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

Diagnostic de la maladie d’Alzheimer par fusion d’images IRM et TEP avec segmentation de tissus floue-génétique-possibiliste et classification par SVDD

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Lazli, Lilia (2021). Diagnostic de la maladie d’Alzheimer par fusion d’images IRM et TEP avec segmentation de tissus floue-génétique-possibiliste et classification par SVDD. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of LAZLI_Lilia.pdf]
Prévisualisation
PDF
Télécharger (6MB) | Prévisualisation

Résumé

Les systèmes de diagnostic assisté par ordinateur (DAO) interviennent pour aider les neuroradiologues et d’autres professionnels de la santé à établir un diagnostic pertinent de l’état des patients, en offrant un effet synergique entre des méthodes d’apprentissage automatique par ordinateur et ces professionnels.

Dans ce cadre, cette thèse propose un système de DAO pour diagnostiquer la maladie d'Alzheimer (MA), selon deux modules principaux. Le premier module a pour tâche la segmentation des tissus cérébraux basée sur la fusion des images multimodales anatomique (IRM) et fonctionnelle (TEP), et prenant en compte les effets du bruit, de l'inhomogénéité d’intensité, de volume partiel dans les voxels, de variation anatomique au sein des compartiments de tissus purs et des modifications de volume tissulaire résultantes de la MA et du traitement. L’approche développée repose sur la logique floue, la théorie des possibilités et les algorithmes génétiques afin d’assurer un modèle adéquat pour chaque image traitée et dont les paramètres sont optimisés. Le processus suit les étapes suivantes : (1) modélisation du degré de relation entre les voxels et les tissus cérébraux correspondants ; (2) fusion à l'aide d'un opérateur conjonctif possibiliste afin de fusionner les cartes floues des images IRM et TEP ; (3) décision fournissant deux types d’images, des images étiquetées en tissus cérébraux et des images de synthèse anatomo-fonctionnelles qui identifient les zones cérébrales affectées par la MA. Le second module a pour tâche la classification des images fusionnées et segmentées afin de distinguer les patients atteints de la MA de sujets normaux. L’approche développée exploite le modèle de description de données par vecteurs de support (SVDD), une technique apparentée aux séparateurs à vastes marges, avec l’avantage additionnel d’un apprentissage non supervisé et un grand pouvoir de détection des données aberrantes. La stratégie « diviseret- conquérir » est appliquée pour réduire les coûts de calcul et surmonter le problème d'échelle du classifieur SVDD.

Les expériences de validation menées sur des images cérébrales réelles et synthétiques (tirées de bases de données standard ADNI et OASIS) de patients atteints de la MA montrent de bons résultats. Ainsi, la performance visuelle de l'approche de segmentation proposée montre une bonne concordance entre les images de référence et celles segmentées par l’approche proposée, comme l’attestent les coefficients de Tanimoto et la similarité de Jaccard. Quant à la classification par SVDD, les métriques de performance communes comme la précision de classification (AC), la sensibilité (SE), la spécificité (SP) et l’aire sous la courbe (AUC) montrent aussi de bons résultats. Plus précisément, la validation croisée à 10 tours montre clairement la supériorité du système de DAO proposé par rapport à des systèmes concurrents, avec un pourcentage (%) de classification en termes de AC, SE, SP et AUC de 93.65, 90.08, 92.75 et 97.3 pour l’ADNI ; 91.46, 92, 91.78 et 96.7 pour l’OASIS et 85.09, 86.41, 84.92 et 94.6 pour les images réelles.

Le travail est décrit dans trois articles. L’article 1 décrit un modèle hybride de segmentation basé sur les AG, l’algorithme des c-moyennes floues et l’algorithme des c-moyennes possibilistes (PCM). Dans l’article 2, afin d’augmenter la robustesse face aux bruit et artefacts, l’algorithme PCM est remplacé dans le modèle hybride par son analogue c-moyennes possibilistes floues. Finalement, l’article 3 décrit un système complet de DAO, dont la classification est basée sur le modèle SVDD et sur la stratégie « diviser-et-conquérir », alors que la segmentation est basée d’une part sur la fusion multimodale et d’autre part sur le modèle hybride à base des AG, l’algorithme des c-moyennes floues corrigées par biais et l’algorithme des c-moyennes floues possibilistes.

Titre traduit

Diagnosis of Alzheimer's disease by fusion of MRI and PET images with fuzzy-genetic-possibilistic tissue segmentation and classification by SVDD

Résumé traduit

Computer-aided diagnostic (CAD) systems help neuroradiologist’s and other healthcare professionals to make a relevant diagnosis of patient condition by providing a synergistic effect between machine learning methods and these professionals.

In this context, this thesis proposes a CAD system to diagnosis Alzheimer's disease (AD) according to two main modules. The first module has the task of segmentation of brain tissue based on the fusion of anatomical (MRI) and functional (PET) multimodal images, and considering the effects of noise, intensity inhomogeneity, partial volume in voxels, variation in anatomical structure within pure tissue compartments and changes in tissue volume resulting from AD and treatment. The developed approach is based on fuzzy logic, the theory of possibilities and genetic algorithms (GA) to ensure an adequate model for each processed image and whose parameters are optimized. The process follows the following steps: (1) modeling the degree of relationship between the voxels and the corresponding brain tissue; (2) fusion using a conjunctive operator from the possibilistic theory to merge the fuzzy maps of the MRI and PET images; (3) decision providing two types of images, images labeled in brain tissue, and anatomical-functional computer-generated images that identify areas of the brain affected by AD. The second module has the task of classifying merged and segmented images to distinguish patients with AD from normal subjects. The developed approach exploits the Support Vector Data Description (SVDD) model, a technique related to support vector machine, with the added benefit of unsupervised learning and great power to detect outliers. The “divide-and-conquer” strategy is applied to reduce computational costs and overcome the scale problem of the SVDD classifier.

Validation experiments conducted on real and synthetic brain images (taken from standard ADNI and OASIS databases) of patients with AD show good results. Thus, the visual performance of the proposed segmentation approach shows a satisfactory agreement between the ground truth images and those segmented by the proposed approach, as evidenced by the Tanimoto coefficients and the Jaccard similarity. As for SVDD classification, common performance metrics like classification accuracy (AC), sensitivity (SE), specificity (SP), and area under the curve (AUC) show equally good results. Specifically, the 10-fold crossvalidation clearly shows the superiority of the proposed CAD system over competing systems, with a percentage (%) rate in terms of AC, SE, SP and AUC of 93.65, 90.08, 92.75 and 97.3 for ADNI; 91.46, 92, 91.78 and 96.7 for OASIS and 85.09, 86.41, 84.92 and 94.6 for real images.

The work is described in three papers. Article 1 describes a hybrid segmentation model based on GA, the fuzzy c-means (FCM) algorithm and the possibilistic c-means (PCM) algorithm. In article 2, to increase the robustness against noise and artefacts, the PCM algorithm is replaced in the hybrid model by its fuzzy PCM analogue. Finally, article 3 describes a complete CAD system of which the classification is based on SVDD model and the “divide-andconquer” strategy, while the segmentation is based on the one hand on multimodal fusion, and on the other on the hybrid model based on GA, bias corrected FCM and possibilistic FCM algorithms.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 175-201).
Mots-clés libres: maladie d'alzheimer, système d’aide au diagnostic assisté par ordinateur, fusion multimodale anatomo-fonctionnelle, quantification de volumes des tissus cérébraux, algorithme des c-moyennes floues corrigées par biais, algorithmes génétiques, algorithme des c-moyennes floues possibilistes, modèles de description de données par vecteurs de support, stratégie diviser-et-conquérir
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Boukadoum, Mounir
Programme: Doctorat en génie > Génie
Date de dépôt: 03 nov. 2021 17:37
Dernière modification: 03 nov. 2021 17:37
URI: https://espace.etsmtl.ca/id/eprint/2773

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt