Segmentation des vaisseaux sanguins par approche variationnelle et apprentissage profond

Blood vessels segmentation using variational approach and deep learning

• Auteur / Autrice : Sophie Carneiro Esteves
• Direction : Antoine Vacavant
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 07/05/2024
• 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 : Président / Présidente : Caroline Petitjean
• Jury : Examinateurs / Examinatrices : Antoine Vacavant, Odyssée Merveille, Noémie Debroux
• Jury : Rapporteurs / Rapporteuses : Nelly Pustelnik, Thierry Géraud

Mots clés

Mots clés contrôlés

Imagerie

Vaisseaux sanguins

Apprentissage profond

Mots clés libres

Apprentissage profond

Vaisseaux sanguins

Approche variationnelle

Segmentation

Plug-And-Play

Connectivité

Deep learning

Blood vessels

Variational approach

Segmentation

Plug-And-Play

Connectivity

Résumé

La segmentation des vaisseaux sanguins à partir d'images médicales est une étape cruciale dans diverses applications cliniques, telles que la planification chirurgicale, le diagnostic des maladies et le suivi des traitements. Cependant, elle reste un défi en raison de la diversité des modalités d'imagerie, de la géométrie complexe des structures et du faible contraste des images biomédicales. L'apprentissage profond fournit une puissance de représentation importante pour apprendre une fonction qui permet l'obtention d'une segmentation précise. Néanmoins, même avec le développement de méthodes semi-supervisées, cette fonction reste dépendante du jeu de données annoté disponible. En parallèle, les méthodes non supervisées tendent à mieux se généraliser, mais leurs performances en termes de segmentation sont généralement moindres, en particulier lorsqu'il s'agit de préserver la connectivité, qui est crucial pour les applications cliniques.Dans ce travail, nous proposons de nouvelles méthodes de segmentation des vaisseaux sanguins qui visent à préserver la connectivité des réseaux vasculaires pour différentes modalités d'imagerie afin de concilier généralisation et performance.Tirant parti de l'apprentissage profond, nous proposons tout d'abord un modèle pour reconnecter les structures vasculaires binaires fragmentées en 2D et en 3D. Ce modèle peut être appliqué comme post-traitement dans un contexte non supervisé ou supervisé, en fonction de la disponibilité des annotations vasculaires du jeu de données cible. En outre, nous montrons la possibilité de l'appliquer à des segmentations obtenues par différentes méthodes.Cependant, l'utilisation du modèle de reconnexion en tant que post-traitement ne permet pas l'utilisation de l'a priori sur la structure vasculaire présent dans les images médicales. Nous proposons donc d'utiliser notre modèle de reconnexion conjointement avec la tâche de segmentation. À cette fin, nous l'avons intégré dans un schéma de segmentation variationnelle, qui permet la détection de réseaux vasculaires dans différents jeux de données sans nécessiter d'annotation. Nous avons testé notre méthode sur différents jeux de données, composés d'images de fond de rétines 2D, de volume tomodensitométriques de foie et d'angiographies par résonance magnétiques cérébrales 3D. Nous montrons que cette dernière préserve mieux la structure des réseaux vasculaires dans les images réelles que les méthodes non supervisées et semi-supervisées traditionnelles, tout en améliorant la connectivité globale de l'arbre vasculaire.

Accurate segmentation of blood vessels from medical images plays a crucial role in various clinical applications, such as surgical planning, disease diagnosis, and treatment monitoring. However, the task is challenging due to the diversity of imaging modalities, the complex geometry, and the low contrast of biomedical images. Deep learning provides significant representation power to learn a function that enables precise segmentation. Nevertheless, even with the development of semi-supervised methods, this function remains dependent on the available annotated dataset. On the other hand, unsupervised methods tend to generalize better, but their performance in terms of segmentation is generally much lower, especially when it comes to preserving connectivity, which is crucial for clinical applications.In this work, we propose novel methods for blood vessel segmentation that aim to preserve the connectivity of vascular networks across different imaging modalities in order to address both generalization and efficiency.Taking advantage of deep learning, we first develop a model to reconnect fragmented binary vascular structures in 2D and in 3D. This model can be applied as a post-processing in an unsupervised or supervised context, depending on the availability of vascular annotations of the target dataset. Furthermore, we show the possibility of applying it to segmentations obtained by different methods.However, the use of the reconnecting model as a post-processing does not allow to take advantage of the vascular structure prior present in medical images. Therefore, we propose to use our reconnecting model jointly with the segmentation task. To this end, we have integrated it into a variational segmentation scheme, that allows the detection of vascular networks in different datasets without the need for annotation. We tested our method on different datasets including 2D retinal fundus images, 3D liver CT volume scans and 3D brain TOF-MRA. We show that it better preserves the structure of vascular networks in real images compared to traditional unsupervised and semi-supervised methods, while improving the overall connectivity of the vascular tree.