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

Vue d’ensemble Philips Research Medisys Notre mission Nos contraintes Trois axes Analyse de données de grande taille Analyse de données rapide Analyse de données pour l’apprentissage Conclusions et perspectives Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

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 2012

Philips Research Paris – Medisys Notre mission Concevoir et transmettre des algorithmes d’analyse ou de traitement d’images 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 2012

Philips Research Paris – Medisys Nos contraintes Plateformes, machines d’accueil Pas de cluster de machines Machines multi-coeurs Réactivité Temps réel (interventionnel) Possibilité d’interaction (outils de correction) Traitements hors-ligne : temps d’attente de l’ordre de quelques secondes Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

Analyse de données de grande taille Problème Volume IRM : 256 x 256 x 140 Volume scanner : jusqu’à 750 x 750 x 1500 Solutions actuelles Sous-échantillonnage Parallélisation légère Ex: découpage du volume selon les coupes suivant l’axe z Utilisation des cœurs de la machine Open MP Optimisation basique Libérer l’espace mémoire non utilisé après un traitement Exemple de coupe scanner X abdominale Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimention , 10 Décembre 2012

Analyse de données rapide Problème Eparpillement des données Solutions actuelles Localisation, utilisation de la mémoire cache du CPU Ex: traitement d’une 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 Exemples de phases d’une séquence 2D interventionnelle Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

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 l’espace selon les coupes (axe z) Décision : quel thread pour quelle zone du maillage Verrouillage nécessaire de certaines zones Stratégie dépendante de L’application La taille des données (limitation : taille du cache du CPU) Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

Analyse de données et interactivité Démonstration : GeoBlend3D Eléments clés : Algorithme qui utilise la mémoire cache de manière optimale Sous-échantillonnage rapide adapté dynamiquement à l’échelle Optimisation a posteriori des phases devenues critiques Exemple de segmentation interactive obtenue en un seul clic avec un outil de type ballon La complexité théorique n’est pas toujours un bon indicateur de l’efficacité d’un algorithme Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

Analyse de données pour l’apprentissage Problème Une image / un volume = beaucoup de voxels Une base de données = peu d’images 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 Risque de sur-apprentissage Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

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

Analyse de données pour l’apprentissage Problème Une image = beaucoup de voxels Une base de données = peu d’images Solutions actuelles pour la segmentation Tâche vue comme une opération de régression [Zhou et al., ICCV 2005] Reformulation du problème : descripteurs de forme Risque de sur-apprentissage f : voxel descripteurs de formes [Criminisi et al. Microsoft Tech. Report 2011] Boîtes englobantes x : voxel y : positions relatives Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

Analyse de données pour l’apprentissage Entrée : voxels de l’image (x) Sortie : (2 boîtes, gauche et droite) Prédiction : rapide et non linéaire Prédiction : Voxel x : - Forêt de d’arbres décisionnels (regression forest, [Breiman, Machine Learning 2001]) Image I : Confidential C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

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 d’expérience assez peu concluant Stratégie d’utilisation 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 2012