Modèles d’apprentissage profond régularisés pour la segmentation multi-anatomie en imagerie pédiatrique

Regularized deep learning models for multi-anatomy segmentation in pediatric imaging

• Auteur / Autrice : Arnaud Boutillon
• Direction : Valérie Burdin
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 14/11/2022
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère) - Département lmage et Traitement Information
• Jury : Président / Présidente : Hervé Delingette
• Jury : Examinateurs / Examinatrices : Valérie Burdin, Carole Lartizien, Maria Deprez, Pierre-Henri Conze, Bhushan Borotikar
• Jury : Rapporteurs / Rapporteuses : Hervé Delingette, Carole Lartizien

Mots clés

Mots clés contrôlés

Traitement d'images

Articulations

Pédiatrie

Imagerie médicale

Apprentissage profond

Mots clés libres

Segmentation multi-domaine

Apprentissage multi-tâche

A priori de formes

Régularisation contrastive

Réseaux antagonistes

Système musculo-squelettique

Multi-domain segmentation

Multi-task learning

Shape priors

Contrastive regularization

Adversarial networks

Musculoskeletal system

Résumé

En imagerie médicale, la segmentation basée sur l’apprentissage profond permet de générer automatiquement des modèles anatomiques qui sont cruciaux pour l’évaluation morphologique. Cependant, la rareté des ressources d’imagerie pédiatrique peut entraîner une diminution de la précision et des performances de généralisation des réseaux de segmentation. Pour atténuer ces problèmes, notre première approche consiste en un nouveau schéma d’optimisation exploitant des à priori de formes visant à imposer des prédictions globalement cohérentes et un réseau antagoniste qui encourage des délimitations plus précises. Dans notre deuxième stratégie, nous concevons un nouveau réseau multi-tâche et multi-domaine optimisé sur des ensembles de données d’imagerie multi-anatomie. Pour améliorer la généralisation, nous démêlons les représentations des domaines en utilisant une régularisation contrastive et nous étendons les à priori de formes à l’apprentissage multi-anatomie. Nos contributions sont évaluées pour la segmentation osseuse de trois articulations (cheville, épaule, genou). Les méthodes proposées ont obtenu des résultats supérieurs ou égaux à ceux des modèles de l’état de l’art. Ces résultats ouvrent de nouvelles perspectives pour une utilisation collaborative des ressources d’imagerie pédiatrique et une meilleure gestion des troubles musculo-squelettiques.

In medical imaging, segmentation using deep learning enables an automatic generation of anatomical models that are crucial for morphological evaluation. However, the scarcity of pediatric imaging resources may result in reduced accuracy and generalization performance of segmentation networks. To mitigate these issues, our first approach consists in a novel optimization scheme leveraging shape priors to enforce globally consistent predictions and an adversarial network to encourage precise delineations. In our second strategy, we design a novel multi-task, multi-domain network optimized over multi-anatomy imaging datasets. To improve generalizability, we disentangle the domains representations using a contrastive regularization and extend the shape priors to multi-anatomy learning. Our contributions are evaluated for the bone segmentation of three anatomical joints (ankle, knee, shoulder). The proposed methods performed either better or at par with state-of-the-art models. These results bring new perspectives towards a collaborative utilization of pediatric imaging resources and better management of musculoskeletal disorders.