3D reconstruction of brain ultrasound data of preterm neonates and segmentation of the cerebral ventricles and thalami by 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, … Studies have shown that the volume of brain structures is a good indicator which enables to reduce and predict these risks in order to guide patients through appropriate care pathways during childhood. This thesis aims to show that 3D ultrasound could be an alternative to MRI that would enable to quantify the volume of brain structures in all premature infants. This work focuses more particularly on the segmentation of the lateral ventricles (VL) and thalami. Its four main contributions are: the development of an algorithm which enables to create 3D ultrasound data from 2D transfontanellar ultrasound of the premature brain, the segmentation of thigh quality he lateral ventricles and thalami in clinical time and the learning by a convolutional neural networks (CNN) of the anatomical position of the lateral ventricles. In addition, we have created several annotated databases in partnership with the CH of Avignon. Our reconstruction algorithm was used to reconstruct 25 high-quality ultrasound volumes. It was validated in-vivo where an accuracy 0.69 ± 0.14 mm was obtained on the corpus callosum. 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± 0.044 and 0.891±0.016 in a few seconds. 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± 0.076 to 0.724±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 peuvent présenter des anomalies du développement cérébral qui peuvent causer des troubles du neuro-développement : paralysie cérébrale, surdité, cécité, retard du développement intellectuel, … Des études ont montrées que la quantification du volume des structures cérébrales est un bon indicateur qui permet de réduire ces risques et de les pronostiquer pour orienter les patients dans des parcours de soins adaptés pendant l’enfance. Cette thèse a pour objectif de montrer que l’échographie 3D pourrait être une alternative à l’IRM qui permettrait de quantifier le volume des structures cérébrales chez 100 % des prématurés. Ce travail se focalise plus particulièrement sur la segmentation des ventricules latéraux (VL) et des Thalami, il apporte trois contributions principales : le développement d’un algorithme de création de données échographiques 3D à partir d’échographie transfontanellaire 2D du cerveau du prématuré, la segmentation des ventricules latéraux et des thalami dans un temps clinique et l’apprentissage par des réseaux de neurones convolutionnels (CNN) de la position anatomique des ventricules latéraux. En outre, nous avons créé plusieurs bases de données annotées en partenariat avec le CH d’Avignon. L’algorithme de création de données échographiques 3D a été validé in-vivo où une précision de 0.69 ± 0.14 mm a été obtenue sur le corps calleux. Les VL et les thalami ont été segmentés par apprentissage profond avec l’architecture V-net. Les segmentations ont été réalisées en quelques secondes par ce CNN et des Dice respectifs de 0.828 ± 0.044 et de 0.891 ± 0.016 ont été obtenus. L’apprentissage de la position anatomique des VL a été réalisée via un CPPN (Compositional Pattern Producing Network), elle a permis d’améliorer significativement la précision de V-net lorsqu’il était composé de peu de couches, faisant passer le Dice de 0.524 ± 0.076 à 0.724 ± 0.107 dans le cas d’un réseau V-net à 7 couches. 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.
Origin : Version validated by the jury (STAR)
Loading...