Présentation travaux et projet Université de Dijon ITII d’Auxerre - Le2i Présentation travaux et projet Arnaud Boucher 11 avril 2014
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
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 12
Plan A. Boucher
Plan 5 mois en 2007 A. Boucher
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 13
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 14
Segmentation de cellules Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher 15
Segmentation de cellules Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher 16
Segmentation de cellules Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher 16
Segmentation de cellules Projet ANR – Faculté de médecine de Marseille Segmentation de cellules (Progeria) A. Boucher 17
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 18
Perception des problématiques Modélisation des problématiques Visualisation du processus Interface claire A. Boucher 19
Plan A. Boucher
Plan 6 mois en 2007 A. Boucher
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 20
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 21
Navigation 3D Projet CNES – Hôpital de Tours Echographie pour les lieux isolés A. Boucher 22
Navigation 3D Projet CNES – Hôpital de Tours Echographie pour les lieux isolés A. Boucher 23
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 24
Perception des problématiques Utilisation des données « nécessaires » Fluidité, Robustesse Discussion avec l’expert A. Boucher 25
Plan A. Boucher
Plan Thèse A. Boucher
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 26
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 27
Recalage et Analyse d’images Contexte : Les mammographies Examen rayon X Différentes vues Dossier temporel A. Boucher 28
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 13
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
Recalage et Analyse d’images Extraction de primitives anatomiques Contour du sein Mamelon Muscle pectoral Méthode qui utilise la transformé de hough A. Boucher 30
Recalage et Analyse d’images Elaboration du référentiel Modèle physique du sein [Chung 08] Modèle Orienté A. Boucher 31
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 32
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 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) = lX ( lY ( Rt(J) ) ) 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) = lX ( lY ( Rt(J) ) ) A. Boucher 32
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 33
Image I + Image J recalée RECALAGE Image I + Image J recalée ANALYSE CONJOINTE Aide au diagnostic A. Boucher
Recalage et Analyse d’images Analyse conjointe - Recherche d’évolution Utilisation d’un codage du signal Images Système Résultat d’évaluation A. Boucher 34
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 35
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 35
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 36
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 37
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 27
Recalage et Analyse d’images P2R 𝑃2𝑅 𝛼,𝛽 = 1+ 𝛼 2 + 𝛽 2 . (𝑃 . 𝑅 . 𝑅 𝑆 ) 𝛼 2 . 𝑃 + 𝛽 2 . 𝑅 + 𝑅 𝑆 Protocole d’évaluation F-mesure 𝐹𝑚𝑒𝑠𝑢𝑟𝑒 𝛽 = 1+ 𝛽 2 . (𝑃 . 𝑅) ( 𝛽 2 . 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 28
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 29
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 38
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 39
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 40
Perception des problématiques Eviter les comportements « boite noire » Favoriser les démarches explicables et justifiables Ne pas se substituer à l’expert A. Boucher 41
Plan A. Boucher
Plan 4 mois en 2013 A. Boucher
Segmentation d’un orateur Présentation en ligne Orateur à distance Internet Salle de réunion A. Boucher 42
Problématique Segmentation de l’orateur A. Boucher Segmentation d’un orateur (Cam RGB-3D) 3
Segmentation d’un orateur Caméra RGB-3D ASUS Xtion Pro Live Images RGB Image 3D Segmentation ASUS A. Boucher 43
Segmentation d’un orateur Exemple après segmentation Alcatel A. Boucher 44
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) 14
Méthodes élaborées Raffinement Distance de Chanfrein couleur Après morphologie Erodé Carte de distance A. Boucher Segmentation d’un orateur (Cam RGB-3D) 18
Méthodes élaborées Raffinement Distance de Chanfrein couleur Après morphologie Erodé Carte de distance A. Boucher Segmentation d’un orateur (Cam RGB-3D) 18
Segmentation d’un orateur Méthode élaborée Morphologie Classification locale Après morphologie Après classification locale A. Boucher 45
Méthodes élaborées Raffinement Classification locale + Notion d’incertitude Retour local à la morphologie A. Boucher Segmentation d’un orateur (Cam RGB-3D) 24
Segmentation d’un orateur Exemple après Classification locale adaptative A. Boucher 46
Perception des problématiques Modélisation des composantes Simplicité pour rapidité et robustesse Adapter à la perception humaine A. Boucher 47
Plan A. Boucher
Plan 6 mois en 2014 A. Boucher
Reconnaissance d’un scripteur Projet Montaigne – ANR Monloe CNRS IRHT Descripteurs Comparaison d’écriture Diffusion du savoir A. Boucher 48
Reconnaissance d’un scripteur Projet Montaigne – ANR Monloe CNRS IRHT Descripteurs Comparaison d’écriture Diffusion du savoir Vecteur descripteur Comparaison Ecritures proches A. Boucher 49
Perception des problématiques Nouvelle modélisation Traitement de la base de données Aide aux littéraires A. Boucher 50
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 51
Projet d’intégration Grand intérêt et expérience de l’Image Médicale Détection et description des composantes Travaux sur la thématique IMAC A. Boucher 52
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 53
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 54
Arnaud Boucher arnaud_boucher@msn.com