Graph reduction and application to lung tumors segmentation
Réduction de graphes et application à la segmentation de tumeurs pulmonaires
Résumé
In this thesis, we first present a new band-based strategy for reducing the graphs involved in binary graph cut segmentation. This is done by locally testing if a node is really useful to the maximum flow computation in these graphs. Like previous band-based methods, the remaining nodes are typically located in narrow bands surrounding the object edges to segment. In a first time, we propose an heuristic condition to decide if a node can be added to the reduced graph which can be computed in constant time (except for image borders). When the amount of regularization is large, extra parameters are embedded into this test for both further reducing the graphs and removing segments due to noise in the segmentations. When the amount of regularization is of moderate level, the time required by this algorithm is even compensated by the maximum flow time on the reduced graph. In this situation, we experimentally show that this algorithm drastically reduce the memory usage of standard graph cuts while keeping a low pixel error on segmentations. In a second time, we describe another test with a slightly higher computational cost. We prove that each node satisfying this test can be safely removed without modifying the maximum flow value. Numerical experiments exhibit similar performance than the heuristic test. In a second part, we present an application of this reduction technique devoted to the semi-interactive segmentation of lung tumors in 3D CT images. The novelty of this work is to embed a prior on the object seeds location and control their propagation thanks to a Fast Marching algorithm based on the image gradient. Qualitative and quantitative results against provided ground truths exhibit an accurate delineation of tumors with a Dice coefficient greater than 80\% in average.
Dans cette thèse, nous présentons d'abord une nouvelle stratégie à base de bandes pour réduire les graphes impliqués dans la segmentation binaire par graph cuts. Ceci est effectué en testant localement si un noeud est réellement utile au calcul du flot maximum dans ces graphes. À l'instar des méthodes antérieures à base de bandes, les noeuds restants sont typiquement localisés dans des bandes étroites autour des contours de l'objet à segmenter. Dans un premier temps, nous proposons un test heuristique pour décider si un noeud peut être ajouté au graphe réduit qui peut être calculée en temps constant (excepté pour les bords de l'image). Lorsque le degré de régularisation est élevé, des paramètres supplémentaires sont intégrés à ce test pour à la fois réduire davantage les graphes et supprimer les zones dues au bruit dans les segmentations. Lorsque le degré de régularisation est moindre, le temps requis par cet algorithme est même compensé par le temps de calcul du flot maximum sur le graphe réduit. Dans cette situation, nous montrons expérimentalement que cet algorithme réduit significativement la consommation mémoire des graph cuts standard tout en conservant une erreur quasi nulle sur les segmentations. Dans un second temps, nous décrivons un autre test avec un coût computationnel légèrement supérieur. Nous démontrons que chaque noeud vérifiant ce test peut être retiré sans altérer la valeur du flot maximum. Des expériences numériques permettent d'exhiber des performances équivalentes au test heuristique. Dans une seconde partie, nous présentons une application de cette technique de réduction à la segmentation semi-interactive de tumeurs pulmonaires dans des images CT 3D. L'originalité de ce travail consiste à intégrer un a priori sur la localisation des graines objet et contrôler leur propagation grâce à un algorithme de Fast Marching basé sur le gradient de l'image. Les résultats quantitatifs et qualitatifs comparés aux vérités terrains fournies montrent une délimitation précise des tumeurs avec un coefficient de Dice supérieur à 80\% en moyenne.