Titre : | Deep Neural Networks for the segmentation and classification in Medical Imaging |
Auteurs : | Ben naceur Mostefa, Auteur ; Mohamed Tayeb Laskri, Directeur de thèse ; Carole Lartizien, Directeur de thèse |
Type de document : | Thése doctorat |
Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2023 |
Format : | 1 vol. (94 p.) / ill., couv. ill. en coul / 30 cm |
Langues: | Français |
Mots-clés: | Glioblastome, Images IRM, Segmentation des Tumeurs C´er´ebrales, Ap- prentissage Profond, R´eseaux de Neurones Convolutifs Profonds, Donn´ees D´es´equilibr´ees, Faux Positifs et Faux N´egatifs |
Résumé : |
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. |
Sommaire : |
1 Introduction 14 1.1 Thesis Context . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.2 Thesis Motivation and Objectives . . . . . . . . . . . . . . . . . . . . . . 15 1.3 Thesis Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.4 Thesis Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Brain Tumor Segmentation 24 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Survey on MRI image segmentation . . . . . . . . . . . . . . . . . . . . . 25 2.2.1 Classical approaches . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.2 Modern approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.3 Glioblastoma brain tumors . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.4 BRATS datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.5 MRI image quality limitations . . . . . . . . . . . . . . . . . . . . . . . . 41 2.6 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.7 Discussion and Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3 Background Theory: Convolutional Neural Networks 47 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.2 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . . . 49 3.2.1 CNNs operations . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.2.2 Forward Propagation . . . . . . . . . . . . . . . . . . . . . . . . . 61 3.2.3 Backward propagation . . . . . . . . . . . . . . . . . . . . . . . . 63 3.2.4 Regularization Dropout . . . . . . . . . . . . . . . . . . . . . . . 68 3.3 Discussion and Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4 Brain Tumor Segmentation with Deep Neural Networks 71 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.2 End-to-End incremental Deep learning . . . . . . . . . . . . . . . . . . . 72 4.2.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . 72 2 4.2.2 Incremental XCNet Algorithm . . . . . . . . . . . . . . . . . . . . 76 4.2.3 ELOBA λ Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.2.4 Experiments and Results . . . . . . . . . . . . . . . . . . . . . . . 84 4.2.5 Discussion and conclusion . . . . . . . . . . . . . . . . . . . . . . 92 4.3 Deep Learning-based selective attention . . . . . . . . . . . . . . . . . . . 94 4.3.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4.3.2 Visual areas-based interconnected modules . . . . . . . . . . . . . 95 4.3.3 Overlapping Patches . . . . . . . . . . . . . . . . . . . . . . . . . 105 4.3.4 Class-Weighting technique . . . . . . . . . . . . . . . . . . . . . . 107 4.3.5 Experiments and Results . . . . . . . . . . . . . . . . . . . . . . . 111 4.3.6 Discussion and Conclusion . . . . . . . . . . . . . . . . . . . . . . 122 5 Deep learning with unbalanced data and misclassified regions 124 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 5.2 Deep learning with Online class-weighting . . . . . . . . . . . . . . . . . 125 5.2.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . 125 5.2.2 Online class-weighting approach . . . . . . . . . . . . . . . . . . . 127 5.2.3 Experiments and Results . . . . . . . . . . . . . . . . . . . . . . . 130 5.2.4 Discussion and Conclusion . . . . . . . . . . . . . . . . . . . . . . 135 5.3 Boosting performance using deep transfer learning approach . . . . . . . 136 5.3.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.3.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 5.3.3 Experiments and Results . . . . . . . . . . . . . . . . . . . . . . . 146 5.3.4 Discussion and Conclusion . . . . . . . . . . . . . . . . . . . . . . 150 6 Conclusion and perspectives 152 6.1 Summary of contributions . . . . . . . . . . . . . . . . . . . . . . . . . . 152 6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 6.3 List of publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . |
En ligne : | http://thesis.univ-biskra.dz/id/eprint/6292 |
Disponibilité (1)
Cote | Support | Localisation | Statut |
---|---|---|---|
TINF/190 | Théses de doctorat | bibliothèque sciences exactes | Consultable |