Segmentation Interactive et son Utilisation à Grande Échelle grâce à l'Annotation et l'Entraînement Concurrents

Interactive Segmentation and its Use at Scale through Concurrent Annotation and Training

• Auteur / Autrice : Ivan Mikhailov
• Direction : Adrien Bartoli
• Type : Projet de thèse
• Discipline(s) : Image, système de perception, robotique
• Date : Inscription en doctorat le 01/12/2019
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : Sciences pour l'Ingénieur
• Partenaire(s) de recherche : Laboratoire : Institut Pascal (Aubière, Puy-de-Dôme)
• Partenaire(s) de recherche : Equipe de recherche : TGI - Thérapies Guidées par l'Image

Mots clés

Mots clés libres

Segmentation d'image

Annotation de données

Apprentissage efficace des données

Apprentissage profond

Interactivité

Irm

Image Segmentation

Data annotation

Data Efficient Learning

Deep Learning

Interactivity

Mri

Résumé

La tâche consiste à développer à développer de nouveaux outils afin d'automatiser la segmentation de l'IRM. Nous envisageons une approche basée sur la combinaison de l'expertise humaine et la précision de l'ordinateur, acquise par intelligence artificielle. L'idée clef est de développer une base de données d'IRM gynécologiques segmentées par un humain. L'ordinateur pourra à partir de cette base apprendre la tâche de segmentation requise. Nous proposons donc de développer un système où l'expert marquerait une zone de l'organe de manière imprécise afin d'aider le système à segmenter automatiquement. Ce type d'interaction est tout à fait acceptable en routine clinique. Scientifiquement, il nous faudra développer un réseau de neurones capables d'utiliser non seulement l'image IRM en entrée, mais aussi la zone données par l'utilisateur. Une architecture adaptée sera proposée et entrainée.

The task is to develop new tools to automate MRI segmentation. We envisage an approach based on a combination of human expertise and computer precision, acquired through artificial intelligence. The key idea is to develop a database of gynecological MRI scans segmented by a human. From this database, the computer can learn the required segmentation task. We therefore propose to develop a system in which the expert would mark a zone of the organ in an imprecise way, in order to help the system to segment automatically. This type of interaction is perfectly acceptable for routine clinical use. Scientifically, we will need to develop a neural network capable of using not only the input MRI image, but also the area given by the user. A suitable architecture will be proposed and trained.