Reconstruction 3D de données échographiques du cerveau du prématuré et segmentation des ventricules cérébraux et thalami par apprentissage supervisé - Université de Lyon Access content directly
Theses Year : 2019

3D reconstruction of brain ultrasound data from premature infants and segmentation of cerebral ventricular system and thalami using supervised learning

Reconstruction 3D de données échographiques du cerveau du prématuré et segmentation des ventricules cérébraux et thalami par apprentissage supervisé

Abstract

About 15 million children are born prematurely each year worldwide. These patients are likely to suffer from brain abnormalities that can cause neurodevelopmental disorders : cerebral palsy, deafness, blindness, intellectual development delay, ...The volume of the brain structures is a clinical parameter that can be used to predict these disorders and to guide patients into appropriate health care pathways. In the case of the cerebral ventricular system (CVS), the volume is also used to determine when surgery should be performed. Today, these quantitative measurements can only be obtained by analyzing MRI data, which is an examination performed in only 15 % of premature infants. In clinical routine, 2D transfontanellar ultrasound (ETF) is performed on all premature infants.This examination is used to diagnose ventricular dilation but not to quantify precisely the ventricular volume or that of other brain structures because the 3D information is unavailable. The aim of this thesis is to show that, provided that the image quality is sufficient, 3D ETF would make it possible to acquire data in which the volume of brain structures could be quantified in 100 % of premature infants. The main issues associated with this objective are to obtain high quality 3D ultrasound data and to label the millions of voxels they contain in a clinical time (a few seconds). This thesis focuses on the segmentation of CVS and thalami. The four main contributions of this work are : the development of an algorithm that enables the high-quality 3D reconstruction of 2D ETFs (1), the creation of annotated 3D databases of the CVS and thalami (2), the segmentation of the CVS and the thalami in a clinical time by convolutional neural networks (CNN) (3) and finally the beginning of the creation of a CNN architecture dedicated to this segmentation problem that learns the anatomical position of CVS (4). Our reconstruction algorithm was used to reconstruct 25 high-quality ultrasound volumes. It was validated in-vivo where an accuracy of 0.69 $\pm$ 0.14 mm was obtained on the corpus callosum. First validation attempts were also performed on a neonate brain phantom. In total, 25 reference 3D segmentations were obtained for the CVS and 16 for the thalami. The best segmentation results were obtained with the V-net, a 3D CNN,which segmented the CVS and the thalami with respective Dice of 0.828 $\pm$ 0.044 et 0.891 $\pm$ 0.016. These segmentations were performed in a few seconds in volumes of size 320 $\times$ 320 $\times$ 320 voxels. Learning the anatomical position of the CVS was achieved by integrating a CPPN (Compositional Pattern Producing Network) into the CNNs. It significantly improved the accuracy of CNNs when they had few layers. For example, in the case of the 7-layer V-net network, the Dice has increased from 0.524 $\pm$ 0.076 to 0.724 $\pm$ 0.107. This thesis shows that it is possible to automatically segment brain structures of the premature infant into 3D ultrasound data with precision and in a clinical time. This proves that high quality 3D ultrasound could be used in clinical routine to quantify the volume of brain structures and paves the way for studies to evaluate its benefit to patients.
Environ 15 millions d’enfants naissent prématurément chaque année dans le monde. Ces patients sont susceptibles de présenter des anomalies du développement cérébral qui peuvent causer des troubles du neuro-développement : paralysie cérébrale, surdité, cécité, retard du développement intellectuel, ... Le volume des structures cérébrales est un paramètre clinique qui permet de pronostiquer les troubles du neuro-développement afin d’orienter les patients dans des parcours de soins adaptés. Dans le cas du système ventriculaire cérébral (SVC), le volume est également utilisé pour déterminer si une opération chirurgicale doit être réalisée. Aujourd’hui, ces mesures quantitatives peuvent être obtenues uniquement en analysant des données acquises par IRM, qui est un examen réalisé chez seulement 15 % des prématurés. En routine clinique, c’est l’échographie transfontanellaire (ETF) 2D qui est pratiquée sur tous les prématurés. Cet examen permet de diagnostiquer les dilations ventriculaires mais pas de quantifier précisément le volume ventriculaire ou celui des autres structures cérébrales car l’information 3D est indisponible. L’objectif de cette thèse est de montrer que, sous réserve d’avoir une qualité d’image suffisante, l’ETF 3D permettrait d’acquérir des données dans lesquelles le volume des structures cérébrales pourrait être quantifié chez 100 % des prématurés. Les problématiques principales associées à cet objectif sont l’obtention de données échographiques 3D de haute qualité et l’étiquetage des millions de voxels qu’elles contiennent dans un temps clinique (quelques secondes). Ce mémoire se focalise sur la segmentation du SVC et des thalami. Les quatre contributions principales apportées par ce travail sont : le développement d’un algorithme qui permet la reconstruction 3D de haute qualité d’ETF 2D (1), la création de bases de données 3D annotées du SVC et des thalami (2), la segmentation du SVC et des thalami dans un temps clinique par des réseaux de neurones convolutifs (CNN) (3) et enfin le début de la création d’une architecture de CNN dédiée à ce problème de segmentation qui apprend la position anatomique du SVC (4). Notre algorithme de reconstruction a permis de reconstruire 25 volumes échographiques de haute qualité. Il a été validé in-vivo avec une précision de 0.69 $\pm$ 0.14 mm mesurée sur le corps calleux. Des premiers essais de validation sur fantôme ont aussi été réalisés. Au total, 25 segmentations 3D de référence ont été obtenues dans le cas du SVC et 16 dans le cas des thalami. Les meilleurs résultats de segmentation ont été obtenus avec le CNN 3D V-net qui a segmenté le SVC et les thalami avec des Dice respectifs de 0.828 $\pm$ 0.044 et 0.891 $\pm$ 0.016. Ces segmentations ont été éalisées en quelques secondes dans des volumes de taille 320 $\times$ 320 $\times$ 320 voxels. L’apprentissage de la position anatomique du SVC a été réalisé en intrégrant un CPPN (Compositional Pattern ProducingNetwork) aux CNNs avec lesquels nous avons travaillés. Il a permis d’améliorer significativement la précision des CNNs lorsqu’ils avaient peu de couches. Par exemple, dans le cas du réseau V-net à 7 couches, le Dice a progressé de 0.524 $\pm$ 0.076 à 0.724 $\pm$ 0.107. Cette thèse montre qu’il est possible de segmenter automatiquement, avec précision et dans un temps clinique, des structures cérébrales de l’enfant prématuré dans des données échographiques 3D. Cela montre qu’une échographie 3D de haute qualité pourrait être utilisée en routine clinique pour quantifier le volume des structures cérébrales et ouvre la voie aux études d’évaluation de son bénéfice pour les patients.
Fichier principal
Vignette du fichier
Memoire_Matthieu_MARTIN.pdf (33.44 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

tel-02487473 , version 1 (21-02-2020)
tel-02487473 , version 2 (16-07-2020)

Identifiers

  • HAL Id : tel-02487473 , version 1

Cite

Matthieu Martin. Reconstruction 3D de données échographiques du cerveau du prématuré et segmentation des ventricules cérébraux et thalami par apprentissage supervisé. Imagerie médicale. Université Claude Bernard Lyon 1, 2019. Français. ⟨NNT : ⟩. ⟨tel-02487473v1⟩
618 View
101 Download

Share

Gmail Facebook X LinkedIn More