Unsupervised representation learning for anomaly detection on neuroimaging. Application to epilepsy lesion detection on brain MRI
Apprentissage de représentation non supervisé pour la détection d'anomalies en neuroimagerie. Application à la détection de lésions épileptogènes en Imagerie IRM.
Résumé
Epilepsy affects around 50 million people worldwide, a third of those diagnosed with medically refractory epilepsy where seizures cannot be controlled by pharmacotherapy. For such patients, surgical resection of the epileptogenic zone may offer a seizure-free life. The success of such surgeries largely depends on the accuracy of the epileptogenic zone localization. Neuroimaging, including magnetic resonance imaging (MRI) and positron emission tomography (PET), has been increasingly considered in the pre-surgical examination routine. This work represents one attempt to develop a computer aided diagnosis system for epileptogenic lesion detection based on neuroimaging data, in particular T1-weighted and FLAIR MR sequences. Given the complexity of the task and the lack of a representative voxel-level labeled data set, the adopted approach, first introduced in [El Azami et al., 2016], consists in casting the lesion detection task as a per-voxel outlier detection problem. The system is based on training a one-class SVM model for each voxel in the brain on a set of healthy controls, so as to model the normality of the voxel. For an unseen patient, each voxel is assessed against the corresponding one-class SVM model which yields a signed score of its anomalousness. Anomalous lesions can hence be found as local neighborhoods of voxels with low scores. The main focus of this work is to design representation learning mechanisms, capturing the most discriminant information from multimodality imaging. Manual features, designed to mimic the characteristics of certain epilepsy lesions, such as focal cortical dysplasia (FCD), on neuroimaging data, are tailored to individual pathologies and cannot discriminate a large range of epilepsy lesions. Such features reflect the known characteristics of lesion appearance; however, they might not be the most optimal ones for the task at hand. Our first contribution consists in proposing various unsupervised neural architectures as potential feature extracting mechanisms and, eventually, introducing a novel configuration of siamese networks, to be plugged into the outlier detection context. The proposed system, evaluated on a set of T1-weighted MRI of epilepsy patients, showed a promising performance but a room for improvement as well. To this end, we considered extending the CAD system so as to accommodate multimodality data which offers complementary information on the problem at hand. Our second contribution, therefore, consists in proposing strategies to combine representations of different imaging modalities into a single framework for anomaly detection. The extended system showed a significant improvement on the task of epilepsy lesion detection on T1-weighted and FLAIR images. Our last contribution focuses on the integration of PET data into the system. An obstacle encountered often in medical applications is the small number of subjects with the full set of imaging modalities. This limits the performance of a system when the subjects with missing data are discarded. We therefore delve into strategies of synthesizing PET data from the corresponding MRI acquisitions and show an improved performance of the system when synthesized images are used in addition to the real ones.
Environ 50 million personnes souffrent d’une épilepsie partielle, dont un tiers atteint d’une épilepsie réfractaire à tous les médicaments. La chirurgie, qui constitue aujourd’hui le meilleur recours therapeutique, nécessite un bilan préopératoire complexe. L’analyse de données d’imagerie telles que l’imagerie par résonance magnétique (IRM) anatomique et la tomographie d’émission de positons (TEP) au FDG (fluorodésoxyglucose) tend à prendre une place croissante dans ce protocole, et pourrait à terme limiter les recours à l’électroencéphalographie intracérébrale (SEEG), procédure très invasive mais qui constitue encore la technique de référence. Cette étude vise à développer un système d’aide au diagnostic (CAD) pour le détection de lésions épileptogènes, reposant sur l’analyse de données de neuroimagerie, notamment, l’IRM T1 et FLAIR. Etant donné la complexité du problème et le manque d’une base de données, annotée à l’échelle de voxel, représentative de la pathologie, l’approche adoptée, introduite précédemment par [El Azami et al., 2016], consiste à placer la tâche de détection dans le cadre de la détection du changement à l’échelle du voxel. Le système est basé sur l’apprentissage d’un modèle one-class SVM pour chaque voxel dans le cerveau, en utilisant un ensemble de sujets sains, dont le but est de modéliser la normalité du voxel. Pour un patient donné, chaque voxel est évalué par le modèle oc-SVM, correspondant à sa localisation spatiale, et ce dernier produit une valeur numérique signée, représentant l’anormalité du voxel. Les lésions anormales peuvent ensuite s’identifier comme des voisinages de voxels, ayant des valeurs très négatives. L’objectif principal de ce travail est de développer des mécanismes d’apprentissage de représentations, qui capturent les informations les plus discriminantes à partir de l’imagerie multimodale. Les caractéristiques manuelles, conçues pour imiter les caractéristiques de certaines lésions épileptogènes sur la neuroimagerie, notamment les dysplasies corticales focales (FCD), sont spécifiques aux pathologies individuelles et n’ont pas la capacité de discriminer un ensemble varié de lésions épileptogènes. Ce type de caractéristiques reflète la connaissance
existante sur l’apparence de lésions. Par contre, elles ne sont pas forcément les plus pertinentes pour la tâche visée. Notre première contribution porte sur l’intégration de différents réseaux profonds non-supervisés, en tant que mécanismes d’extraction de caractéristiques, dans le cadre du problème de détection de changement. Éventuellement, nous introduisons une nouvelle configuration des réseaux siamois, mieux adapté à ce contexte. Le système
CAD proposé a été évalué sur l’ensemble d’images T1 IRM des patients atteint d’épilepsie. Nous avons démontré une performance importante qui reste, tout de même, à améliorer. Pour cela, nous avons considéré d’étendre le système pour intégrer des données multimodales qui possèdent des informations complémentaires sur la pathologie en question. Notre deuxième contribution, donc, consiste à proposer des stratégies de combinaison des différentes modalités d’imagerie dans un système pour la détection des changements. Ce système multimodal a montré une amélioration importante sur la tâche de détection de lésions épileptogènes sur les IRM T1 et FLAIR. Notre dernière contribution se focalise sur l’intégration des données PET dans le système proposé. Très souvent, dans les applications médicales, le nombre de sujets ayant les acquisitions de toutes les modalités envisagées, est assez limité. La performance des systèmes, où l’on ne considère que les sujets ayant toutes les acquisitions, est souvent faible. Pour cette raison, nous envisageons de synthétiser les données manquantes à partir des images des autres modalités présentes. Nous essayons, donc, de générer des images TEP en se servant des images IRM disponibles. Nous démontrons que le système entraîné sur les données réelles et synthétiques présente une amélioration importante par rapport au système entraîné sur les images réelles uniquement.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...