University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Kidar,Halima Saadia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheDeveloppement d'une approche hybride pour l'amelioration des images CBCT pour la radiotherapie adaptative / Kidar,Halima Saadia
Titre : Developpement d'une approche hybride pour l'amelioration des images CBCT pour la radiotherapie adaptative Type de document : texte imprimé Auteurs : Kidar,Halima Saadia, Auteur ; Hacene Azizi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (88 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Correction des CBCT
Recalage deformableIndex. décimale : 530 - Physique Résumé :
Récemment, l’intégration des systèmes de tomodensitométrie `a faisceau conique
(CBCT) embarques dans les accélérateurs linéaires a fourni non seulement un outil
puissant pour l’amélioration de la précision du positionnement du patient mais il a
permis aussi d’adapter la planification du traitement aux modifications de l’anatomie
du patient tout au long du traitement, connu sous le nom de radiothérapie adaptative
(ART). Pendant la planification du ART, après avoir applique un recalage rigide
entre les images CBCT du jour et les images CT de planification (pCT) et obtenu
des informations sur les changements structurels du patient et les d’formations des
organes internes, une acquisition répétée des images CT (repCT) est nécessaire pour la
replanification si les changements anatomiques sont significatifs. Bien que les images
repCT fournissent les informations du jour sur le corps humain avec une distribution
prcise des unités hounsfield (HU) nécessaires pour le calcul de dose, leur acquisition
répétée peut poser un problème de santé aux patients `a cause de l’accumulation de
dose. Par conséquent, le but de cette thèse est d’étudier la faisabilité du calcul de dose
bas ́e sur des images CBCT au lieu d’acquérir les images repCT. L’intérêt principal est
de proposer une stratégie pour surmonter les limitations li ́ees `a la grande quantité du
rayonnement diffus ́e qui réduit la qualité des images CBCT par rapport aux images
pCT.
A cette fin, nous avons propos ́e trois approches complémentaires qui permettent `
la correction de la distribution des HU dans les images CBCT. La première approche
proposée s’inspire du fait que les images CBCT et pCT n’ont pas les mêmes
histogrammes de niveaux de gris. Par conséquent, nous avons applique le processus
de correspondance d’histogramme (HM) pour ressembler leurs histogrammes et offrir
la possibilité de distinguer les différents types de tissus dans les images CBCT.
Comme deuxième approche, nous avons propos ́e l’application d’un seuillage `a plusieurs
niveaux (MLT) pour améliorer l’exactitude de la distribution des HU obtenue avec
HM. Enfin, dans la troisième approche, nous avons propose la généralisation des
approches prosopopée précédemment pour contribuer `a la réduction des exigences de
charge de travail de l’ART. L’idée principale est d’inclure la notion du recalage
déformable inter-patients afin d’exploiter les images pCT disponibles dans l’archive
pour la correction des images CBCT au lieu d’acquérir de nouvelles images CT pour
chaque patient.
Les résultats de l’analyse visuelle et statistique ont montre que les approches
proposées peuvent améliorer la distribution des HU dans les images CBCT et générer
des images corrigées en bon accord avec les images pCT.
Mots clés: Correction des CBCT; recalage déformable; correspondance des
histogrammes; seuillage `a plusieurs niveaux; radiothérapie adaptative.Côte titre : DPH/0237 En ligne : https://drive.google.com/file/d/1ZawoGqlFZb4448kvCi6SBddgC1YFYWTt/view?usp=shari [...] Format de la ressource électronique : Developpement d'une approche hybride pour l'amelioration des images CBCT pour la radiotherapie adaptative [texte imprimé] / Kidar,Halima Saadia, Auteur ; Hacene Azizi, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (88 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Correction des CBCT
Recalage deformableIndex. décimale : 530 - Physique Résumé :
Récemment, l’intégration des systèmes de tomodensitométrie `a faisceau conique
(CBCT) embarques dans les accélérateurs linéaires a fourni non seulement un outil
puissant pour l’amélioration de la précision du positionnement du patient mais il a
permis aussi d’adapter la planification du traitement aux modifications de l’anatomie
du patient tout au long du traitement, connu sous le nom de radiothérapie adaptative
(ART). Pendant la planification du ART, après avoir applique un recalage rigide
entre les images CBCT du jour et les images CT de planification (pCT) et obtenu
des informations sur les changements structurels du patient et les d’formations des
organes internes, une acquisition répétée des images CT (repCT) est nécessaire pour la
replanification si les changements anatomiques sont significatifs. Bien que les images
repCT fournissent les informations du jour sur le corps humain avec une distribution
prcise des unités hounsfield (HU) nécessaires pour le calcul de dose, leur acquisition
répétée peut poser un problème de santé aux patients `a cause de l’accumulation de
dose. Par conséquent, le but de cette thèse est d’étudier la faisabilité du calcul de dose
bas ́e sur des images CBCT au lieu d’acquérir les images repCT. L’intérêt principal est
de proposer une stratégie pour surmonter les limitations li ́ees `a la grande quantité du
rayonnement diffus ́e qui réduit la qualité des images CBCT par rapport aux images
pCT.
A cette fin, nous avons propos ́e trois approches complémentaires qui permettent `
la correction de la distribution des HU dans les images CBCT. La première approche
proposée s’inspire du fait que les images CBCT et pCT n’ont pas les mêmes
histogrammes de niveaux de gris. Par conséquent, nous avons applique le processus
de correspondance d’histogramme (HM) pour ressembler leurs histogrammes et offrir
la possibilité de distinguer les différents types de tissus dans les images CBCT.
Comme deuxième approche, nous avons propos ́e l’application d’un seuillage `a plusieurs
niveaux (MLT) pour améliorer l’exactitude de la distribution des HU obtenue avec
HM. Enfin, dans la troisième approche, nous avons propose la généralisation des
approches prosopopée précédemment pour contribuer `a la réduction des exigences de
charge de travail de l’ART. L’idée principale est d’inclure la notion du recalage
déformable inter-patients afin d’exploiter les images pCT disponibles dans l’archive
pour la correction des images CBCT au lieu d’acquérir de nouvelles images CT pour
chaque patient.
Les résultats de l’analyse visuelle et statistique ont montre que les approches
proposées peuvent améliorer la distribution des HU dans les images CBCT et générer
des images corrigées en bon accord avec les images pCT.
Mots clés: Correction des CBCT; recalage déformable; correspondance des
histogrammes; seuillage `a plusieurs niveaux; radiothérapie adaptative.Côte titre : DPH/0237 En ligne : https://drive.google.com/file/d/1ZawoGqlFZb4448kvCi6SBddgC1YFYWTt/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DPH/0237 DPH/0237 Thèse Bibliothéque des sciences Français Disponible
Disponible
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
