Year: 2021
Type: dissertation
Abstract: La sclerose en plaques est la maladie auto-immune la plus courante du systeme nerveux central. Elle se caracterise par la presence de lesions dans le cerveau et la moelle epiniere, visibles en imagerie par resonance magnetique (IRM). Cependant, pour extraire des infor-mations utiles des images, il est necessaire de segmenter les lesions sur ces images, ce qui est un processus long et couteux lorsqu’il est realise manuellement par un expert tel qu’un radiologue. L’objectif de ce projet est d’utiliser des methodes innovantes d’apprentissage profond pour ameliorer la segmentation des images medicales.
Premierement, pour aborder la generalisation a travers di˙erents contrastes dans la segmen-tation de la sclerose en plaques de la moelle epiniere, nous mettons en œuvre la modula-tion lineaire par caracteristique (FiLM) pour tirer parti de la grande variete de parametres d’acquisitions IRM dans le modele de segmentation, en apprenant les caracteristiques de chaque contraste. Fait interessant, un U-Net bien optimise a atteint les memes performances que notre FiLMed-Unet sur un ensemble de donnees a contrastes multiples (0,72 de score Dice), ce qui suggere qu’il existe un goulot d’etranglement dans cette tâche, qui n’est pas la generalisation a travers di˙erents contrastes. Ce goulot d’etranglement provient probable-ment de la variabilite interexperts, qui est estimee a 0,61 de score Dice dans notre ensemble de donnees.
Deuxiemement, afin de s’attaquer a ce goulot d’etranglement, nous quantifions le style des experts qui annotent les donnees sous forme de biais et de consistance. Cela nous permet ensuite d’explorer l’impact des styles d’annotations sur les modeles d’apprentissage profond. Deux ensembles de donnees publics multievaluateurs et multicentriques sont utilises, un de lesions de sclerose en plaques cerebrales et un de segmentation de la matiere grise de la moelle epiniere. Sur les deux ensembles de donnees, les resultats montrent une correlation (R2 = 0, 60 et 0, 93) entre le biais de l’expert et l’incertitude du modele d’apprentissage profond. L’impact de la fusion d’annotations des experts sur cette relation est egalement etudie, et nous montrons que les consensus multicentriques sont plus eycaces que les con-sensus monocentriques pour reduire l’incertitude, car le style de l’expert n’est pas specifique a l’individu, mais principalement au centre.----------ABSTRACT
Multiple sclerosis is the most common autoimmune disease of the central nervous system. It is characterized by the presence of lesions in the brain and spinal cord, which are visible in magnetic resonance imaging (MRI). However, to extract useful information from the images, it is necessary to segment the lesions on these images, which is a long and expensive process when performed manually by an expert such as a radiologist. The goal of this project is to use innovative deep learning methods to improve segmentation of medical images.
First, to tackle generalization across imaging contrasts in spinal cord multiple sclerosis seg-mentation we implement Feature-wise Linear Modulation (FiLM) to leverage physics knowl-edge within the segmentation model and learn the characteristics of each contrast. Inter-estingly, a well-optimized U-Net reached the same performance as our FiLMed-Unet on a multi-contrast dataset (0.72 of Dice score), which suggests that there is a bottleneck in spinal MS lesion segmentation di˙erent from the generalization across varying contrasts. This bot-tleneck likely stems from inter-rater variability, which is estimated at 0.61 of Dice score in our dataset.
Second, as a follow-up we quantify rater style in the form of bias and consistency and explore the impacts on deep learning models. Two multi-rater and multi-center public datasets are used, consisting of brain multiple sclerosis lesion and spinal cord grey matter segmentation. On both datasets, results show a correlation (R2 = 0.60 and 0.93) between rater bias and deep learning uncertainty. The impact of label fusion between raters’ annotations on this relationship is also explored, and we show that multi-center consensuses are more e˙ective than single-center consensuses to reduce uncertainty, since rater style is not individual-specific but mostly center-specific.
Author: Olivier Vincent
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W3211467155