Combining loss functions for deep learning bladder segmentation on dynamic MRI - Aix-Marseille Université
Communication Dans Un Congrès Année : 2021

Combining loss functions for deep learning bladder segmentation on dynamic MRI

Résumé

Pelvic floor disorders mainly affect women and turn to be a public health issue although their pathophysiology is still poorly understood. As the main concerned organs undergo motions and deformations that are specific to the pathology, dynamic MRI is a gold standard for radiologists. Unclear organ boundaries, inter-subject variability of organ shapes and pathological deformities make segmentation difficult to perform. To develop imaging software aimed at pathologies gradation, the accuracy of the segmentation of organ boundaries on MRI is an essential criterion. Automatic methods are not yet accurate enough to replace the mandatory manual segmentation step. Automatic segmentation methods using fully convolutional neural network (FCN) have been developed, but the loss functions used for their training were generally not sensitive enough for the detection of organ boundaries. We propose a loss function dedicated to organ boundary detection to enhance training and therefore improve results accuracy. The method was evaluated on bladder segmentation from dynamic 2D MRI, using a baseline U-Net architecture. We demonstrated that our network trained with a combination of a contour-based loss function and the widely used Dice loss outperformed existing methods and networks trained with the Dice loss alone.
Les troubles du plancher pelvien affectent principalement les femmes et représentent un enjeu de santé publique, bien que leur physiopathologie soit encore mal comprise. Étant donné que les principaux organes concernés subissent des mouvements et des déformations spécifiques à la pathologie, l’IRM dynamique constitue une référence pour les radiologues. Les contours flous des organes, la variabilité interindividuelle des formes des organes et les déformations pathologiques rendent la segmentation difficile à réaliser. Pour développer des logiciels d’imagerie visant à évaluer les pathologies, la précision de la segmentation des contours des organes sur l’IRM est un critère essentiel. Les méthodes automatiques ne sont pas encore suffisamment précises pour remplacer l’étape obligatoire de segmentation manuelle. Des méthodes de segmentation automatique utilisant des réseaux de neurones entièrement convolutifs (FCN) ont été développées, mais les fonctions de perte utilisées pour leur entraînement n’étaient généralement pas assez sensibles à la détection des contours des organes. Nous proposons une fonction de perte dédiée à la détection des contours des organes pour améliorer l’entraînement et ainsi accroître la précision des résultats. La méthode a été évaluée sur la segmentation de la vessie à partir d’IRM dynamiques 2D, en utilisant une architecture U-Net de base. Nous avons démontré que notre réseau entraîné avec une combinaison d’une fonction de perte basée sur les contours et de la fonction de perte Dice largement utilisée surpassait les méthodes existantes et les réseaux entraînés uniquement avec la fonction de perte basée sur le score de Dice.
Fichier principal
Vignette du fichier
Hostin_BHI2021.pdf (792.36 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03327830 , version 1 (17-10-2024)

Identifiants

Citer

Marc-Adrien Hostin, Augustin C. Ogier, Nicolas Pirró, Marc-Emmanuel Bellemare. Combining loss functions for deep learning bladder segmentation on dynamic MRI. IEEE EMBS International Conference on Biomedical and Health Informatics (BHI), Jul 2021, Virtual conference, France. pp.1-4, ⟨10.1109/BHI50953.2021.9508559⟩. ⟨hal-03327830⟩
54 Consultations
0 Téléchargements

Altmetric

Partager

More