PhD Defense Zhou ZHAO
From LRDE
Résumé:
La fibrillation auriculaire est la maladie du rythme cardiaque la plus courante. En raison d’un manque de compréhension des structures auriculaires sous-jacentes, les traitements actuels ne sont toujours pas satisfaisants. Récemment, avec la popularité de l’apprentissage profond, de nombreuses méthodes de segmentation basées sur l’apprentissage profond ont été proposées pour analyser les structures auriculaires, en particulier à partir de l’imagerie par résonance magnétique renforcée au gadolinium tardif. Cependant, deux problèmes subsistent : 1) les résultats de la segmentation incluent le fond de type atrial ; 2) les limites sont très difficiles à segmenter. La plupart des approches de segmentation conçoivent un réseau spécifique qui se concentre principalement sur les régions, au détriment des frontières.
Par conséquent, dans cette thèse, nous proposons deux méthodes différentes pour segmenter le cœur, une méthode en deux étapes et une méthode entraînable de bout en bout. La méthode en deux étapes peut être décomposée en trois étapes principales : une étape de localisation, une étape d’amélioration du contraste à base de gaussienne et une étape de segmentation. Cette architecture est dotée d’une fonction de perte hybride qui guide le réseau pour étudier la relation de transformation entre l’image d’entrée et l’étiquette correspondante dans une hiérarchie à trois niveaux (pixel-, patch- et carte), ce qui permet d’améliorer la segmentation et la récupération des frontières. Nous démontrons l’efficacité de notre approche sur trois ensembles de données publiques en termes de segmentations régionales et de frontières. Pour la méthode entraînable de bout en bout, nous proposons un cadre de réseau convolutif complet d’attention basé sur l’architecture ResNet-101, qui se concentre sur les frontières autant que sur les régions. Le module d’attention supplémentaire est ajouté pour que le réseau accorde plus d’attention aux régions et pour réduire l’impact de la similarité trompeuse des tissus voisins. Nous utilisons également une perte hybride composée d’une perte de région et d’une perte de frontière pour traiter les frontières et les régions en même temps. L’efficacité de l’approche proposée est vérifiée sur trois jeux de données publics.
Enfin, pour évaluer le degré de fibrose, nous avons proposé deux méthodes, l’une consistant à combiner l’apprentissage profond avec la morphologie, et l’autre à utiliser directement l’apprentissage profond. Pour la première méthode, nous calculons la paroi auriculaire gauche sur la base des résultats de segmentation du chapitre précédent en dilatant morphologiquement, puis des seuils pour évaluer le degré de fibrose. Pour la seconde méthode, nous fournissons une architecture UNet en cascade et utilisons des informations multi-modalités pour compléter la segmentation du myocarde, de la cicatrice et de l’œdème. Nous démontrons l’efficacité de notre approche sur un jeu de données public.
Mots-clés: Apprentissage profond, cardiaque, segmentation, attention, réseau entièrement convolutif, perte hybride, évaluation de la fibrose, traitement morphologique des images.
Abstract:
Atrial fibrillation is the most common heart rhythm disease. Due to a lack of understanding in matter of underlying atrial structures, current treatments are still not satisfying. Recently, with the popularity of deep learning, many segmentation methods based on deep learning have been proposed to analyze atrial structures, especially from late gadolinium-enhanced magnetic resonance imaging. However, two problems still occur: 1) segmentation results include the atrial-like background; 2) boundaries are very hard to segment. Most segmentation approaches design a specific network that mainly focuses on the regions, to the detriment of the boundaries.
Therefore, in this dissertation, we propose two different methods to segment the heart, one two-stage and one end-to-end trainable method. For the two-stage method, it can be decomposed in three main steps: a localization step, a Gaussian-based contrast enhancement step, and a segmentation step. This architecture is supplied with a hybrid loss function that guides the network to study the transformation relationship between the input image and the corresponding label in a three-level hierarchy (pixel-, patch- and map-level), which is helpful to improve segmentation and recovery of the boundaries. We demonstrate the efficiency of our approach on three public datasets in terms of regional and boundary segmentations. For the end-to-end trainable method. we propose an attention full convolutional network framework based on the ResNet-101 architecture, which focuses on boundaries as much as on regions. The additional attention module is added to have the network pay more attention on regions and then to reduce the impact of the misleading similarity of neighboring tissues. We also use a hybrid loss composed of a region loss and a boundary loss to treat boundaries and regions at the same time. The efficiency of proposed approach is verified on three public datasets.
Finally, for evaluating the fibrosis degree, we proposed two methods, one is to combine deep learning with morphology, and the other is to use deep learning directly. For the first method, we calculate the left atrial wall based on the segmentation results in the previous chapter by morphologically dilating, and then thresholds to evaluate the fibrosis degree. For the second method, we provide one cascaded UNet architecture and uses multi-modalities information to complete the segmentation of the myocardium, scar and edema. We demonstrate the efficiency of our approach on one public dataset.
Keywords: Deep Learning, Cardiac, Segmentation, Attention, Fully Convolutional Network, Hybrid Loss, Fibrosis Assessment, Morphological Image Processing
Composition du Jury :
Reviewer:
- Frédérique Frouin, Doc., INSERM-Institut Curie
- Antoine Vacavant, Pr., Université Clermont Auvergne
Examiner:
- Isabelle Bloch, Pr., Sorbonne Université
- Alasdair Newson, MdC.,Télécom ParisTech
- Florence Rossant, Pr., Institut Supérieur d’Electronique de Paris
- Caroline Petitjean, Pr., Université de Rouen Normandie
Supervisor:
- Thierry Géraud, Pr., EPITA, LRE
- Élodie Puybareau, Dr., EPITA, LRE
Invitee:
- Jérôme Lacotte, Doc., Institut Cardiovasculaire Paris Sud