Télécharger la présentation
1
Présentation travaux et projet
Université de Dijon ITII d’Auxerre - Le2i Présentation travaux et projet Arnaud Boucher 11 avril 2014
2
Fiche personnelle Arnaud Boucher 31 ans Section 27
Doctorat (Janvier 2013) Master (Mention Bien) Contrats de recherche : 24 mois (hors thèse) Expériences en entreprise : 24 mois (alternance) Enseignements : 386h (sur 5 semestres) Publications : 7 (+2 soumises) A. Boucher 1
3
Recherche Analyse d’images Segmentation Recalage Images médicales
Aide au diagnostic … Données quantitatives pour usager non-informaticien Ecouter l’expert pour s’approprier son approche Utiliser des clés de sont processus pour qu’il s’approprie le logiciel Réduction de la masse de travail Nouvelle perception A. Boucher
4
Plan A. Boucher
5
Plan 5 mois en 2007 A. Boucher
6
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) La forme des cellules détermine la santé Problématique de segmentation Cellules accolées ou se chevauchant ICPR’08 : Segmentation of overlapping/aggregating nuclei cells in biological images, Best studient paper PRL’10 : Segmentation of complex nucleus configurations in biological images A. Boucher
7
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) marquage immunofluorescent 2 étapes : marquage de certaines substances constituant les cellules, observation de la répartition de ces marqueurs à l’aide d’un éclairage spécifique. Délimitation fond et cellules Segmentation des ensembles connexes A. Boucher
8
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher
9
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher
10
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher
11
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher
12
Segmentation de cellules
Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) Résultats : Cellules isolées Cellules agrégées Cellules se chevauchant Total 263 23 45 331 100% 95,8% 77,6% 95,9% A. Boucher
13
Perception des problématiques
Modélisation des problématiques Visualisation du processus Interface claire A. Boucher
14
Plan A. Boucher
15
Plan 6 mois en 2007 A. Boucher
16
Navigation 3D Projet CNES – Hôpital de Tours
Echographie pour les lieux isolés (déserts médicaux, espaces …) Exploration d’un volume Problématique de reconstruction Fluidité d’utilisation Medecine Nucléaire’13 : Porte-sonde motorisé pour une télé-échographie abdominale en temps différé Revue de vulgarisation : Biofutur, Surveiller à distance les effets de la microgravité Brevet : Navigateur Echographique, Brevet Européen / Canadien Réorganiser et réduire intelligemment la masse d’information Aide du praticien en regroupant les info pertinentes Explicable au praticien > transparence du processus A. Boucher
17
Navigation 3D Projet CNES – Hôpital de Tours
Echographie pour la télémédecine Pr Philippe Arbeille Docteur en Médecine et Physique du solide Chef de Service du département Médecine Nucléaire et Ultrasons Directeur de l’unité de Médecine et Physiologie Spatiale A. Boucher
18
Navigation 3D Projet CNES – Hôpital de Tours
Echographie pour les lieux isolés A. Boucher
19
Navigation 3D Projet CNES – Hôpital de Tours
Echographie pour les lieux isolés A. Boucher
20
Navigation 3D Projet CNES – Hôpital de Tours
Echographie pour les lieux isolés 150 millions de pixels traité en moins de 1 min fluidité > 15 Mpixels 5 images seconde A. Boucher
21
Perception des problématiques
Utilisation des données « nécessaires » Fluidité, Robustesse Discussion avec l’expert A. Boucher
22
Plan A. Boucher
23
Plan Thèse A. Boucher
24
Recalage et Analyse d’images
Aide au diagnostic (CAD) Données Masse importante de documents Dossier patient Buts Limiter la zone de recherche Localiser toutes les anomalies Quantification des anomalies Temps limité ORASIS’09 : Pectoral muscle segmentation on a mammogram ICPR’10 : Visual perception driven registration of mammograms SPIE’13 : A pairwise image analysis with sparse decomposition SPIE’13 : Mammogram CAD, hybrid registration and iconic analysis Notre travail de these releve des 2 premier point A. Boucher
25
Recalage et Analyse d’images
Aide au diagnostic (CAD) Professeur Alain Brémond Cancérologue, chirurgien, Organisateur de campagnes de dépistage Centre Léon-Bérard (Lyon) A. Boucher
26
Recalage et Analyse d’images
Contexte : Les mammographies Examen rayon X Différentes vues Dossier temporel A. Boucher
27
Recalage et Analyse d’images
Approche globale Opacité Anomalie architecturale Calcification Commme on dispose de … nous avons choisi … Détection spécialisé partie de David Ratsimba … Méthodologie globale -> Détection spécialisée Détection d’évolution A. Boucher
28
Recalage et Analyse d’images
Analyse de clichés afin de détecter des anomalies potentielles Recalage robuste Analyse conjointe adaptée Données médicales Analyse conjointe Recalage Aide au diagnostic A. Boucher
29
Image I + Image J recalée
RECALAGE Image I + Image J recalée ANALYSE CONJOINTE Aide au diagnostic A. Boucher
30
Recalage et Analyse d’images
Extraction de primitives anatomiques Contour du sein Mamelon Muscle pectoral Méthode qui utilise la transformé de hough A. Boucher
31
Recalage et Analyse d’images
Elaboration du référentiel Modèle physique du sein [Chung 08] Modèle Orienté A. Boucher
32
Recalage et Analyse d’images
Recalage Orienté Transformation globale Translation + Rotation Transformation locale Déformation linéaire suivant Y Déformation linéaire suivant X Image I Image t(J) t(J) = Rt (J) Image I Image t(J) t = Id A. Boucher
33
Recalage et Analyse d’images
Recalage Orienté Transformation globale Translation + Rotation Transformation locale Déformation linéaire suivant Y Déformation linéaire suivant X Déformation 2D suite de deux déformation d’objets 1D Image I Image t(J) t(J) = lX ( lY ( Rt(J) ) ) A. Boucher
34
Recalage et Analyse d’images
Recalage Orienté Transformation globale Translation + Rotation Transformation locale Déformation linéaire suivant Y Déformation linéaire suivant X Image I Image t(J) t(J) = lX ( lY ( Rt(J) ) ) A. Boucher
35
Recalage et Analyse d’images
Recalage Orienté Transformation globale Translation + Rotation Transformation locale Déformation linéaire suivant Y Déformation linéaire suivant X Image I Image t(J) t(J) = lX ( lY ( Rt(J) ) ) A. Boucher
36
Recalage et Analyse d’images
Evaluation 37 couples de mammographies Entre 3 et 5 points annotés sur chaque couple Temps de calcul : < 4sec sur Pentium Centrino Dual Core 2GHz (codé en C++) Méthode Moyenne Ecart type Min Max Avant recalage 10,8 6,4 3,6 37,5 Translation 6,9 4,0 2,1 20,7 Orienté 6,8 3,1 1,6 13,2 Polaire 3,3 1,4 14,8 Méthode Moyenne Ecart type Min Max Avant recalage 10,8 6,4 3,6 37,5 Translation 6,9 4,0 2,1 20,7 Orienté 6,8 3,1 1,6 13,4 Polaire 3,3 1,4 14,9 A. Boucher
37
Image I + Image J recalée
RECALAGE Image I + Image J recalée ANALYSE CONJOINTE Aide au diagnostic A. Boucher
38
Recalage et Analyse d’images
Analyse conjointe - Recherche d’évolution Utilisation d’un codage du signal Images Système Résultat d’évaluation A. Boucher
39
Distribution des motifs
Recalage et Analyse d’images Comparaison d’un cliché à un ensemble d’apprentissage Comparaison Images Distribution des motifs Carte des différences A. Boucher
40
Distribution des motifs
Recalage et Analyse d’images Comparaison d’un cliché à un ensemble d’apprentissage Comparaison Images Distribution des motifs Carte des différences A. Boucher
41
Recalage et Analyse d’images
Dictionnaire Ensemble d’apprentissage Analyse pour élaboration du dictionnaire Schéma de la méthodologie Analyse de l’ensemble d’apprentissage pour l’élaboration du dictionnaire Evaluation de l’adéquation de l’image à analyser avec le dictionnaire Que met-on en évidence ? Caractérisation des ensembles constituant l’image à analyser Image I, J Analyse à l’aide du dictionnaire A. Boucher
42
Distribution des motifs
Recalage et Analyse d’images Comparaison d’un cliché à un ensemble d’apprentissage Comparaison Portion de mammographies Distribution des motifs Carte des évolutions A. Boucher
43
P2R Recalage et Analyse d’images Protocole d’évaluation Rappel
Image I Image J Rappel Précision Zone contrôlée Position de l’anomalie P2R On a introduit P2R Intégre précision rappel ratio zone éliminé Image J analysée A. Boucher
44
Recalage et Analyse d’images
P2R 𝑃2𝑅 𝛼,𝛽 = 𝛼 2 + 𝛽 (𝑃 . 𝑅 . 𝑅 𝑆 ) 𝛼 𝑃 + 𝛽 𝑅 + 𝑅 𝑆 Protocole d’évaluation F-mesure 𝐹𝑚𝑒𝑠𝑢𝑟𝑒 𝛽 = 𝛽 (𝑃 . 𝑅) ( 𝛽 𝑃)+𝑅 si 𝛽 = 1, P et R ont le même poids, si 𝛽 > 1 le rappel a un poids plus lourd, si 𝛽 < 1, la précision a un poids plus lourd. si 𝛼 = 1 et 𝛽 = 1, P, R et RS ont le même poids, si 𝛼 > 1, le poids de P diminue, si 𝛼 < 1, le poids de P augmente, si 𝛽 > 1, le poids de R diminue, si 𝛽 < 1, le poids de R augmente. A. Boucher
45
Recalage et Analyse d’images
Estimation des paramètres Taille des zones de comparaison Taille des motifs Distance entre motifs Invariance spatiale Ensemble d’apprentissage Zones de comparaison Motifs Estimation des paramètres grâce à la base de validation, résultats à partir de la paramétrisation optimum A. Boucher
46
Recalage et Analyse d’images
Estimation des paramètres Taille des motifs Taille des zones de comparaison Distance entre motifs Invariance spatiale Ensemble d’apprentissage Taille des motifs Taille des atomes/motifs Taille des atomes/motifs P2R Temps de calcul (en sec) A. Boucher
47
Recalage et Analyse d’images
Evaluation 34 couples de mammographies testées (groupe 2) Temps de calcul : 3min sur Pentium Centrino Dual Core 2GHz (codé en C++) Image I Image J Rappel Précision RS P2R Dégénérescence pas de tache 1 tache (1cm) 0,96 0,74 0,99 0,86 1 tache (0,3cm) 1 tache (1,5cm) 0,97 0,81 0,90 Rémission 0,95 0,65 0,83 0,91 Pas d’évolution - A. Boucher
48
Recalage et Analyse d’images
Conclusions Une aide au diagnostic Recalage Modèles de déformation complexe Décomposition d’une déformation 2D en déformations 1D Analyse conjointe Intégration d’une information contextuelle Recherche de tout type d’évolution par la rareté A. Boucher
49
Perception des problématiques
Eviter les comportements « boite noire » Favoriser les démarches explicables et justifiables Ne pas se substituer à l’expert A. Boucher
50
Plan A. Boucher
51
Plan 4 mois en 2013 A. Boucher
52
Segmentation d’un orateur
Présentation en ligne Orateur à distance Internet Salle de réunion A. Boucher
53
Problématique Segmentation de l’orateur
A. Boucher Segmentation d’un orateur (Cam RGB-3D)
54
Segmentation d’un orateur
Caméra RGB-3D ASUS Xtion Pro Live Images RGB Image 3D Segmentation ASUS A. Boucher
55
Segmentation d’un orateur
Exemple après segmentation Alcatel A. Boucher
56
Méthodes élaborées Rapide et robuste Morphologie mathématique
Segmentation ASUS Morphologie Seuillage Flou gauss r=7 a=6 Prendre éroder léger (cross r=1, rect r=1) Deux Ouverture orateur (cross r=2, rect r=2) A. Boucher Segmentation d’un orateur (Cam RGB-3D)
57
Méthodes élaborées Raffinement Distance de Chanfrein couleur
Après morphologie Erodé Carte de distance A. Boucher Segmentation d’un orateur (Cam RGB-3D)
58
Méthodes élaborées Raffinement Distance de Chanfrein couleur
Après morphologie Erodé Carte de distance A. Boucher Segmentation d’un orateur (Cam RGB-3D)
59
Segmentation d’un orateur
Méthode élaborée Morphologie Classification locale Après morphologie Après classification locale A. Boucher
60
Méthodes élaborées Raffinement
Classification locale + Notion d’incertitude Retour local à la morphologie A. Boucher Segmentation d’un orateur (Cam RGB-3D)
61
Segmentation d’un orateur
Exemple après Classification locale adaptative A. Boucher
62
Perception des problématiques
Modélisation des composantes Simplicité pour rapidité et robustesse Adapter à la perception humaine A. Boucher
63
Plan A. Boucher
64
Plan 6 mois en 2014 A. Boucher
65
Reconnaissance d’un scripteur
Projet Montaigne – ANR Monloe CNRS IRHT Descripteurs Comparaison d’écriture Diffusion du savoir A. Boucher
66
Reconnaissance d’un scripteur
Projet Montaigne – ANR Monloe CNRS IRHT Descripteurs Comparaison d’écriture Diffusion du savoir Vecteur descripteur Comparaison Ecritures proches A. Boucher
67
Perception des problématiques
Nouvelle modélisation Traitement de la base de données Aide aux littéraires A. Boucher
68
Vision de l’analyse d’image
Représentation de l’information Formalisation des concepts Résultat utilisable Interface Temps de calcul Résultat Rayonnement et diffusion Séminaire Articles A. Boucher
69
Projet d’intégration Grand intérêt et expérience de l’Image Médicale
Détection et description des composantes Travaux sur la thématique IMAC A. Boucher
70
Projet d’intégration Travaux sur le muscle cardiaque
Elasticité de l’aorte Mesure du ventricule gauche Epaisseur du myocarde Volume du ventricule gauche A. Boucher
71
Projet d’intégration Segmentation de tissus / Modélisation contours et formes Contours actifs Croissance de régions Classification locale Recalage multi-modales Fusion anatomie / fonctionnelle Utilisation de toutes informations capturables Modélisation 3D Travail avec les praticiens Compréhension de leurs besoins Respect de leurs expertises A. Boucher
72
Arnaud Boucher arnaud_boucher@msn.com
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.