Learning with uncertainty in medical image segmentation

Résumé

La segmentation d’images est essentielle dans de nombreuses applications cliniques et de recherche, telles que la caractérisation des maladies, la planification chirurgicale, les mesures diagnostiques et l’analyse des formes. Cependant, la délimitation manuelle prend du temps, peut nécessiter une expertise et est sujette à la variabilité. Les algorithmes automatisés offrent une solution à ces limitations, facilitant ainsi le flux de travail clinique et de recherche. De récentes techniques basées sur l’apprentissage profond ont permis de fournir avec succès une segmentation automatisée de haute qualité, utilisant généralement une quantité substantielle de données étiquetées. Cependant, les étiquettes peuvent être ambiguës ou peu fiables. Cette thèse s’attaque à ces défis avec pour objectif principal de développer des outils sensibles à l’incertitude qui peuvent aider à la formation de réseaux de segmentation d’images. En particulier, le premier objectif propose une stratégie d’étiquetage souple basée sur l’intensité pour s’attaquer aux ambiguïtés potentielles dans l’annotation. Le deuxième objectif présente une estimation de l’incertitude tenant compte de l’anatomie pour guider le réseau de segmentation sous une supervision limitée. Le troisième objectif propose une représentation basée sur l’attention pour une segmentation faiblement supervisée. Les résultats de ces objectifs de recherche ont donné lieu à trois revues, deux publications de conférence évaluées par des pairs et un court article de conférence. Les contributions de chaque objectif de recherche sont résumées ci-dessous. Dans le premier objectif, nous proposons une approche de lissage des étiquettes géodésiques qui capture les détails d’intensité de l’image dans le processus d’étiquetage souple. Les intensités de l’image transmettent des informations qui pourraient clarifier les ambiguïtés potentielles dans l’annotation. Cependant, les méthodes d’étiquetage souple existantes ne reposent que sur des masques de segmentation, ignorant le contexte d’image sous-jacent associé à l’étiquette. Nous exploitons la transformation de distance géodésique pour capturer les variations d’intensité entre les pixels. Les cartes générées modifient les étiquettes dures pour obtenir de nouvelles étiquettes souples basées sur l’intensité. Les étiquettes souples géodésiques résultantes modélisent mieux les relations spatiales et par classe car elles capturent les variations des gradients d’image à travers les classes et l’anatomie. Les avantages de nos étiquettes souples géodésiques basées sur l’intensité sont évalués sur trois ensembles divers de jeux de données de segmentation accessibles au public. Nos résultats expérimentaux montrent que la méthode proposée améliore systématiquement la précision de la segmentation par rapport aux techniques d’étiquetage souple de pointe en termes de similarité de Dice et de distance de Hausdorff. Le deuxième objectif vise à estimer l’incertitude en exploitant la représentation anatomiquement consciente pendant l’entraînement du réseau de segmentation dans des conditions semisupervisées. Plus précisément, une représentation anatomiquement consciente est d’abord apprise pour modéliser les masques de segmentation disponibles. La représentation apprise mappe une prédiction de segmentation dans une segmentation anatomiquement plausible. L’écart par rapport à la segmentation plausible aide à estimer les cartes d’incertitude au niveau des pixels sous-jacentes. Ces cartes filtrent les régions cibles non fiables pour guider le réseau de segmentation. La méthode proposée estime par conséquent l’incertitude en utilisant une seule inférence à partir de notre représentation, réduisant ainsi le calcul total pendant l’entraînement par rapport aux approches existantes tenant compte de l’incertitude. Nous évaluons notre méthode sur deux ensembles de données de segmentation accessibles au public. Notre approche anatomiquement consciente améliore la précision de la segmentation par rapport aux méthodes semi-supervisées de pointe en termes de deux mesures d’évaluation couramment utilisées. Enfin, le troisième objectif propose d’apprendre une représentation dynamique basée sur l’attention pour l’analyse d’images médicales. En particulier, une représentation est apprise en intégrant un module d’attention dans un réseau d’intégration. Ce mécanisme d’attention intégré fournit un aperçu visuel direct des caractéristiques discriminantes du réseau d’intégration. De plus, un seul apprenant métrique est inadéquat pour apprendre une variété d’attributs d’objet dans les images, tels que la couleur, la forme ou les artefacts. Au lieu de cela, plusieurs apprenants métriques pourraient aider à apprendre différents aspects de ces attributs dans les sous-espaces d’une intégration globale. Cependant, le nombre d’apprenants doit être trouvé empiriquement pour chaque nouvel ensemble de données. Nous présentons donc un apprenant de sous-espace dynamique, qui supprime la nécessité de connaître apriori le nombre d’apprenants dans l’approche à apprenants multiples. Les avantages de notre représentation dynamique basée sur l’attention sont évalués dans l’application de la segmentation faiblement supervisée, du regroupement d’images et de la récupération d’images. Notre méthode fournit une carte d’attention directement pendant l’inférence pour illustrer l’interprétabilité visuelle des caractéristiques d’intégration. Ces cartes d’attention proposent des étiquettes proxy, améliorant la précision de segmentation jusqu’à 15% dans le score Dice par rapport aux techniques d’interprétation de pointe. De plus, notre méthode obtient des résultats compétitifs par rapport à l’approche d’apprentissage multimétrique et surpasse considérablement le réseau de classification en termes de scores de clustering et de récupération sur trois ensembles de données de référence publics différents. Les travaux de recherche décrits dans cette thèse font progresser la segmentation des images médicales en supervision complète, semi-faible et faible. Nos étiquettes souples basées sur l’intensité améliorent la segmentation, en particulier dans les régions difficiles. Notre approche d’estimation de l’incertitude tenant compte de l’anatomie utilise efficacement une annotation limitée, réduisant ainsi le besoin d’étiquetage extensif. L’approche de représentation basée sur l’attention fournit une organisation structurée des données et une interprétabilité visuelle, permettant une segmentation avec uniquement des étiquettes au niveau de l’image. Cette thèse présente de nouveaux outils qui aident les cliniciens et les chercheurs en fournissant une délimitation plus rapide, cohérente et précise des objets cibles.

Date	3 août 2024
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Hervé Lombaert (Directeur(-trice)) & José Dolz (Codirecteur(-trice))