Contraintes géométriques et topologiques pour la segmentation d’images médicales : approches hybrides variationnelles et par apprentissage profond ; Geometric and topological constraints for medical image segmentation : hybrid variational-based and deep learning-based approaches
Titel:
Contraintes géométriques et topologiques pour la segmentation d’images médicales : approches hybrides variationnelles et par apprentissage profond ; Geometric and topological constraints for medical image segmentation : hybrid variational-based and deep learning-based approaches
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
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 ...