Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes

Cyusa Mukama, Bruce (2021). Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales.

Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes.

Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations.

Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie.

Titre traduit

Curriculum semi-supervised segmentation of medical images using predicted bounding boxes

Résumé traduit

Although deep learning has nowadays become the de facto solution for medical image segmentation, one the limitations that remain is the need of large labelled dataset for training, which are hard to obtain. This research proposes a new semi-supervised training strategy, to alleviate the annotation burden.

Our focus consists in exploiting domain knowledge, about the organ of interest, to constrain directly the predicted segmentations. Specifically, we exploit unlabeled images, in a semisupervised curriculum context, by using an auxiliary neural network to predict the bounding boxes of the organs that unlabeled images may contain. These predicted bounding boxes are then used to constrain the size, the global location and the topology of the corresponding predicted segmentations.

We present extensive experiments to showcase the benefits of the proposed methodology. In particular, the reported results demonstrate that by including our constrained formulation, a performance gain ranging from 0.3 to 4.4% is obtained compared to the fully supervised counterpart (in terms of Sorensen-Dice coefficient), when the same amount of annotations is used. These results are consistent across two different medical segmentation datasets, i.e., left-ventricle and prostate, which demonstrates the generalizability of our approach.

Among our recommendations, we advocate a more extensive study that uses a standard detection architecture (region based convolutional neural networks, single-shot detectors, etc.), to better access the extent of this supervision’s performance.

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 75-80).
Mots-clés libres:	réseaux neuronaux convolutifs (CNN), segmentation d’images médicales, apprentissage par curriculum, boîtes englobantes inférées, a priori(s) et contraintes
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Dolz, José
Codirecteur:	Codirecteur Ben Ayed, Ismail
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	01 avr. 2022 17:53
Dernière modification:	01 avr. 2022 17:53
URI:	https://espace.etsmtl.ca/id/eprint/2945

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt