Bio Image Analysis.ORG

Description :

La segmentation est une tâche importante en imagerie médicale pour aider les médecins dans leurs diagnostics et pour la préparation des actes chirurgicaux. Comparées à d’autres applications, ces image sont toujours porteuses d’une information structurelle très forte qu’on connaît « a priori »: l’anatomie.

Les informations a priori peuvent être représentées à l’aide d’un graphe de relations structurelles, où chaque sommet représente un objet anatomique d’interêt. En partant d’une image sur-segmentée (avec une technique telle que Watershed, WaterPixels ou SLIC), on obtient un graphe de sur-régions, alors, en se basant sur une formulation d’appariement de graphes (entre le graphe des sur-régions et le graphe des informations a priori), on peut obtenir un regroupement des sommets du graphe de sur-régions et, avec ça, une segmentation finale, transparente pour l’utilisateur, interprétable et explicable.

Travail demandé : Après une phase initiale d'étude bibliographique, le but est d’implémenter un « pipeline » de segmentation qui reçoit en entrée une image médicale et un graphe d’« a priori », ainsi que le graphe de sur-régions et qui réalise l’appariement des sommets des graphes pour ainsi retourner une segmentation. En parallèle, nous chercherons un graphe modèle anatomique suffisamment complet pour faire la segmentation des objets d’intérêt, comme par exemple le foie, les reins et la rate dans les images abdominales.

Références:
https://hal.archives-ouvertes.fr/hal-02916167/
M. Riva, F. Yger, P. Gori, R. Cesar, I. Bloch. Template-Based Graph Clustering. ECML-PKDD, Workshop on Graph Embedding and Mining (GEM), 2020, Ghent, Belgium.