Réseaux antagonistes génératifs pour la reconstruction super-résolution et la segmentation en IRM - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2020

Réseaux antagonistes génératifs pour la reconstruction super-résolution et la segmentation en IRM

Guillaume Dollé

Résumé

La faible résolution et l'anisotropie des données induisent des difficultés pour l'analyse cérébrale néonatale en IRM (imagerie par résonance magnétique). Dans la plupart des pipelines d'analyse IRM, les données sont d'abord rééchantillonnées, puis segmentées par des approches (semi-)automatiques. En d'autres termes, la reconstruction et la segmentation de l'image sont effectuées séparément. Nous proposons une méthodologie permettant d'effectuer simultanément la reconstruction haute résolution et la segmentation des données IRM du cerveau néonatal. Notre stratégie s'appuie principalement sur des réseaux antagonistes génératifs (GAN). Nous décrivons et discutons cette architecture et les résultats qu'elle permet d'obtenir.
Fichier principal
Vignette du fichier
Delannoy APTA-EGC 2020.pdf (523.7 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02387754 , version 1 (15-01-2020)

Identifiants

  • HAL Id : hal-02387754 , version 1

Citer

Quentin Delannoy, Chi-Hieu Pham, Clément Cazorla, Carlos Tor-Díez, Guillaume Dollé, et al.. Réseaux antagonistes génératifs pour la reconstruction super-résolution et la segmentation en IRM. Extraction et Gestion des Connaissances - Atelier Apprentissage Profond : Théorie et Applications (APTA@EGC), 2020, Bruxelles, Belgique. ⟨hal-02387754⟩
248 Consultations
389 Téléchargements

Partager

Gmail Facebook X LinkedIn More