Une approche Deep Learning pour la segmentation robuste des vaisseaux hépatiques sur des images médicales 3-D

Robust liver vessel segmentation in medical images using 3-D deep learning approaches

• Auteur / Autrice : Abir Affane
• Direction : Antoine Vacavant, Marie-Ange Lebre
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 09/11/2022
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Institut Pascal (Aubière, Puy-de-Dôme)
• Jury : Examinateurs / Examinatrices : Nicolas Passat, Chafiaa Hamitouche, Julien Finet
• Jury : Rapporteurs / Rapporteuses : Benoît Naegel, Carole Lartizien

Mots clés

Mots clés contrôlés

Imagerie

Foie

Imagerie médicale

Apprentissage profond

Mots clés libres

Vaisseau hépatique

Topologique

Apprentissage profond

Rehaussement vasculaire

Segmentation

Images 3D

Imagerie médicale

Liver vessel

Topological

Deep learning

Vessel enhancement

Segmentation

3-D images

CT scan

Medical imaging

Résumé

L’évolution de l’informatique dans la recherche sur les réseaux vasculaires a permis d’améliorer la reconstruction et l’interprétation de ces structures complexes.L’extraction robuste de ces structures sur des images biomédicales nécessite une bonne acquisition lors d’un examen d’imagerie.La segmentation des vaisseaux peut être utilisée pour de nombreuses applications telles que la division du foie en sous-régions. Cette définition des segments de Couinaud a été une bonne initialisation pour les chercheurs pour résoudre plu-sieurs problèmes liés aux maladies du foie, faciliter l’interprétation des images parles radiologues et même pour des planifications chirurgicales. L’exploration des vaisseaux hépatiques repose sur la bonne acquisition lors d’un examen. Le deep learning apporte de nouvelles solutions aux problèmes de segmentation des images médicales et devient une méthodologie de pointe pour de futures applications cliniques. L’étude des structures vasculaires est une tâche difficile en raison de la taille extrêmement petite de la structure du vaisseau, du faible SNR (Signal to Noise Ratio) et du contraste variable des données d’imagerie médicale. L’étude des structures curvilignes est une tâche difficile, en particulier compte tenu des applications d’imagerie médicale telles que la reconstruction des vaisseaux. Depuis l’arrivée des méthodes d’apprentissage profond, plusieurs approches basées sur l’intensité des pixels ont été proposées pour réduire les erreurs de segmentation, mais ces informations ne sont toujours pas suffisantes pour préserver la connectivité au sein des branches et peuvent donner de mauvais résultats de segmentation dans les bifurcations. Ceci est principalement dû à la complexité de ces structures et au contraste inhomogène dans tout le réseau vasculaire des images médicales.Cette thèse est consacrée au développement d’une nouvelle méthode d’apprentissage en profondeur 3-D basée sur des informations topologiques pour la segmentation des vaisseaux hépatiques à partir des images médicales, qui peut aider à améliorer les décisions de segmentation à partir des modèles vasculaires. Ces approches intègrent à la fois l’intensité du pixel et la structure topologique des vaisseaux en développant des modèles 3-D avec une fonction de perte topologique spécifique, qui calcule la similarité entre la carte de vraisemblance prédite par un modèle 3-D de segmentation et les vaisseaux de vérité de terrain. Notre modèle d’apprentissage topologique profond 3-D est une technique prometteuse avec une meilleure qualité de segmentation sur les bifurcations notamment.Dans une première partie, des modèles de segmentation U-Net 3-D sont revisités et comparés. Plus précisément, 3-D U-Net, Dense U-Net et MultiRes U-Net sont opposés les uns aux autres dans la tâche de segmentation des vaisseaux sur le jeu de données scanner public de l’IRCAD. Pour chaque modèle, trois configurations alternatives permettant d’adapter les architectures du réseau neuronal convolutif adaptées aux données volumétriques sont testées. À savoir, les configurations 3-Dcomplètes, basées sur des groupes de coupes (slabs) et sur des patches 3-D sont prises en compte. Ces méthodes permettent de mieux détecter les bifurcations.Cette comparaison des modèles 3-D permet de choisir la meilleure approche basée sur les intensités de l’image.Dans une seconde partie, une méthode basée sur la combinaison des modèles d’apprentissage profond avec des filtres de rehaussement est introduite pour segmenter les vaisseaux hépatiques sur des images 3-D. Cette approche améliore les résultats de segmentation. Plusieurs filtres de rehaussement ont été utilisés et comparés. Enfin la troisième partie de la thèse est consacrée à introduire les signatures topo-logiques. Ces informations peuvent aider à améliorer la décision de segmentation.L’étude hiérarchique du squelette (sous forme de graphe) permet de donner une description graphique du réseau vasculaire hépatique. (...)

The evolution of computer science in research on vascular networks has revealed Interest in the reconstruction and interpretation of these complex structures. Therobust and automatic segmentation of the vessels can be used for many applicationssuch as the resection of the liver in sub-regions. This definition of Couinaudsegments was a good initialization for the researchers to solve several problemsrelated to liver diseases, and also to facilitate the interpretation of images byradiologists. The exploration of the liver vessels in medical images is based on thecorrect acquisition during an examination. Nowadays, deep learning is providingnew solutions for medical image segmentation problems and becomes a key pointfor future clinical application. The study of vascular structures is a challengingtask due to the extremely small size of the vessel structure, low Signal to NoiseRatio (SNR), and varying contrast in medical image data. Since the arrival of deeplearning, several methods based on pixel intensity have been tested to reduce moresegmentation errors, but these intensity information were still not sufficient topreserve connectivity within branches, and may give poor segmentation outcomesin bifurcations. This is mainly due to the complexity of these structures andinhomogeneous contrast throughout the vascular network in medical images.This thesis is dedicated to develop novel 3-D deep learning methods based ontopological information for liver vessel segmentation from CT (ComputerizedTomography) scans, which can help in improving segmentation decisions from vas-cular patterns. These approaches integrate both pixel wise intensity and topologicalsignatures of vessel shapes by training a 3-D model with a specific topological lossfunction, which calculates the similarity between the likelihood map predicted bythe 3-D model of segmentation and the ground-truth vessels. Our 3-D topolog-ical deep learning model gives better segmentation in terms of bifurcations andtopology.The first part of the work presents our different approaches used for vesselextraction. More precisely, 3-D U-Net, Dense U-Net, and MultiRes U-Net are pittedagainst each other in the vessel segmentation task on the CT scan public datasetfrom IRCAD. For each model, three alternative setups that allow adapting theselected architectures to volumetric data are tested. Namely, full 3-D, slab-based,and box-based setups are considered. These methods enable detecting bifurcations.this comparison of 3-D models allows to choose the best approach based on theintensities of the image.In the second part, a vesselness based method is introduced into the deep learningarchitecture to segment liver vessel in 3-D images. This approach enhances vesselin the whole 3-D volume of images in order to obtain more accurate segmentation.several vesselness filters were used and compared.The third part of the thesis is devoted to introduce the topological signature. Thisinformation can help improve segmentation decision. The hierarchical study of theskeleton allows giving a graphic description of the hepatic vascular network. Theincorporation of graph convolutions in the U-Net provides nodes in the graph withinformation that is based on node connectivity. Another topological approach isproposed to segment accurately liver vessel based on continuous-valued loss func-tion, which can help in improving segmentation decisions from vascular patterns.It integrates both pixel wise intensity and topological structure of vessel shapesby training a 3-D U-Net with this specific topological loss function, by calculatingthe similarity between the likelihood map predicted by the 3-D U-Net and theground-truth vessels.Thus the complete processing pipeline developed leads to a precise 3-D recon-struction of the liver vascular network. (...)