L'imagerie intravasculaire ultrasonore (IVUS) est une technologie médicale par cathéter qui produit des images de coupe des vaisseaux sanguins. Elle permet de quantifier et d'étudier la morphologie de plaques d'athérosclérose en plus de visualiser la structure des vaisseaux sanguins (lumière, intima, plaque, média et adventice) en trois dimensions. Depuis quelques années, cette méthode d'imagerie est devenue un outil de choix en recherche aussi bien qu'en clinique pour l'étude de la maladie athérosclérotique. L'imagerie IVUS est par contre affectée par des artéfacts associés aux caractéristiques des capteurs ultrasonores, par la présence de cônes d'ombre causés par les calcifications ou des artères collatérales, par des plaques dont le rendu est hétérogène ou par le chatoiement ultrasonore (speckle) sanguin. L'analyse automatisée de séquences IVUS de grande taille représente donc un défi important. Une méthode de segmentation en trois dimensions (3D) basée sur l'algorithme du fast-marching à interfaces multiples est présentée. La segmentation utilise des attributs des régions et contours des images IVUS. En effet, une nouvelle fonction de vitesse de propagation des interfaces combinant les fonctions de densité de probabilité des tons de gris des composants de la paroi vasculaire et le gradient des intensités est proposée. La segmentation est grandement automatisée puisque la lumière du vaisseau est détectée de façon entièrement automatique. Dans une procédure d'initialisation originale, un minimum d'interactions est nécessaire lorsque les contours initiaux de la paroi externe du vaisseau calculés automatiquement sont proposés à l'utilisateur pour acceptation ou correction sur un nombre limité d'images de coupe longitudinale. La segmentation a été validée à l'aide de séquences IVUS in vivo provenant d'artères fémorales provenant de différents sous-groupes d'acquisitions, c'est-à-dire pré-angioplastie par ballon, post-intervention et à un examen de contrôle 1 an suivant l'intervention. Les résultats ont été comparés avec des contours étalons tracés manuellement par différents experts en analyse d'images IVUS. Les contours de la lumière et de la paroi externe du vaisseau détectés selon la méthode du fast-marching sont en accord avec les tracés manuels des experts puisque les mesures d'aire sont similaires et les différences point-à-point entre les contours sont faibles. De plus, la segmentation par fast-marching 3D s'est effectuée en un temps grandement réduit comparativement à l'analyse manuelle. Il s'agit de la première étude rapportée dans la littérature qui évalue la performance de la segmentation sur différents types d'acquisition IVUS. En conclusion, la segmentation par fast-marching combinant les informations des distributions de tons de gris et du gradient des intensités des images est précise et efficace pour l'analyse de séquences IVUS de grandes tailles. Un outil de segmentation robuste pourrait devenir largement répandu pour la tâche ardue et fastidieuse qu'est l'analyse de ce type d'images. / Intravascular ultrasound (IVUS) is a catheter based medical imaging technique that produces cross-sectional images of blood vessels. These images provide quantitative assessment of the vascular wall, information about the nature of atherosclerotic lesions as well as the plaque shape and size. Over the past few years, this medical imaging modality has become a useful tool in research and clinical applications, particularly in atherosclerotic disease studies. However, IVUS imaging is subject to catheter ring-down artifacts, missing vessel parts due to calcification shadowing or side-branches, heterogeneously looking plaques and ultrasonic speckle from blood. The automated analysis of large IVUS data sets thus represents an important challenge. A three-dimensional segmentation algorithm based on the multiple interface fast-marching method is presented. The segmentation is based on region and contour features of the IVUS images: a new speed fonction for the interface propagation that combines the probability density functions (PDFs) of the vessel wall components and the intensity gradients is proposed. The segmentation is highly automated with the detection of the lumen boundary that is fully automatic. Minimal interactions are necessary with a novel initialization procedure since initial contours of the external vessel wall border are also computed automatically on a limited number of longitudinal images and then proposed to the user for acceptance or correction. The segmentation method was validated with in-vivo IVUS data sets acquired from femoral arteries. This database contained 3 subgroups: pullbacks acquired before balloon angioplasty, after the intervention and at a 1 year follow-up examination. Results were compared with validation contours that were manually traced by different experts in IVUS image analysis. The lumen and external wall boundaries detected with the fast-marching method are in agreement with the experts' manually traced contours with similarly found area measurements and small point-to-point contour differences. In addition, the 3D fast-marching segmentation method dramatically reduced the analysis time compared to manual tracing. Such a valdiation study, with comparison between pre- and post-intervention data, has never been reported in the IVUS segmentation literature. In conclusion, the fast-marching method combining the information on the gray level distributions and intensity gradients of the images is precise and efficient to analyze large IVUS sequences. It is hoped that the fast-marching method will become a widely used tool for the fastidious and difficult task of IVUS image processing.

L'imagerie intravasculaire ultrasonore (IVUS) est une technologie médicale par cathéter qui produit des images de coupe des vaisseaux sanguins. Elle permet de quantifier et d'étudier la morphologie de plaques d'athérosclérose en plus de visualiser la structure des vaisseaux sanguins (lumière, intima, plaque, média et adventice) en trois dimensions. Depuis quelques années, cette méthode d'imagerie est devenue un outil de choix en recherche aussi bien qu'en clinique pour l'étude de la maladie athérosclérotique. L'imagerie IVUS est par contre affectée par des artéfacts associés aux caractéristiques des capteurs ultrasonores, par la présence de cônes d'ombre causés par les calcifications ou des artères collatérales, par des plaques dont le rendu est hétérogène ou par le chatoiement ultrasonore (speckle) sanguin. L'analyse automatisée de séquences IVUS de grande taille représente donc un défi important. Une méthode de segmentation en trois dimensions (3D) basée sur l'algorithme du fast-marching à interfaces multiples est présentée. La segmentation utilise des attributs des régions et contours des images IVUS. En effet, une nouvelle fonction de vitesse de propagation des interfaces combinant les fonctions de densité de probabilité des tons de gris des composants de la paroi vasculaire et le gradient des intensités est proposée. La segmentation est grandement automatisée puisque la lumière du vaisseau est détectée de façon entièrement automatique. Dans une procédure d'initialisation originale, un minimum d'interactions est nécessaire lorsque les contours initiaux de la paroi externe du vaisseau calculés automatiquement sont proposés à l'utilisateur pour acceptation ou correction sur un nombre limité d'images de coupe longitudinale. La segmentation a été validée à l'aide de séquences IVUS in vivo provenant d'artères fémorales provenant de différents sous-groupes d'acquisitions, c'est-à-dire pré-angioplastie par ballon, post-intervention et à un examen de contrôle 1 an suivant l'intervention. Les résultats ont été comparés avec des contours étalons tracés manuellement par différents experts en analyse d'images IVUS. Les contours de la lumière et de la paroi externe du vaisseau détectés selon la méthode du fast-marching sont en accord avec les tracés manuels des experts puisque les mesures d'aire sont similaires et les différences point-à-point entre les contours sont faibles. De plus, la segmentation par fast-marching 3D s'est effectuée en un temps grandement réduit comparativement à l'analyse manuelle. Il s'agit de la première étude rapportée dans la littérature qui évalue la performance de la segmentation sur différents types d'acquisition IVUS. En conclusion, la segmentation par fast-marching combinant les informations des distributions de tons de gris et du gradient des intensités des images est précise et efficace pour l'analyse de séquences IVUS de grandes tailles. Un outil de segmentation robuste pourrait devenir largement répandu pour la tâche ardue et fastidieuse qu'est l'analyse de ce type d'images. / Intravascular ultrasound (IVUS) is a catheter based medical imaging technique that produces cross-sectional images of blood vessels. These images provide quantitative assessment of the vascular wall, information about the nature of atherosclerotic lesions as well as the plaque shape and size. Over the past few years, this medical imaging modality has become a useful tool in research and clinical applications, particularly in atherosclerotic disease studies. However, IVUS imaging is subject to catheter ring-down artifacts, missing vessel parts due to calcification shadowing or side-branches, heterogeneously looking plaques and ultrasonic speckle from blood. The automated analysis of large IVUS data sets thus represents an important challenge. A three-dimensional segmentation algorithm based on the multiple interface fast-marching method is presented. The segmentation is based on region and contour features of the IVUS images: a new speed fonction for the interface propagation that combines the probability density functions (PDFs) of the vessel wall components and the intensity gradients is proposed. The segmentation is highly automated with the detection of the lumen boundary that is fully automatic. Minimal interactions are necessary with a novel initialization procedure since initial contours of the external vessel wall border are also computed automatically on a limited number of longitudinal images and then proposed to the user for acceptance or correction. The segmentation method was validated with in-vivo IVUS data sets acquired from femoral arteries. This database contained 3 subgroups: pullbacks acquired before balloon angioplasty, after the intervention and at a 1 year follow-up examination. Results were compared with validation contours that were manually traced by different experts in IVUS image analysis. The lumen and external wall boundaries detected with the fast-marching method are in agreement with the experts' manually traced contours with similarly found area measurements and small point-to-point contour differences. In addition, the 3D fast-marching segmentation method dramatically reduced the analysis time compared to manual tracing. Such a valdiation study, with comparison between pre- and post-intervention data, has never been reported in the IVUS segmentation literature. In conclusion, the fast-marching method combining the information on the gray level distributions and intensity gradients of the images is precise and efficient to analyze large IVUS sequences. It is hoped that the fast-marching method will become a widely used tool for the fastidious and difficult task of IVUS image processing.