La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Analyse et traitement de données de grande taille en imagerie médicale Cybèle Ciofolo-Veit Philips Research Paris - Medisys Conférence Mathématiques et.

Présentations similaires


Présentation au sujet: "Analyse et traitement de données de grande taille en imagerie médicale Cybèle Ciofolo-Veit Philips Research Paris - Medisys Conférence Mathématiques et."— Transcription de la présentation:

1 Analyse et traitement de données de grande taille en imagerie médicale Cybèle Ciofolo-Veit Philips Research Paris - Medisys Conférence Mathématiques et Grandes Dimensions Polytech Lyon, 10 Décembre 2012

2 Vue densemble Philips Research Medisys – Notre mission – Nos contraintes Trois axes – Analyse de données de grande taille – Analyse de données rapide – Analyse de données pour lapprentissage Conclusions et perspectives Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre 20122

3 Philips Research Paris – Medisys Qui sommes-nous ? Environ 30 chercheurs en CDI, 3 à 4 doctorants, 2 à 3 CDD, un directeur et une assistante Localisation : Suresnes Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre 20123

4 Philips Research Paris – Medisys Notre mission Concevoir et transmettre des algorithmes danalyse ou de traitement dimages aux équipes de développement et pour des modalités variées – Ultrasons – Scanner X – Rayons X 2D (interventionnel) – IRM – (Médecine nucléaire) Développer des démonstrateurs utilisables par les équipes de développement et les sites cliniques Participer aux premières phases de validation clinique Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre 20124

5 Philips Research Paris – Medisys Nos contraintes Plateformes, machines daccueil – Pas de cluster de machines – Machines multi-coeurs Réactivité – Temps réel (interventionnel) – Possibilité dinteraction (outils de correction) – Traitements hors-ligne : temps dattente de lordre de quelques secondes Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre 20125

6 Analyse de données de grande taille Problème – Volume IRM : 256 x 256 x 140 – Volume scanner : jusquà 750 x 750 x 1500 Solutions actuelles – Sous-échantillonnage – Parallélisation légère Ex: découpage du volume selon les coupes suivant laxe z Utilisation des cœurs de la machine Open MP – Optimisation basique Libérer lespace mémoire non utilisé après un traitement Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimention, 10 Décembre Exemple de coupe scanner X abdominale

7 Analyse de données rapide Problème – Eparpillement des données Solutions actuelles – Localisation, utilisation de la mémoire cache du CPU – Ex: traitement dune séquence temporelle 2D (Rayons X – interventionnel) Accès à de petits blocs mémoire dans différentes phases de la séquence Recopie des blocs dans le cache pour accélérer les accès Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre Exemples de phases dune séquence 2D interventionnelle

8 Analyse rapide de données de grande taille Problème : – Ex: reconstruction volumique par marching cubes Solutions : – Parallélisation avec accès concurrent aux données Exemple de la reconstruction : – Découpage de lespace selon les coupes (axe z) – Décision : quel thread pour quelle zone du maillage Verrouillage nécessaire de certaines zones Stratégie dépendante de – Lapplication – La taille des données (limitation : taille du cache du CPU) Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre 20128

9 Analyse de données et interactivité Démonstration : GeoBlend3D Eléments clés : – Algorithme qui utilise la mémoire cache de manière optimale – Sous-échantillonnage rapide adapté dynamiquement à léchelle – Optimisation a posteriori des phases devenues critiques Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre La complexité théorique nest pas toujours un bon indicateur de lefficacité dun algorithme Exemple de segmentation interactive obtenue en un seul clic avec un outil de type ballon

10 Analyse de données pour lapprentissage Problème – Une image / un volume = beaucoup de voxels – Une base de données = peu dimages Solutions actuelles pour la classification – Réduction de dimension Sélection ou extraction de caractéristiques – Méthodes à noyau : gain en mémoire – Régularisation Insertion de contraintes dans les classifieurs Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre Risque de sur-apprentissage

11 Analyse de données pour lapprentissage Problème – Une image = beaucoup de voxels – Une base de données = peu dimages Solutions actuelles pour la segmentation – Tâche vue comme une opération de régression – Reformulation du problème Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre Risque de sur-apprentissage Exemple : détection et segmentation des reins sur des images scanner X [Cuingnet et. al., MICCAI 2012]

12 Analyse de données pour lapprentissage Problème – Une image = beaucoup de voxels – Une base de données = peu dimages Solutions actuelles pour la segmentation – Tâche vue comme une opération de régression [Zhou et al., ICCV 2005] – Reformulation du problème : descripteurs de forme Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre Risque de sur-apprentissage : voxel descripteurs de formes [Criminisi et al. Microsoft Tech. Report 2011] Boîtes englobantes x : voxel y : positions relatives

13 Analyse de données pour lapprentissage Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre Entrée : voxels de limage (x) Sortie : (2 boîtes, gauche et droite) Prédiction : rapide et non linéaire Prédiction : Voxel x : - Forêt de darbres décisionnels (regression forest, [Breiman, Machine Learning 2001]) Image I :

14 Conclusions et perspectives Au jour le jour : Panachage de méthodes théoriques et pratiques en fonction des besoins – Parallélisation – Utilisation de la mémoire cache – Gestion de la mémoire – Reformulation des problèmes : régression Vers une implantation sur les cartes graphiques ? – Retour dexpérience assez peu concluant – Stratégie dutilisation de la mémoire différente CPU/GPU – Localisation dans le cache : avantage au CPU Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension, 10 Décembre

15


Télécharger ppt "Analyse et traitement de données de grande taille en imagerie médicale Cybèle Ciofolo-Veit Philips Research Paris - Medisys Conférence Mathématiques et."

Présentations similaires


Annonces Google