Deep learning for automatic segmentation and detection in multi-modal imaging : application to hepatic oncology - Archive ouverte HAL Access content directly
Theses Year : 2021

Deep learning for automatic segmentation and detection in multi-modal imaging : application to hepatic oncology

Apprentissage profond pour la segmentation et la détection automatique en imagerie multi-modale : application à l'oncologie hépatique

(1)
1

Abstract

In order to characterize hepatic lesions,radiologists rely on several images using different modalities (different MRI sequences, CT scan, etc.) because they provide complementary information.In addition, automatic segmentation and detection tools are a great help in characterizing lesions, monitoring disease or planning interventions.At a time when deep learning dominates the state of the art in all fields related to medical image processing, this thesis aims to study how these methods can meet certain challenges related to multi-modal image analysis, revolving around three axes : automatic segmentation of the liver, the interpretability of segmentation networks and detection of hepatic lesions.Multi-modal segmentation in a context where the images are paired but not registered with respect to each other is a problem that is little addressed in the literature.I propose a comparison of learning strategies that have been proposed for related problems, as well as a method to enforce a constraint of similarity of predictions into learning.Interpretability in machine learning is a young field of research with particularly important issues in medical image processing, but which so far has focused on natural image classification networks.I propose a method for interpreting medical image segmentation networks.Finally, I present preliminary work on a method for detecting liver lesions in pairs of images of different modalities.
Pour caractériser les lésions hépatiques, les radiologues s’appuient sur plusieurs images acquises selon différentes modalités (différentes séquences IRM, tomodensitométrie, etc.) car celles-ci donnent des informations complémentaires. En outre, les outils automatiques de segmentation et de détection leur sont d’une grande aide pour la caractérisation des lésions, le suivi de la maladie ou la planification d’interventions. A l’heure où l’apprentissage profond domine l’état de l’art dans tous les domaines liés au traitement de l’image médicale, cette thèse vise à étudier comment ces méthodes peuvent relever certains défis liés à l’analyse d’images multi-modales, en s’articulant autour de trois axes : la segmentation automatique du foie, l’interprétabilité des réseaux de segmentation et la détection de lésions hépatiques. La segmentation multi-modale dans un contexte où les images sont appariées mais pas recalées entre elles est un problème peu abordé dans la littérature. Je propose une comparaison de stratégies d’apprentissage proposées pour des problèmes voisins, ainsi qu’une méthode pour intégrer une contrainte de similarité des prédictions à l’apprentissage. L’interprétabilité en apprentissage automatique est un champ de recherche jeune aux enjeux particulièrement importants en traitement de l’image médicale, mais qui jusqu’alors s’était concentré sur les réseaux de classification d’images naturelles. Je propose une méthode permettant d’interpréter les réseaux de segmentation d’images médicales. Enfin, je présente un travail préliminaire sur une méthode de détection de lésions hépatiques dans des paires d’images de modalités différentes.
Fichier principal
Vignette du fichier
99428_COUTEAUX_2021_archivage.pdf (6.01 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03286740 , version 1 (15-07-2021)

Identifiers

  • HAL Id : tel-03286740 , version 1

Cite

Vincent Couteaux. Apprentissage profond pour la segmentation et la détection automatique en imagerie multi-modale : application à l'oncologie hépatique. Imagerie médicale. Institut Polytechnique de Paris, 2021. Français. ⟨NNT : 2021IPPAT009⟩. ⟨tel-03286740⟩
597 View
732 Download

Share

Gmail Facebook Twitter LinkedIn More