Approche semi-supervisée pour l'analyse automatique de la moelle épinière sur imagerie par résonance magnétique

Massé-Gignac, Nicolas (2022). Approche semi-supervisée pour l'analyse automatique de la moelle épinière sur imagerie par résonance magnétique. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Cette étude utilise des réseaux de neurones convolutifs 2D afin d’automatiser la segmentation de la moelle épinière à partir d’IRM sagittaux pondérés en T2. La base de données est constituée de 106 IRM provenant de 94 patients ayant subi des lésions traumatiques à la moelle épinière. Deux méthodes complètes intégrant le prétraitement des données ainsi que la segmentation automatique ont été développées.

Une de ces méthodes a comme objectif de produire la meilleure segmentation possible de la moelle épinière d’un point de vue clinique. Celle-ci emploie une approche novatrice où les IRM sont analysées en cascade sous le plan axial et sagittal par deux réseaux différents. Les résultats sont comparés avec ceux de Deepseg 2D du Spinal Cord Toolbox, qui représente l’état de l’art. Notre méthode arrive à des résultats significativement supérieurs à Deepseg 2D, avec un coefficient Dice moyen de 0.95 contre 0.88 pour Deepseg 2D (P < 0.001).

L’autre approche a comme objectif le développement et l’évaluation d’une méthode d’apprentissage semi-supervisée. Dans cette approche, deux réseaux sont entrainés en parallèle où chaque réseau utilise une version binarisée des segmentations produites par l’autre réseau afin d’améliorer son propre entrainement. Pour évaluer cette approche, quatre paires de réseaux sont entrainés avec 25%, 50%, 75% et 100% des données annotées respectivement, puis les résultats sont comparés avec ceux de réseaux utilisant seulement l’apprentissage supervisé. Les résultats montrent une amélioration considérable pour les réseaux utilisant l’apprentissage semi-supervisé, amélioration qui est certainement plus marquée lorsque moins de données sont annotées, mais qui demeure néanmoins présente avec 100% des données annotées.

Deux approches ont donc été développées avec succès pour segmenter la moelle épinière, l’une présentant une technique supervisée qui arrive à des résultats de segmentation dépassant l’état de l’art, et l’autre présentant une technique semi-supervisée qui performe bien avec des quantités de données annotées variées.

Résumé traduit

This study uses 2D convolutional neural networks to automate spinal cord segmentation from T2-weighted MRIs. The database consists of 106 sagittal MRI scans from 94 patients with traumatic spinal cord injuries. Two complete methods integrating data preprocessing and automatic segmentation have been developed.

One of these methods aims for the best possible segmentation of the spinal cord from a clinical point of view. This method uses an innovative approach where the MRIs are analyzed in series under the axial and sagittal plane by two different networks. The results are compared with those of Deepseg 2D from the Spinal Cord Toolbox, which is a method representing the state of the art. Our method achieves significantly better results than Deepseg 2D, with an average Dice coefficient of 0.95 against 0.88 for Deepseg 2D (P < 0.001).

The other approach aims to develop and evaluate a semi-supervised learning method. In this approach, two networks are trained in parallel, where each network uses a binarized version of the segmentations produced by the other network to improve its own training. To evaluate this approach, four pairs of networks are trained with 25%, 50%, 75% and 100% of the annotated data respectively, then the results are compared with those of networks using only supervised learning. The results show a considerable improvement over the supervised baseline, an improvement that is certainly more marked when a lesser portion of the data is annotated, but which nevertheless remains with 100% of the annotated data.

Two approaches have therefore been successfully developed to segment the human spinal cord, one presenting a supervised technique which achieves segmentation results exceeding the state of the art, and the other presenting a semi-supervised technique which performs well with variable amounts of data.

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 logiciel". Comprend des références bibliographiques (pages 126-131).
Mots-clés libres:	apprentissage profond, apprentissage semi-supervisé, segmentation, moelle épinière, réseau de neurones convolutif
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duong, Luc
Codirecteur:	Codirecteur Mac-Thiong, Jean-Marc
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	19 août 2022 14:49
Dernière modification:	19 août 2022 14:49
URI:	https://espace.etsmtl.ca/id/eprint/3045

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt