formulaire pdf
Download
Report
Transcript formulaire pdf
Apprentissage et imagerie
médicale : enjeux et
challenges
Carole Lartizien
[email protected]
CREATIS, Lyon, France
IMAGERIE BIO – SANTE
17/07/2014
1
Place de l’imagerie médicale dans le diagnostic
• de plus en plus de données…
• Exemples d’applications à CREATIS
Imagerie médicale et apprentissage
• Théorie de l ’apprentissage supervisé
• Projets en cours à CREATIS
Les enjeux de l’apprentissage
IMAGERIE BIO – SANTE
17/07/2014
2
Imagerie du dépistage du cancer du sein
10%
5
0
Carcinome canalaire infiltrant
– grade II
Déformation du milieu
Estimation locale de la déformation du tissu
sous compression
Mammographie
Echographie
Examen de référence
Examen complémentaire
Elastographie ultrasonore
Extraction d’informations sur les propriétés
mécaniques à partir des images échographiques
E. Brusseau, V. Detti, A. Coulon et al, "In vivo response to compression of 35 breast lesions observed with a
two−dimensional locally regularized strain estimation method", Ultrasound Med Biol, 40(2):300-312, 2014.
IMAGERIE BIO – SANTE
17/07/2014
3
Imagerie cardiaque
IRM ciné
Segmentation 2D automatique du myocarde
[Schaerer, Media 2010]
Carte paramétrique de la déformation radiale (exprimée %)
http://www.creatis.insa-lyon.fr/inTag
IMAGERIE BIO – SANTE
17/07/2014
4
Imagerie préclinique des maladies digestives
IRM 4.7T endoluminale
Endoscopie
1 mm
Spectrophotométrie fibrée
Endo-microscopie confocale
0.3 mm
H. Dorez1, R. Sablong1, L. Canaple2, H. Saint-Jalmes3, S. Gaillard1, D. Moussata 1,4, O. Beuf1
1CNRS UMR 5220 / 2CNRS UMR 5242 / 3INSERM U642 / 4CHU Lyon Sud
IMAGERIE BIO – SANTE
17/07/2014
5
biochimie
Images
dossier patient
Traitement d’images, extraction de métriques, prise de décision
APPRENDRE à partir de cas connus
IMAGERIE BIO – SANTE
17/07/2014
6
Exemple d’apprentissage en neuroimagerie
Segmentation automatique de structures cérébrales
Sélection d’atlas
Extraction de
caractéristiques
Classe -1
Modèle
discriminant
Classe 1
[Tong, Neuroimage 2013]
IMAGERIE BIO – SANTE
17/07/2014
7
Théorie de l’apprentissage supervisé
Etablir un modèle de décision f(x) à partir d’un ensemble
d’observations xi ∈ X = ℝd de classe yi ∈ {-1,+1}
IMAGERIE BIO – SANTE
17/07/2014
8
Théorie de l’apprentissage supervisé
Classification binaire ou multiclasse
IMAGERIE BIO – SANTE
17/07/2014
9
Théorie de l’apprentissage supervisé
Données
Extraction de
caractéristiques
x’i ∈ X = ℝD
de classe yi ∈ Y =Z
IMAGERIE BIO – SANTE
17/07/2014
Sélection
xi ∈ X = ℝd
de classe yi ∈ Y = Z ,
avec d<D
Classification
fonction f(xi)
10
Théorie de l’apprentissage supervisé
Données
Extraction de
caractéristiques
• basées sur l’image
• dérivées de
l’expertise clinique
• métadonnées
selection
Classification
• méthodes ‘filtre’: e.g. • Modèles génératifs
information mutuelle • Modèles discriminatifs
• Méthodes
‘enveloppantes’ : e.g.
algorithme génétique
Optimisation des différentes étapes
basée sur une métrique dérivées de
l’analyse psychophysique (courbe ROC,
sensibilité, spécificité)
sensibilité
(Taux de vrais positifs)
1
Seuil=0.3
Seuil=0
Seuil=0.5
0.8
0.6
Seuil=0.8
AUC
0.4
0.2
Seuil=1
0
0
0.2
0.4
0.6
0.8
1
1-spécificité
(Taux de faux positifs)
IMAGERIE BIO – SANTE
17/07/2014
11
Caractéristiques descriptives en imagerie médicale
Contourage manuelle de lésions
pulmonaires en imagerie TDM
Données hétérogènes, corrélées,
bruitées
Espace des caractéristiques de
grande dimension
Base d’apprentissage de petite taille
Annotations difficilement
accessibles: quelle vérité terrain?
Contourage manuelle d’une lésion
réalisé par 4 experts
[Biancardi, IJCARS 2010]
IMAGERIE BIO – SANTE
17/07/2014
12
Théorie de l’apprentissage supervisé
Etablir un modèle de décision à partir d’un ensemble d’objets
xi ∈ X = ℝd de classe yi ∈ {-1,+1}
Classe -1
f2
f1
Classe 1
complexité
Erreur
Erreur
Erreur
f1
-
(3,3)
(5,6)
(4,4)
f2
+
(0,0)
(0,0)
(6,4)
Recherche d’un compromis entre l’erreur empirique et la
complexité du modèle de décision
IMAGERIE BIO – SANTE
17/07/2014
13
Théorie de l’apprentissage supervisé
Formalisme mathématique basé sur la minimisation de l’erreur
empirique sous contrainte de bonne généralisation
1 n
min L yi , f x i f
f H n
i 1
Fonction de perte
Fonction de régularisation
Résolution d’un problème quadratique
6
L(y,f(x))
5
Coût charnière
L yi , f x i max 0,1 yi f x i
4
coût empirique
Coût charnière
3
2
1
Coût charnière
au carré
0
-2
-1
0
yf(x)
1
2
Exemples de fonctions de perte
IMAGERIE BIO – SANTE
17/07/2014
14
Théorie de l’apprentissage supervisé
Exemple du SVM linéaire
A partir d’un ensemble d’apprentissage S= {(x1,y1),…(xn,yn)}
Trouver un séparateur linéaire
f(x) = wTx + b
x2
… maximisant la marge entre classes
: le séparateur à vaste marge
Classe 1
yi = +1
w ⊤ xi + b ≥ 1
yi = -1
w ⊤ xi + b ≤ -1
n
1
min L yi , f x i f
f H n
i 1
𝒘
Avec
f w
H(w, b) ={x ∊ ℝd | wTx + b = 0}
Classe -1
2
L yi , f x i max 0,1 yi f x i
IMAGERIE BIO – SANTE
17/07/2014
x1
15
Détection automatique de lésions vasculaires en
TDM
A
Contexte :
C
Performance :
• peu de données annotées,
• tâche de discrimination difficile
Méthode:
• Extraction de caractéristiques
géométriques
• Apprentissage par SVM sur données
non labellisées : détection de
changement
IMAGERIE BIO – SANTE
B
17/07/2014
• AUC >> Méthodes classiques par
segmentation de l’arbre vasculaire
(source : Challenge MICCAI 2012
http://coronary.bigr.nl/stenoses/results/)
[Zuluaga, IJCARS 2010]
16
Aide au diagnostic du cancer de la prostate par
IRM multi-séquences
Contexte :
• Gain de l’IRM multi-séquences démontré pour le diagnostic in vivo
• Analyse des données complexe
• grande variabilité inter- et intra-lecteur
Faux positif : adénome de la zone
périphérique
?
T2w
ADC
DCE
DCE
Hyposignal T2 ?
Restriction de la diffusion?
Hyper-vascularité ?
Lecteur 1 : pas de cible décrite
Lecteur 2 : une cible en zone périphérique
IMAGERIE BIO – SANTE
17/07/2014
17
Aide au diagnostic du cancer de la prostate par
IRM multi-séquences
CADx:
T2w
?
T2w
?
?
0.9
?
?
vox = .78x.78x3 mm
0.8
SVM
vox = .78x.78x3 mm
Impact sur le diagnostic clinique
AUC
100
junior
• Etude psychophysique sur 7 radiologues
juniors et 5 seniors
• Lecture de 30 cas
• R1 et R2 : lectures sans CADx
• R3 : lecture avec CADx
senior
90
80
70
R1
IMAGERIE BIO – SANTE
R2
17/07/2014
R3
[Niaf, Radiology 2014]
18
Les enjeux
Dimension >> Nombre d’observations
• Exemple: Extraction de caractéristiques par apprentissage
de dictionnaire: existence d’une ‘signature’ du processus
d’intérêt (point saillant, pathologie)
Données déséquilibrées, non étiquetées ou bruitées
• Exemple: prise en compte de l’incertitude d’étiquetage
dans l’apprentissage d’un SVM : P-SVM [Niaf, IEEE TIP 2014]
Vérité terrain
IMAGERIE BIO – SANTE
17/07/2014
P-SVM
SVM
19
Les enjeux
Prise en compte des corrélations spatiales
• Modélisation de la corrélation dans le terme de
régularisation
N
1 n
min L yi , f x i f s Si , j f x i f x j
f H n
i 1
i , j 1
2
S matrice de dimension N x N
Si , j 1 si x i et x j sont connectés
Si , j 0 sinon
Vérité terrain
IMAGERIE BIO – SANTE
17/07/2014
SVM
spatial-SVM
20
Les enjeux
Détection de changement en présence de données bruitées :
l0-SVDD
SVDD
outlier
Détection de zone épileptogène en IRM
l0-SVDD
l0-SVDD
SVDD
[El Azami, ESANN 2014]
IMAGERIE BIO – SANTE
17/07/2014
21
Les enjeux
Explosion des temps de calcul Accès à des ressources de calcul
Virtual Imaging Platform
distribué
http://www.creatis.insa-lyon.fr/vip
Infrastructure
Portail web
Supported by EGI Infrastructure
Uses biomed VO (most used EGI VO for life sciences in 2013)
VIP accounts for ~25% of biomed's activity
VIP consomme ~50
années CPU par mois
France-Grilles
Exemple d’application
DIRAC
Index de perfusion
hépatique (%)
Débit artériel
(mL.min-1.100g-1)
100
90
70
60
80
70
60
50
Utilisateurs
50
40
30
40
30
20
20
10
Cartographies des paramètres de perfusion hépatique
1 an de calcul réalisé en 9.5 jours sur la grille EGI
479 utilisateurs en Nov 2013
(175 en France)
[Leporq, J Med Eng 2013]
IMAGERIE BIO – SANTE
17/07/2014
22
Remerciements
Imagerie du sein :
•
Elisabeth Brusseau [email protected]
Imagerie cardiaque :
•
Patrick Clarysse [email protected]
Imagerie digestive :
•
•
•
Olivier Beuf [email protected]
Raphael Sablong [email protected]
Hugo Dorez [email protected]
Imagerie vasculaire
•
Maciej Orkisz [email protected]
Calcul distribué :
•
•
Tristan Glatard [email protected]
Sorina Pop [email protected]
IMAGERIE BIO – SANTE
17/07/2014
23