Architectures d'apprentissage profond pour la détection automatique de segments myocardiques viables

par Khawla Brahim

Projet de thèse en Instrumentation et informatique de l'image

Sous la direction de Fabrice Mériaudeau et de Arnaud Boucher.

Thèses en préparation à Bourgogne Franche-Comté en cotutelle avec l'Ecole Nationale d'Ingénieurs de Sousse / Université de Sousse , dans le cadre de SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques , en partenariat avec ImViA - Laboratoire d'Imagerie et Vision Artificielle (laboratoire) depuis le 01-11-2018 .


  • Résumé

    La segmentation précise du myocarde en LGE-IRM est un objectif important pour l'aide au diagnostic des patients ayant subi un infarctus. Néanmoins, la délimitation manuelle des volumes cibles prend du temps et dépend de la variabilité intra- et inter-observateur. Cette thèse vise à développer des méthodes efficaces basées sur l'apprentissage profond pour segmenter automatiquement les tissus myocardiques. À cet égard, nous avons d'abord proposé un modèle 2.5D SegU-Net basé sur un cadre de fusion (U-Net et SegNet) pour apprendre différentes représentations de caractéristiques de manière adaptative. Ensuite, nous avons étendu à de nouvelles architectures 3D pour bénéficier d'indices de profondeur supplémentaires. Dans un deuxième temps, nous avons proposé de segmenter les structures anatomiques à l'aide du module d'attention du bloc résiduel initial et du bloc convolutif et des régions malades à l'aide de l'auto-encodeur 3D pour perfectionner la forme myocardique. A cet effet, un terme de pénalité de forme préalable est ajouté à l'architecture 3D U-Net. Enfin, nous avons proposé dans un premier temps de segmenter la cavité ventriculaire gauche et le myocarde sur la base du no-new-U-Net et dans un deuxième temps d'utiliser des réseaux a priori d'inclusion et de classification pour maintenir les contraintes topologiques des tissus pathologiques au sein du myocarde pré-segmenté. Nous avons introduit une phase de décision post-traitement pour réduire l'incertitude du modèle. Des évaluations empiriques complètes démontrent que tous nos algorithmes obtiennent des résultats prometteurs.

  • Titre traduit

    Deep learning architectures for automatic detection of viable myocardiac segments


  • Résumé

    Accurate myocardial segmentation in LGE-MRI is an important purpose for diagnosis assistance of infarcted patients. Nevertheless, manual delineation of target volumes is time-consuming and depends on intra- and inter-observer variability. This thesis aims at developing efficient deep learning-based methods for automatically segmenting myocardial tissues. In this regard, we first proposed a 2.5D SegU-Net model based on a fusion framework (U-Net and SegNet) to learn different feature representations adaptively. Then, we extended to new 3D architectures to benefit from additional depth cues. In a second step, we proposed to segment the anatomical structures using inception residual block and convolutional block attention module and diseased regions using 3D Auto-encoder to perfect myocardial shape. To this end, a prior shape penalty term is added to 3D U-Net architecture. Finally, we first proposed segmenting the left ventricular cavity and the myocardium based on the no-new-U-Net and secondly, using a priori inclusion and classification networks to maintain the topological constraints of pathological tissues within the pre-segmented myocardium. We have introduced a post-processing decision phase to reduce the uncertainty of the model. Comprehensive empirical evaluations show that all of our algorithms have promising results.