Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

7 février 2018

Stage M2 : Identification robuste des individus via la biométrie rétinienne dans les bases pathologiques : Apprentissage profond


Catégorie : Stagiaire


Sujet de stage de Master 2 Recherche 2017–2018

Titre : Identification robuste des individus via la biométrie rétinienne dans les bases pathologiques : Apprentissage profond

Laboratoire d'accueil : Laboratoire d'Informatique Gaspard-Monge (http://igm.univ-mlv.fr/LIGM/), CNRS / Université Paris-Est Marne-la Vallée / ESIEE / ENPC, Équipe A3SI – Algorithmes, Architectures, Analyse et Synthèse d'Images

Encadrant : Rostom Kachouri (Professeur associé), Mohamed Akil (Professeur émérite)

Mots-clés : Rétine, « Optical Disc interest Ring (ODR) », « Retinal Ring Of Interest (RROI) », Reconnaissance, Biométrie, Authentification, Identification, Vérification, Bases pathologiques d’images rétiniennes, Apprentissage profond «Deep Learning», GPU.

Contacts : Rostom Kachouri (encadrant du stage), A3Si, ESIEE Paris, rostom.kachouri@esiee.fr (http://perso.esiee.fr/~kachourr/), Mohamed Akil (co-encadrant), A3Si, ESIEE Paris, mohamed.akil@esiee.fr

Compétences requises :Bonnes bases en informatique ; algorithmique/mathématique ; Programmation Matlab ; C/C++ (apprécié).

 

De nos jours, les technologies d’authentification biométrique apparaissent comme dominantes pour la reconnaissance automatique des personnes. En effet, des caractéristiques biométriques distinctives et mesurables comme l’iris, l’empreinte digitale, la forme de visage, l’ADN, la rétine etc., sont de plus en plus utilisées.

Dans ce contexte, la rétine est unique, universelle, invariable dans le temps et très difficile à falsifier. Elle est considérée comme une des caractéristiques biométriques les plus efficaces pour la reconnaissance de personne. Par ailleurs, en raison des processus d'acquisition modernes, les images de fond de l’œil ne sont pas illuminées de manière uniforme, souvent floues et peu contrastées et sont parfois surexposées, ce qui réduit généralement le taux d'identification. En outre, la rétine a une structure dense d’information sur les vaisseaux, ce qui augmente la complexité du système de reconnaissance et le taux de fausse acceptation des individus.

Une nouvelle méthode nommée ODR « Optical Disc interest Ring » (T. Chihaoui et al. 2018) [1] est développée au sein de l’équipe A3SI. Cette méthode consiste, dans un premier temps, à rehausser l’image d’entrée afin d’éliminer les artefacts dus à l’acquisition. Ensuite, elle procède à l’extraction d’une région stable et utile de l’image rétinienne RROI « Retinal Ring Of Interest ». La localisation de cet anneau rétinien repose principalement sur l’anatomie de la rétine et la distribution de ses vaisseaux pour une localisation efficace du disque optique. La mise en correspondance d’une caractérisation locale de l’anneau rétinien d’intérêt extrait s’avère très pertinente et assure une haute précision de reconnaissance de personnes selon les deux modes fonctionnels « identification » et « vérification », évaluation réalisée avec la base VARIA [2] (http://www.varpa.es/research/biometrics.html).

Dans ce stage, nous nous intéressons à l’identification des individus via la biométrie rétinienne dans les bases pathologiques. En raison de problèmes de circulation causés par la rétinopathie diabétique, de nouveaux vaisseaux sanguins très fragiles sont développés dans une grande partie du disque optique. Le plus souvent, des anomalies sous forme de lésions lumineuses telles que les exsudats et les nodules cotonneux accompagnant ce type de maladie. Ces lésions sont généralement caractérisées par des attributs très similaires à ceux du disque optique d’où les problèmes de fausse détection dans ce contexte [3], [4], [5].

L’objectif de ce travail est d’étudier la robustesse de notre méthode [1] dans les bases pathologiques d’images rétiniennes et de proposer une extension nécessaire pour améliorer la localisation du disque optique en présence de certains types de lésions telles que les exsudats. Nous envisageons l’utilisation des réseaux de neurones convolutifs (CNN) pour assurer l’étape de reconnaissance. L’apprentissage profond « deep learning » et les réseaux de neurones profonds « deep neural networks » (DNNs) connaissent ces dernières années un important regain d’intérêt et assurent des performances compétitives avec les humains sur des tâches de reconnaissance (Y. LeCun et al 2015) [6], tout comme dans le domaine de la segmentions des vaisseaux rétiniens [7], [8].

Le système proposé sera évalué et validé avec des bases pathologiques d’images rétiniennes telles que :

Les algorithmes associés de ses différentes étapes de la méthode proposée, seront implémentés sur GPU dans un but de minimiser le temps d’exécution.

Mots-clés : Rétine, « Optical Disc interest Ring (ODR) », « Retinal Ring Of Interest (RROI) », Reconnaissance, Biométrie, Authentification, Identification, Vérification, Bases pathologiques d’images rétiniennes, Apprentissage profond «Deep Learning», GPU.

Contacts : Rostom Kachouri (encadrant du stage), A3Si, ESIEE Paris, rostom.kachouri@esiee.fr (http://perso.esiee.fr/~kachourr/), Mohamed Akil (co-encadrant), A3Si, ESIEE Paris, mohamed.akil@esiee.fr

Compétences requises : Bonnes bases en informatique ; algorithmique/mathématique ; Programmation Matlab ; C/C++ (apprécié).

Bibliographie :

[1] T. Chihaoui, R. Kachouri, H. Jlassi, M. Akil and K. Hamrouni. «Retinal identification system based on Optical Disc Ring extraction and new local SIFT-RUK descriptor», ASSD, volume 8, 2018.

[2] VARIA. VARPA.Retinal Images for Authentication (VARIA Database) : http://www.varpa.es/varia.html

[3] H Li, O Chutatape, Automatic location of optic disc in retinal images, in Proceedings of the International Conference on Image Processing (ICIP), vol. 2, pp. 837–840, 2001.

[4] RM Rangayyan, X Zhu, FJ Ayres, AL Ells, Detection of the optic nerve head in fundus images of the retina with Gabor filters and phase portrait analysis. J. Digit. Imag. 23(4), pp. 438–453, 2010.

[5] A. Dehghani, H.A. Moghaddam and M.S. Moin, Optic disc localization in retinal images using Histogram matching, EURASIP Journal on Image and Video Processing, 2012.

[6] Deep learning, LeCun, Yann, Bengio, Yoshua, Hinton, Geoffrey, Nature, vol. 521, 0028-0836, 2015, http://dx.doi.org/10.1038/nature14539

[7] J.J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever, B. van Ginneken, "Ridge based vessel segmentation in color images of the retina", IEEE Transactions on Medical Imaging, 2004, vol. 23, pp. 501-509.

[8] Fu H., Xu Y., Lin S., Kee Wong D.W., Liu J. (2016) DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field. In: Ourselin S., Joskowicz L., Sabuncu M., Unal G., Wells W. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016. MICCAI 2016. Lecture Notes in Computer Science, vol 9901. Springer, Cham

[9] Drive Database : https://www.isi.uu.nl/Research/Databases/DRIVE/

[10] STARE project website. Clemson Univ. (STARE Database) : http://www.ces.clemson.edu/~ahoover/stare

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.