Random Regression Forests for Fully Automatic Multi–Organ Localization in CT Images

Résumé : Les Gestes Médico-Chirurgicaux Assistés par Ordinateur sont devenus une partie intégrante de la médecine d’aujourd’hui où l’analyse d’images médicales joue un rôle indispensable. Avec les progrès des ressources informatiques, les techniques de l’apprentissage automatique ont émergé comme un élément essentiel dans ce domaine. L’utilisation de la technique de l’apprentissage supervisé appelée “forêts aléatoires” a montré des résultats très encourageants dans l’analyse de l’imagerie médicale. Plus précisément, les “Random Regression Forests” (RRFs), une spécialisation des forêts aléatoires pour la régression, ont produit d’excellents résultats pour la localisation automatique multi-organes. Malgré ces résultats impressionnants, la relative nouveauté de cette méthode soulève encore de nombreuses questions d’optimisation pour une utilisation cohérente et efficace. En outre, les RRFs ont de nombreux paramètres qui nécessitent une optimisation heuristique, réduisant ainsi leur capacité à être utilisés dans un contexte plus général. L’objectif de cette thèse est de réaliser une étude détaillée sur l’utilisation de la méthodologie des RRFs dans la localisation automatique de plusieurs organes. Tout d’abord, nous procédons à une analyse approfondie des arbres de décision et des RRFs dans le contexte de localisation de plusieurs organes afin de présenter et de comprendre leurs fonctionnements internes. De là, trois axes sont explorés. Le premier axe examine si les performances de localisation des RRFs peut encore être améliorées en ajoutant de l’information spatiale plus cohérente. Nous proposons ensuite d’utiliser les variables du modèle aléatoires pour approcher le processus aléatoire. Cela se traduit par un nouveau type de RRFs, plus rapide et plus efficace en termes d’utilisation de la mémoire : les Light Random Regression Forests. Enfin, nous proposons une approche automatique et cohérente pour trouver les nœuds feuilles qui participent à la prédiction finale de la localisation. En outre, cette proposi- tion conduit à l’élimination de deux autres paramètres arbitrairement ajustés augmentant la généralité de RRF sans réduire leurs performances de localisation.
Type de document :
Thèse
Imaging. Université Grenoble Alpes, 2016. English
Liste complète des métadonnées

Littérature citée [147 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/tel-01449813
Contributeur : Prasad Nirmalal Samarakoon <>
Soumis le : lundi 30 janvier 2017 - 17:06:48
Dernière modification le : mardi 19 février 2019 - 16:40:45

Licence


Distributed under a Creative Commons Paternité 4.0 International License

Identifiants

  • HAL Id : tel-01449813, version 1

Collections

Citation

Prasad Samarakoon. Random Regression Forests for Fully Automatic Multi–Organ Localization in CT Images. Imaging. Université Grenoble Alpes, 2016. English. 〈tel-01449813〉

Partager

Métriques

Consultations de la notice

204

Téléchargements de fichiers

288