La segmentation est une tâche critique dans l’analyse d’images médicales, qui joue un rôle essentiel dans le diagnostic assisté par ordinateur, la radiothérapie guidée par l’image et la navigation chirurgicale. Les méthodes de segmentation basées sur l’apprentissage profond ont réalisé des progrès sans précédents, bénéficiant d’une grande quantité de données annotées. Or, l’acquisition de données annotées en imagerie médicale requiert des efforts et coûts substantiels, limitant l’application de l’apprentissage profond pour la segmentation d’images dans ce domaine. Pour obtenir des performances compétitives avec des données annotées limitées, des approches à base d’apprentissage semi-supervisé ont été développées pour exploiter également les données non annotées, Bien que ces approches aient permis d’améliorer les performances, l’entraînement non supervisé sur des données sans annotation apporte certains défis. Par exemple, des prédictions incorrectes sur des données non annotées, lors de la phase d’entraînement initiale, peuvent être accentuées au fur et à mesure que l’entraînement progresse, provoquant une dégradation des performances. Un autre problème est que les données annotées peuvent être insuffisantes pour que le modèle apprenne une forme anatomiquement plausible de l’organe à segmenter. Dans ce cas, il peut être utile d’employer des apriori anatomiques pour guider l’apprentissage du modèle. En outre, une autre limitation pratique est que les données annotées et non annotées peuvent avoir des distributions distinctes en raison de différences dans les appareils d’acquisition d’images. Cela représente une tâche plus complexe car l’apprentissage du modèle peut être dominé pour les données annotées et, conséquemment, ce dernier ne pourra pas s’adapter efficacement à la distribution des données à segmenter. Plusieurs approches ont été proposées pour l’adaptation de domaine, par exemple, utilisant des décodeurs de reconstruction auxiliaires ou des techniques à base de transfert de style. Cependant, l’exploration de solutions simples mais efficaces pour ce problème, qui évitent l’emploi d’une infrastructure logicielle complexe, demeure une direction critique de recherche.
L’objectif principal de cette thèse est de développer des méthodes simples et précises pour la segmentation d’images médicales dans ces deux scénarios difficiles. Dans ce but, nous proposons tout d’abord une méthode de co-entraînement auto-rythmée et auto-cohérente pour la segmentation semi-supervisée d’images. Cette méthode résout le problème des prédictions incorrectes pour les données non étiquetées au cours de la phase d’entraînement initiale, améliorant ainsi la segmentation. Deuxièmement, nous avons développé une approche d’entraînement antagoniste avec contraintes pour la segmentation semi-supervisée anatomiquement plausible. Cette approche permet d’obtenir une segmentation anatomiquement plausible en incorporant des apiori anatomiques complexes non différentiables. La dernière contribution se concentre sur le scénario plus difficile de l’adaptation de domaine. Pour cette tâche, nous avons proposé une méthode d’alignement de distribution conjointe sensible à la forme pour la segmentation inter-domaines d’images. Cette méthode atteint des performances compétitives de segmentation inter-domaines en alignant explicitement la représentation invariante de domaine modélisant la taille des classes de segmentation et la relation spatiale entre ces classes. Cette thèse a donné lieu à trois publications dans des revues de haut niveau en imagerie médicale et une publication à une des principales conférences dans ce domaine. Les objectifs spécifiques de cette thèse sont présentés ci-dessous.
Dans notre premier objectif, nous nous concentrons sur la segmentation semi-supervisée et proposons une méthode basée sur un cadre de co-entraînement. Tout d’abord, une stratégie d’apprentissage auto-rythmée pour le co-entraînement est présentée, permettant aux réseaux de neurones entraînés conjointement de se concentrer d’abord sur les régions les plus faciles à segmenter, puis de tenir compte progressivement des régions plus difficiles. Ceci est mis en œuvre via une fonction de perte différentiable de bout en bout sous la forme d’une divergence Jensen Shannon généralisée (JSD). Pour encourager les réseaux à produire non seulement des prédictions cohérentes mais aussi ayant une haute confiance, nous améliorons cette perte JSD généralisée avec un régularisateur d’incertitude basé sur l’entropie. La robustesse des modèles individuels dans le cadre de co-entraînement est ensuite améliorée à l’aide d’une stratégie par ensemble temporel qui force leur prédiction à être cohérente à travers différentes itérations de l’entraînement. L’efficacité de cette méthode est évaluée sur trois jeux de données de segmentation complexe comprenant des images de différentes modalités, pour lesquels elle améliore la précision de la segmentation lorsque très peu d’images annotées sont utilisées. Nous explorons également l’impact de la stratégie d’apprentissage auto-rythmée proposée, de la stratégie d’auto-cohérence, ainsi que du régularisateur d’incertitude proposé. Les résultats expérimentaux montrent l’efficacité de chacun des composants de la méthode proposée.
Notre deuxième objectif porte également sur la segmentation semi-supervisée. Pour cet objectif, une méthode d’entraînement antagoniste avec contraintes est proposée pour la segmentation semi-supervisée anatomiquement plausible. Contrairement aux approches se concentrant uniquement sur les mesures de précision comme le Dice, cette méthode prend en compte des contraintes anatomiques complexes telles que la connectivité, la convexité et la symétrie qui ne peuvent pas être facilement modélisées dans une fonction de perte. Le problème des contraintes non différentiables est résolu à l’aide d’un algorithme de renforcement qui permet d’obtenir un gradient pour les contraintes violées. Pour générer de manière dynamique des exemples violant les contraintes, et ainsi obtenir des gradients utiles à l’apprentissage, notre méthode adopte une stratégie d’entraînement antagoniste qui modifie les images d’entraînement pour maximiser la perte de contrainte, puis met à jour le réseau pour qu’il soit robuste à ces exemples antagonistes. La méthode proposée offre un moyen générique et efficace d’ajouter des contraintes de segmentation complexes par dessus n’importe quel réseau de segmentation. Des expériences sur des données synthétiques et quatre ensembles de données cliniquement pertinentes démontrent l’efficacité de notre méthode en termes de précision de segmentation et de plausibilité anatomique.
Le dernier objectif se concentre sur le scénario d’adaptation de domaine. Pour ce scénario, nous avons développé une méthode d’alignement de distribution conjointe sensible aux formes pour la segmentation inter-domaines. Cette méthode aligne les statistiques d’ordre élevé, calculées pour les domaines source et cible, qui encodent les relations spatiales invariantes au domaine entre les classes de segmentation. Notre méthode estime d’abord la distribution conjointe des prédictions pour une paire de pixels dont la position relative correspond à un déplacement spatial donné. L’adaptation de domaine est alors réalisée en alignant les distributions conjointes des images source et cible, calculées pour un ensemble de déplacements. Deux améliorations de cette méthode sont ensuite proposées. La première utilise une stratégie multi-échelle efficace qui permet de capturer les relations à longue portée dans les statistiques. La seconde étend la perte d’alignement de distribution conjointe aux caractéristiques dans les couches intermédiaires du réseau, en calculant leur intercorrélation. Nous testons notre méthode sur la tâche de segmentation cardiaque multimodale non appariée à l’aide de l’ensemble de données MultiModality Whole Heart Segmentation Challenge (MMWHS) et sur la tâche de segmentation de la prostate, où les images de deux ensembles de données sont employées comme données provenant de différents domaines. Nos résultats montrent les avantages de notre méthode par rapport aux approches récentes de segmentation inter-domaines d’images.
| Date | 28 sept. 2023 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Christian Desrosiers (Directeur(-trice)), Marco Pedersoli (Codirecteur(-trice)) & Caiming Zhang (Codirecteur(-trice)) |
|---|