Segmentation automatique de la matière grise dans la région lombaire

Ce répertoire présente une comparaison de méthodes basées sur nnU-Net V2 pour segmenter la matière grise dans la région lombaire.

Contexte

Les images IRM axiales pondérées en T2* permettent de mesurer la section transversale de la matière grise et blanche, fournissant des métriques quantitatives de l’ampleur d'un traumatisme et aidant les médecins à quantifier précisément l’importance d’une compression médullaire. La segmentation manuelle de ces tissus par le radiologue est longue, expliquant l’émergence de techniques de segmentation automatique.

Résultats

Résultats qualitatifs

Figure 1 : Comparaison des méthodes deepseg_gm de la SCT, nnunet 2d et nnunet3d

légende :

• jaune : segmentation manuelle par l'expert (groundtruth)
• bleu : algorithme deepseg_gm implémenté dans la SCT
• rouge : méthode nnunet 2d testée
• vert : méthode nnunet 3d testée

Figure 2 : Comparaison des méthodes deepseg_gm de la SCT, nnunet 2d et 3d basées sur les régions (region based)

légende :

• gris : segmentation manuelle par l'expert de la matière grise (groundtruth)
• blanc : segmentation manuelle par l'expert de la matière blanche (groundtruth)
• rouge : segmentation de la matière blanche par la méthode nnunet 3d basée sur les régions testée
• vert : segmentation de la matière grise par la méthode nnunet 3d basée sur les régions testée

Résultats quantitatifs

Résultats

Diagrammes en boîte :

Diagramme 1	Diagramme 2	Diagramme 3
Distance de surface moyenne	Indice de Dice	Distance de Hausdorff

Diagramme 4	Diagramme 5	Diagramme 6
Indice de Jaccard	Erreur relative sur le volume	Sensibilité

Temps d'inférence sur CPU:

Méthodologie

Méthode de segmentation de la matière grise

1. Convertir le jeu de données du format BIDS vers le format nnUNet :

   • Utiliser le script convert_bids_to_nnUNetV2.py.

2. Entraîner le modèle :

   • a) Vérifier l'intégrité du jeu de données :

     nnUNetv2_plan_and_preprocess -d DATASET_ID --verify_dataset_integrity -c 2d 3d_fullres 3d_lowres

   • b) Lancer l'entraînement sur GPU :

     CUDA_VISIBLE_DEVICES=X nnUNetv2_train DATASET_ID CONFIG FOLD

3. Calculer des métriques avec ANIMA :

   • Utiliser le script compute_anima_metrics.py.

4. Tracer des diagrammes en boîte :

   • Utiliser le script boxplot_comparison.py.

Méthode de segmentation de la matière grise et blanche basée sur les régions (region based)

Des modifications ont été apportées aux scripts pour la méthode basée sur les régions :

1. Convertir le jeu de données du format BIDS vers le format nnUNet :

   • Utiliser le script convert_bids_to_nnUNetV2_region_based.py. Il faudra ensuite fusionner les labels SC et GM.

2. Fusionner les labels SC et GM :

   • Utiliser le script fusion_labels_GM_SC.py.

3. Modifier le fichier dataset.json pour indiquer à nnUNet qu'on souhaite travailler avec des régions :

   {
       "channel_names": {
           "0": "background"
       },
       "labels": {
           "background": 0,
           "SC": [1,2],
           "GM": [2]
       },
       "regions_class_order": [1, 2],
       "numTraining": 41,
       "file_ending": ".nii.gz",
       "overwrite_image_reader_writer": "SimpleITKIO"
   }
   
   

4. Lancer l'entrainement

5. Calculer les métriques avec le script : compute_anima_metrics_RB.py