Constrained deep networks for medical image segmentation

Résumé

La segmentation sémantique faiblement supervisée, prenant la forme d’images partiellement annotées, fait l’object d’une grande attention académie, puisqu’elle peut limiter le besoin d’annotations (chère à produire) requises par les modèles de réseaux profonds. Imposer des contraintes globales et non linéaires (sous la forme d’inégalités) aux prédictions d’un réseau de neurone peut ainsi guider l’entrainement vers des solutions atanomiquement possibles, et ainsi permettre d’utiliser des informations à priori sur la tâche. Les inégalités sont très flexibles, puisqu’elles ne requiert pas une information précise et parfaite. L’optimisation Lagrangienne standard a très peu été utilisée dans le cadre des réseaux de neurone, principalement à cause du coût de calcul très élevé dû à l’alternance des mises-à-jour explicites entre paramètres et multiplicateurs. Au cours de cette thèse, nous avons testé différents méthodes – pénalités naïves et extension de log-barrier plus formelles – afin de contourner les limitations de l’optimisation Lagrangienne. Les deux méthodes ont produit des résultats significativement meilleurs que les quelques méthodes existantes (limitées quant à elles à de simples contraintes linéaires), ainsi qu’un entraineemnt plus stable avec une meilleure convergence. L’extension des log-barrier, plus puissante, a permis l’utilisation de fonctions plus complexes, et plus compétitives entre elles. Nous présentons des expériences robustes et variées, sur une multitude de tâches de segmentation sémantique ; démontrant à la fois l’efficacité de nos méthodes et la pertinence de l’entrainement sous contrainte dans le contexte de l’imagerie médicale. Tout le code produit par cette thèse est disponible en ligne, et peut être réutilisé et modifié librement.

Date	29 janv. 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ismail Ben Ayed (Directeur(-trice)), José Dolz (Codirecteur(-trice)) & Éric Granger (Codirecteur(-trice))