Deep Neural Networks for the segmentation and classification in Medical Imaging

Ben naceur, Mostefa (2020) Deep Neural Networks for the segmentation and classification in Medical Imaging. Doctoral thesis, Université Mohamed Khider (Biskra - Algérie).

Text BEN NACEUR_thèse.pdf Download (6MB)

Abstract

De nos jours, fournir une segmentation pr´ecise des tumeurs c´er´ebrales de Glioblastome Multiforme (GBM) `a partir d’images IRM multimodales le plus tˆot possible, permet de d´elivrer un diagnostic clinique pr´ecoce, pour un traitement et un suivi efficaces. La tech- nique d’imagerie IRM est sp´ecialement con¸cue pour fournir aux radiologues des outils puissants de visualisation pour analyser des images m´edicales, mais le challenge r´eside dans l’interpr´etation de ces images radiologiques avec les donn´ees cliniques et patho- logiques, et la cause de ces tumeurs GBM. C’est la raison pour laquelle la recherche quantitative en neuroimagerie n´ecessite souvent une segmentation anatomique du cer- veau humain `a partir d’images IRM, afin d’aider `a la etection et la segmentation des tumeurs c´er´ebrales. L’objectif de cette th`ese est de proposer des m´ethodes automatis´ees de Deep Learning pour la segmentation des tumeurs c´er´ebrales `a partir d’images IRM. Dans un premier temps, nous nous int´eressons principalement `a 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 c´er´ebrales. La premi`ere ap- proche est bas´ee sur la technique pixel-wise et un nouvel algorithme d’optimisation des hypeparam`etres tandis que la deuxi`eme approche est bas´ee sur la technique patch-wise. Ensuite, `a travers des exp´erimentations, nous prouvons que la deuxi`eme approche est plus efficace en termes de performance de segmentation et de temps de calcul par rapport `a la premi`ere approche. Dans un deuxi`eme temps, pour am´eliorer les performances de segmentation des approches formul´ees, nous proposons de nouveaux pipelines de segmentation des images IRM de pa- tients, bas´es sur des attributs extraits des DCNNs et de deux ´etapes de training. Nous abordons ´egalement les probl`emes li´es aux donn´ees d´es´equilibr´ees en plus les faux positifs et les faux n´egatifs pour augmenter la sensibilit´e de segmentation vers les r´egions tumo- rales et la sp´ecificit´e de segmentation vers les r´egions saines. Finalement, les performances et le temps de segmentation des approches et des pipelines propos´es sont rapport´es avec les ethodes de l’´etat de l’art sur une base de donn´ee accessible au public, annot´ee par des radiologues et approuv´ee par des neuroradiologues.

Actions (login required)

View Item