Soutenance mémoire
L’imagerie médicale est un domaine vaste guidé par les avancées en instrumentation, en techniques d’acquisition, en reconstruction d’image ou encore en traitement du signal. Les progrès réalisés dans l’une ou l’autre de ces disciplines concourent tous à l’amélioration de la recherche ou de la prise en charge clinique. Par exemple, l’évolution des techniques d’acquisition en imagerie médicale permet une meilleure visualisation de l’anatomie et des mécanismes fonctionnels ainsi qu’une amélioration de la précision des marqueurs d’imagerie. En parallèle, le développement et l’accès à des bases de données d’imagerie de plus en plus grandes et parfois accompagnées d’annotations fournies par des experts médicaux, a favorisé le développement d’outils applicatifs pour la classification d’images et la segmentation de structures anatomiques. Le développement de méthodologies pour le traitement automatique des images a bénéficié de l’accès à ces données, en particulier pour les approches basées sur des réseaux de neurones profonds. Malgré toutes ces avancées, l’apprentissage des paramètres d’un réseau de neurones est guidé par des mesures de performances qui peuvent conduire à des incohérences anatomiques, dans un domaine où chaque décision doit être rationnelle. Les connaissances médicales développées depuis des décennies, en anatomie humaine, ne sont à l’heure actuelle pas incorporées lors de la prise de décision d’un réseau de neurones, pourtant chaque résultat devrait être réaliste du point de vue anatomique avant d’être précis.
Segmentation en imagerie médicale
La segmentation d’images consiste à créer une partition de l’image en régions, les pixels d’une région ayant des propriétés communes qui les différencient des pixels des autres régions. On affecte alors une étiquette pour identifier les pixels d’une même région. Dans certaines applications, ces régions sont associées à des objets ou encore à des structures anatomiques. Ce processus de délimitation peut être effectué manuellement, cependant en fonction du nombre de régions à délimiter, de la taille de l’image ou encore du type d’image, la complexité de l’annotation peut augmenter au point de nécessiter un expert entraîné pendant plusieurs années d’étude et de pratique, comme c’est le cas pour un radiologue. En imagerie médicale, l’accès à un praticien expérimenté est souvent limité par le temps dont il dispose et par les ressources financières à disposition pour le rémunérer. D’autres facteurs externes comme la fatigue visuelle ou la répétitivité de la tâche, peuvent par la suite influencer la qualité de la segmentation et éventuellement le diagnostic ou la prise en charge thérapeutique.
Pourquoi étudier le pathologique, l’anatomique ?
Dans les travaux présentés dans ce manuscrit, nous étudions exclusivement des méthodes de segmentations automatiques pour délimiter des structures anatomiques du corps humain, en particulier le cerveau. Ces outils sont intégrés dans de nombreux protocoles médicaux, allant de l’aide au diagnostic à la préparation d’une séance de radiothérapie. Nous détaillons dans cette section certaines des utilisations de la segmentation automatique, pour l’imagerie cérébrale.
Imagerie cérébrale
Le cerveau est le centre de contrôle du corps humain, il gère le fonctionnement des organes vitaux, la cognition et le contrôle des muscles. Même si la compréhension de son fonctionnement reste encore partielle, le développement de l’imagerie cérébrale a permis de grandes avancées en neuro-sciences et en médecine pour caractériser des pathologies. Nous détaillons ici, quelques une des utilisations de l’imagerie cérébrale.
Connectivité fonctionnelle Les structures du cerveau interagissant entre elles lors du processus de cognition, la compréhension de ces mécanismes est possible grâce à l’Imagerie par Résonance Magnétique (IRM) fonctionnelle, où l’on étudie l’activation de régions au cours d’un stimuli [Kwong et al., 1992, Yu-Feng et al., 2007]. En mesurant la concentration en oxygène, on peut par exemple observer le besoin en énergie des tissus, dont on peut déduire des cartes d’activation du cerveau, qui mesurent l’activité de zones du cerveau en fonction d’actions conditionnées. Finalement, l’association de ces cartes d’activations à des régions anatomiques est possible par la segmentation d’une IRM anatomique acquise sur le même patient et recalée sur les cartes d’activation. Les méthodes de segmentation pour la connectivité cérébrale se basent sur des atlas et aussi sur des approches d’apprentissage automatique tels que les réseaux de neurones .
Étude longitudinale Le suivi longitudinal consiste à étudier l’évolution d’un phénomène physiologique (ex : vieillissement) ou d’une pathologie (ex : sclérose en plaques (SEP), alzheimer) au cours du temps. Son rôle est d’étudier des caractéristiques visuelles comme la morphologie (atrophie, hypertrophie) de structures anatomiques, afin d’éventuellement adapter le traitement mis en place. La comparaison région par région à plusieurs instants temporels requière de quantifier les informations morphologiques pour toutes les séries d’images acquises. Cette tâche mobilise un radiologue pour annoter des quantités importantes d’images, dont la difficulté peut varier en fonction de la pathologie. Par exemple, dans le cas de la SEP, qui est une maladie neurodégénérative qui affecte les gaines de myéline autour des nerfs du cerveau et de la moelle épinière, les médecins effectuent un suivi longitudinal [Fisher et al., 2008, Simon et al., 1999] du patient pour observer l’apparition ou la diminution de lésions révélées sur les IRM. Le recalage est parfois empêchée par la présence de lésions, qui peuvent rendre des méthodes de recalage instables . Toutefois pour les pathologies neurologiques ne déformant pas les tissus, si on a segmenté les lésions, un pré-traitement [Sdika and Pelletier, 2009] permet de se ramener au cas d’un sujet sain.
Électroencéphalographie (EEG) L’EEG est un examen indolore et non-invasif pour mesurer l’activité électrique du cerveau à partir d’un ensemble d’électrodes placées sur le cuir chevelu. Il en résulte un électroencéphalogramme qui quantifie l’activité neurophysiologique du cerveau au cours du temps, ce qui peut aider au diagnostic clinique ou à comprendre le fonctionnement du cerveau par les neurosciences (source Wikipedia).
Approches de segmentation anatomique pour l’imagerie cérébrale
Pour répondre au besoin d’outils de segmentation automatique pour l’imagerie cérébrale, plusieurs familles de méthodes de segmentation ont été développées ces dernières années, nous en explorons les principales dans cette section. Les approches qui reposent sur l’utilisation d’atlas anatomiques , telles que recalage d’image sont apparues dans les années 1990, avec la segmentation par atlas et multi-atlas . Puis l’apparition de méthodes de clustering et d’apprentissage supervisé ont permis le perfectionnement des méthodes multi-atlas et l’apparition des approches par fusion non-locale .
|
Table des matières
I État de l’art
1 Introduction
2 Segmentation en imagerie médicale
2.1 Pourquoi étudier le pathologique, l’anatomique ?
2.1.1 Imagerie cérébrale
2.2 Approches de segmentation anatomique pour l’imagerie cérébrale
2.2.1 Atlas
2.2.2 Recalage d’image
2.2.2.1 Recalage linéaire
2.2.2.2 Recalage non-linéaire
2.2.3 Mono-atlas
2.2.4 Multi-atlas
2.2.5 Fusion non-locale
2.2.6 Apprentissage automatique
2.2.6.1 SVM
2.2.6.2 K plus proche voisin
2.2.6.3 Réseau de neurones
2.3 Spécificités de l’imagerie médicale
2.3.1 Base de données en IRM cérébrale
2.3.2 Spécificités de l’IRM pour le cérébrale
2.3.3 Ressources de calcul
2.4 Conclusion
3 Apprentissage profond en segmentation d’image
3.1 Généralités
3.1.1 Apprentissage des paramètres
3.1.2 Fonctions d’activation
3.1.3 Réseau de Neurones Convolutif (RNC)
3.1.3.1 Convolution
3.1.3.2 Sous-échantillonnage
3.1.4 Couche softmax
3.1.5 Sélection des hyperparamètres
3.2 Architectures des RNCs
3.2.1 AlexNet, ResNet, DenseNet
3.2.2 Fully Convolutional Network (FCN)
3.2.3 Encodeur-décodeur
3.2.4 Transfert d’apprentissage
3.3 Régularisation
3.3.1 Norme des paramètres
3.3.2 Augmentation de données
3.3.3 Arrêt précoce de l’apprentissage
3.3.4 Dropout
3.4 Fonctions de coût pour la segmentation d’image
3.4.1 Entropie croisée
3.4.2 Dice dérivable
3.5 Évaluation
3.5.1 Dice
3.5.2 Distance surfacique
3.6 Données
3.7 Conclusion
4 Conclusion
II Intégration de la connaissance spatiale en segmentation par patch
5 Introduction
6 Approche par patch multi-résolution pour la segmentation
6.1 Introduction
6.2 Architecture de référence
6.3 Modifications de l’architecture 2D
6.3.1 Réseau multi-échelle 2D
6.3.2 Intégration du patch 3D
6.4 Conclusion
7 Prise en compte de la connaissance spatiale
7.1 Introduction
7.2 Représentation de la position
7.2.1 Intégration de l’information de position pour le médical
7.2.2 Encodage et intégration de la position dans un RNC
7.3 a priori issu d’un atlas probabiliste
7.4 Conclusion
8 Protocole expérimental
8.1 Introduction
8.2 Base de données
8.3 Détails d’implémentation
8.3.1 Régularisation et fonction de perte auxiliaire
8.3.2 Déséquilibre des classes et augmentation de données
8.3.3 Image de distances
8.4 Conclusion
9 Résultats
9.1 Introduction
9.2 Modèle de référence PatchNet
9.3 Patch 3D
9.4 Représentation de la position
9.5 Connaissance probabiliste
9.6 Combinaison des branches
9.7 Étude des cas problématiques
9.8 Conclusion
10 Conclusion
III Prise en compte de contraintes anatomiques d’adjacence dans un RNC pour la segmentation d’images médicales
11 Introduction
11.1 Apprentissage des connaissances de domaine
11.2 Modélisation directe de l’a priori
12 Contrainte anatomique et matrice d’adjacence
12.1 Définition de l’adjacence anatomique
12.1.1 Cas général matrice d’adjacence
12.1.2 Cas particuliers et calculs associés
12.2 Conclusion
13 Intégration de la contrainte d’adjacence dans un RNC
13.1 Dérivabilité de la mesure d’adjacence
13.2 Intégration dans la fonction de coût
13.3 Extension à l’apprentissage semi-supervisé
13.4 Conclusion
14 Architectures des RNCs 2D et 3D
14.1 Architecture encodeur-décodeur 2D : EDNet
14.2 Extension à la 3D
14.3 Conclusion
15 Protocole Expérimental
15.1 Détails d’implémentation
15.1.0.1 Comparaison avec un CRF
15.2 Bases de données
15.3 Métriques d’adjacence
15.4 Conclusion
16 Résultats
16.1 Application de la non-adjacence 2D
16.1.1 Contrôle de la pondération
16.2 Non-adjacence 2D multi-échelle
16.3 Semi-supervision
16.4 Adjacence 3D isotrope avec architecture 2.5D
16.5 Adjacence 3D multi-orientation avec architecture 2.5D
16.6 Effet de la contrainte sur les cas problématiques
16.7 Comparaison RNC par patch et entièrement convolutif
16.8 Conclusion
17 Conclusion
Bibliographie
Télécharger le rapport complet
