Segmentation et étiquetage des vertèbres à partir d'images CT

Vertebrae segmentation and labelling from CT images

• Auteur / Autrice : Di Meng
• Direction : Edmond Boyer
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Informatique
• Date : Soutenance le 15/11/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France ; 1979-....). Centre de recherche de l'université Grenoble Alpes (1992-....)
• Jury : Président / Présidente : Jocelyne Troccaz
• Jury : Examinateurs / Examinatrices : Benjamin Aubert, Jean-Sébastien Franco
• Jury : Rapporteurs / Rapporteuses : Diana Mateus, Su Ruan

Mots clés

Mots clés contrôlés

Colonne vertébrale

Radiomique

Mots clés libres

Segmentation des vertèbres

Tomographie computationnelle

Étiquetage des vertèbres

Vertebrae labeling

Vertebrae segmentation

Computational tomography

Résumé

La colonne vertébrale humaine est une structure corporelle importante qui permet à l'homme de se déplacer librement et de se plier avec souplesse. Il protège également la moelle épinière, une colonne de nerfs reliant le cerveau au reste du corps.Cependant, les blessures, la santé, le mode de vie ou d'autres facteurs peuvent affecter l'état de la colonne vertébrale et provoquer des maladies et des troubles de la colonne vertébrale. Un diagnostic et un traitement précoces sont exigés pour la prévention et la réhabilitation des maladies de la colonne vertébrale.L'analyse informatisée du rachis est devenue essentielle dans le diagnostic du rachis et l'intervention assistée par ordinateur en chirurgie du rachis. L'obtention d'un modèle de colonne vertébrale fiable avec des structures de vertèbres précises est une condition préalable.Cette thèse se concentre sur cette tâche, à savoir la localisation, la segmentation et l'identification des vertèbres à partir d'images CT.Les travaux existants ont développé des approches conventionnelles ou basées sur l'apprentissage pour cette tâche. Il reste encore quelques défis, tels que la détection des vertèbres de transition et les cas pathologiques où elles sont mal présentes dans l'ensemble de données d'entraînement.Notre travail utilise la combinaison des lois a priori statistiques et des réseaux profonds pour résoudre le problème.Dans cette thèse, nous présentons les contributions suivantes :Nous apprenons d'abord un modèle de surface statistique de la colonne vertébrale complète à partir d'observations partielles ou incomplètes à l'aide de l'analyse probabiliste des composants principaux (PPCA). Le modèle de colonne vertébrale obtenu capture fidèlement la forme des vertèbres et est capable de prédire les vertèbres invisibles à partir de quelques observations.Nous contribuons en outre à une stratégie combinée locale et globale pour l'identification des vertèbres. L'étiquette de vertèbre individuelle est prédite par un réseau d'architecture hiérarchique prenant sa morphologie en entrée. Un modèle graphique est conçu pour renforcer la cohérence des prédictions individuelles. Le graphique modélise également explicitement les vertèbres de transition qui détectent bien la présence de T13, L6 et l'absence de T12.Au final, nous proposons un cycle de cohérence anatomique pour obtenir un résultat unifié et cohérent des localisations, segmentations et identifications des vertèbres. Il exploite les statistiques des a priori de forme et des réseaux profonds, faisant face aux cas rarement anormaux qui peuvent être négligés par les approches basées sur les données.Toutes les méthodes proposées sont validées sur des ensembles de données à la fois qualitativement et quantitativement. Le modèle et le code dérivés sont mis à la disposition de la communauté.

Human spine is a significant body structure that allows human to move freely and bend with flexibility. It also protects the spinal cord, a column of nerves connecting the brain with the rest of the body.However, the injury, health, lifestyle or other factors may affect the spine condition and cause spine diseases and disorders. An early diagnosis and treatment is demanded for the prevention and rehabilitation of the spine diseases.Computerized spine analysis has become essential in spine diagnosis and computer-assisted spine surgery intervention. Obtaining a reliable spine model with accurate vertebrae structures is a prerequisite.This thesis concentrates on this task, namely vertebrae localization, segmentation and identification from CT images.Existing works have developed conventional or learning-based approaches towards this task. There still remains some challenges, such as the detection of transitional vertebrae and the pathological cases where they are poorly present in the training dataset.Our work employs the combination of statistical shape priors and the deep networks to tackle the problem.In this thesis, we present the following contributions:We first learn a statistical surface model of the full spine from partial or incomplete observations using Probabilistic Principle Component Analysis (PPCA). The obtained spine model faithfully captures the shape of the vertebrae and is able to predict the unseen vertebrae given a few observations.We further contribute a combined local and global strategy for vertebrae identification. The individual vertebra label is predicted by an hierarchical-architecture network taking its morphology as input. A graphical model is designed to enforce the consistency over the individual predictions. The graph also explicitly models the transitional vertebrae which well detects the presence of T13, L6 and the absence of T12.In the end, we propose an anatomic consistency cycle to obtain unified and coherent result of vertebrae locations, segmentation and identifications. It leverages the statistics of the shape priors and the deep networks, coping with the rarely abnormal cases which can be neglected by data-driven approaches.All proposed methods are validated on datasets both qualitatively and quantitatively. The derived model and code are made available to the community.