| Titre : | Deep learning for the segmentation of MRI brain tissues |
| Auteurs : | Nour el houda MAHDJOUB, Auteur ; Imane YOUKANA, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2020 |
| Format : | 1 vol. (60 p.) / ill. / 29 cm |
| Langues: | Anglais |
| Mots-clés: | Brain tissues segmentation,Deep Learning,Unet network,MRBrainS18 image data. |
| Résumé : | The brain MRI segmentation is an important task in many clinical applications. Various approaches for brain analysis rely on accurate segmentation of anatomical regions. It allows to detect the pathology, preparing the medical planning and surgeries. In particular,brain tissues segmentation from magnetic resonance images (MRIs) can help the identification and the diagnosis of neurological diseases, such as the Parkinson’s disease and the Alzheimer’s disease, epilepsy, schizophrenia etc.The manual segmentation of brain structures consumes a long time and requires the treatments of structures slice by slice. Thus, the automatic segmentation of brain structures has become a very important field in the medical image processing research.In our work, we present a deep-learning based method (U-net network) for the automatic segmentation of the MRI brain tissues that are the grey matter (GM), the white matter (WM), and the cerebrospinal fluid (CSF) on multi-sequence data (T1, T1-IR and FLAIR).The presented method was evaluated on the MRBrainS18 image data provided in the MICCAI Brain Segmentation Challenge.The generalization performance of our systems across different subjects are satisfying comparing to some existing deep learning-based approaches. |
| Sommaire : |
General introduction 1
1 Brain MR images segmentation 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Brain Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . 4 1.2.1 Anatomy of humain Brain . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1.1 Encephalon . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 MR imaging sequences . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1.1 Sequence Features . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1.2 MRI sequences . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1.3 MRI different planes . . . . . . . . . . . . . . . . . . . . . 7 1.3.1.4 Artifacts of MR imaging . . . . . . . . . . . . . . . . . . . 8 1.4 Brain MR Images segmentation . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.1 Brain MR Images segmentation techniques . . . . . . . . . . . . . . 9 1.4.1.1 Edge based segmentation methods . . . . . . . . . . . . . 10 1.4.1.2 Region based segmentation methods . . . . . . . . . . . . 11 1.4.1.3 Learning based segmentation methods . . . . . . . . . . . 13 1.4.1.4 Machine learning methods ( Shallow methods) . . . . . . . 13 1.4.1.5 Reinforced machine learning (Deep Learning)methods . . 15 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 Deep learning for brain MR image segmentation 17 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2 Neural network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.1 Deep neural network . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2 Back propagation learning process . . . . . . . . . . . . . . . . . . . 19 2.2.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.3.1 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . . 20 2.3.1 CNN architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.2 Training process in CNN . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.3 CNN characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 U-net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.1 U-net Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.2 Data augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.3 Advantages of U-net Architecture . . . . . . . . . . . . . . . . . . . 26 2.5 Some state-of-the-art of Brain MR images segmentation . . . . . . . . . . . 26 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3 Conception, implementation and experimental results 29 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2 Conception details . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.1 General architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.2 Detailed architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.2.1 Reading and collecting the data . . . . . . . . . . . . . . . 32 3.2.2.2 Pre processing . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.2.3 Data loading . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.2.4 Learning process . . . . . . . . . . . . . . . . . . . . . . . 33 3.3 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3.1 Image Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3.2 Environments and tools . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3.2.1 Hardware configuration . . . . . . . . . . . . . . . . . . . 35 3.3.2.2 Development environment . . . . . . . . . . . . . . . . . . 36 3.3.2.3 Programming language and packages . . . . . . . . . . . 36 3.3.3 The implementation processes . . . . . . . . . . . . . . . . . . . . . 39 3.3.3.1 Data preparation and loading . . . . . . . . . . . . . . . . 39 3.3.3.2 Creation and fitting the U-net model . . . . . . . . . . . . 42 3.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.1 The segmentation results of the CSF tissue . . . . . . . . . . . . . . 47 3.4.2 The segmentation results of the WM tissue . . . . . . . . . . . . . . 48 3.4.3 The segmentation results of the GM tissue . . . . . . . . . . . . . . 50 3.4.4 Result comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 General Conclusions 54 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/563 | Mémoire master | bibliothèque sciences exactes | Consultable |
