PP2-aorte-segmentation - Université de Montpellier

Ibrahim Harcha, Ilona Lazrak, Samuel Mallet, Rosa Sabater Rojas

Abstract

Performing non-contrasted aorta segmentation in CT-Scan volumes presents a complex challenge due to the intricate anatomy and varied visibility of the aorta. This paper proposes a three-stage method leveraging convolutional neural networks (CNNs) for robust aorta segmentation. The process initiates with the preprocessing of the CT-Scan volume, which includes resizing and normalization. Subsequently, a trained CNN is employed to perform slice-by-slice aorta segmentation in the preprocessed volume. The final stage of this procedure is the reconstruction of a 3D model from the collected masks obtained in the preceding step. This automated segmentation approach has been evaluated using a dataset comprising 900 2D images sourced from 11 patients.

Programmes (Google Colab):

U-NET_model_with_AVT_dataset

- Le format du dataset et accès via Google Drive
- Affichage de CT-Scans
- La normalisation
- Création du dataset training/testing
- L'implémentation de l'U-Net défini,
- Enregistrement du modèle
- Résultats

predict_and_reconstruct.ipynb

- Charger le modèle entraîné
- Prédiction de masques sur images 2D d'un CT-Scan
- Construction d'un masque 3D à partir des différents masques 2D
- Seuillages

Modèle

Fichier .h5

• Entrainé sur 3198 images
• Testé sur 902 images

Accuracy de 0.999124

Exemples de prédictions

Autres exemples de prédictions 3D (.nrrd)

Archives du projet

Première étape du projet : Familiarisation avec les réseaux de néurones

dataPreparation.py

- Savoir comment ouvrir les fichier .nrrd et .nii,
- Indiquer les paths où se trouvaient les images dans nos répertoires,
- Créer des dossiers pour sauvegarder les images au format .png,
- Plot les images et indiquer la couche et les coordonnées X, Y, Z,
- Premier approche à la normalisation d'images, mais fait avec des valeurs -1000 et 2000 triés complètement au hasard.

training.py

- Créer les fonctions pour afficher les images qu'il trouvera sur les paths indiqués,
- Créer les fonctions generatrices des images pour parcourir les dossiers et pour les redimensionner avec les paramètres définis dans les globales,
- Compter les images des dossiers et indiquer combien d'images nous utilisons pour le training et pour le test,
- Créer le model U-NET avec un nombre de niveaux pour paramètre,
- Exécuter le modèle et le sauvegarder avec un nom particulier qui défini le nombre d'epochs, le batch\_size, l'image height et l'image width utilisés,
- Load le model s'il existe déjà afin de ne pas avoir besoin d'éxecuter le programme à nouveau,
- Afficher les prédictions du model.

Autres modèles :

https://drive.google.com/drive/folders/15T7vOEkkW3bTchztHj2SXn3MWl_JjNKk