Normalisation réaliste d’images médicales pour de la segmentation multi-domaine

Résumé

Les réseaux de neurones profonds sont au cœur de l’actualité scientifique depuis maintenant plusieurs années. Les progrès accomplis dans le domaine de la recherche fondamentale se sont transposés dans des applications dans le domaine médical. La classification automatique des voxels dans une image médicale à l’aide d’un réseau de neurones convolutif permet entre autres de suivre le développement d’un organe ou l’évolution d’une maladie. L’accessibilité des données d’imagerie médicale à des fins d’entraînement d’algorithmes d’apprentissage automatique est une principale limitation inhérente au domaine. En raison du coût et de l’expertise requis afin d’annoter des ensembles de données, ces derniers ne sont généralement composés que de quelques images. Cela a un impact direct sur la capacité de généralisation des algorithmes d’apprentissage. Un des moyens de remédier à cette disponibilité limitée se trouve dans la normalisation d’ensembles de données issus de plusieurs domaines d’imagerie. Un domaine d’imagerie peut être un site où l’image est acquise, un protocole d’imagerie ou encore le type d’équipement servant à l’acquisition de l’image médicale. Les approches conventionnelles de normalisation couramment utilisées sont basées sur la normalisation en fonction d’un seul ensemble de données. Toutefois, cette stratégie ne peut exploiter l’information structurelle et l’information intrinsèque des échelles d’intensités aux images issues de plusieurs ensembles de données. Par conséquent, ignorer ces informations entraine une performance suboptimale pour un algorithme de segmentation. La correction des intensités des images par un processus de normalisation intelligent qui aligne les distributions des tissus sur une échelle commune entre les ensembles de données permettrait l’apprentissage d’une tâche à partir de plusieurs ensembles de données différents. Cela aurait pour conséquences d’améliorer la disponibilité des données et la capacite de généralisation des algorithmes d’apprentissage. Ce travail propose une nouvelle méthode de normalisation conjointe a la segmentation. Cette méthode est apprise à l’aide d’une architecture orientée à la fois par les données et par une tâche. Dans notre méthode, trois réseaux s’entraînent simultanément afin d’apprendre la relation entre une image d’entrée issue d’un domaine d’imagerie quelconque et une sortie normalisée. La fonction de transfert optimale liant les distributions d’intensités des images à travers les différents jeux de données est ainsi apprise. Elle a pour but de produire non seulement une carte de segmentation précise, mais également des images intermédiaires normalisées médicalement réalistes et interprétables. Les images sont dites réalistes puisque les changements apportés à l’image n’affectent ni les structures ni sa capacite à être interprétée par un clinicien. Ces caractéristiques importantes recherchées entre autres afin de rendre compréhensible l’image intermédiaire produite, sont rendues possibles par une architecture antagoniste pourvue d’un générateur d’images normalisées et un discriminateur de domaines. Il s’agit d’une architecture simple et évolutive en fonction du nombre de domaines d’imagerie. La performance de notre méthode est évaluée à l’aide de trois ensembles de données composés de sujets enfants et adultes, soit iSEG, MRBrainS et ABIDE. Les résultats révèlent le potentiel de notre méthode de normalisation pour une tâche de segmentation avec une amélioration de l’indice Dice allant jusqu’à 57,5% par rapport à nos résultats de base consistant en l’apprentissage et le test d’un algorithme de segmentation sur des ensembles de données issus de domaines différents. Notre méthode permet de s’attaquer directement au problème de disponibilité des données en permettant l’apprentissage simultané sur plusieurs domaines d’imagerie différents.

Date	3 mai 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Hervé Lombaert (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))