Assas Recherche | Contraintes géométriques et topologiques pour la segmentation d’images médicales : approches hybrides variationnelles et par apprentissage profond

Contraintes géométriques et topologiques pour la segmentation d’images médicales : approches hybrides variationnelles et par apprentissage profond (Document en Français, Français, Anglais, Anglais, Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Lambert Zoé

Lambert, Zoé

Nom

Lambert

Prénom

Zoé

Nationalité

Français

Date de soutenance : 09-12-2022

Directeur(s) de thèse : Le Guyader Carole

Le Guyader, Carole

Nom

Le Guyader

Prénom

Carole

- Petitjean Caroline

Petitjean, Caroline

Nom

Petitjean

Prénom

Caroline

Etablissement de soutenance : Normandie

Normandie

Nom

Normandie

Laboratoire : Laboratoire de mathématiques de l'INSA Rouen Normandie (Saint Etienne du Rouvray, Seine-Maritime ; 1987-....)

Laboratoire de mathématiques de l'INSA Rouen Normandie (Saint Etienne du Rouvray, Seine-Maritime ; 1987-....)

Nom

Laboratoire de mathématiques de l'INSA Rouen Normandie (Saint Etienne du Rouvray, Seine-Maritime ; 1987-....)

- Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)

Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)

Nom

Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)

Ecole doctorale : École doctorale mathématiques, information et ingénierie des systèmes (Caen)

École doctorale mathématiques, information et ingénierie des systèmes (Caen)

Nom

École doctorale mathématiques, information et ingénierie des systèmes (Caen)

Informations générales

Discipline : Mathématiques appliquées et informatique
Classification : Mathématiques

Mots-clés libres : Segmentation d'images médicales, Méthodes variationnelles, Apprentissage des réseaux de neurones convolutifs, Optimisation numérique
Mots-clés :

Traitement d'images -- Techniques numériques
Imagerie pour le diagnostic
Imagerie médicale -- Qualité de l'image
Apprentissage profond
Pénalisation (optimisation mathématique)
Réseaux neuronaux (informatique)

Résumé : La segmentation d’images constitue un traitement central de la vision par ordinateur, et particulièrement pour l’analyse d’images médicales. Lors de la planification d’un traitement par radiothérapie, il est nécessaire de segmenter la tumeur cible ainsi que les organes sains adjacents (appelés organes à risque). Si les réseaux de neurones convolutifs exhibent des segmentations précises, certains artefacts subsistent néanmoins (pixels isolés, trous etc.). Ainsi, l’inclusion d’informations a priori dans une tâche de segmentation, qu’il s’agisse de contraintes topologiques telles que le nombre de composantes connexes, la convexité partielle de la frontière d’un objet, ou de prescriptions géométriques via par exemple la pénalisation du volume par des contraintes, s’avère critique. Notamment, lorsqu’on souhaite préserver les relations contextuelles entre les objets et obtenir une segmentation homéomorphe à un a priori connu. Motivé par cette observation, ce travail de thèse vise à fournir un cadre hybride variationnel/apprentissage profond incluant des contraintes géométriques et topologiques dans l’apprentissage des réseaux de neurones convolutifs, sous la forme d’une pénalisation dans la fonction de perte. L’objectif réside dans l’amélioration de la qualité des segmentations d’images médicales, pour lesquelles les contours des objets à segmenter ne sont pas bien définis. Ainsi, un premier modèle inclut des contraintes géométriques par le biais d’une régularisation bâtie sur la variation totale pondérée, d’une pénalisation du volume/de l’aire, et d’un terme d’attache aux données de Mumford-Shah. Dans un second modèle, nous interprétons le processus de segmentation comme une tâche de recalage appariant la vérité terrain et l’image à étiqueter, fondée sur des principes d’élasticité non linéaire. L’application de conditions d’incompressibilité sur le déterminant de la matrice jacobienne de la déformation garantit la préservation du volume et de la topologie, sans auto-intersection de la matière. Des résultats théoriques soulignant la solidité mathématique des modèles sont fournis, ainsi qu’une analyse des algorithmes numériques appropriés basés sur une stratégie de séparation de variables et donnant des sous-problèmes qui admettent, pour la plupart, des solutions closed form. Les expériences sont principalement menées sur la base de données SegTHOR qui contient des scanners thoraciques de patients soignés par radiothérapie et dont on cherche à segmenter 4 organes à risque à préserver des rayons. Elles démontrent que nos méthodes apportent des améliorations significatives par rapport aux approches non contraintes existantes, à la fois en termes de critères quantitatifs tels que la mesure du chevauchement des régions et d’évaluation qualitative, en particulier lorsque les classes sont déséquilibrées.

Informations techniques

Type de contenu : Text, Text, Text, Text, Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2022NORMIR30
Type de ressource : Thèse

Fiche descriptive