Self-supervised learning with vision transformers for unsupervised segmentation of optical coherence microscopy white matter images

Hawchar, Mohamad (2023). « Self-supervised learning with vision transformers for unsupervised segmentation of optical coherence microscopy white matter images » Mémoire. Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (26MB)

Résumé

Dans le domaine de la recherche en neurosciences, comprendre la connectivité cérébrale et les troubles neurologiques est d’une importance capitale. Le réseau complexe de connexions cérébrales joue un rôle essentiel dans les processus cognitifs et les comportements. Les avancées dans les techniques d’analyse cérébrale sont essentielles pour améliorer notre compréhension du fonctionnement cérébral et trouver de meilleures façons de diagnostiquer et de traiter des maladies neurologiques telles que la maladie d’Alzheimer et la maladie de Parkinson. Une percée récente dans la microscopie optique à haute résolution, connue sous le nom de Microscopie par Cohérence Optique (OCM), nous permet de capturer des images détaillées du cerveau, offrant de nouvelles perspectives sur sa microstructure. Cette technologie OCM innovante offre une vue rapprochée des faisceaux de fibres de matières blanches, des noyaux cellulaires et d’autres composants du cerveau, fournissant des informations sans précédent. Pour tirer pleinement parti de cette technologie, nous devons développer des outils efficaces pour une analyse complète des données, favorisant ainsi les progrès de la recherche sur le cerveau. Ce mémoire de maîtrise présente une approche innovante de segmentation non supervisée qui exploite la puissance des transformeurs visuels (ViT) et le mécanisme d’auto-attention. En exploitant les poids d’attention obtenus à partir d’un modèle ViT pré-entraîné avec la modélisation d’images masquées (MIM), la méthode proposée génère des segmentations binaires de la matière blanche dans les images OCM. Pour améliorer davantage la segmentation non supervisée, une technique d’apprentissage de la pseudo-vérité de terrain (PGT) est introduite. Cette nouvelle approche entraîne un modèle U-Net en utilisant les résultats de la segmentation non supervisée basée sur le ViT, ce qui permet d’améliorer la précision de la segmentation. En outre, un mécanisme de recadrage et de glissement de fenêtre est mis en oeuvre pour relever le défi du traitement des grandes images mosaïques. Ce mécanisme divise efficacement les images en régions plus petites, ce qui facilite l’analyse de la connectivité de la matière blanche. Nous comparons nos approches avec les performances des approches classiques de traitement d’images et des modèles U-Net (de type encodeur-décodeur) supervisés formés sur un nombre variable d’images étiquettées. Les résultats expérimentaux démontrent la performance prometteuse de l’approche non supervisée proposée utilisant une base ViT pour segmenter avec précision la matière blanche dans les images OCM à haute résolution. Ce mémoire représente un effort pionnier pour relever le défi de la segmentation de la matière blanche dans les données de la microscopie à cohérence optique (OCM). Les recherches menées dans le cadre de ce mémoire ont abouti au développement d’un modèle robuste de segmentation de la matière blanche qui démontre son efficacité sur des données OCM de tailles et de grandissement variés. Le but ultime de ce mémoire est de fournir un outil précieux pour les futures tâches d’analyse des connexions cérébrales. Le modèle proposé a le potentiel de faciliter le développement de méthodes de tractographie optique utilisant des données OCM à haute résolution, de permettre l’analyse de la densité de la matière blanche dans des régions spécifiques du cerveau, de soutenir le traitement de volumes 3D OCM entiers, et d’améliorer l’acquisition microscopique en guidant le microscope vers des zones caractérisées par des propriétés spécifiques de la matière blanche, telles que les zones de croisement et les régions denses. En répondant à ces objectifs, cette thèse ouvre la voie à des avancées dans la recherche neuroscientifique et les applications cliniques. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Segmentation Sémantique, Apprentissage Auto-supervisé, Apprentissage Profond, Apprentissage non Supervisé, Transformateurs de Vision, Matière Blanche, Microscopie par Cohérence Optique.

Type:	Mémoire accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Lefebvre, Joël
Mots-clés ou Sujets:	Réseaux neuronaux / Imagerie / Matière blanche / Microscopie par cohérence optique / Transformateurs de vision / Segmentation d'image / Apprentissage automatique
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	29 janv. 2024 15:11
Dernière modification:	29 janv. 2024 15:11
Adresse URL :	http://archipel.uqam.ca/id/eprint/17336

Modifier les métadonnées (propriétaire du document)

Statistiques