Random Regression Forests for Fully Automatic Multi-Organ Localization in CT Images
Localisation automatique et multi-organes d'images scanner : utilisation de forêts d'arbres décisionnels (Random Regression Forests)
Résumé
Computer assisted medical intervention has become an integral part of present day’s medicine where medical image analysis plays an indispensable role. With the advancements of the modern day computing resources, machine learning techniques have emerged as a vital component in this field. The use of the supervised machine learning technique called random forests has shown very encouraging results in medical image analysis. More specifically, Random Regression Forests (RRFs), a specialization of random forests for regression, have produced the state of the art results for fully automatic multi–organ localization. Despite the very encouraging results, the relative novelty of the method in this field still raises numerous questions about how to optimize its parameters for consistent and efficient usage. Additionally, the RRF method has many parameters that require heuristic tuning which reduces its ability to be used in a more general setting.
In this context, the goal of this dissertation is to carry out a detailed study on the use of the Random Regression Forest methodology for multi–organ localization. First, we perform a thorough analysis of decision trees and of RRFs in the context of multi–organ localization in order to present and understand the inner workings of RRFs. From this, three directions are explored. The first direction investigates whether the localization performance of RRFs can be further improved by adding more spatially consistent information. We then propose to use the random model variables to approximate the random process. This results in a newer type of RRF, faster and more efficient in terms of memory usage: the Light Random Regression Forest. Finally, we propose an automatic and consistent approach to find the forest leaf nodes that participate in the final localization prediction. Furthermore, this proposal leads to the elimination of two other arbitrarily tuned parameters increasing the generality of RRFs for multi–organ localization, without reducing their localization performances.
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.
Loading...