Contributions to multi-atlas and deep learning approaches for muscle segmentation in multi-parametric quantitative MRI longitudinal studies
Contributions aux approches multi-atlas et d'apprentissage profond pour la segmentation des muscles : application à l'étude longitudinale multi-paramétrique quantitative en IRM
Résumé
Among imaging techniques, magnetic resonance imaging (MRI) is one of the most versatile, capable of producing not only morphological but also quantitative and functional data. Due to its non-irradiative nature, it allows in particular temporal and longitudinal studies. The optimal exploitation of all these potentialities nevertheless requires constructing and optimizing an automatic framework for image processing and analysis. The image segmentation is a fundamental step providing the separation of anatomical structures into individual regions. The massive production of the available image data and the multiplication and complexity of the anatomical structures to be by-passed makes manual segmentation obsolete due to the time required and the lack of motivation concerning the task. It is, therefore, necessary to implement suitable automatic segmentation methods.
This thesis work was based on the questions of the MUST research project, whose objective was to help understand the effect of ultra-endurance on the body and its impact on the muscular level in particular. The researchers at the CREATIS laboratory chose to conduct this study on the mountain ultra-marathon, long considered the most extreme event in the world: the Tor des Géants. This study notably used a mobile MRI equipped with advanced imaging techniques to study the longitudinal variations during a supra-physiological effort. In order to study the evolution of inflammation and muscle functional parameters at the quadriceps level, our thesis studies and improves automatic segmentation methods based on supervised approaches. Our objective is to provide a clinically applicable method to segment the quadriceps muscle heads as precisely as possible in longitudinal and requiring as little manual segmentation as possible for the learning phase.
With this objective, we first explore and apply multi-atlas approaches for quadriceps segmentation. Our contributions allow us to obtain quality segmentations on a large part of our dataset. However, in order to have a faster and more robust approach, we then oriented our work towards deep learning approaches. In this methodological context, our two main contributions are i) the proposal of a segmentation correction step based on machine learning and ii) the proposal of data augmentation strategies to optimize the learning of U-Net type networks, in particular, a strategy based on morphological resemblance evaluated thanks to an original measurement. This morphology measurement also proved to be very efficient for selecting atlases for the multi-atlas segmentation approach. Finally, we show that the proposed approaches can be generalized to other muscle segmentation problems in MRI and allow longitudinal and localized statistical studies.
Our work shows that, even if the quantity of annotated data is crucial in supervised learning, we must also pay attention to our database's morphological diversity, which eventually reduces computation time and increases the precision and robustness of the segmentation methods.
Parmi les techniques d’imagerie, l'imagerie par résonance magnétique (IRM) est l’une des techniques d'imagerie les plus versatiles, capable de produire des données morphologiques mais également quantitatives et fonctionnelles. De par son caractère non-irradiant, elle permet en particulier les études temporelles et longitudinales. L’exploitation optimale de toutes ces potentialités requiert néanmoins la construction et l’optimisation de séquences de processus automatiques de traitements et d'analyses des images. L’étage de segmentation des images est une étape fondamentale garantissant la précision de l’exploitation des données, en permettant la séparation des structures anatomiques en différentes régions. La production massive des données image disponibles et la multiplication et complexité des structures anatomiques à contourer, rend caduque une segmentation manuelle en raison de la durée requise et la démotivation au regard de la tâche. Dès lors, il est nécessaire de mettre en place des méthodes de segmentation automatique adaptées.
Ce travail de thèse s’est nourri des problématiques du projet de recherche MUST dont l’objectif a été d’aider à comprendre l’effet de l’ultra-endurance sur l’organisme et son impact au niveau notamment musculaire. L’équipe de chercheurs du laboratoire CREATIS a choisi de mener cette étude sur l’Ultramarathon de Montagne longtemps considérée comme l’épreuve la plus extrême au monde : le Tor des Géants. Cette étude a notamment utilisé une IRM mobile dotées de techniques d’imagerie avancées pour étudier les variations longitudinales survenant lors d’un effort supra-physiologique. Afin d'étudier l'évolution de l'inflammation et de paramètres fonctionnels musculaires au niveau des quadriceps, notre thèse étudie et améliore les méthodes de segmentation automatique basées sur des approches supervisées. Notre objectif est de fournir une méthode cliniquement applicable permettant de segmenter les chefs musculaires des quadriceps aussi précisément que possible en longitudinal, et nécessitant le moins possible de segmentations manuelles pour la phase d'apprentissage.
A cet effet, nous explorons et appliquons dans un premier temps les approches multi-atlas pour la segmentation des quadriceps. Nos contributions permettent d'obtenir des segmentations de qualité sur une grande partie de la base de données. Cependant, afin de disposer d'une approche plus rapide et plus robuste, nous avons secondairement orienté nos travaux vers les approches de deep learning. Dans ce contexte méthodologique, nos deux contributions principales sont i) la proposition d'une étape de correction des segmentations basée sur un apprentissage machine, et ii) la proposition de stratégies d'augmentation de données pour optimiser l'apprentissage de réseaux de type U-Net, notamment une stratégie basée sur la ressemblance morphologique qui est évaluée grâce à une mesure originale. Cette mesure de la morphologie s'est aussi révélée très efficace pour sélectionner les atlas pour l'approche de segmentation multi-atlas. Enfin, nous montrons que les approches proposées se généralisent à d'autres problématiques de segmentation musculaires en IRM et permettent aussi des études statistiques longitudinales et localisées.
Notre travail met en évidence que, même si la quantité de données annotées est essentielle dans l'apprentissage supervisé, nous devons également prêter attention à la diversité morphologique de notre base de données, ce qui permet de réduire le temps de calcul et d'augmenter la précision ainsi que la robustesse des méthodes de segmentation.}
Origine : Fichiers produits par l'(les) auteur(s)