Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
16 personnes membres du GdR ISIS, et 21 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 60 personnes.
Extraction de caractéristiques pour l’analyse d’images médicales
Journée thématique organisée conjointement par :
Date : lundi 3 février 2014
Lieu : Amphi Grenat, Télécom Paris Tech
Lorsque le volume des données d’entrée d’un algorithme est très important et possiblement redondant, il peut être intéressant de transformer ces données en une représentation plus compacte. Cette transformation est appelée «extraction de caractéristiques». Cette étape de réduction de dimension vise ainsi à extraire l’information pertinente à partir des données afin d’effectuer la tâche désirée.
Les progrès en résolution des images médicales, l’utilisation de multiples modalités (IRM, échographie, scanner X, ECG, imagerie optique, etc.) ainsi que le suivi longitudinal de cohortes de patients génèrent une masse de données multimodales toujours croissante. Il apparaît ainsi que l’extraction de caractéristiques est un point central pour le traitement et l’analyse d’images médicales. Cette journée s’intéressera notamment à la définition de signatures élémentaires et de descripteurs (éventuellement multi-échelles et/ou multi-modaux) pour des problématiques de recalage, de modélisation temporelle et de stratégies de fouille de données pour la classification et l’indexation en vue d’applications diagnostique et thérapeutique.
L'objectif de cette journée est de faire un bilan des différentes méthodes qui existent et celles qui sont mises en œuvre dans les applications médicales. La matinée sera dédiée à des présentations d’orateurs invités.
Les propositions d’exposés sont à envoyer aux organisateurs avant le 17 janvier 2013.
|
9h00 |
Présentation de la journée |
|
9h15 – 10h00 |
Djemal Khalifa (IBISC, Evry) |
|
10h00 – 10h45 |
Stéphane Allaire (Philips Healthcare, Suresnes) |
|
10h45 – 11h00 |
Pause café |
|
11h00 – 11h45 |
Jean-Marc Constans (Univ. Picardie, Amiens) |
|
11h45 – 12h30 |
Gwénolé Quellec (LATIM, Brest) |
|
12h30 – 14h00 |
REPAS |
|
14h00 – 14h20 |
Guillaume Auzias (INT, Marseille) |
|
14h20 – 14h40 |
Julien Lefèvre (LSIS, Marseille) |
|
14h40 – 15h00 |
Felix Renard (Gipsa, Grenoble) |
|
15h00 – 15H20 |
Guillaume Tartare (LISIC, Calais) |
|
15h20 – 15h40 |
Pause café |
|
15h40 – 16h00 |
Mouloud Adel (Institut Fresnel, Marseille) |
|
16h00 – 16h20 |
Vincent Vigneron (IBISC, Evry) |
|
16h20 – 16h40 |
Olfa Ben Ahmed (LABRI, Bordeaux) |
|
16h40 – 17h00 |
Jacques-Antoine Maisonobe (IMNC, Paris Sud) |
|
17h00 – 17h20 |
Camille Kurtz (LIPADE, Paris) |
|
17h20 |
Clôture de la journée |
Djemal Khalifa
Depuis quelques années, plusieurs techniques de recherche d'images basées sur le contenu ont été développées. Ces nouvelles méthodes ont permis la mise en place de différents systèmes de recherche et de reconnaissance d'images souvent désignés par l'acronyme anglais Content Based Image Retrieval (CBIR).
L'architecture type d’un système CBIR est composée principalement de trois étapes importantes, à savoir l'extraction d'attributs visuels, la description des images et la classification qui mène à la reconnaissance de ces images. Dans ce cadre, plusieurs approches ont été proposées pour développer soit des techniques d'extraction et description d'attributs, soit des méthodes de classification sans oublier les méthodes de prétraitement qui sont souvent à la base d’une bonne description de données. En effet, les performances d'un système CBIR en terme de reconnaissance reposent généralement sur ses différentes étapes ainsi que le type de la base d'images considérée.
Dans un cadre de reconnaissance par le contenu, je présenterai certaines de nos contributions qui ont permis d’améliorer la performance du système. Je commencerai, dans un premier temps, par la description des masses mammaires et leur classification pour une base biomédicale spécifique au cancer du sein et je terminerai par l’extraction et la classification hiérarchique multi-modèles pour une base d’images hétérogène destinées aux applications plus génériques.
Stéphane Allaire
Les semaines de traitement par radiothérapie guidée par l’image (IGRT) occasionnent l’acquisition de nombreuses images : de diagnostic d’abord (CT, IRM, TEP…), de planification (scanner CT), puis de positionnement du patient (Cone Beam CT…), voire de replanification dans le cas d’une radiothérapie adaptative. La planification dosimétrique de la thérapie implique une segmentation des volumes cibles tumoraux et des organes sains à risque qui, parfois semi-automatisée, nécessite toujours une intervention finale majeure du médecin. Pour détecter des déviations précoces du plan, pour éviter une charge de travail supplémentaire en re-segmentation, et pour permettre l’analyse de la dose cumulée, des algorithmes fiables de recalage multimodal non rigide sont nécessaires. Nous proposons une approche basée sur l’extraction de points d’intérêts (type Laplacien de Gaussien), et leur mise en correspondance, de façon multi-échelles. Comparée à des descripteurs complexes (type SIFT 3D), une simple mesure locale de corrélation s’est montrée efficace sous réserve de points localement saillants et très distinctifs. Ceux-ci sont utilisés comme points de contrôle à signification anatomique d’une transformation interpolante par Thin-Plate Splines qui permet la propagation des segmentations et l’accumulation de dose délivrée. L’approche automatique a été évaluée en CT-CT ORL et thorax, et validée cliniquement en CT-CBCT ORL comme s’insérant dans la variabilité d’un groupe d’experts. Sa flexibilité permet de plus l’intégration de corrections manuelles dans le champ de déformation et l’utilisation de mesures de similarité multimodales.
Jean-Marc Constans
Les images multimodales de la face concernent des images morphologiques quantitatives avec de la segmentation, de la classification tissulaire (à l'aide des différents contrastes des différentes séquences) et de la volumétrie, ainsi que des images vasculaires et de quantification de flux tout comme des images du cou notamment des acquisitions vasculaires des vaisseaux du cou sans et avec injection de produit de contraste. Enfin, les images cérébrales sont morphologiques et surtout fonctionnelles avec des développements et des possibilités en perfusion, diffusion, tenseur de diffusion et tracking de fibres. De plus, les images d'IRM fonctionnelles d'activation et de repos ainsi que leurs analyses permettraient de mieux étudier la connectivité et la plasticité cérébrales normale et dans certains processus pathologiques. L'IRM fonctionnelle de repos de cluster de multiples voxels dont les signaux varient ensemble et les fibres détectées en imagerie de tenseur de diffusion peuvent permettre de modéliser une connectivité entre ces différentes aires de repos dont la perfusion peut également changer.
Sur des images de la face, le volume de l'os, des travées osseuses, des zones de faiblesses sont intéressantes ainsi que l'extraction automatique des caractéristiques de texture comme par exemple les longueurs de plage. Il en est de même sur les parties molles et les muscles. De même, sur des images vasculaires, les lignes de centre des vaisseaux permettent de mieux quantifier le volume des sténoses vasculaires ainsi que certains réseaux capillaires. La perfusion permet de mesurer certains paramètres de volume sanguin, de débit et de perméabilité utiles dans la caractérisation de certains processus tumoraux et leurs évaluations thérapeutiques. Ces mêmes paramètres peuvent être également étudiés lors de traumatismes faciaux ou crâniens.
En relation avec des changements de perfusion, le métabolisme des interactions entre les neurones et les cellules gliales peuvent être détectées , étudiées et mesurées par les paramètres des images de perfusion et des images spectrales et métaboliques par imagerie spectroscopiques par résonance magnétique.
Gwénolé Quellec
Lors d'un examen médical, les médecins constituent un dossier regroupant des données hétérogènes (données démographiques et cliniques, images, vidéos, etc.). Afin d’aider leur décision, une solution consiste à rechercher des dossiers similaires au sein d'une archive médicale. Confrontés à des cas similaires, les médecins peuvent alors confirmer ou réviser leurs décisions à l’aide d’un raisonnement par analogie. Nous nous sommes intéressés à deux problèmes. Tout d'abord, comment caractériser les données complexes dans les dossiers d’examen (images, vidéos, etc.) ? Ensuite, comment combiner des données hétérogènes afin de comparer des dossiers d’examen ?
Différentes solutions ont été proposées pour caractériser les images. Certaines s'appuient sur une modélisation sémantique (description lexicale des lésions, modélisation spatiale des organes, etc.). D’autres caractérisent leur contenu numérique, soit en segmentant automatiquement des lésions, soit en extrayant des caractéristiques génériques d’images (texture, couleur, forme, etc.). Je me suis intéressé à l’approche numérique : le contenu numérique d’images 2-D ou 3-D est caractérisé dans des espaces d'ondelettes qui sont adaptés automatiquement afin d’augmenter la pertinence des images similaires retournées par le système. Je me suis également intéressé à la caractérisation de vidéos pour l’aide à la décision, en temps réel, au cours d’une chirurgie.
Différentes approches ont été proposées pour définir des métriques de similitude entre dossiers d’examen hétérogènes. Certaines s'appuient sur des ontologies médicales, d'autres s'appuient sur la fusion d’information : la fusion précoce (en utilisant des techniques d'exploration de données) ou la fusion tardive (en utilisant la théorie de la preuve). Je me suis intéressé à la fusion d’information : j’ai adapté différents algorithmes, tels que les Random Forests ou la théorie de Dezert-Smarandache, afin de créer des moteurs de recherche hétérogènes. Un défi pour l'avenir sera d'adapter ces moteurs de recherche à chaque médecin afin de fournir une aide personnalisée.
Les archives médicales sont un atout majeur pour l’aide à la décision médicale. Grâce à des avancées récentes en recherche d'information, et dans des domaines connexes tels que la sécurité, la plupart des problèmes de décision médicale peuvent bénéficier d’informations stockées dans les archives médicales.>
Guillaume Auzias
Il s'agit de présenter des travaux concernant l'application d'une méthode de recalage que j'ai publiée récemment (lien ci-dessous) pour définir des parcelles sur la surface du cortex préalablement segmentée à partir d'IRM anatomiques. A partir de ces parcelles, il est ensuite possible de synthétiser l'information contenue par exemple dans des images d'IRM fonctionnelles au travers de la définition d'un "graphe de connectivité". Les nœuds du graphe correspondent aux parcelles issues de ma méthode et les arêtes sont construites à partir de la corrélation du signal issu des images fonctionnelles moyenné dans chaque parcelle. La méthode que je propose est particulièrement intéressante dans le cadre du suivi longitudinal au cours du développement cérébral. J'évoquerai également l'extension de ma méthode à une définition multi-échelle de parcelles corticales, qui représente un axe de recherches futures naturel.
Julien Lefèvre
La description de la surface corticale reste une tache difficile en raison de la complexité des motifs de plissement et de leur variabilité entre individus. De plus le volume cérébral de l'adulte peut varier d'un facteur 2 et ne s'accompagne pas d'un changement homothétique de la forme: les gros cerveaux tendent à présenter un excès de surface et donc des changements dans le plissement.
Nous avons introduit récemment une approche spectrale qui permet de déterminer plus précisément comment se fait l'évolution de la surface corticale avec le volume. En calculant les modes de Fourier d'une surface corticale et en décomposant sa courbure moyenne dans cette base nous obtenons un spectre discret. Il est possible de compresser ce spectre en un certain nombre de bandes fréquentielles et d'observer la relation de la puissance pour chaque bande avec la taille du cerveau. Il est également possible de relocaliser les endroits sur le cortex où chaque bande contribue le plus au plissement.
Nous montrerons des applications de notre approche sur des cerveaux d'adultes sains. Nous verrons aussi que notre méthode permet d'aborder sur un nouvel angle certaines pathologies lourdes du développement cérébral comme la microcéphalie et en particulier de distinguer plus finement diverses origines à cette anomalie (mutations génétiques, syndrome d'alcoolisme fœtal).
Félix Renard
Les connectogrammes fonctionnels sont des nouveaux outils en neuroscience, obtenus à partir d'acquisitions d'IRM fonctionnelle (IRMf) de repos, permettant d'observer les réseaux fonctionnels humains. Ces derniers rendent compte des interactions fonctionnelles entre différentes régions cérébrales. Pour des études cliniques, les médecins s'intéressent aux connectogrammes afin de mettre en évidence des anomalies de connexions dans le cas de différentes pathologies.
D'un point de vue mathématique, ces connectogrammes correspondent à des graphes de grandes dimensions. Les nœuds du graphe correspondent aux régions cérébrales (N noeuds), et les arêtes aux interactions fonctionnelles mesurées par IRMf (potentiellement de dimension Nx(N-1) ). A partir de ces graphes, on peut extraire différentes métriques globales sur tout le graphe ou locales pour chaque nœud. Ces métriques permettent de caractériser des propriétés topologiques des graphes. Le degré, le nombre d'arêtes par nœud, est un exemple d'une de ces métriques locales. On peut aussi extraire des métriques basées sur le plus court chemin, qui permettent de caractériser des nœuds pivots ou « hubs ».
Pour chaque métrique et pour chaque graphe, un vecteur de dimension N (nombre de nœuds) est estimé. L'objectif de ce travail est d'une part d'extraire de l'information de ces vecteurs permettant de caractériser une population, et d'autre part, de mettre en évidence les différences entre deux groupes d'individus.
D'autres auteurs sont intéressés à ce problème de dicrimination en utilisant soit de l'extraction linéaire [1], soit des arbres décisionnels [2]. Dans une approche de discrimination seule, il est difficile de localiser les différences dans le graphe. En utilisant des arbres décisionnels, il est possible d'identifier les différences dans le graphe, par contre il est difficile de visualiser et d'interpréter médicalement les résultats.
Dans l'étude [3], nous avons étudié les différences de connexions entre une population saine et une population présentant des troubles de la conscience. Les enjeux de cette étude étaient à la fois de discriminer les deux populations, mais aussi de pouvoir interpréter les différences d'un point de vue clinique. Les patients inclus dans cette étude ont montré des profils de déconnexions inhomogènes, nous avons alors proposer un coefficient scalaire original, appelé indice de réorganisation des pivots (IRP), permettant de prendre en compte cette inhomogénéité. Pour cela, on a construit pour chaque métrique une référence basée sur toute la population saine en moyennant sur la population cette métrique sur chaque nœud. Pour chaque patient, on peut donc extraire l'IRP en comparant la métrique obtenue pour le patient avec la référence sur la population saine. Les résultats de cette étude montre un IRP significativement différent de zéro pour le groupe de patients, ce qui traduit une réorganisation du réseau cérébral avec la déconnexion de nœuds pivots chez les patients et la surconnexion d'autres nœuds dépendant de l'histologie des patients.
L'IRP est un coefficient qui a été élaboré de manière supervisé. Plusieurs questions peuvent se poser : est-ce qu'on est capable d'extraire l'IRP de manière non supervisée? Est ce que l'IRP est le meilleur indice pour discriminer ces deux populations ?
Pour répondre à ces diverses questions, nous avons développé une méthodologie guidée par les données. Tout d'abord, nous nous avons étudié les données par une méthode de classification linéaire optimale obtenue par une Analyse Discriminante Linéaire (LDA). Les résultats du LDA sont très corrélés avec l'IRP. Puis nous avons estimé une représentation compacte non linéaires des graphes à partir de l'algorithme ISOMAP.
Les cartes obtenues par ISOMAP ne sont pas interprétables directement. Cependant ces représentations sont à nouveau fortement corrélés à l'IRP. Nous avons donc choisi d'intégrer l'IRP dans l'estimation des représentations compactes par ISOMAP. Cette nouvelle procédure nous permet de bénéficier des avantages de l'IRP et de l'ISOMAP. Nous avons montré sur ce jeu de données que cette nouvelle méthode permet une meilleure interprétation de la discrimination entre les patients et les controles.
[1] R Casanova, C.T. Whitlow, B. Wagner, M.A. Espeland, J.A. Maldjian, « Combining graph and machine learning methods to analyze differences in functional connectivity across sex ».
Open Neuroimag J, vol. 6, pp 1-9, 2012.
[2] E. C. Robinson, A. Hammers, A. Ericsson, A. D. Edwards, D. Rueckert. « Identifying population differences in whole-brain structural networks: A machine learning approach ». NeuroImage, vol. 50, n°3, pp 910-919, 2010.
[3] S. Achard, C. Delon-Martin, P. E. Vértes, F. Renard, M. Schenck, F. Schneider, C. Heinrich, S. Kremer, and E. T. Bullmore, « Hubs of brain functional networks are radically reorganized in comatose patients », PNAS, 2012.
Guillaume Tartare
Dynamic Contrast Enhanced (DCE) MR imaging is an emerging method for response prediction of biomarkers for cancer. However, the obtained images remain difficult to analyze and interpret. Pharmacokinetics approaches bring a general framework for the interpretation but are still complex for robust and accurate implementation because they are multi-steps based approaches. Recently, statistical data analysis techniques appear as potentially able of bringing another interpretation framework.
In this context, we propose to apply a spectral clustering approach to analyze the DCE-MR time-intensity signals. This graph theory based approach groups signals after space transformation. The obtained clusters are labeled after comparison to the artery signal.
Experimentations done on simulated data, generated by pharmacokinetic models, demonstrate the feasibility and the applicability of this kind of unsupervised and non-parametric approach.
Mouloud Adel
L'objectif du travail présenté est d’étudier l'apport d'une aide assistée par ordinateur pour le diagnostic de certaines maladies dégénératives du cerveau, en explorant les images de tomographie par émission de positons, par des techniques de traitement d’image et d’analyse statistique.
Une étude a tout d’abord été menée sur la pertinence des régions cérébrales métaboliques permettant de séparer au mieux des sujets sains, de sujets atteints d’une maladie d'Alzheimer, en nous appuyant sur une base de données locale incluant 142 examens TEP au 18FDG. Afin d'évaluer comparativement ces images à l’échelle de chaque voxel, un prétraitement consistant à recaler spatialement les images, puis à les lisser, a été réalisé avec l'outil SPM8. L’intensité de référence des voxels a été testée en utilisant 3 méthodes différentes de normalisation du signal, afin d’en évaluer la plus pertinente.
Ces prétraitements effectués, nous nous sommes intéressés à la représentation corticale des 116 régions anatomiques, en associant à chacune d'elles un vecteur d'attribut issu du calcul des 4 premiers moments des intensités de voxels, et en y incluant par ailleurs l'entropie, l'âge et le sexe du sujet. Sur la base de l'aire de courbes ROC, nous avons établi qualitativement la pertinence de chacune des régions anatomiques, en fonction du nombre de paramètres du vecteur d'attribut qui lui était associé, pour séparer le groupe des sujets sains de celui des sujets atteints de la maladie d'Alzheimer.
Cette étude a permis de montrer expérimentalement que les moments d'ordre supérieurs, autres que la moyenne, calculés sur les régions du cerveau, dont chaque voxel a été préalablement normalisé par rapport à la somme de l'ensemble des intensités des régions étudiées, étaient de nature à améliorer la séparabilité des deux groupes de sujets. L'introduction des régions les plus pertinentes (en termes de pouvoir de séparation des sujets) dans le classifieur supervisé SVM, a permis de confirmer aussi que la réduction de dimension opérée n'affectait pas considérablement les résultats de classification, comparés à ceux obtenus en utilisant l'ensemble des régions comme paramètres d'entrée du classifieur.
Vincent Vigneron
Nous explorons de nouvelles méthodes d'extraction de caractéristiques pour l'imagerie médicale, dédiée à la détection des changements métaboliques cérébraux causés par la maladie d'Alsheimer (MA). Nous présentons deux apports méthodologiques que nous appliquons à un ensemble de données réelles. La première est basée sur l'apprentissage automatique pour créer une carte des informations de classification pertinente dans un ensemble d'images. Cette méthode s'applique à différentes caractéristiques de l'image et donc est adaptée à des types d'images très variées. La résolution des cartes produites par cette méthode peut être affinée à volonté et leur contenu informatif est cohérent avec les résultats antérieurs basés sur les statistiques sur les voxels dans la littérature. Pour cela, nous échantillonnons des blocs de l'image selon un algorithme de Monte-Carlo. La mise en œuvre d'une classification basée sur ces patchs 3D a eu pour conséquence une réduction significative du volume de patchs a traiter et l'extraction de caractéristiques dont l'importance est statistiquement quantifiable. Le second apport méthodologique porte sur la conception d'un nouvel algorithme de décomposition de tenseur d'ordre important, adapté à notre application. Cet algorithme de réduire considérablement la consommation de mémoire et donc évite la surcharge en mémoire. Il autorise la décomposition rapide de tenseurs y compris ceux de dimension très déséquilibrés. Nous appliquons cet algorithme comme méthode d'extraction de caractéristiques dans une situation où le clinicien doit diagnostiquer des stages MA précoces ou MCI (Mild Cognitive impairement) en utilisant la TEP FDG seule. Les taux de classification obtenus sont nettement au-dessus des niveaux de l'état de l'art.
Olfa Ben Ahmed
Les méthodes d'indexation et de recherche d'information visuelle pénètrent dans le monde de l'imagerie médicale et de l'aide au diagnostic. Le suivi des anomalies chez des patients avec les examens transversaux par les modalités telles IRM, Rayons X, ECG, imagerie optique spatio-temporelle génèrent une masse de données visuelles en forte croissance. Dans cette masse de données les questions de reconnaissance, de recherche par similarité, de classification se posent à une échelle fortement croissante. Dans nos travaux, on utilise des méthodes d’indexation de l’information visuelle dans les l’image médicales IRM pour le diagnostic de la maladie d’Alzheimer (MA) [1][2][3]. Nous utilisons des descripteurs pour décrire le cerveau de chaque sujet. Ces résultats montrent que la description de contenu des régions de cerveau impliquées dans la MA permettent une bonne discrimination entre des patients MA et des sujets sains et les sujets MCI (Mild Cognitive Impairement) et peuvent être utilisés comme un outil potentiel d’aide au diagnostic de cette pathologie. La méthode mise au point est automatique, n’exige pas l’intervention du clinicien, ne demande pas une segmentation couteuse des régions d’intérêts, rapide et simple de mise au point d’un indice individuel d’atrophie normalisé.
Références
[1] M. Mizotin, J. Benois-Pineau, M. Allard and G. Catheline, "feature based brain MRI retrieval for Alheimer’s disease diagnosis," in ICIP, 2012.
[2] O. Ben Ahmed, J. Benois Pineau, M. Allard and C. c. G. BEN Amar, "Early Alzheimer’s disaesedetection with bag of words and early fusion”," in CBMI IEEE 2013, Vésprem, Hangury, 2013.
[3] O. Ben Ahmed, J. Benois-Pineau, M. Allard, C. Ben Amar, G. Catheline, Alzheimer Disease detection on structural MRI In Proceedings of ESMRMB 2013 Congress. 30th annual meeting, Toulouse France 2013
Jacques-Antoine Maisonobe
La Tomographie par Émission de Positons (TEP) au Fluoro-déoxyglucose marqué au Fluor 18 (FDG) permet d'obtenir une image de la consommation de glucose dans l'organisme. La plupart des foyers tumoraux présentant une consommation excessive de glucose, son utilisation en oncologie permet d'améliorer la prise en charge des patients en diminuant le temps nécessaire pour évaluer l'efficacité des traitements tels que la chimiothérapie et la radiothérapie. Nous présenterons, dans un premier temps, les méthodes de quantifications décrites dans la littérature pour caractériser l'évolution des volumes tumoraux en TEP/TDM. Dans un second temps, nous détaillerons les résultats d'une étude qui visait à évaluer, sur des données patients, les capacités prédictives de deux index classiquement utilisés en routine cliniques : le volume métabolique et/ou la valeur de fixation normalisée (SUV, Strandardized Uptake Value).
Camille Kurtz
Computer-assisted image retrieval applications could assist radiologists by identifying similar images in archives as a means to providing decision support. In the classical case, images are described using low-level image features extracted from their contents, and an appropriate distance is used to find the best matches in the corresponding feature space. However, using low-level image features to fully capture the visual appearance of diseases is challenging and the semantic gap between these features and the high-level visual concepts in radiology may impair the system performance. To deal with this issue, the use of semantic terms to provide high-level descriptions of the visual contents of radiological images has been recently advocated. Nevertheless, most of the existing semantic image retrieval strategies are limited by two factors: they require manual annotation of the image contents using terms and they ignore the intrinsic visual and semantic relationships between these annotations during the comparison of the images. Based on these considerations, we propose an image retrieval framework based on semantic features that relies on two main strategies: (1) automatic "soft" prediction of ontological terms that describe the image contents from multiscale Riesz wavelets and (2) retrieval of similar images by computing the similarity between their annotations using a new similarity measure, which takes into account both image-based and ontological term relations. The combination of these two strategies provides a means of accurately retrieving similar images in large databases based on image annotations and can be considered as a potential solution to the semantic gap problem. We validated this approach in the context of the retrieval of liver lesions extracted from computed tomographic (CT) images and annotated with terms belonging to the RadLex ontology.
Date : 2014-02-03
Lieu : Télécom ParisTech
Thèmes scientifiques :
B - Image et Vision
Inscriptions closes à cette réunion.
Accéder au compte-rendu de cette réunion.
(c) GdR IASIS - CNRS - 2024.