Segmentation automatisée des images médicales cérébrales
Segmentation automatisée des images médicales cérébrales
Fichiers
Date
2021-10-07
Auteurs
NASSER Soraya
Nom de la revue
ISSN de la revue
Titre du volume
Éditeur
Université Oran1 Ahmed Ben Bella
Résumé
L'hippocampe est une structure complexe du cerveau bilatéral située dans le lobe temporal sous la surface du cortex, sa fonction est indispensable dans les processus cognitifs, c'est l'une des premières structures touchées dans la maladie d'Alzheimer, l'épilepsie et la schizophrénie par des atrophies volumétrique détectée dans leurs couches et cela peut être mesuré par segmentation à partir d'images par résonance magnétique (IRM). La segmentation manuelle de l'IRM de l'hippocampe peut prendre beaucoup de temps et d'efforts et peu de reproductibilité ce qui nous amène à réfléchir à la recherche de techniques automatiques qui introduisent des gains substantiels. En revanche, la mise en œuvre de ces méthodes est un défi en raison du faible contraste de cette structure par rapport aux zones voisines du cerveau et du manque de données annotées par rapport aux images cérébrales tumorales. Cette thèse apporte des solutions à cette problématique par la mise en place des méthodes automatisées de segmentation de l'hippocampe à l'aide des réseaux de neurones convolutionnels (CNN). Trois architectures CNN basés sur l'architecture U-net visant à segmenter l'hippocampe sont présentées dans ce travail, un réseau destiné pour détecter l'hippocampe comme une seule entité et deux autres réseaux a pour but de segmenter les sous régions hippocampiques. Les modèles proposés sont entrainés sur des données réelles du (NITRC) (NeuroImaging Tools & Resources Collaboratory (NITRC)) annotées par le logiciel ITK-SNAP. Nous analysons ces réseaux à côté d'autres méthodes récentes de segmentation hippocampique, les résultats obtenus sont encourageants et atteignent des scores de Dice supérieurs à 0,84.
Description
Mots-clés
Apprentissage, Architecture U-net, Convolution transposée, Hippocampe, Images cérébrales, ITKSNAP, NeuroImaging Tools &Resources Collaboratory, NITRC, Réseaux de neurones convolutionnel, Segmentation sémantique