Hdr Année : 2023

Unsupervised and supervised filtering and segmentation approaches for longitudinal analysis in medical imaging

Approches non-supervisées et supervisées de filtrage et segmentation pour l’analyse longitudinale en imagerie médicale

Résumé

I summarize here my 16 years as a lecturer at INSA Lyon's CREATIS laboratory and Electrical Engineering department. I have taught more than 5,000 hours of courses in computer science and signal and image processing, for which I have proposed a wide range of content and projects, and taken responsibility for several options, modules, and an international course. I've also been involved in several departmental bodies, from communication and training in digital tools to the refurbishment of premises. My research focuses on unsupervised and supervised filtering and segmentation of medical images (19 publications). My contributions first focused on mean-shift and region-growth methods, to integrate medical image specificities, local adaptation, and temporal tracking constraints into their formalisms. The first challenge was to propose strategies for determining the scaling parameters of these approaches, first separately (mean-shift filtering and region growth) and then when used simultaneously. Applied to the context of segmentation of the penumbra zone in MRI of stroke, a zone that provides information on the spread of the necrotic region and therefore on the evolution of symptoms, these methods proved effective on segmentation quality criteria. We then added the notion of time to the mean-shift and region-growth formalisms. This enabled us to obtain segmentations and classifications of multiple sclerosis lesions, as well as segmentations of relevant areas of damaged myocardium. I then turned to supervised segmentation approaches, and more specifically to deep learning methods. The U-Net architecture - the reference in deep learning for medical image segmentation - has been implemented in several segmentation contexts, starting with echocardiography, where performance has exceeded the state of the art. My contributions to these methods have focused on reducing the number of images required for training, using data augmentation techniques, one of which is selective and based on an original morphology measure. For two supervised segmentation approaches (multi-atlas registration and U-Net neural network), our morphology measure enables us to define data selection strategies specific to each of these methods. For MRI segmentation of leg and shoulder muscles, these strategies enabled us to improve the behavior of the methods in terms of computation time and number of images used for training, for equivalent segmentation quality.
Dans ce document, je résume mes 16 ans d'activités en tant que maître de conférences au sein de l'INSA Lyon au laboratoire CREATIS et au département Génie Electrique. Mon enseignement de plus de 5000h est concentré sur l'informatique et le traitement du signal et des images pour lesquels j'ai proposé de nombreux contenus, projets et assumé plusieurs responsabilités d'option, de modules et d'un parcours international. J'ai aussi pu m'impliquer dans plusieurs instances du département allant de la communication et la formation aux outils numériques à la réhabilitation des locaux. Ma recherche est focalisée sur le filtrage et la segmentation d'images médicales en non-supervisé puis en supervisé (19 publications). Mes contributions ont d'abord porté sur les méthodes de mean-shift et de croissance de régions afin d'intégrer dans leurs formalismes des spécificités d'images médicales, des contraintes d'adaptations locales et de suivi temporel. Le premier enjeu a été de proposer des stratégies pour déterminer les paramètres d'échelles de ces approches, d'abord séparément (filtrage mean-shift et croissance de régions) puis lorsqu'elles sont utilisées simultanément. Appliquées au contexte de la segmentation de la zone de pénombre en IRM de l'accident vasculaire cérébral, zone qui fournit une information sur la propagation de la région nécrosée et donc sur l'évolution des symptômes, ces méthodes se sont révélées efficaces sur des critères de qualité de segmentation. Ensuite, nous avons ajouté la notion de temps dans les formalismes de mean-shift et de croissance de régions. Ceci nous a permis d'obtenir des segmentations et classification de lésions de sclérose en plaques ainsi que des segmentations des zones du myocarde lésées pertinentes. Je me suis ensuite tourné vers les approches de segmentation supervisées et plus particulièrement vers les méthodes d'apprentissage profond (ou deep learning). Ainsi, l'architecture U-Net - la référence en deep learning pour la segmentation d'images médicales - a été mise en œuvre dans plusieurs contextes de segmentation dont, dans un premier temps, en écho-cardiographie où les performances obtenues ont dépassé l'état de l'art. Mes contributions à ces méthodes se sont orientées sur la réduction du nombre d'images nécessaires à leur entrainement en utilisant des techniques d'augmentation de données dont une est sélective et s'appuie sur une mesure originale de morphologie. Pour deux approches de segmentation supervisée (par recalage multi-atlas et par réseau de neurones U-Net), notre mesure de morphologie permet de définir des stratégies de sélection de données spécifiques à chacune de ces méthodes. Pour la segmentation des muscles des jambes et des épaules en IRM, ces stratégies nous ont permis d'améliorer le comportement des méthodes en terme de temps de calcul et de nombre d'images utilisé pour l'apprentissage, à qualité de segmentation équivalente.
Fichier principal
Vignette du fichier
HDR_TG_orangebook.pdf (34.2 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04890800 , version 1 (16-01-2025)

Licence

Identifiants

  • HAL Id : tel-04890800 , version 1

Citer

Thomas Grenier. Approches non-supervisées et supervisées de filtrage et segmentation pour l’analyse longitudinale en imagerie médicale. Imagerie médicale. Institut National des Sciences Appliquées de Lyon, 2023. ⟨tel-04890800⟩
0 Consultations
0 Téléchargements

Partager

More