University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Sana Aribi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Segmentation Automatique des Organes `a Risque pour la radioth´erapie adaptative Type de document : document électronique Auteurs : Sana Aribi, Auteur ; Akila Saoussene Mokhneche, Auteur ; Kidar,Halima Saadia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (76 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Adaptive radiotherapy
Head and neck cancer
Deep learning
OAR segmentationIndex. décimale : 530 - Physique Résumé :
Adaptive radiotherapy (ART) is a treatment technique based on adapting the
treatment plan to anatomical changes that occur during the course of treatment. The
process of replanning requires additional time and increased workload, especially
during the c
ontouring stage, which involves delineating areas of interest on CT
images. This task is particularly challenging in regions with small anatomical
structures. Therefore, it is extremely necessary to develop an automatic contouring
approach to segment the various anatomical structures. For this reason, in this
master's thesis, we propose an automatic delineation model for organs at risk (OARs)
in the head and neck region, based on deep learning. This model leverages deep
neural networks to produce accurate contours in a reduced amount of time. Our
approach was validated and tested using a dataset of 42 patients containing 7581 pairs
of CT images and masks for ten organs at risk. Our comparative study was conducted
between two different deep learning methods, U-Net and Trans-Unet, against expert
manual contours. The results obtained show that the approach based on Trans-Unet
provides the best predictions in terms of accuracy, particularly for small organs.Note de contenu : Sommaire
Introduction 1
1 Radioth´erapie externe et ´emergence de l’IA 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Radioth´erapie externe . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Chaine de traitement en radioth´erapie . . . . . . . . . . . . . . . . . . 5
1.3.1 Acquisition des images CT . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Contourage (segmentation) . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4 Positionnement et Traitement . . . . . . . . . . . . . . . . . . . 8
1.4 Limites de la radioth´erapie standard . . . . . . . . . . . . . . . . . . . 9
1.5 Evolution de la RT et ´emergence de l’IA . . . . . . . . . . . . . . . . . 10
1.5.1 Radioth´erapie adaptative . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1.2 Principe et objectif de radioth´erapie adaptative . . . . 11
1.5.2 N´ecessit´e de l’IA . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Objectifs et questions de recherche . . . . . . . . . . . . . . . . . . . . 12
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Application d’apprentissage profond dans la segmentation des images
m´edicale 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Intelligence Artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Pourquoi le DL . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.3 R´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3.1 Biologiques . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3.2 Artificielles . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Architectures des r´eseaux de neurones artificielles . . . . . . . . 21
2.4.4.1 R´eseaux enti`erement connect´es . . . . . . . . . . . . . 21
2.4.4.2 R´eseaux de neurones convolutionnels (CNN) . . . . . . 22
2.4.4.3 R´eseau neuronal r´ecurrent . . . . . . . . . . . . . . . . 24
2.4.5 Quelques r´eseaux convolutifs c´el`ebres . . . . . . . . . . . . . . . 25
2.4.5.1 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.5.2 Trans-Unet . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.6 Mod´elisation statistique du mod`ele . . . . . . . . . . . . . . . . 30
2.4.6.1 Sur-apprentissage (Overfitting) . . . . . . . . . . . . . 30
2.4.6.2 Sous-apprentissage (Underfitting ) . . . . . . . . . . . 30
2.4.6.3 Optimale (Fitting) . . . . . . . . . . . . . . . . . . . . 31
2.4.7 Optimisation dans l’apprentissage profond . . . . . . . . . . . . 32
2.4.7.1 Gradient descent . . . . . . . . . . . . . . . . . . . . . 32
2.4.7.2 Adam . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Applications dans la segmentation des OARs (Tˆete et Cou) . . . . . . . 33
2.6 Justification de l’approche choisie . . . . . . . . . . . . . . . . . . . . . 36
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Mat´eriels et M´ethodes 38
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Mat´eriels utilis´es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Outils de pr´etraitement . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1.1 Slicer 3D . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Outils d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2.2 kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.2.5 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.2.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.8 cv2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.9 Os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3 Hyperparam`etres . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3.1 Redimensionnement . . . . . . . . . . . . . . . . . . . 44
3.3.3.2 Normalisation . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.3 Taille de lot . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.4 Epoques . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.5 It´eration . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.3.6 Taux d’apprentissage . . . . . . . . . . . . . . . . . . . 46
3.3.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.4.1 Fonction de perte . . . . . . . . . . . . . . . . . . . . . 46
3.3.4.2 Coefficient Dice . . . . . . . . . . . . . . . . . . . . . . 47
3.3.4.3 Coefficient d’intersection sur union . . . . . . . . . . . 48
3.3.4.4 Distance de Hausdorff . . . . . . . . . . . . . . . . . . 48
3.3.4.5 Exactitude . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 M´ethodes suivies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 Pr´e-traitement des donn´ees . . . . . . . . . . . . . . . . . . . . 49
3.4.2 D´efinition des tailles d’entraˆınement et de validation . . . . . . 50
3.4.3 Architectures Propos´ees . . . . . . . . . . . . . . . . . . . . . . 51
3.4.4 Compilation et entraˆınement des mod`eles . . . . . . . . . . . . . 53
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 R´esultats et Discussions 54
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1 Entraˆınement et validation . . . . . . . . . . . . . . . . . . . . . 55
4.2.1.1 Cavit´e ORL . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1.2 Mandibule . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2.1.3 Parotide gauche . . . . . . . . . . . . . . . . . . . . . . 57
4.2.1.4 Tronc c´er´ebrale . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1.5 Larynx . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1.6 Thyro¨ıde . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2.1.7 Moelle ´epini`ere . . . . . . . . . . . . . . . . . . . . . . 61
4.2.1.8 Oesophage . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.1.9 Cristallin . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.1.10 Nerf optique gauche . . . . . . . . . . . . . . . . . . . 64
4.2.2 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.1 Cavit´e ORL . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.2 Mandibule . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.3 Parotide gauche . . . . . . . . . . . . . . . . . . . . . . 66
4.2.2.4 Tronc c´er´ebrale . . . . . . . . . . . . . . . . . . . . . . 67
4.2.2.5 Larynx . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.2.6 Thyroide . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.2.7 Moelle ´epini`ere . . . . . . . . . . . . . . . . . . . . . . 70
4.2.2.8 Oesophage . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.2.9 Cristallin gauche . . . . . . . . . . . . . . . . . . . . . 71
4.2.2.10 Nerf optique gauche . . . . . . . . . . . . . . . . . . . 72
4.3 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Côte titre : MAPH/0636 Segmentation Automatique des Organes `a Risque pour la radioth´erapie adaptative [document électronique] / Sana Aribi, Auteur ; Akila Saoussene Mokhneche, Auteur ; Kidar,Halima Saadia, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (76 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Adaptive radiotherapy
Head and neck cancer
Deep learning
OAR segmentationIndex. décimale : 530 - Physique Résumé :
Adaptive radiotherapy (ART) is a treatment technique based on adapting the
treatment plan to anatomical changes that occur during the course of treatment. The
process of replanning requires additional time and increased workload, especially
during the c
ontouring stage, which involves delineating areas of interest on CT
images. This task is particularly challenging in regions with small anatomical
structures. Therefore, it is extremely necessary to develop an automatic contouring
approach to segment the various anatomical structures. For this reason, in this
master's thesis, we propose an automatic delineation model for organs at risk (OARs)
in the head and neck region, based on deep learning. This model leverages deep
neural networks to produce accurate contours in a reduced amount of time. Our
approach was validated and tested using a dataset of 42 patients containing 7581 pairs
of CT images and masks for ten organs at risk. Our comparative study was conducted
between two different deep learning methods, U-Net and Trans-Unet, against expert
manual contours. The results obtained show that the approach based on Trans-Unet
provides the best predictions in terms of accuracy, particularly for small organs.Note de contenu : Sommaire
Introduction 1
1 Radioth´erapie externe et ´emergence de l’IA 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Radioth´erapie externe . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Chaine de traitement en radioth´erapie . . . . . . . . . . . . . . . . . . 5
1.3.1 Acquisition des images CT . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Contourage (segmentation) . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4 Positionnement et Traitement . . . . . . . . . . . . . . . . . . . 8
1.4 Limites de la radioth´erapie standard . . . . . . . . . . . . . . . . . . . 9
1.5 Evolution de la RT et ´emergence de l’IA . . . . . . . . . . . . . . . . . 10
1.5.1 Radioth´erapie adaptative . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1.2 Principe et objectif de radioth´erapie adaptative . . . . 11
1.5.2 N´ecessit´e de l’IA . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Objectifs et questions de recherche . . . . . . . . . . . . . . . . . . . . 12
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Application d’apprentissage profond dans la segmentation des images
m´edicale 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Intelligence Artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 D´efinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Pourquoi le DL . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.3 R´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3.1 Biologiques . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3.2 Artificielles . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Architectures des r´eseaux de neurones artificielles . . . . . . . . 21
2.4.4.1 R´eseaux enti`erement connect´es . . . . . . . . . . . . . 21
2.4.4.2 R´eseaux de neurones convolutionnels (CNN) . . . . . . 22
2.4.4.3 R´eseau neuronal r´ecurrent . . . . . . . . . . . . . . . . 24
2.4.5 Quelques r´eseaux convolutifs c´el`ebres . . . . . . . . . . . . . . . 25
2.4.5.1 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.5.2 Trans-Unet . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.6 Mod´elisation statistique du mod`ele . . . . . . . . . . . . . . . . 30
2.4.6.1 Sur-apprentissage (Overfitting) . . . . . . . . . . . . . 30
2.4.6.2 Sous-apprentissage (Underfitting ) . . . . . . . . . . . 30
2.4.6.3 Optimale (Fitting) . . . . . . . . . . . . . . . . . . . . 31
2.4.7 Optimisation dans l’apprentissage profond . . . . . . . . . . . . 32
2.4.7.1 Gradient descent . . . . . . . . . . . . . . . . . . . . . 32
2.4.7.2 Adam . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Applications dans la segmentation des OARs (Tˆete et Cou) . . . . . . . 33
2.6 Justification de l’approche choisie . . . . . . . . . . . . . . . . . . . . . 36
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Mat´eriels et M´ethodes 38
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Mat´eriels utilis´es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Outils de pr´etraitement . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1.1 Slicer 3D . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Outils d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2.2 kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2.3 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.2.5 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.2.6 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.8 cv2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2.9 Os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3 Hyperparam`etres . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.3.1 Redimensionnement . . . . . . . . . . . . . . . . . . . 44
3.3.3.2 Normalisation . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.3 Taille de lot . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.4 Epoques . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.3.5 It´eration . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.3.6 Taux d’apprentissage . . . . . . . . . . . . . . . . . . . 46
3.3.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.4.1 Fonction de perte . . . . . . . . . . . . . . . . . . . . . 46
3.3.4.2 Coefficient Dice . . . . . . . . . . . . . . . . . . . . . . 47
3.3.4.3 Coefficient d’intersection sur union . . . . . . . . . . . 48
3.3.4.4 Distance de Hausdorff . . . . . . . . . . . . . . . . . . 48
3.3.4.5 Exactitude . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 M´ethodes suivies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 Pr´e-traitement des donn´ees . . . . . . . . . . . . . . . . . . . . 49
3.4.2 D´efinition des tailles d’entraˆınement et de validation . . . . . . 50
3.4.3 Architectures Propos´ees . . . . . . . . . . . . . . . . . . . . . . 51
3.4.4 Compilation et entraˆınement des mod`eles . . . . . . . . . . . . . 53
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 R´esultats et Discussions 54
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1 Entraˆınement et validation . . . . . . . . . . . . . . . . . . . . . 55
4.2.1.1 Cavit´e ORL . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.1.2 Mandibule . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2.1.3 Parotide gauche . . . . . . . . . . . . . . . . . . . . . . 57
4.2.1.4 Tronc c´er´ebrale . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1.5 Larynx . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1.6 Thyro¨ıde . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2.1.7 Moelle ´epini`ere . . . . . . . . . . . . . . . . . . . . . . 61
4.2.1.8 Oesophage . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.1.9 Cristallin . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.1.10 Nerf optique gauche . . . . . . . . . . . . . . . . . . . 64
4.2.2 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.1 Cavit´e ORL . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.2 Mandibule . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2.3 Parotide gauche . . . . . . . . . . . . . . . . . . . . . . 66
4.2.2.4 Tronc c´er´ebrale . . . . . . . . . . . . . . . . . . . . . . 67
4.2.2.5 Larynx . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.2.6 Thyroide . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.2.7 Moelle ´epini`ere . . . . . . . . . . . . . . . . . . . . . . 70
4.2.2.8 Oesophage . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.2.9 Cristallin gauche . . . . . . . . . . . . . . . . . . . . . 71
4.2.2.10 Nerf optique gauche . . . . . . . . . . . . . . . . . . . 72
4.3 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Côte titre : MAPH/0636 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0636 MAPH/0636 Mémoire Bibliothéque des sciences Français Disponible
Disponible
