La plate-forme existante COLISEUM-3D

FIGURE 1.6 – Repr ´esentation 3D de la segmentation s ´emantique du n ´ephroblastome,

obtenue `a partir des segmentations successives des coupes 2D des images scanner. La couleur marron repr ´esente les reins, le rouge l’art `ere, le bleu la veine, le vert la tumeur, et en jaune les cavit ´es r ´enales.

FIGURE1.7 – Repr ´esentation en pyramide holographique de la segmentation s ´emantique 3D du n ´ephroblastome - r ´ealis ´ee par l’entreprise CFI dans la cadre du projet SAIAD.

1.4/

L

-

COLISEUM-3D

Une plate-forme d ´edi ´ee `a la segmentation des diff ´erentes structures abdominales chez l’enfant atteint de n ´ephroblastome, a d ´ej `a ´et ´e conc¸ue, dans le cadre de la th `ese de Florent Marie [Marie2019]. Cette plate-forme porte le nom deCOLISEUM-3D pour COLaborative

platform with artificialIntelligence for SEgmentation of tUmoral kidney in Medical images

in 3D. Pr ´esent ´ee dans la Figure 1.8, elle est compos ´ee de trois couches : la couche

donn ´ees, la couche segmentation, et la couche fusion.

1.4.1/ LA COUCHE DE DONNEES´

La premi `ere couche de la plate-forme est la couche de donn ´ees, regroupant l’ensemble des donn ´ees utiles pour la r ´ealisation des segmentations et des fusions de segmenta- tions. Elle est compos ´ee de trois sous-couches :

26 CHAPITRE 1. CONTEXTE DE CES TRAVAUX DE RECHERCHE

FIGURE1.8 – Organisation de la plate-forme COLISEUM-3D.

• l’Atlas qui contient les images scanner des patients en format DICOM ou JPEG, • les connaissances m ´etier qui regroupent toute l’expertise m ´edicale comme les seg-

mentations r ´ealis ´ees manuellement ou semi-automatiquement par les radiologues afin de servir de r ´ef ´erence et de r ´esultat id ´eal (que l’on appelle g ´en ´eralement les

v ´erit ´es terrain),

• et enfin la base de cas qui s’appuie sur les deux autres sous-couches, dans le cas de techniques de segmentation comme le R `aPC afin de rendre les donn ´ees exploitables.

Ces 3 sous-couches permettent la r ´ealisation d’une base de donn ´ees pour chaque tech- nique de segmentation utilis ´ee. Par cons ´equent, cette couche est fortement li ´ee `a la couche de segmentation.

1.4.2/ LA SEGMENTATION DES DIFFERENTES STRUCTURES´

Le principe de la plate-forme COLISEUM-3D est de concevoir un syst `eme de segmen- tation propre `a chaque structure. La couche de segmentation contient l’ensemble des processus de segmentation utilis ´es. Cette couche fait partie int ´egrante de la th `ese de

1.4. LA PLATE-FORME EXISTANTE COLISEUM-3D 27

Florent Marie [Marie2019]. Ainsi, pour la segmentation des reins pathologiques, un mo- dule de segmentation parR `aPC coupl ´e `a un algorithme de segmentation par croissance r ´egion a ´et ´e impl ´ement ´e [Marie2018]. Dans ce syst `eme R `aPC, une phase d’adaptation

sp ´ecifique a ´et ´e d ´evelopp ´ee : elle permet de modifier les param `etres de la croissance r ´egion du cas rem ´emor ´e afin de proposer une segmentation finale plus juste.

Pour la segmentation de la tumeur, un autre module a ´et ´e impl ´ement ´e utilisant du Deep Learning, et plus particuli `erement unr ´eseau de neurones convolutif (CNN) ap-

pel ´e FCN-8s [Long2015] utilis ´e avec une m ´ethode originale d’apprentissage appel ´ee

OV2ASSION (Overlearning Vector for Valid Sparse SegmentatIONs) [Marie2019]. Cette

m ´ethode d’apprentissage consiste `a r ´ealiser un entraˆınement personnalis ´e `a chaque pa- tient et sur un faible jeu de donn ´ees. Elle est pr ´esent ´ee plus en d ´etail dans la suite de ce document, Section 5.3. `A la suite du processus de segmentation par Deep Learning, un post-traitement parCRF (Champs Al ´eatoires Conditionnels, Conditional Random Field )

[Krahenbuhl2011] est finalement appliqu ´e.

Dans cette couche de segmentation, il reste `a concevoir et `a impl ´ementer un module de segmentation pour les vaisseaux sanguins `a partir des images en temps vasculaire d’une part, et un module de segmentation par R `aPC pour les cavit ´es urinaires `a partir des images en temps tardif d’autre part.

1.4.3/ LE RECALAGE TEMPS VASCULAIRE / TEMPS TARDIF

La tumeur r ´enale, les reins et les vaisseaux sanguins sont visibles dans les images scan- ner en temps vasculaire. `A l’inverse, les cavit ´es r ´enales ne sont visibles que dans les images scanner en temps tardif pour des raisons pr ´esent ´ees dans la Section 1.2.3. Ce- pendant, plusieurs minutes s’ ´ecoulent entre les acquisitions des images en temps vascu- laire puis en temps tardif. Le jeune patient, malgr ´e les consignes de rester immobile, est susceptible de bouger, ce qui entraˆıne un d ´ecalage potentiel entre les deux temps d’ac- quisition. De plus, le simple fait de respirer peut ´egalement engendrer un d ´ecalage. Ainsi, afin d’obtenir l’ensemble de ces structures sur une seule repr ´esentation num ´erique, ces deux temps doivent ˆetre mis en correspondance : c’est ce que l’on entend parrecalage temps vasculaire / temps tardif.

Dans le cas d’un recalage entre deux images, l’une d’elles est qualifi ´ee d’image de r ´ef ´erence, c’est- `a-dire qu’aucune modification ne sera appliqu ´ee sur cette image, tan- dis que la seconde image sera alors une image dite flottante, transform ´ee pour corres- pondre `a l’image de r ´ef ´erence. Il existe diff ´erentes m ´ethodes de recalage qui consistent `a appliquer une transformation spatiale sur l’image flottante. Des transformations simples peuvent ˆetre appliqu ´ees, comme une translation ou une rotation. Comme avec ces m ´ethodes, l’image n’est pas d ´eform ´ee et les angles et distances sont conserv ´es, on parle alors de recalage rigide. On peut ´egalement pratiquer des transformations af- fines ([Jenkinson2001]), ou encore ´elastiques ([Shen2002], [Kybic2003]) dans lesquelles toutes les d ´eformations sont possibles. Ces diff ´erentes m ´ethodes de recalage sont pr ´esent ´ees dans l’ ´etat de l’art de Lisa Gottesfeld Brown [Brown1992].

L’application d’un recalage entre les images en temps vasculaire et en temps tardif ne r ´esulte pas uniquement de simples transformations rigides, et il est n ´ecessaire d’aller plus loin avec l’utilisation de transformations plus pouss ´ees. En effet, les reins ont ten- dance `a avoir des mouvements plus complexes induits notamment par la respiration. Afin de d ´eduire les transformations ad ´equates `a appliquer, des points de rep `eres pr ´esents

28 CHAPITRE 1. CONTEXTE DE CES TRAVAUX DE RECHERCHE

dans les deux images ont ´et ´e d ´etermin ´es (on parle alors d’une approche g ´eom ´etrique). Le pelvis est une structure osseuse int ´eressante et nous permet d’obtenir les points de rep `ere requis. Pour l’heure, seules des transformations rigides ont ´et ´e appliqu ´ees en d ´eduction de ces points de rep `ere. Bien que ces r ´esultats pr ´eliminaires soient encoura- geants, les travaux futurs visent `a utiliser des transformations ´elastiques afin de mieux prendre en compte les mouvements dus `a la respiration.

1.4.4/ LA FUSION DES DIFFERENTES SEGMENTATIONS´

Ces travaux de th `ese s’int `egrent dans le cadre de la couche fusion de la plate- forme. L’objectif de cette couche est de fusionner plusieurs segmentations en une seule

segmentation consensus. Actuellement, le rein tumoral et la tumeur ´etant segment ´es, la couche de fusion g `ere l’agr ´egation de ces deux structures. Comme ces structures sont compl ´ementaires, il devrait, `a priori, dans le cas de segmentations parfaitement calcul ´ees (par la couche pr ´ec ´edente), ne pas y avoir de r ´eelle difficult ´e. Chaque pixel des segmentations ´etant, dans ce cas id ´eal, associ ´e `a une seule structure, une simple union des segmentations devrait permettre d’obtenir la segmentation consensus.

Cependant, dans la pratique, les segmentations calcul ´ees ne sont pas parfaites et un pixel peut ˆetre associ ´e `a diff ´erentes structures. Il y a alors sur ce pixel un conflit qu’il faut r ´esoudre. Le principe, en cas de conflits, est alors de rechercher la meilleure strat ´egie ou bien le meilleur crit `ere de fusion afin de r ´esoudre ces pixels en conflit et rendre une seg- mentation consensus la plus juste possible, la justesse d’une segmentation ´etant ´evalu ´ee par rapport aux v ´erit ´es terrain fournies par les experts du domaine (en l’occurence ici, les segmentations guid ´ees manuellement par les radiologues et chirurgiens du CHRU de Besanc¸on). Un ´etat de l’art sur les diff ´erentes m ´ethodes de fusion de segmentations est pr ´esent ´e dans la suite de ce document dans les Chapitres 2 et 3.

1.5/

L

´

’ ´

Lorsqu’une segmentation est r ´ealis ´ee, il est important de pouvoir ´evaluer la conformit ´e du r ´esultat par rapport `a la v ´erit ´e terrain. Pour cela, diff ´erentes m ´etriques d’ ´evaluation existent, permettant de comparer une image calcul ´ee avec une autre, appel ´ee v ´erit ´e terrain. Certaines de ces m ´etriques peuvent ˆetre calcul ´ees avec la matrice de confusion, utilisant les facteurs Vrai Positif (VP), Vrai N ´egatif (VN), Faux Positif (FP) et Faux N ´egatif (FN). La plupart des mod `eles de fusion classiques de segmentation se basent

´egalement sur certaines de ces m ´etriques comme crit `eres de fusion.

1.5.1/ LES METRIQUES UTILISANT LA MATRICE DE CONFUSION´

La matrice de confusion [Provost1998], pr ´esent ´ee par la Figure 1.9, peut ˆetre utilis ´ee dans le cas plus large de l’ ´evaluation d’un syst `eme de classification.

• Un pixel est dit Vrai Positif (VP) pour une classe donn ´ee s’il a ´et ´e ´etiquet ´e `a cette classe dans la segmentation calcul ´ee et qu’il y est ´egalement dans la v ´erit ´e terrain. Le pixel est alors correctement ´etiquet ´e.