Surface loss for medical image segmentation

Résumé

Ces dernières décennies ont été témoins d’une expansion sans précédent des données médicales dans divers systèmes complexes et à grande échelle. Malgré toutes les réussites dans la resolution de nombreux problèmes médicaux complexes, il reste encore des défis à relever. Le déséquilibre des classes est l’un des problèmes répandus pour la segmentation des images médicales. Il se produit lorsqu’il y a une distribution de classe sévèrement inégale, par exemple, lorsque la taille de la région cible est beaucoup plus petite (parfois négligeable) que la taille de la région de fond. Dans de tels problèmes, les fonctions de coût typiques utilisées pour la segmentation avec des réseaux neuronaux convolutionnels (CNN) ne parviennent pas à produire de bonnes performances. Les fonctions de coût couramment utilisées sont basées sur des termes régionaux et supposent que toutes les classes sont réparties de façon équitable. Ainsi, elles tendent à favoriser la classe majoritaire et à mal classifier la classe cible. Pour résoudre ce problème, le principal objectif de ce travail est de construire une fonction de coût surfacique, basée sur la distance entre les frontières et non sur les régions. Nous soutenons qu’une fonction de coût surfacique peut atténuer les problèmes des pertes régionales en introduisant une information complémentaire basée sur la distance. Notre fonction de coût est inspirée des techniques d’optimisation discrètes (basées sur des graphes) pour calculer les flux de gradient de l’évolution des courbes. Suivant une approche intégrale pour calculer les variations des frontières, nous exprimons une distance non symétrique L2 sur l’espace des formes en tant qu’intégrale régionale, ce qui évite les calculs différentiels complètement locaux. Notre fonction de coût est la somme des fonctions linéaires des sorties régionales de probabilité Softmax du réseau. Par conséquent, elle peut être facilement combinée avec des fonctions de coût régionales et intégrée dans n’importe quelle architecture existante de réseau profond pour la segmentation à N dimensions (N-D). Nos expérimentations sont menées sur trois bases de données de référence correspondant à des problèmes de segmentation de plus en plus déséquilibrés : segmentation multimodale de la tumeur cérébrale (BRATS17), lésion ischémique cérébrale (ISLES) et hyperintensité de la matière blanche (WMH). Utilisée en conjonction avec la fonction de Dice généralisé (GDL) basée sur la région, notre fonction de coût améliore considérablement les performances par rapport à GDL seul, atteignant jusqu’à 8%d’amélioration du score de Dice et 10% d’amélioration du score de Hausdorff. Elle a également aidé à mieux stabiliser le processus d’apprentissage.

Date	27 mai 2019
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ismail Ben Ayed (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))