœtus et le liquide). Dans les autres cas (et dans l'état actuel des choses), on doit avoir des connaissances a priori sur l'organe observé, sa forme et sa position. Ainsi les algorithmes mis en jeu sont des algorithmes de déformation d'un modèle de surface pour l'adapter aux caractéristiques extraites par les prétraitements. Mais l'échographie 3D (et d'autres secteurs du traitement d'images) attend des algorithmes de segmentation automatique qui permettront de satisfaire pleinement les utilisateurs exigeants que sont les médecins.

haut de page

| Index | << Partie précédente | Partie suivante >>

| Index | Introduction | Principe | Applications médicales et informations recueillies |

| Avantages, inconvénients et contraintes | Conséquences pour le traitement d'images |

| Conclusion | Références |