Deep Learning Methods for MRI Spinal Cord Gray Matter Segmentation

La moelle épinière humaine, qui fait partie du système nerveux central, est la principale voie responsable de la connexion du cerveau et du système nerveux périphérique. On sait que la matière grise présente dans la moelle épinière est associée à de nombreux troubles neurologiques tels que la sclérose en plaques et la sclérose latérale amyotrophique. L'IRM est souvent utilisée pour étudier les maladies neurologiques et surveiller leur évolution. À cette fin, la morphométrie extraite de la substance grise de la moelle épinière, telle que le volume de la substance grise, peut être utilisée pour identifier et comprendre les modifications tissulaires associées aux troubles neurologiques comme ceux mentionnés précédemment. Pour extraire des mesures morphométriques de la matière grise de la moelle épinière, une annotation (label) par voxel est requise pour chaque tranche du volume IRM. L'annotation manuelle ne peut donc pas être facilement implémenté dans la pratique en raison non seulement des efforts fastidieux nécessaires pour annoter manuellement chaque tranche d'un volume d'IRM, mais aussi du désaccord et des biais introduits par différents annotateurs humains. Toutefois, il existe de nombreuses méthodes semi-automatiques ou entièrement automatiques pour annoter chaque voxel, mais la plupart d'entre elles sont composées d'approches en plusieurs étapes pouvant propager des erreurs dans le pipeline, s'appuient sur des dictionnaires de données ou ne généralisent pas bien lorsqu'il y a des changements anatomiques. Il est bien connu que les techniques modernes basées sur l'apprentissage par la représentation et l'apprentissage en profondeur ont obtenu d'excellents résultats dans un large éventail de tâches allant de la vision par ordinateur à l'imagerie médicale. Le programme de recherche de ce projet consiste à améliorer les résultats les plus récents des méthodes existantes au moyen de techniques modernes d'apprentissage en profondeur grâce à la conception, la mise en oeuvre et l'évaluation de ces méthodes pour la segmentation de la substance grise de la moelle épinière. Dans ce projet, trois techniques principales ont été développées: en open source, comme décrit ci-dessous. La première technique consistait à concevoir une architecture d'apprentissage en profondeur pour segmenter la matière grise de la moelle épinière et a permis d'obtenir de meilleures résultats comparé à six autres méthodes développées précédemment pour la segmentation de la matière grise. Cette technique a également permis de segmenter un volume ex vivo avec plus de 4000 tranches en fournissant au préalable et moins de 30 échantillons annotés du même volume. La deuxième technique a été développée pour tirer profitnon seulement des données anotées, mais aussides données qui ne le sont pas (données non anotées) au moyen d'une méthode d'apprentissage semi-supervisée étendue aux tâches de segmentation. Cette méthode a apporté des améliorations significatives dans un scénario réaliste sous un régime de données réduit en ajoutant des données non annotées au cours du processus de formation du modèle. La troisième technique développée est une méthode d'adaptation de domaine non supervisée pour la segmentation. Dans ce travail, nous avons abordé le problème du décalage de distribution présent sur les données IRM, qui est principalement causé par différents paramètres d'acquisition. Dans ce travail, nous avons montré qu'en adaptant le modèle à un domaine cible présenté au modèle sous forme de données non annotées, il est possible d'améliorer de manière significative la segmentation de la matière grise pour le domaine cible invisible. Conformément aux principes de la science ouverte pour tous (open science), nous avons ouvert toutes les méthodes sur des référentiels publics et en avons implémenté certaines sur la Spinal Cord Toolbox (SCT) 1, une bibliothèque complète et ouverte d'outils d'analyse pour l'IRM de la moelle épinière. Nous avons également utilisé uniquement des ensembles de données accessibles au public pour toutes les évaluations et la formation de modèles, ainsi que pour la publication de tous les articles sur les revues en libre accès, avec une disponibilité gratuite sur les serveurs d'archives pré-imprimées. Dans ce travail, nous avons pu constater que les modèles d'apprentissage en profondeur peuvent en effet fournir des progrès considérables par rapport aux méthodes précédemment développées. Les méthodes d'apprentissage en profondeur sont très flexibles et robustes. Elles permettent d'apprendre de bout en bout l'ensemble des pipelines de segmentation tout en permettant de tirer profit de données non annotées pour améliorer les performances du même domaine dans un scénario d'apprentissage semi-supervisé ou en tirant parti de données non étiquetées pour améliorer les performances des modèles dans des domaines cibles non vus. Il est également clair que l'apprentissage en profondeur n'est pas une panacée pour l'imagerie médicale. De nombreux problèmes demeurent en suspens, tels que le décalage de généralisation toujours présent lors de l'utilisation de ces modèles sur des domaines non vus. Un futur axe de recherche inclut le développement en cours de techniques pour éclairer les modèles d'apprentissage automatique avec paramétrisation d'acquisition IRM afin par exemple d'améliorer la généralisation du modèle à différents contrastes, ainsi que d'améliorer la variabilité inhérente de ces images due aux différentes machines et aux changements anatomiques. L'estimation de l'incertitude liée à la distillation des connaissances au cours des phases de formation des approches décrites dans ce travail constitue un autre domaine de recherche 1disponible à https://github.com/neuropoly/spinalcordtoolbox. potentiel. Cependant, les mesures d'incertitude font partie d'un domaine de recherche en cours d'évolution dans le Deep Learning. En effet la plupart des méthodes fournissant une approximation médiocre ou une sous-estimation de l'incertitude épistémique présente dans ces modèles. L'imagerie médicale reste un domaine très difficile pour les modèles d'apprentissage automatique en raison des fortes hypothèses d'identité distributionnelle formulées par les algorithmes d'apprentissage statistique ainsi que de la difficulté à incorporer de nouveaux biais inductifs dans ces modèles pour tirer parti de la symétrie, de l'invariance de rotation, entre autres. Néanmoins, avec la quantité croissante de données disponibles, elles offrent de grandes promesses et gagnent lentement en robustesse pour pouvoir entrer dans la pratique clinique.