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