Surface loss for medical image segmentation

Bouchtiba, Jihene (2019). Surface loss for medical image segmentation. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (2MB) | Prévisualisation
Prévisualisation	PDF Télécharger (419kB) | Prévisualisation

Résumé

Last decades have witnessed an unprecedented expansion of medical data in various largescale and complex systems. While achieving a lot of successes in many complex medical problems, there are still some challenges to deal with. Class imbalance is one of the common problems of medical image segmentation. It occurs mostly when there is a severely unequal class distribution, for instance, when the size of target foreground region is several orders of magnitude less that the background region size. In such problems, typical loss functions used for convolutional neural networks (CNN) segmentation fail to deliver good performances.

Widely used losses,e.g., Dice or cross-entropy, are based on regional terms. They assume that all classes are equally distributed. Thus, they tend to favor the majority class and misclassify the target class. To address this issue, the main objective of this work is to build a boundary loss, a distance based measure on the space of contours and not regions. We argue that a boundary loss can mitigate the problems of regional losses via introducing a complementary distance-based information. Our loss is inspired by discrete (graph-based) optimization techniques for computing gradient flows of curve evolution.

Following an integral approach for computing boundary variations, we express a non-symmetric L2 distance on the space of shapes as a regional integral, which avoids completely local differential computations. Our boundary loss is the sum of linear functions of the regional softmax probability outputs of the network. Therefore, it can easily be combined with standard regional losses and implemented with any existing deep network architecture for N-dimensional segmentation (N-D).

Experiments were carried on three benchmark datasets corresponding to increasingly unbalanced segmentation problems: Multi modal brain tumor segmentation (BRATS17), the ischemic stroke lesion (ISLES) and white matter hyperintensities (WMH). Used in conjunction with the region-based generalized Dice loss (GDL), our boundary loss improves performance significantly compared to GDL alone, reaching up to 8% improvement in Dice score and 10% improvement in Hausdorff score. It also yielded a more stable learning process.

Titre traduit

Une fonction de coût surfacique pour la segmentation des images médicales

Résumé traduit

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.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master's degree with thesis in automated manufacturing engineering". Comprend des références bibliographiques (pages 43-54).
Mots-clés libres:	fonction de coût surfacique, segmentation déséquilibrée, apprentissage profond, techniques d’optimization discrètes
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Ben Ayed, Ismail
Codirecteur:	Codirecteur Desrosiers, Christian
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	27 janv. 2020 20:23
Dernière modification:	27 janv. 2020 20:23
URI:	https://espace.etsmtl.ca/id/eprint/2439

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt