Deep Neural Networks for the segmentation and classification in Medical Imaging - ESIEE Paris Accéder directement au contenu
Thèse Année : 2020

Deep Neural Networks for the segmentation and classification in Medical Imaging

Apprentissage en profondeur d'un réseau de neurones pour la segmentation et la classification en Imagerie Médicale

Résumé

Nowadays, getting an efficient segmentation of Glioblastoma Multiforme (GBM) brain tumors in multi-sequence MRI images as soon as possible, gives an early clinical diagnosis, treatment, and follow-up. The MRI technique is designed specifically to provide radiologists with powerful visualization tools to analyze medical images, but the challenge lies more in the information interpretation of radiological images with clinical and pathologies data and their causes in the GBM tumors. This is why quantitative research in neuroimaging often requires anatomical segmentation of the human brain from MRI images for the detection and segmentation of brain tumors. The objective of the thesis is to propose automatic Deep Learning methods for brain tumors segmentation using MRI images. First, we are mainly interested in the segmentation of patients’ MRI images with GBM brain tumors using Deep Learning methods, in particular, Deep Convolutional Neural Networks (DCNN). We propose two end-to-end DCNN-based approaches for fully automatic brain tumor segmentation. The first approach is based on a pixel-wise technique in addition to a new guided optimization algorithm to optimize the suitable hyperparameters while the second one is based on a patch-wise technique. Then, through experiments, we prove that the latter is more efficient in terms of segmentation performance and computational benefits compared to the first approach. Second, to enhance the segmentation performance of the proposed approaches, we propose new segmentation pipelines of patients’ MRI images, where these pipelines are based on deep learned features and two stages of training. We also address problems related to unbalanced data in addition to false positives and false negatives to increase the model segmentation sensitivity towards the tumor regions and specificity towards the healthy regions. Finally, the segmentation performance and the inference time of the proposed approaches and pipelines are reported along with state-of-the-art methods on a public dataset annotated by radiologists and approved by neuroradiologists.
De nos jours, fournir une segmentation précise des tumeurs cérébrales de Glioblastome Multiforme (GBM) à partir d’images IRM multimodales le plus tôt possible, permet de délivrer un diagnostic clinique précoce, pour un traitement et un suivi efficaces. La technique d’imagerie IRM est spécialement conçue pour fournir aux radiologues des outils puissants de visualisation pour analyser des images médicales, mais le challenge réside dans l’interprétation de ces images radiologiques avec les données cliniques et pathologiques, et la cause de ces tumeurs GBM. C’est la raison pour laquelle la recherche quantitative en neuroimagerie nécessite souvent une segmentation anatomique du cerveau humain à partir d’images IRM, afin d’aider à la détection et la segmentation des tumeurs cérébrales. L’objectif de cette thèse est de proposer des méthodes automatisées de Deep Learning pour la segmentation des tumeurs cérébrales à partir d’images IRM. Dans un premier temps, nous nous intéressons principalement à la segmentation d’images IRM de patients atteints de tumeurs GBM en utilisant le Deep Learning, en particulier, Deep Convolutional Neural Networks (DCNNs). Nous proposons deux approches DCNNs ”End-to-End” pour la segmentation automatique des tumeurs cérébrales. La première approche est basée sur la technique pixel-wise et un nouvel algorithme d’optimisation des hyperparamètres tandis que la deuxième approche est basée sur la technique patch-wise. Ensuite, à travers des expérimentations, nous prouvons que la deuxième approche est plus efficace en termes de performance de segmentation et de temps de calcul par rapport à la première approche. Dans un deuxième temps, pour améliorer les performances de segmentation des approches formulées, nous proposons de nouveaux pipelines de segmentation des images IRM de patients, basés sur des attributs extraits des DCNNs et de deux étapes de training. Nous abordons également les problèmes liés aux données déséquilibrées en plus les faux positifs et les faux négatifs pour augmenter la sensibilité de segmentation vers les régions tumorales et la spécificité de segmentation vers les régions saines. Finalement, les performances et le temps de segmentation des approches et des pipelines proposés sont rapportés avec les méthodes de l’état de l’art sur une base de données accessible au public, annotée par des radiologues et approuvée par des neuroradiologues
Fichier principal
Vignette du fichier
BEN NACEUR_Mostefa_Thesis_s.pdf (6.27 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03059028 , version 1 (12-12-2020)
tel-03059028 , version 2 (10-01-2021)

Identifiants

  • HAL Id : tel-03059028 , version 1

Citer

Mostefa Ben Naceur. Deep Neural Networks for the segmentation and classification in Medical Imaging. Computer Science [cs]. Université Paris-Est; Université Mohamed khider de Biskra, 2020. English. ⟨NNT : ⟩. ⟨tel-03059028v1⟩

Collections

ESIEE-PARIS
1083 Consultations
132 Téléchargements

Partager

Gmail Facebook X LinkedIn More