Apprentissage génératif à bas régime des données pour la segmentation d'images en oncologie

Generative learning at low data regime for image segmentation in oncology

• Auteur / Autrice : Guillaume Sallé
• Direction : Nicolas Boussion, Vincent Jaouen
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 12/06/2024
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère)
• Jury : Président / Présidente : Douraïed Ben Salem
• Jury : Examinateurs / Examinatrices : Nicolas Boussion, Douraïed Ben Salem, Clovis Tauber, Benjamin Lemasson, Carole Lartizien, Dimitris Visvikis
• Jury : Rapporteurs / Rapporteuses : Clovis Tauber, Benjamin Lemasson

Mots clés

Mots clés contrôlés

Apprentissage automatique

Traitement d'images -- Techniques numériques

Imagerie

Cancer

Mots clés libres

Apprentissage profond

Augmentation de données

Écart de domaine

Apprentissage fewshot

Segmentation

Deep learning

Data augmentation

Domain shift

Few-shot learning

Segmentation

Résumé

En apprentissage statistique, la performance des modèles est influencée par divers biais inhérents aux données, comme la rareté des données (data scarcity) et le décalage de domaine (domain shift). Cette thèse s’intéresse à réduire leur influence dans le cadre de la segmentation de structures pathologiques en imagerie médicale. En particulier, notre objectif est de réduire les écarts de données au niveau des régions d’intérêt (ROI) entre les domaines source d’entrainement et cible de déploiement, qu’ils soient intrinsèques aux données ou induits par la faible quantité de données disponibles. Dans ce but, nous proposons une stratégie d’augmentation de données adaptative, basée sur l’analyse de la distribution des intensités des ROI dans le domaine de déploiement. Une première contribution, que nous qualifions d’augmentation naïve, consiste à altérer l’apparence des ROI du domaine d’entrainement pour mieux correspondre aux caractéristiques des ROI du domaine de déploiement. Une seconde étape, complétant la première, rend l’altération plus réaliste par rapport aux propriétés du domaine cible grâce à un modèle génératif d’harmonisation one-shot, applicable dans toutes les situations de disponibilité de données. De cette façon, nous renforçons la robustesse du modèle de segmentation en aval pour les ROI dont les caractéristiques étaient initialement sous-représentées à l’entrainement. Nous évaluons notre approche à différents régimes de données et divers contextes cliniques, notamment en IRM, TDM et radiographie pulmonaire. En outre, notre approche a montré des résultats impressionnants lors d’un challenge de segmentation de tumeurs a la conférence MICCAI 2022.

In statistical learning, the performance of models is affected by various biases present within the data, including data scarcity and domain shift. This thesis focuses on reducing their impact in the field of pathological structure segmentation in medical imaging. Our goal is to minimize data discrepancies at the region of interest (ROI) level between the training source domain and the target deployment domain, whether it is intrinsic to the data or caused by the limited data availability. To this end, we present an adaptive data augmentation strategy, based on the analysis of the intensity distribution of the ROIs in the deployment domain.A first contribution, which we call naive augmentation, consists of altering the appearance of the training ROIs to better match the characteristics of the ROIs in the deployment domain. A second augmentation, complementing the first, makes the alteration more realistic relative to the properties of the target domain by harmonizing the characteristics of the altered image. For this, we employ a generative model trained on a single unlabeled image from the deployment domain (one-shot approach), making this technique usable in any data regime encountered. In this way, we enhance the robustness of the downstream segmentation model forROIs whose characteristics were initially underrepresented in the deployment domain. The effectiveness of this method is evaluated under various data regimes and in different clinical contexts (MRI, CT, CXR). Our approach demonstrated impressive results in a tumor segmentation challenge at MICCAI 2022.