Apprentissage profond pour la segmentation de lesion et de thrombusdans des IRM cerebrales

Deep Learning for lesion and thrombus segmentation from cerebral MRI

• Auteur / Autrice : Jonathan Kobold
• Direction : Hichem Maaref, Vincent Vigneron
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 02/12/2019
• Etablissement(s) : Université Paris-Saclay (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Informatique, Biologie Intégrative et Systèmes Complexes (Evry, Essonne) - Informatique- BioInformatique- Systèmes Complexes / IBISC
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université d'Évry-Val-d'Essonne (1991-....)
• Jury : Président / Présidente : Pierre-Yves Guméry
• Jury : Examinateurs / Examinatrices : Jenny Benois Pineau, Rachid Jennane, W. Elmar Lang, Said Mammar
• Jury : Rapporteurs / Rapporteuses : Jenny Benois Pineau, Rachid Jennane

Mots clés

Mots clés contrôlés

Apprentissage profond

Traitement d'images -- Techniques numériques

Imagerie par résonance magnétique

Identification

Thrombus

Mots clés libres

AVC ischémique

Segmentation automatique

Lstm

Données déséquilibrées

AVC ischémique

Automatic segmentation

Lstm

Imbalanced data

Résumé

L'apprentissage profond est le meilleur ensemble de méthodes aumonde pour identifier des objets sur des images. L'accident vascu-laire cérébral est une maladie mortelle dont le traitement nécessitel'identification d'objets par imagerie médicale. Cela semble être unecombinaison évidente, mais il n'est pas anodin de joindre les deux.La segmentation de la lésion de l'IRM cérébrale a retenu l'attentiondes chercheurs, mais la segmentation du thrombus est encore inex-plorée. Ce travail montre que les architectures de réseau de neur-ones convolutionnels contemporaines ne peuvent pas identifier demanière fiable le thrombus sur l'IRM. En outre, il est démontrépourquoi ces modèles ne fonctionnent pas sur ce problème. Fort decette connaissance, une architecture de réseau neuronal récurrente aété développée, appelée logic-LSTM, capable de prendre en comptela manière dont les médecins identifient le thrombus. Cette ar-chitecture fournit non seulement la première identification fiablede thrombus, mais elle fournit également de nouvelles informationssur la conception des réseaux neuronaux. En particulier, les méthodesd'augmentation du champ récepteur sont enrichies d'une nouvelleoption sans paramètre. Enfin, le logic-LSTM améliore également lesrésultats de la segmentation des lésions en fournissant une segment-ation des lésions avec un niveau de performance humaine.

Deep learning, the world's best set of methods for identifying ob-jects on images. Stroke, a deadly disease whose treatment requiresidentifying objects on medical imaging. Sounds like an obvious com-bination yet it is not trivial to marry the two. Segmenting the lesionfrom stroke MRI has had some attention in literature but thrombussegmentation is still uncharted area. This work shows that contem-porary convolutional neural network architectures cannot reliablyidentify the thrombus on stroke MRI. Also it is demonstrated whythese models don't work on this problem. With this knowledge arecurrent neural network architecture, the logic LSTM, is developedthat takes into account the way medical doctors identify the throm-bus. Not only this architecture provides the first reliable thrombusidentification, it also provides new insights to neural network design.Especially the methods for increasing the receptive field are enrichedwith a new parameter free option. And last but not least the logicLSTM also improves the results of lesion segmentation by providinga lesion segmentation with human level performance.