Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

8 décembre 2020

Contraintes topologiques pour la segmentation du système vasculaire hépatique par deep learning


Catégorie : Stagiaire


Le Laboratoire de Traitement de l’Information Médicale de Brest propose une stage de 6 mois, à partir d'avril 2021, sur le sujet "Contraintes topologiques pour la segmentation du système vasculaire hépatique par deep learning".

 

Sujet de stage

La segmentation d’images tomo-densitométriques (TDM) est une étape cruciale pour l’étude de l’anatomie de l’abdomen. Encore largement réalisée manuellement par les cliniciens, cette tâche est coûteuse en temps et sujette à une forte variabilité intra et inter-experts. Dans ce contexte, l’intérêt porté aux méthodes de segmentation automatique d’images abdominales par deep learning est croissant. Les réseaux de neurones convolutifs, modèles d’apprentissage guidés par les données, sont désormais couramment utilisés [1]. Le recours aux encodeur-décodeurs convolutifs dérivés de U-Net [2] est devenu la piste méthodologique de référence. Ce sujet de stage vise à proposer des contributions méthodologiques exploitant des techniques de deep learning afin de délimiter automatiquement le système vasculaire hépatique à partir d’images TDM. Si la segmentation atteint désormais un relativement bon niveau de robustesse pour les structures de grande taille de l’abdomen [3], une meilleure segmentation des arbres vasculaires du foie est requise. Une délimitation automatique, précise et spécifique à chaque patient peut notamment contribuer à une meilleure planification de chirurgies hépatiques.

Malgré l’exploitation récente du deep learning pour la segmentation du système vasculaire hépatique [4], des développements méthodologiques sont requis pour améliorer les performances et permettre une intégration des algorithmes en routine clinique. Plusieurs approches se sont récemment concentrées sur l’exploration d’architectures profondes plus sophistiquées, par le biais de connexions résiduelles [5] ou de représentations sur-complètes [6]. Néanmoins, une des limitations majeures de ces travaux réside dans l’approche toujours très locale de la segmentation, exploitant des fonctions de coût classiques définies au niveau pixel. Celles-ci ne sont pas adaptées à la délimitation d’arbres vasculaires car elles ne peuvent refléter l’impact topologique des erreurs dont font l’objet les prédictions. Or, contraindre l’extraction de structures vasculaires à l’aide de contraintes topologiques permettrait de régulariser les contours obtenus de manière à ce que les ramifications fines ne soient pas déconnectées des veines et artères principales.

Dans le cadre du stage, nous nous intéresserons à l’intégration de contraintes topologiques au sein des réseaux de neurones, en exploitant des métriques basées sur la connectivité entre paires de voxels vasculaires. En particulier, une distance topologique vis-à-vis des voxels centraux identifiés simultanément [7] ainsi que des comparaisons entre caractéristiques de haut niveau issues de couches convolutives d’un (ou plusieurs) réseau(x) pré-entrainé(s) [8] seront envisagées. Ces contraintes viseront à pénaliser les structures dont les caractéristiques topologiques diffèrent de celles extraites des masques vérité-terrains. L’objectif à terme sera d’identifier les 8 segments fonctionnellement indépendants divisant le foie selon la classification de Couinaud [9]. Les méthodes développées seront évaluées dans le contexte de la prise en charge de patients atteints de cancer colo-rectal primitif avec métastases hépatiques [10].

Environnement

L’ensemble des développements algorithmiques seront réalisés en Python. Les données exploitées seront issues du service de chirurgie viscérale et digestive du CHRU de Brest.

Candidature

CV, lettre de motivation, notes et lettre(s) de recommandation sont à envoyer par mail à l’adresse suivante : pierre-henri.conze@imt-atlantique.fr.

Bibliographie

[1] G. Litjens et al., A survey on deep learning in medical image analysis. Medical Image Analysis, 2017.

[2] O. Ronneberger et al., U-Net : Convolutional networks for biomedical image segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention, 2015.

[3] P.-H. Conze et al., Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks. https://arxiv.org/pdf/2001.09521.pdf, 2020.

[4] T. Kitrungrotsakul et al., VesselNet : A deep convolutional neural network with multi pathways for robust hepatic vessel segmentation. Computerized Medical Imaging and Graphics, 2019.

[5] W. Yu et al., Liver vessels segmentation based on 3D residual U-Net. IEEE International Conference on Image Processing, 2019.

[6] J. Valanarasu et al., KiU-Net : Towards accurate segmentation of biomedical images using over-complete representations. Int. Conference on Medical Image Computing and Computer-Assisted Interventions, 2020.

[7] D. Keshwani et al., TopNet : Topology preserving metric learning for vessel tree reconstruction and labelling. Int. Conference on Medical Image Computing and Computer-Assisted Interventions, 2020.

[8] A. Mosinska et al., Beyond the pixel-wise loss for topology-aware delineation. IEEE Conference on Computer Vision and Pattern Recognition, 2018.

[9] O. Alirr et al., Automatic atlas-based liver segmental anatomy identification for hepatic surgical planning. International Journal of Computer Assisted Radiology and Surgery, 2019.

[10] Y. van Gestel et al., Patterns of metachronous metastases after curative treatment of colorectal cancer. Cancer Epidemiology, 2014.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.