La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Segmentation automatique de la colonne vertébrale lombaire à partir d'images à résonance magnétique par combinaison de réseau de neurones convolutifs et coupe de graphe

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Ben Dhaou, Firas (2019). Segmentation automatique de la colonne vertébrale lombaire à partir d'images à résonance magnétique par combinaison de réseau de neurones convolutifs et coupe de graphe. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (728kB) | Prévisualisation

Résumé

Le mal de dos, le mal du siècle comme beaucoup de gens le décrivent, est un terme général pour une maladie potentiellement grave et l’un des problèmes médicaux les plus courants dans le monde. Il peut se produire à n’importe quel endroit au niveau de la colonne vertébrale. Pour identifier l’origine d’une douleur et déterminer si un traitement est nécessaire, les experts dans ce domaine se basent sur l’analyse des images médicales telles que l’IRM et CT-scan pour identifier les zones endommagées ou les anomalies.

Un examen de radiologie classique est une tâche compliquée et coûteuse en temps précieux pour le malade et le médecin. De plus, dans certaines situations, l’identification de ces anomalies à l’oeil nu n’est pas toujours évidente, ce qui nécessite l’application de certaines techniques de traitement d’image afin de guider l’expert à réaliser un bon diagnostic. Parmi les techniques les plus employées dans ce domaine nous citons la segmentation d’images qui permet de délimiter et d’identifier les zones d’intérêt. Une segmentation précise et robuste des structures est une condition préalable au diagnostic assisté par ordinateur et à l’identification des anomalies. Elle peut également être utilisée pour la planification assistée par ordinateur et la simulation d’une chirurgie. Cependant, malgré les inventions technologiques dans ce domaine, les approches utilisées pour la segmentation des images médicales restent limitées de point de vue performance et nécessitent l’intervention d’un expert humain. Récemment, les réseaux de neurones convolutifs (RNC) ont montré des performances exceptionnelles surtout dans le domaine de traitement d’images médicales surpassant les approches de segmentation existantes dans la littérature.

C’est dans ce contexte que s’inscrit ce travail, qui vise à proposer une nouvelle approche pour la segmentation des vertèbres et des disques intervertébraux de la partie lombaire de la colonne vertébrale basée sur la combinaison des réseaux de neurones convolutifs avec la segmentation par coupe de graphe appliquée sur des images IRM 3D. Au lieu d’appliquer directement les RNC pour obtenir une segmentation finale, la technique proposée utilise les cartes de probabilités générées par le réseau de neurones comme initialisation pour la méthode de coupe de graphe afin de raffiner la segmentation initiale. Afin d’améliorer les résultats dans le cas de la segmentation multi-classes, nous avons utilisé l’algorithme α −expansion qui constitue une extension de la coupe de graphe appliquée sur des images multi-classes. L’approche a été évaluée quantitativement sur deux bases de données différentes utilisées dans la compétition annuelle MICCAI pour la segmentation des vertèbres et des disques. Nous avons aussi évalué qualitativement notre méthode sur une nouvelle base de données de dix sujets qui contient des annotations manuelles multi-classes des deux structures ; vertèbres et disques. L’évaluation expérimentale, basée sur le coefficient de similarité de Dice et la distance de Hausdorff, montre que notre approche réalise de bonnes performances sur les trois bases de données.

Titre traduit

Automatic segmentation of the lumbar spine from magnetic resonance images by combining convolutional neural networks and graph cut

Résumé traduit

Back pain, the sickness of the century as many people describe it, is a general term for a potentially serious illness and one of the most common medical problems in the world. It can occur anywhere in the spine. To identify the origin of pain and determine if treatment is needed, experts in this area rely on the analysis of medical images such as MRI and CT-scan to identify damaged areas or anomalies.

The conventional radiological examination is a complicated and expensive task in precious time for the patient and the doctor. Moreover, in certain situations, identifying these anomalies with the naked eye is not always obvious, which requires the application of certain image processing techniques to guide the expert to make a good diagnosis. Among the most used techniques in this area we mention the image segmentation that delimits and identifies areas of interest. Precise and robust structural segmentation is a prerequisite for computer-assisted diagnosis and anomaly identification. It can also be used for computer-aided planning and simulated surgery. However, despite the technological inventions in this field, the approaches used for the segmentation of medical images are limited in terms of performance and require the intervention of a human expert. Recently, convolutional neural networks (CNN) have shown outstanding performance especially in the field of medical image processing surpassing existing segmentation approaches in the literature.

It is in this context that this work aims to propose a new approach for the joint segmentation of the vertebrae and intervertebral discs of the lumbar spinal column based on the combination of convolutional neural networks with graph cut segmentation applied on 3D MRI images. Instead of directly applying the CNNs to obtain a final segmentation, the proposed technique uses the probability maps generated by the neural network as initialization for the graph cut method in order to refine the initial segmentation. To improve the results in the case of multilabel segmentation, we used the α −expansion algorithm which is an extension of the graph cut applied to multi-label images. The approach was quantitatively evaluated on two different databases used in the annual MICCAI competition for segmentation of vertebrae and discs. We also qualitatively evaluated our method on a new database of ten subjects that contains manual multi-label annotations of both structures ; vertebrae and discs. The experimental evaluation, based on Hausdorff distance and Dice similarity coefficient, shows that our approach performs well on all three databases.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie de la production automatisée". Comprend des références bibliographiques (pages 118-127).
Mots-clés libres: colonne vertébrale, image résonance magnétique, segmentation de l’image, réseau de neurones convolutif (RNC), coupe de graphe, α-expansion
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Ben Ayed, Ismail
Codirecteur:
Codirecteur
Dolz, Jose
Programme: Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt: 11 nov. 2019 20:54
Dernière modification: 11 nov. 2019 20:54
URI: http://espace.etsmtl.ca/id/eprint/2398

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt