ESI Talents

Sujet de Stage N°: 338

Sujet de Stage
Validation

Sujet de stage N° 338

Type*

Specialites*

Organisme*

Coencadrants*

Promoteur*

Dr. KERMI Adel, MCA
Equipe IMAGE
Laboratoire LMCS

Email promoteur*

Tel promoteur

Intitule*

Une approche par apprentissage profond pour la segmentation automatique des structures internes du cœur à partir d’IRM-Ciné 3D cardiaques

Title: A deep learning approach for the automatic heart internal structures segmentation from cardiac 3D Cine-MRI

Resume*

Ce travail de PFE s’inscrit principalement dans les domaines de la reconnaissance des formes, de l’intelligence artificielle et de l’imagerie médicale. Il traite le problème difficile de la segmentation entièrement automatique des structures anatomiques internes du cœur à partir de séquences ciné des images par résonance magnétiques tridimensionnelles (IRM-3D) cardiaques afin de permettre aux médecins cardiologues l’analyse de la fonction cardiaque pour prendre en charge les patients, établir un diagnostic de la pathologie, évaluer les risques et prendre une décision thérapeutique. 
Dans ce contexte, la segmentation consiste à délimiter et à extraire la cavité ventriculaire gauche, du myocarde et du ventricule droit du cœur à partir d’IRM ciné 2D multi-coupes. L’automatisation de cette tâche clinique courante a fait l'objet d'intenses recherches au cours de la dernière décennie et demeure jusqu’à présent un processus complexe et très difficile à réaliser pour différentes raisons, à savoir : i) La présence d'un faible contraste entre le myocarde et les structures environnantes (à l'inverse, il existe un contraste élevé entre le sang et le myocarde); ii) Les hétérogénéités de la luminosité dans les cavités ventriculaire gauche/ventriculaire droite dues au flux sanguin; iii) La présence de trabécules et de muscles papillaires d'intensité similaire à celle du myocarde; iv) Les effets de volume partiel non homogènes dus à la résolution des IRM cardiaques; v) Le bruit inhérent dû aux artefacts de mouvement et à la dynamique cardiaque; vi) Et la variabilité de la forme et de l'intensité des structures cardiaques entre les patients et les pathologies.

Mots-clés : Imagerie médicale ; Apprentissage automatique ; Apprentissage profond ; Réseau neuronal convolutif profond ; Segmentation des structures cardiaques ; IRM-Ciné cardiaques ; Ventricules gauche et droit ; Myocarde.

Keywords: Medical imaging; Machine learning; Deep learning; Deep convolutional neural network; Cardiac multi-structure segmentation; Cardiac Cine-MRI; Left and right ventricles; Myocardium.

	Informations pratiques : 
-	Lieu du stage : ESI / Laboratoire LMCS / Groupe IMAGE 
-	Encadreur(s) : Dr. KERMI Adel, MCA à l’ESI, a_kermi@esi.dz.   
-	Langages de programmation, Outils & Images : 
o	Programmation : L’ensemble des développements seront réalisés en langage C /C++ (ou Java), MatLab, Python, Numpy, Keras, Scipy et SimpleITK sur des PC Linux (ou des PC Windows). 
o	Visualisation des images : Pour commencer le projet, les étudiant(e)s pourront visualiser les images 3D en utilisant le logiciel BrainVisa avec son interface Anatomist (http://brainvisa.info/web/download.html) ou le logiciel DeepBrain développé dans le cadre du PFE [10]. 
o	Outils : Site Web intéressant contenant des outils pour l’apprentissage profond : http://deeplearning.net/software_links/. 
o	Bases d’images : Des ensembles de données d’IRM-Ciné 3D cardiaques saines et pathologiques seront mis à la disposition des étudiant(e)s. Ces volumes IRM de 150 cas cliniques ont été acquis à partir ACDC : https://acdc.creatis.insa-lyon.fr/.

Objectifs*

L’objectif principal de ce PFE est de proposer une méthode, de concevoir et d’implémenter un système informatique de segmentation entièrement automatique du myocarde et des deux ventricules gauche et droit du cœur dans des séquences ciné d’IRM-3D cardiaques. Le processus de segmentation sera fondé sur une approche par apprentissage profond, en particulier sur un réseau neuronal convolutif profond et comprendra deux principales phases : une phase d’apprentissage du modèle proposé à l’aide d’un jeu de données d’apprentissage et des vérités terrains correspondantes et une phase de déploiement de ce modèle, une fois entrainé. Les tests et les évaluations de la méthode proposée de segmentation des structures anatomiques cardiaques s’effectueront sur l’ensemble de données ACDC (Automatic Cardiac Diagnosis Challenge) mis à la disposition de la communité scientifique pour le challenge ACDC (initialement organisé en 2017 en conjonction avec la célèbre conférence internationale MICCAI et qui s’étale jusqu’à octobre 2024). Un autre objectif de ce PFE est la participation au challenge international sur le diagnostic automatique des pathologies cardiaques ACDC. Cela nous permettra de comparer les résultats de notre méthode de segmentation, une fois obtenus, avec les résultats des méthodes de segmentation développées par les autres équipes participantes à cette compétition.

Resultats attendus*

- Implémentation d’un système informatique de segmentation 3D de structures anatomiques cardiaque à partir de séquences ciné d’IRM-3D cardiaques comprenant une IHM graphique pour la visualisation 2D et 3D des images, un module de segmentation et un module d’évaluation quantitative des résultats de segmentation en s’appuyant sur différentes métriques (Dice, Distance de Hausdorff, etc.) 

- Tests et évaluations (qualitative et quantitative) du système de segmentation sur des IRM-Ciné 3D cardiaques de l’ensemble de données ACDC en exploitant la puissance de calcul du Colab de Google et du cluster Ibn-Badis du Cerist .  

- Participation au challenge international spécialisé ACDC et comparaison des résultats obtenus par le système développé dans le cadre de ce PFE avec les résultats de segmentations obtenus par d’autres méthodes sur les mêmes images fournies par ACDC.

Antecedents

Aucun

Moyens informatiques

Echeancier*

- Etude bibliographique actualisée sur la segmentation en IRM-3D, notamment sur les méthodes de segmentation des structures anatomiques internes du cœur en IRM-ciné 3D cardiaques (15 jours).
     
- Etude détaillée sur l’apprentissage profond en particulier sur les réseaux neuronaux convolutionnels 2D et 3D (15 jours).   

- Conception et construction d’un modèle CNN pour la segmentation entièrement automatique des deux ventricules (droit et gauche) et du myocarde du cœur en IRM-Ciné 3D cardiaques (2 mois).  

- Implémentation d’un système informatique de segmentation 3D de structures anatomiques cardiaque à partir de séquences ciné d’IRM-3D cardiaques comprenant une IHM graphique pour la visualisation 2D et 3D des images, un module de segmentation et un module d’évaluation quantitative des résultats de segmentation en s’appuyant sur différentes métriques (Dice, Distance de Hausdorff, etc.) (2 mois). 

- Tests et évaluations (qualitative et quantitative) du système de segmentation sur des IRM-Ciné 3D cardiaques de l’ensemble de données ACDC en exploitant la puissance de calcul du Colab de Google et du cluster Ibn-Badis du Cerist (1 mois).  

- Participation au challenge international spécialisé ACDC et comparaison des résultats obtenus par le système développé dans le cadre de ce PFE avec les résultats de segmentations obtenus par d’autres méthodes sur les mêmes images fournies par ACDC (1 mois). 

- Rédaction du mémoire de PFE (3 mois - en parallèle avec les autres tâches).

Bibliographie

[1] Atkinson DJ and Edelman, RR (1991). "Cineangiography of the heart in a single breath hold with a segmented TurboFLASH sequence". Radiology, 178:357-360. 
[2] Carr, JC, Simonetti, O, Bundy, J, et al. (2001). "Cine MR angiography of the heart with segmented true fast imaging with steady-state precession". Radiology, 219:828-834..
[3] Bernard, O.,  Lalande, A., Zotti, C., Cervenansky, F., et al (2018). "Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved ?" in IEEE Transactions on Medical Imaging, vol. 37, no. 11, pp. 2514-2525. Doi: 10.1109/TMI.2018.2837502
[4] Kermi, A., et al. (2019). Deep Convolutional Neural Networks using U-Net for Automatic Brain Tumor Segmentation in Multimodal MRI Volumes. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. Brain Lesion 2018 A. Crimi, S. Bakas, H. Kuijf et al. Cham, Springer International Publishing. 11384.
[5] Shin, H.C., et al. (2016). "Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning". IEEE Transactions on Medical Imaging.
[6] Goodfellow, I., et al. (2016). "Deep Learning". MIT Press. 
[7] Bengio, Y., et al. (2012). " Representation Learning: A Review and New Perspectives ". arXiv preprint.
[8] Schmidhuber, J. (2014). "Deep Learning and Neural Networks: An Overview". arXiv preprint.
[9] Deng, L. and Yu, D. (2014). "Deep Learning: Methods and Applications". Foundations and Trends® in Signal Processing: Vol. 7, No. 3–4, pp 197-387. 
[10] Mahmoudi, I (2018). "Les réseaux de neurones profonds pour la segmentation des tumeurs cérébrales dans des IRM-3D". Mémoire de PFE, ESI.

Statut validation*

Reponse aux experts

Reserve pour*

Projet recherche

Notification

Avis sur le Sujet de Stage

Intitule	Organisme	Debut	Fin	Avis	Commentaire
Une approche par apprentissage profond pour la segmentation automatique des structures internes du cœur à partir d’IRM-Ciné 3D cardiaques Title: A deep learning approach for the automatic heart internal structures segmentation from cardiac 3D Cine-MRI	LMCS : Laboratoire de Méthodes de Conception de Systèmes, Ecole nationale Supérieure d'Informatique	09/16/2020	09/30/2020	Avis favorable	—
Une approche par apprentissage profond pour la segmentation automatique des structures internes du cœur à partir d’IRM-Ciné 3D cardiaques Title: A deep learning approach for the automatic heart internal structures segmentation from cardiac 3D Cine-MRI	LMCS : Laboratoire de Méthodes de Conception de Systèmes, Ecole nationale Supérieure d'Informatique	09/16/2020	09/30/2020	Avis favorable	—
Une approche par apprentissage profond pour la segmentation automatique des structures internes du cœur à partir d’IRM-Ciné 3D cardiaques Title: A deep learning approach for the automatic heart internal structures segmentation from cardiac 3D Cine-MRI	LMCS : Laboratoire de Méthodes de Conception de Systèmes, Ecole nationale Supérieure d'Informatique	09/16/2020	09/30/2020	Avis favorable	—