E.6.1 Reconnaisance des plans d’acquisition cardiaques
Lorsqu’on traite des grandes bases de données depuis plusieurs centres et four- nisseurs de machines d’acquisition, notations incompatibles sont un facteur limi- tant pour l’analyse automatisée. Les plans d’acquisition de l’IMR cardiaque sont un très bon exemple d’un tel échec de normalisation de la notation. Sans savoir quel plan cardiaque on traite, l’utilisation des données sans intervention manuelle est limitée. Dans ce chapitre, nous proposons deux techniques d’apprentissage au- tomatique supervisée pour récupérer automatiquement les informations manquantes ou bruyantes et de prédire les cinq vues (ou plans d’acquisition) cardiaques les plus courants. Nous montrons que les plans d’acquisitions cardiaques sont à peu près alignés pour situer le coeur au centre de l’image. Nous l’utilisons pour apprendre prédicteurs des plans d’acquisition cardiaques à partir d’images 2D.
Dans notre première méthode nous entraînons une forêt de classification sur les miniatures d’image. L’augmentation de l’ensemble de données avec des transfor-
E.6. Sommaires des chapitres 149
mations géométriques (qui préservent les étiquettes) est un moyen efficace qui nous aide à améliorer la précision de la classification sans des acquisitions ou des données supplémentaires. Nous améliorons la performance de la forêt en affinant un réseau de neurones à convolution profond, à l’origine pré-entrainé sur une grande base de données pour la reconnaissance d’images naturelles (ImageNet LSVRC 2012). Nous transférons la représentation apprise à la reconnaissance des vues cardiaques.
Nous comparons ces approches avec les prédictions à l’aide des caractéristiques extraites des images en utilisant le CNN entraîné directement sur ImageNet, et avec un CNN entraîné à partir de zéro. Nous montrons que peaufinage est une approche viable pour adapter les paramètres des grands CNN pour les petits prob- lèmes. Nous validons respectivement cet algorithme sur deux études cardiaques différentes avec 200 patients et 15 témoins sains. Celui-ci provient d’un ensemble de données cardiaques en libre accès qui simplifie la comparaison directe avec des techniques similaires dans l’avenir. Nous montrons qu’il y a une valeur significative à peaufiner un modèle entrainé pour des images naturelles et de le transférer aux images médicales. Les approches présentées sont tout à fait générales et peuvent être appliquées à toute tâche de reconnaissance d’image. Notre meilleure approche réalise un score de F1 moyen de 97, 66% et améliore l’état de l’art sur la recon- naissance de vues cardiaques en utilisant le contenu d’image seulement. Elle évite les annotations supplémentaires et apprend la représentation de la fonction voulue automatiquement.
Ceci est une composante important pour organiser et filtrer des grandes collec- tions de données cardiaques avant de les analyser. Elle nous permet de fusionner des études à partir de plusieurs centres, afin de permettre le filtrage d’image plus intelligent, la sélection des algorithmes de traitement d’image les plus appropriés, et une amélioration de la visualisation d’ensembles de données cardiaques, et pour la recherche d’image par le contenu et un contrôle de qualité.
E.6.2 Segmentation d’images cardiaques
Les indices cliniques les plus couramment utilisés pour la quantification des mal- adies cardiaques sont souvent basés sur les mesures géométriques des structures anatomiques, telles que les volumes des cavités, des masses du myocarde ou des épaisseurs de paroi. Il serait très utile de les avoir stockées dans les bases de don- nées cardiaques à côté des images et les utiliser pour sélectionner les cohortes de patients pour les études cliniques. Ces mesures sont souvent calculées à partir des segmentations de ces structures cardiaques. La segmentation constitue également la base pour la compréhension de l’anatomie cardiaque par un ordinateur.
Dans ce chapitre, nous présentons une méthode d’apprentissage automatique flexible pour la segmentation d’images IRM cardiaques. Nous segmentons deux des structures cardiaques les plus importantes. Tout d’abord, nous apprenons comment segmenter les ventricules gauches des séquences dynamiques 3D+t SAX directement à partir de la vérité-terrain par voxel en utilisant les forêts de classification avec le contexte spatio-temporel. Ensuite, nous montrons que cette méthode peut être
facilement adaptée à d’autres structures du coeur, tel que l’oreillette gauche.
E.6.3 Approvisionnement par la foule des attributs semantiques
Dans chapitre 2, nous avons montré comment automatiquement prédire les mé- tadonnées d’image de grâce aux CNNs. Nous pouvons facilement récupérer, par exemple, toutes les coupes SAX du ventricule gauche dans la base de données. Les méthodes automatiques de segmentation d’image (tels que celles présentés dans le chapitre 3) nous permettent d’indexer et d’interroger les bases de données en util- isant des mesures géométriques simples (par exemple les volumes des cavités, la masse myocardique ou l’épaisseur du mur). Ces deux outils sont des étapes impor- tantes vers la récupération d’images cardiaque en fonction du contenu automatisée. Quelques images, cependant, ne peuvent être directement décrits et répertoriés sur si simple mesures géométriques seules. Considérons une requête un peu plus complexe: “récupérer toutes les images de petite axe des coeurs akinétiques avec un amincissement significatif de la paroi, et le limiter que sur les images de qualité diagnostique”.
Nous visons à atteindre la description informatisée des images cardiaques avec un ensemble des attributs sémantiques pour la forme, le mouvement et l’apparence. Dans ce chapitre, nous nous concentrons sur les images de coeurs d’infarctus du myocarde avec une légère à modérée dysfonction ventriculaire gauche. Nous dévelop- pons un outil qui va permettre de filtrer les bases de données cardiaques avec un tel ensemble d’attributs. Nous apprenons la machine à décrire les images en fonc- tion des caractéristiques extraites de l’image et les comparaisons par pair. La vérité terrain se compose de deux images et un indicateur disant quelle image des deux dispose d’une présence inférieure ou supérieure de l’attribut. Nous avons conçu une interface web permettant de recueillir telles annotations de vérité-terrain via approvisionnement par la foule.
E.6.4 Recherche d’image par le contenu
Dans ce chapitre, nous proposons une méthode pour apprendre à rapprocher la similitude entre les images pour la récupération automatique d’images basée sur le contenu des coeurs sémantiquement similaires. Nous nous appuyons sur les forets d’approximation du voisinage (NAF) de (Konukoglu et al., 2013), un algorithme que nous entraînons pour capturer les similitudes entre les images cardiaques. Il permet les récupérations efficaces des coeurs les plus similaires basés sur des critères cliniques. Nous illustrons son utilisation sur une base de données des patients après un infarctus du myocarde.
EnBleton et al.(2015), nous avons déjà montré comment des voisins cardiaque peuvent être utilisés pour localiser infarctus sans injecter l’agent de contraste à partir des segmentations dynamiques. Ici, nous combinons les attributs d’images spatio-temporelles avec les NAFs et utilisons la similitude dérivée de la fraction d’éjection pour trouver les coeurs avec une fonction de pompage similaire. Aucune