Contributions aux approches multi-atlas et d'apprentissage profond pour la segmentation des muscles : application à l'étude longitudinale multi-paramétrique quantitative en IRM

Contributions to multi-atlas and deep learning approaches for muscle segmentation in multi-parametric quantitative MRI longitudinal studies

• Auteur / Autrice : Hoai-Thu Nguyen
• Direction : Pierre Croisille
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l’information et de la communication, Traitement d’images médicales
• Date : Soutenance le 15/10/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Sciences Ingénierie Santé (Saint-Etienne)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Jean Monnet (Saint-Étienne ; 1969-....)
• Jury : Président / Présidente : Caroline Petitjean
• Jury : Examinateurs / Examinatrices : Magalie Viallon, Hongzhi Wang, Pascal Édouard, Thomas Grenier
• Jury : Rapporteur / Rapporteuse : Caroline Petitjean, Mireille Garreau

Mots clés

Mots clés contrôlés

Traitement d'images

Apprentissage profond

Analyse des données

Apprentissage automatique

Imagerie par résonance magnétique

Traitement d'images -- Techniques numériques

Mots clés libres

Segmentation d’image

IRM

Apprentissage automatique

Analyse de données

Apprentissage profond

Traitement d’images médicales

Image segmentation

MRI

Machine leaning

Data Analysis

Deep learning

Medical image processing

Résumé

Ce travail de thèse est basé sur le projet MUST, dont l'un des objectifs est d’étudier l’inflammation musculaire provoqué par l'ultra-endurance. Pour étudier l'évolution de paramètres fonctionnels musculaires dont l’inflammation au niveau du quadriceps, notre thèse se concentre sur les méthodes de segmentation automatiques supervisées. Notre objectif est de fournir une méthode cliniquement applicable permettant de segmenter précisément les chefs du quadriceps avec peu d’annotation manuelles pour la phase d'apprentissage.D’abord, les approches multi-atlas nous permettent d'obtenir des segmentations de qualité sur une grande partie de notre jeu de données. Cependant, pour améliorer vitesse et robustesse, nous introduisons l’utilisation de l'apprentissage profond conduisant à nos deux contributions principales : i) la proposition d'utiliser l'apprentissage profond comme méthode de segmentation dans un cadre d'apprentissage correctif et ii) la proposition d'une mesure de similarité morphologique pour une augmentation sélective des données permettant d'optimiser l'entraînement des réseaux neuronaux (type UNet) et pour une meilleure sélection des atlas dans le cas de multi-atlas. Nous montrons que les approches proposées peuvent être généralisées à d'autres problèmes de segmentation musculaire et permettent des études statistiques longitudinales et localisées.Ce travail montre que, même si la quantité de données annotées est cruciale dans l'apprentissage supervisé, il faut également prêter attention à la diversité morphologique des images annotées. Ceci permet de réduire le temps de calcul et d'augmenter la précision et la robustesse des méthodes de segmentation étudiées.

This work is a study based on the MUST project, one of whose objectives is to understand muscle inflammation caused by ultra-endurance. To study the evolution of muscle functional parameters including inflammation in the quadriceps, our thesis focuses on supervised automatic segmentation methods. Our goal is to provide a clinically applicable method to accurately segment quadriceps heads with a small number of manual annotations for training algorithms.First, multi-atlas approaches allow us to obtain quality segmentations on a large part of our dataset. However, to improve the speed and the robustness, we introduce the use of deep learning leading to our two main contributions: i) the proposal of using deep learning as segmentation method replacing multi-atlas in a corrective learning framework ii) the proposal of an original morphological similarity measure for selective data augmentation strategies allowing optimization of neural network training (such as UNet) and for better atlas selection in multi-atlas segmentation. We show that the proposed approaches can be generalized to other muscle segmentation problems and allow accurate longitudinal and localized statistical studies.This work shows that, although the amount of annotated data is crucial in supervised learning, attention should also be paid to the morphological diversity of the annotated images. This reduces the computational time and increases the accuracy and robustness of the studied segmentation methods.