Apprentissage automatique pour la segmentation d’images médicales 3DStage de recherche

durée 6 mois

encadrantsRazmig Kéchichian, laboratoire Creatis, équipe Images et Modèles

Stefan Duffner, laboratoire Liris, équipe Imagine

contact razmig.kechichian@creatis.insa-lyon.fr, stefan.duffner@liris.cnrs.fr

Introduction

La pratique clinique et la recherche médicale génèrent chaque jour des milliers d’imagesmédicales 3D rendant difficile les tâches d’accès, d’analyse et de visualisation, particulièrement dansles environnements distribués, mobiles et web. Il s’agit du phénomène « Big Data ».La segmentation, c'est-à-dire, l’extraction de structures anatomiques dans les images est souvent unecondition préalable à leur interprétation et visualisation efficaces. L’apprentissage automatique, undomaine en plein essor aujourd’hui, fournit des méthodes d’extraction de caractéristiques et dedéfinition de métriques permettant de catégoriser les structures apparaissant dans les images. Le vastechamp applicatif de ces méthodes couvre de nombreuses applications telles que l’aide au diagnostic, laradiothérapie, le planning pré-opératoire, la création de modèles anatomiques patient-spécifiques, larecherche d’images par le contenu, la création de prothèses sur-mesure (maintenant à l’aide del’impression 3D), l’éducation, etc.

Contexte général et objectifs

Le but de ce stage est l’exploration des méthodes d’apprentissage automatique dans le contextede la segmentation automatique d’images médicales 3D multi-modalité de grande taille et diversité.Il visera à une extraction plus robuste des connaissances et leur exploitation afin de rendre uneméthode de segmentation générique développée au laboratoire Creatis, se limitant actuellement à desmesures photométriques élémentaires, plus performante en s’auto-adaptant, par ailleurs, à la modalitéet à l’anatomie imagée. Réciproquement, les travaux du stage permettront de proposer de nouvellesapproches d’extraction de caractéristiques et des stratégies d’apprentissage de métriques adaptées àdes données peu traitées jusqu’ici par ces méthodes.

Illustration 1: Vues 3D des maillages surfaciques extraits des volumes de structuressegmentées par notre méthode de segmentation multi-objet semi-automatique. Danschaque paire, l’image de gauche correspond à la segmentation, l’image de droite à laréférence. (a) TDM thoracique-abdominale contrastée, (b) TDM non contrastée,(c) IRM abdominale contrastée et (d) IRM non contrastée.

Contexte technique

La piste privilégiée sera une méthode de segmentation multi-objet automatique générique pourles images médicales 3D développée au laboratoire Creatis [KECH-14]. La segmentation est poséecomme un problème d’étiquetage bayésien, faisant intervenir des relations spatiales entre les organes[KECH-13] et des vraisemblances (probabilités) d'intensité et de position pour chaque organe.La segmentation optimale est obtenue à l’aide d'un algorithme d’optimisation par coupure de graphes[BOYK-01]. L'illustration 1 affiche quelques résultats produits par cette méthode sur des imagesappartenant à 4 modalités différentes issues de la base de données Visceral [JIME-16]

Démarche et originalitéLes vraisemblances d’intensité, se limitant actuellement dans notre approche aux simples

histogrammes d’intensité, peuvent être mieux estimées à partir des descripteurs d’intensité et detexture à l’aide des méthodes d’apprentissage automatique performantes comme les forêts aléatoiresou les réseaux de neurones [BISH-06]. Cela nécessite une extraction et sélection automatiques desdescripteurs adaptées à la modalité de l'image cible et à l’organe. Des méthodes d’apprentissageautomatique ayant des performances excellentes pour des images naturelles pourraient être adaptéeset appliquées aux images médicales. Une première approche serait d’apprendre automatiquement desmodèles de textures ou de formes locales à partir des voxels en utilisant des descripteurs classiquescomme des histogrammes de gradients orientés (HOG) ou des « Local Binary Pattern » (LBP).Une deuxième approche consisterait à apprendre les descripteurs avec un réseau de neurones àconvolution, soit de manière supervisée ou de manière non-supervisée/supervisée mixte [ZHEN-15].

Les travaux de recherche seront poursuivis sur la base de données multi-modalité Visceral[JIME-16] de taille relativement modeste ; elle offre 80 images accompagnées des 20 annotationsd’organe. Les possibilités d’application non supervisée sur une base de données plus grande (plus de150 patients) fournie par les praticiens hospitaliers du laboratoire Creatis pourront être étudiées.

Les approches de l’état de l’art en segmentation automatique multi-organe se focalisent majoritai-rement sur les images tomodensitométriques [JIME-16, TONG-15], tandis que celles faisant intervenirles méthodes d’apprentissage automatique [KOHL-11, SEIF-09] exploitent des descripteurs prédéfiniset s’appuient dans l’estimation des métriques sur des bases de données d’apprentissage de tailleimportante. L'originalité de l'approche proposée sera donc la capacité de s’adapter à plusieurs modali-tés et à plusieurs organes par modalité, et ce avec peu de données annotées ce qui est est un défiscientifique connu.

Profil recherché

Nous cherchons un candidat curieux, s'intéressant à l'imagerie biomédicale, sachant travailler enautonomie aussi bien qu'en équipe, ayant un esprit ouvert et critique. Le candidat doit disposer dessolides bases en mathématiques appliquées et programmation C++ (éventuellement Python) et debonnes connaissances en traitement d'images. Les connaissances en apprentissage automatique sontun atout.

Candidature

Nous invitons le candidat intéressé à nous envoyer sa lettre de motivation, avec un CV et unrelevé de notes récent.

Gratification

Le stagiaire sera rémunéré au tarif prévu par la loi ; ~ 540 € / mois.

Bibliographie

[KECH-14] R. Kéchichian, S. Valette, M. Sdika et M. Desvignes, “Automatic 3D multiorgansegmentation via clustering and graph cut using spatial relations and hierarchically-registered atlases,”MICCAI Medical Computer Vision: Algorithms for Big Data, 2014, pp. 201-209.

[KECH-13] R. Kéchichian, S. Valette, M. Desvignes et R. Prost, “Shortest-Path Constraints for 3DMultiobject Semiautomatic Segmentation via Clustering and Graph Cut,” IEEE Trans. on ImageProcessing, vol. 22, no. 11, pp. 4224-4236, 2013.

[BOYK-01] Y. Boykov, O. Veksler, and R. Zabih. "Fast approximate energy minimization via graph cuts."IEEE Transactions on pattern analysis and machine intelligence 23.11 (2001): 1222-1239.

[JIME-16] Jimenez-del-Toro, O., Muller, H., Krenn, M., Gruenberg, K., Taha, A. A., Winterstein, M., ...and Kontokotsios, G. (2016), "Cloud-based Evaluation of Anatomical Structure Segmentation andLandmark Detection Algorithms: VISCERAL Anatomy Benchmarks," in IEEE Transactions on MedicalImaging , vol.PP, no.99, pp.1-1, 2016.

[BISH-06] C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

[TONG-15] Tong, T., Wolz, R., Wang, Z., Gao, Q., Misawa, K., Fujiwara, M., ... and Rueckert, D,"Discriminative dictionary learning for abdominal multi-organ segmentation," Medical image analysis,23(1), 92-104, 2015.

[KOHL-11] Kohlberger, T., Sofka, M., Zhang, J., Birkbeck, N., Wetzl, J., Kaftan, J., ... and Zhou, S. K,"Automatic multi-organ segmentation using learning-based segmentation and level set optimization," InIntl. Conf. on Med. Image Computing and Computer-Assisted Intervention, pp. 338-345, 2011.

[SEIF-09] Seifert, S., Barbu, A., Zhou, S. K., Liu, D., Feulner, J., Huber, M., ... and Comaniciu, D."Hierarchical parsing and semantic navigation of full body CT data," In SPIE medical imaging, pp.725902-725902, 2009.

[ZHEN-15] L. Zheng, S. Duffner, K. Idrissi, C. Garcia and A. Baskurt. "Siamese Multi-layer Perceptronsfor Dimensionality Reduction and Face Identification," Multimedia Tools and Applications, 2015.