Segmentation d'IRM de cerveaux de nouveau-nés en quelques secondes à l'aide d'un FCNN ``pseudo-3D et du transfert d'apprentissage

Authors

Yongchao Xu, Thierry Géraud, Isabelle Bloch

Where

Actes du 26e Colloque GRETSI

Place

Juan-les-Pins, France

Type

inproceedings

Projects

Olena

Keywords

Image

Date

2017-03-10

Abstract

L'imagerie par résonance magnétique (IRM) du cerveau est utilisée sur les nouveau-nés pour évaluer l'évolution du cerveau et diagnostiquer des maladies neurologiques. Ces examens sont généralement basés sur une analyse quantitative des différents tissus du cerveau, de sorte qu'avoir une segmentation précise est essentiel. Dans cet article, nous proposons une méthode automatique rapide de segmentation en différents tissus des images IRM 3D de cerveaux de nouveau-nés~; elle utilise un réseau de neurones totalement convolutifs (FCN) et du transfert d'apprentissage. Par rapport aux approches similaires qui reposent soit sur des patchs 2D ou 3D, soit sur des FCN totalement 3D, notre méthode est beaucoup plus rapide~: elle ne prend que quelques secondeset une seule modalité (T2) est nécessaire. Afin de prendre les informations 3D en compte, la série de 3 tranches 2D successives sont empilés pour former un ensemble d'images 2D en couleurs, qui sert d'entrée à un FCN, pré-entraîné sur ImageNet pour la classification d'images naturelles. Nos expériences sur un ensemble de données de référence montrent que notre méthode obtient des résultats à l'état de l'art.

Publications/xu.17.gretsi.inc

Bibtex (lrde.bib)

@InProceedings{	  xu.17.gretsi,
  author	= {Yongchao Xu and Thierry G\'eraud and Isabelle Bloch},
  title		= {Segmentation d'{IRM} de cerveaux de nouveau-n\'es en
		  quelques secondes \`a l'aide d'un {FCNN} ``pseudo-{3D}'' et
		  du transfert d'apprentissage},
  booktitle	= {Actes du 26e Colloque GRETSI},
  year		= {2017},
  address	= {Juan-les-Pins, France},
  month		= sep,
  abstract	= {L'imagerie par r\'esonance magn\'etique (IRM) du cerveau
		  est utilis\'ee sur les nouveau-n\'es pour \'evaluer
		  l'\'evolution du cerveau et diagnostiquer des maladies
		  neurologiques. Ces examens sont g\'en\'eralement bas\'es
		  sur une analyse quantitative des diff\'erents tissus du
		  cerveau, de sorte qu'avoir une segmentation pr\'ecise est
		  essentiel. Dans cet article, nous proposons une m\'ethode
		  automatique rapide de segmentation en diff\'erents tissus
		  des images IRM 3D de cerveaux de nouveau-n\'es~; elle
		  utilise un r\'eseau de neurones totalement convolutifs
		  (FCN) et du transfert d'apprentissage. Par rapport aux
		  approches similaires qui reposent soit sur des patchs 2D ou
		  3D, soit sur des FCN totalement 3D, notre m\'ethode est
		  beaucoup plus rapide~: elle ne prend que quelques secondes,
		  et une seule modalit\'e (T2) est n\'ecessaire. Afin de
		  prendre les informations 3D en compte, la s\'erie de 3
		  tranches 2D successives sont empil\'es pour former un
		  ensemble d'images 2D en couleurs, qui sert d'entr\'ee \`a
		  un FCN, pr\'e-entra{\^i}n\'e sur ImageNet pour la
		  classification d'images naturelles. Nos exp\'eriences sur
		  un ensemble de donn\'ees de r\'ef\'erence montrent que
		  notre m\'ethode obtient des r\'esultats \`a l'\'etat de l'art.},
  lrdestatus	= submitted,
  note		= {Submitted}
}