Segmentation des hyperintensités de la matière blanche en quelques secondes à l'aide d'un réseau de neurones convolutif et de transfert d'apprentissage

Authors

Élodie Puybareau, Yongchao Xu, Joseph Chazalon, Isabelle Bloch, Thierry Géraud

Where

Actes du congrès Reconnaissance des Formes, ImageApprentissage et Perception (RFIAP), session spéciale “Deep Learning, deep in France”

Place

Marne-la-Vallée, France

Type

inproceedings

Projects

Olena

Keywords

Image

Date

2018-05-04

Abstract

Dans cet article, nous proposons une méthode automatique et rapide pour segmenter les hyper-intensités de la matière blanche (WMH) dans des images IRM cérébrales 3D, en utilisant un réseau de neurones entièrement convolutif (FCN) et du transfert d'apprentissage. Ce FCN est le réseau neuronal du Visual Geometry Group (VGG) pré-entraîné sur la base ImageNet pour la classification des images naturelles, et affiné avec l'ensemble des données d'entraînement du concours MICCAI WMH. Nous considérons trois images pour chaque coupe du volume à segmenter, provenant des acquisitions en T1, en FLAIR, et le résultat d'un opérateur morphologique appliqué sur le FLAIR, le top-hat, qui met en évidence les petites structures de forte intensité. Ces trois images 2D sont assemblées pour former une image 2D-3 canaux interprétée comme une image en couleursensuite passée au FCN pour obtenir la segmentation 2D de la coupe correspondante. Nous traitons ainsi toutes les coupes pour former la segmentation de sortie 3D. Avec une telle technique, la segmentation de WMH sur un volume cérébral 3D prend environ 10 secondes, pré-traitement compris. Notre technique a été classée 6e sur 20 participants au concours MICCAI WMH.

Documents

• Paper

Bibtex (lrde.bib)

@InProceedings{	  puybareau.18.rfiap,
  author	= {\'Elodie Puybareau and Yongchao Xu and Joseph Chazalon and
		  Isabelle Bloch and Thierry G\'eraud},
  title		= {Segmentation des hyperintensit\'es de la mati\`ere blanche
		  en quelques secondes \`a l'aide d'un r\'eseau de neurones
		  convolutif et de transfert d'apprentissage},
  booktitle	= {Actes du congr\`es Reconnaissance des Formes, Image,
		  Apprentissage et Perception (RFIAP), session sp\'eciale
		  ``Deep Learning, deep in France''},
  year		= {2018},
  month		= jun,
  address	= {Marne-la-Vall\'ee, France},
  category	= {national},
  abstract	= {Dans cet article, nous proposons une m\'ethode automatique
		  et rapide pour segmenter les hyper-intensit\'es de la
		  mati\`ere blanche (WMH) dans des images IRM c\'er\'ebrales
		  3D, en utilisant un r\'eseau de neurones enti\`erement
		  convolutif (FCN) et du transfert d'apprentissage. Ce FCN
		  est le r\'eseau neuronal du Visual Geometry Group (VGG)
		  pr\'e-entra\^in\'e sur la base ImageNet pour la
		  classification des images naturelles, et affin\'e avec
		  l'ensemble des donn\'ees d'entra\^inement du concours
		  MICCAI WMH. Nous consid\'erons trois images pour chaque
		  coupe du volume \`a segmenter, provenant des acquisitions
		  en T1, en FLAIR, et le r\'esultat d'un op\'erateur
		  morphologique appliqu\'e sur le FLAIR, le top-hat, qui met
		  en \'evidence les petites structures de forte intensit\'e.
		  Ces trois images 2D sont assembl\'ees pour former une image
		  2D-3 canaux interpr\'et\'ee comme une image en couleurs,
		  ensuite pass\'ee au FCN pour obtenir la segmentation 2D de
		  la coupe correspondante. Nous traitons ainsi toutes les
		  coupes pour former la segmentation de sortie 3D. Avec une
		  telle technique, la segmentation de WMH sur un volume
		  c\'er\'ebral 3D prend environ 10 secondes, pr\'e-traitement
		  compris. Notre technique a \'et\'e class\'ee 6e sur 20
		  participants au concours MICCAI WMH.},
  nodoi		= {}
}