Domain adaptation with missing data for medical image segmentation

Résumé

Les méthodes d’adaptation au domaine (DA) ont récemment attiré l’attention dans le contexte de la vision par ordinateur, car elles améliorent la transférabilité des modèles de réseaux profonds d’un domaine source à un domaine cible présentant des caractéristiques différentes. Le DA est essentiel pour atténuer le besoin d’annotations laborieuses requises par les modèles de segmentation profonde. Cependant, le cadre usuel des méthodes de DA n’est pas réaliste, car il nécessite l’accès à plusieurs ensembles de données, à la fois dans le domaine source et dans le domaine cible. Or, en milieu clinique, seuls quelques échantillons cibles, voire un seul, sont généralement disponibles, tandis que les données sources peuvent être inaccessibles. Par conséquent, l’objectif principal de cette thèse est de proposer des algorithmes de DA pour segmenter des images médicales avec des jeux de données d’entraînement limités. Dans notre premier objectif, nous explorons le DA des réseaux de segmentation avec des annotations minimales dans le domaine cible. Nous abordons le DA par la segmentation sous des contraintes d’inégalité sur les prédictions des échantillons cibles non annotés ou faiblement annotés. Ainsi, nous faisons correspondre implicitement les statistiques de prédiction des domaines cible et source, avec une incertitude autorisée des connaissances préalables. Nous abordons le problème d’optimisation sous contrainte qui en découle avec des pénalités différentiables, parfaitement adaptées aux approches conventionnelles de descente de gradient stochastique. Dans notre deuxième objectif, nous introduisons le DA sans source pour la segmentation d’images. Notre formulation est basée sur la minimisation d’une fonction d’entropie définie sur les données du domaine cible, que nous guidons en outre avec un a priori sur les régions de segmentation. Un a priori de ratio de classe est estimé à partir des connaissances anatomiques et intégré sous la forme d’une divergence de Kullback-Leibler dans notre fonction de coût globale. Nous montrons l’efficacité de notre méthode dans une variété de scénarios de DA, avec différentes modalités et applications, notamment la segmentation de la colonne vertébrale, de la prostate et du coeur. Dans notre troisième objectif, nous étudions une méthode de DA sans source à utiliser au moment du test avec un seul sujet cible. Nous étudions un objectif de minimisation de l’entropie guidé par des a-priori de formes pour adapter la segmentation au moment du test. Nous explorons le potentiel de l’intégration de diverses contraintes sous la forme de moments de forme, pour guider le DA vers des solutions plausibles. En particulier, nous exploitons la taille, le centroïde et la distance au centroïde des structures anatomiques par le biais de contraintes de pénalité dans notre fonction de perte globale. Notre méthode est validée dans deux tâches de segmentation difficiles : L’adaptation IRM-CT pour des images cardiaques et l’adaptation inter-sites pour des images de la prostate. En conclusion, chaque objectif pousse progressivement plus loin la complexité de la tâche d’adaptation et la quantité de données manquantes, afin d’obtenir un cadre clinique réaliste. Les méthodes proposées relèvent ce défi en étudiant comment exploiter au mieux les a priori du domaine, tels que la connaissance des formes anatomiques.

Date	23 juin 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ismail Ben Ayed (Directeur(-trice)) & Hervé Lombaert (Codirecteur(-trice))