Segmentation d'images médicales avec la théorie de la fonction de croyance et l'apprentissage en profondeur

Medical image segmentation with belief function theory and deep learning

• Auteur / Autrice : Ling Huang
• Direction : Thierry Denoeux, Su Ruan
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information et des Systèmes : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 27/02/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Imagerie médicale

Réseaux neuronaux (informatique)

Lymphomes

Imagerie pour le diagnostic

Traitement d'images

Fusion multicapteurs

Incertitude (théorie de l'information)

Apprentissage supervisé (intelligence artificielle)

Apprentissage profond

Théorie de Dempster-Shafer

Mots clés libres

Dempster-Shafer theory

Apprentissage en profondeur

Théorie de la fonction de croyance

Analyse d’images médicales

Quantification de l’incertitude

Fusion d’informations

Apprentissage semi-supervisé

Dempster-Shafer theory

Deep learning

Belief function theory

Medical image analysis

Uncertainty quantification

Information fusion

Neural networks

Lymphomas

Supervised learning

Résumé

L'apprentissage profond a montré des contributions prometteuses dans la segmentation d'images médicales avec de puissantes capacités d'apprentissage et de représentation de caractéristiques. Cependant, il présente des limites pour le raisonnement avec et la combinaison d'informations imparfaites (imprécises, incertaines et partielles). Dans cette thèse, nous étudions les approches de segmentation d'images médicales avec la théorie des fonctions de croyance et l'apprentissage profond, en nous concentrant spécifiquement sur la modélisation et la fusion d'informations basées sur des preuves incertaines. Tout d'abord, nous passons en revue les méthodes de segmentation d'images médicales existantes basées sur la théorie de la fonction de croyance et discutons de leurs avantages et défis. Deuxièmement, nous présentons un cadre de segmentation d'images médicales semi-supervisé pour diminuer l'incertitude causée par le manque d'annotations avec la segmentation évidentielle et la fusion de preuves. Troisièmement, nous comparons deux classificateurs d'évidence, le réseau neuronal d'évidence et le réseau de fonction de base radiale, et nous montrons l'efficacité de la théorie de la fonction de croyance dans la quantification de l'incertitude ; nous utilisons les deux classificateurs d'évidence avec des réseaux neuronaux profonds pour construire des modèles d'évidence profonds pour la segmentation du lymphome. Quatrièmement, nous présentons un cadre de fusion d'images médicales multimodales prenant en compte la fiabilité de chaque source d'image RM lors de l'exécution de différentes tâches de segmentation à l'aide de fonctions de masse et d'actualisation contextuelle.

Deep learning has shown promising contributions in medical image segmentation with powerful learning and feature representation abilities. However, it has limitations for reasoning with and combining imperfect (imprecise, uncertain, and partial) information. In this thesis, we study medical image segmentation approaches with belief function theory and deep learning, specifically focusing on information modeling and fusion based on uncertain evidence. First, we review existing belief function theory-based medical image segmentation methods and discuss their advantages and challenges. Second, we present a semi-supervised medical image segmentation framework to decrease the uncertainty caused by the lack of annotations with evidential segmentation and evidence fusion. Third, we compare two evidential classifiers, evidential neural network and radial basis function network, and show the effectiveness of belief function theory in uncertainty quantification; we use the two evidential classifiers with deep neural networks to construct deep evidential models for lymphoma segmentation. Fourth, we present a multimodal medical image fusion framework taking into account the reliability of each MR image source when performing different segmentation tasks using mass functions and contextual discounting.