Partenaires et informations pratiques

Sujet

La segmentation du réseau vasculaire 3D est un problème très étudié depuis plus de 20 ans [5]. Depuis l’essor de l’apprentissage profond, de telles approches ont été développées et ont montré des performances bien supérieures aux approches classiques [11, 8]. Bien que la qualité globale des segmentations soit généralement bonne, ces approches ne fournissent aucune garantie sur la préservation de la connectivité du réseau vasculaire étudié. Ainsi, il est courant d’observer des vaisseaux déconnectés, ce qui n’est pas acceptable pour de nombreuses applications telles que les simulations de flux sanguin.

Récemment, des approches essayant de préserver la connectivité de la segmentation ont été proposées [10, 9, 3]. Néanmoins, ces approches reposent sur des a priori indirects qui ne permettent pas un contrôle direct et précis de la connectivité du résultat.

Les représentations hiérarchiques consistent à représenter une image sous la forme d’un arbre construit selon un critère donné [4]. Trois types d’arbres sont couramment utilisés en se basant sur un critère d’intensité : le max-tree, le min-tree et l’arbre des formes. Un “max-tree” (respectivement “min-tree”) peut être construit en seuillant itérativement l’image par des niveaux de gris croissants (respectivement décroissants). Chaque nœud de cet arbre est une composante connexe de l’image résultat pour un seuil donné (voir Figure~\ref{fig:representations-hierarchiques}).

Dans ce contexte, l’objectif de ce projet est de proposer une approche de segmentation vasculaire basée sur l’arbre des formes afin de pouvoir formuler une contrainte directement sur le nombre de composantes connexes du résultat, et ainsi favoriser les segmentations connectées. Ce type de contrainte n’est actuellement pas possible avec l’utilisation des réseaux de neurones convolutionnels classiques, car il repose sur des critères non dérivables.

Références

[1] Michael M Bronstein et al. “Geometric deep learning: going beyond euclidean data”. IEEE Signal Processing Magazine 34.4 (2017), pp. 18–42.

[2] Özgün Çiçek et al. “3D U-Net: learning dense volumetric segmentation from sparse annotation”. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2016: 19th Interna- tional Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part II 19. Springer. 2016, pp. 424–432.

[3] Sophie Carneiro Esteves, Antoine Vacavant, and Odyssée Merveille. “Learning a reconnecting regularization term for blood vessel variational segmentation”. 2021 IEEE EMBS International Conference on Biomedical and Health Informatics (BHI). IEEE. 2021, pp. 1–4.

[4] Ronald Jones. “Connected filtering and segmentation using component trees”. Computer Vision and Image Understanding 75.3 (1999), pp. 215–228.

[5] Sara Moccia et al. “Blood vessel segmentation algorithms—review of methods, datasets and evaluation metrics”. Computer methods and programs in biomedicine 158 (2018), pp. 71–91.

[6] Pascal Monasse and Frederic Guichard. “Fast computation of a contrast-invariant image repre- sentation”. IEEE Transactions on Image Processing 9.5 (2000), pp. 860–872.

[7] Federico Monti et al. “Geometric Deep Learning on Graphs and Manifolds Using Mixture Model CNNs”. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017.

[8] Lei Mou et al. “CS2-Net: Deep learning segmentation of curvilinear structures in medical imag- ing”. Medical image analysis 67 (2021), p. 101874.

[9] Pierre Rougé, Nicolas Passat, and Odyssée Merveille. “Réseau de neurones multitâche et fonction de perte topologique pour la segmentation du réseau vasculaire cérébral à partir d’images IRM”. Colloque Français d’Intelligence Artificielle en Imagerie Biomédicale (IABM). 2023.

[10] Suprosanna Shit et al. “clDice-a novel topology-preserving loss function for tubular structure segmentation”. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021, pp. 16560–16569.

[11] Giles Tetteh et al. “Deepvesselnet: Vessel segmentation, centerline prediction, and bifurcation detection in 3-d angiographic volumes”. Frontiers in Neuroscience (2020), p. 1285.