Segmentation et identification des vertèbres sur des radiographies frontales de rachis par méthodes d’apprentissage profond

Moncorgé, Agathe (2022). Segmentation et identification des vertèbres sur des radiographies frontales de rachis par méthodes d’apprentissage profond. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

Les outils d’extraction de paramètres cliniques et de reconstruction 3D du rachis à partir de radiographies aident les cliniciens dans le diagnostic et le traitement des patients atteints de scolioses. L’entreprise EOS Imaging cherche à automatiser ces applications afin de mieux les intégrer en routine clinique. La segmentation et l’identification des vertèbres sur les radiographies sont deux étapes fondamentales et cruciales dans les processus d’extraction de paramètres cliniques et de reconstruction 3D du rachis. De ce fait, l’automatisation de ces étapes relativement complexes nécessite une attention particulière.

L’objectif principal de ce projet est de proposer une méthode automatique de segmentation et de labellisation individuelle des vertèbres à partir des radiographies EOS frontales de rachis atteints de scoliose idiopathique de l’adolescent (SIA). Le projet se tourne vers les méthodes d’apprentissage profond, spécifiquement les réseaux de neurones convolutifs (CNN).

Une base de données de 767 images radiographiques frontales de patients atteints de SIA est utilisée. Un soin particulier est apporté au choix des métriques d’évaluation afin que ces dernières reflètent bien les capacités des CNNs à produire des résultats utilisables dans un contexte clinique. Une étude comparative des CNNs de segmentation d’instance DetectoRS, RetinaMask, MS R-CNN et YOLACT est réalisée. DetectoRS est significativement meilleur que les trois autres CNNs sur la métrique de taux d’identification la plus contraignante.

La méthode proposée s’appelle V-DetectoRS. Le CNN V-DetectoRS est construit à partir de DetectoRS et intègre deux stratégies d’ajustement basées sur le respect de la structure anatomique du rachis. Un post-traitement ainsi qu’un terme de pénalité intégré à la fonction de perte en régression de DetectoRS sont mis en place. Ils assurent tous les deux le respect des distances intervertébrales. Les performances atteintes par V-DetectoRS surpassent celles de DetectoRS sur toutes les métriques d’évaluation. Les performances obtenues avec VDetectoRS sont similaires à celles des méthodes de la revue de littérature. V-DetectoRS atteint un coefficient de Dice moyen de 87,84%. En considérant qu’une vertèbre est bien identifiée lorsqu’elle montre un coefficient de Dice de 75%, 86,21% des images testées ont été traitées avec succès par V-DetectoRS.

Dans le futur, V-DetectoRS pourrait être intégré à des applications de reconstruction 3D de rachis ou d’extraction de paramètres cliniques afin de participer à leur automatisation.

Titre traduit

Segmentation and identification of vertebrae on frontal X-rays of the spine with deep learning methods

Résumé traduit

Clinical parameters extraction and 3D spine reconstruction tools from X-rays help clinicians in the diagnosis and treatment of scoliotic patients. The company EOS Imaging aims to automate such applications to better include them in clinical routine. Vertebrae segmentation and identification on X-rays represent a fundamental and crucial step in the clinical parameters and 3D spine reconstruction processes. Hence, the automatization of this relatively complex step requires particular attention.

The main goal of this project is to propose an automatic method to segment and individually identify vertebrae from EOS frontal X-rays of the spine. The project leverage deep learning methods, convolutional neural networks more specifically.

A database of 767 frontal X-rays from patients suffering from idiopathic adolescent scoliosis is used. Careful attention was paid to the choice of evaluation metrics so that they reflect the CNNs ability to produce clinically usable results. A comparative study of the instance segmentation CNNs DetectoRS, RetinaMask, MS R-CNN et YOLACT is conducted. DetectoRS is significantly better than all three others CNNs on the most constraining identification rate metric.

The proposed method is called V-DetectoRS. The V-DetectoRS CNN is built on DetectoRS and incorporates two adjustment strategies based on the respect of the anatomic structure of the spine. A post-treatment and a penalty term added to the regression loss function of DetectoRS are added. They both ensure the respect of intervertebral distances. V-DetectoRS’s results outperform DetectoRS on every evaluation metric. Compared with the literature review methods, V-Detectors shows similar performances. V-DetectoRS reaches a mean Dice coefficient of 87.84%. Considering that a vertebra is well identified when the Dice coefficient is above 75%, 86.21% of the tested images are processed with success by V-DetectoRS.

In the future, V-Detectors could be incorporated in clinical parameters and 3D spine reconstruction applications in order to participate in their automatization.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Rapport de mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise en génie concentration personnalisée". Comprend des références bibliographiques (pages 147-156).
Mots-clés libres:	réseau neuronal convolutif, segmentation d’instance, vertèbres, radiographie
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Vázquez, Carlos
Codirecteur:	Codirecteur de Guise, Jacques A.
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	19 mai 2022 13:56
Dernière modification:	02 nov. 2022 13:49
URI:	https://espace.etsmtl.ca/id/eprint/2976

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt