Organ Segmentation in CT Images With Weak Annotations: A Preliminary Study

Rosana El Jurdi (1) , Caroline Petitjean (2, 1) , Paul Honeine (1) , Fahed Abdallah (3, 4)

1 DocApp - LITIS - Equipe Apprentissage
2 QuantIF-LITIS - Equipe Quantification en Imagerie Fonctionnelle
3 Université Libanaise
4 LM2S - Laboratoire Modélisation et Sûreté des Systèmes

Medical image segmentation has unprecedented challenges, compared to natural image segmentation, in particular because of the scarcity of annotated datasets. Of particular interest is the ongoing 2019 SegTHOR competition, which consists in Segmenting THoracic Organs at Risk in CT images. While the fully supervised framework (i.e., pixel-level annotation) is considered in this competition, this paper seeks to push forward the competition to a new paradigm: weakly supervised segmentation, namely training with only bounding boxes that enclose the organs. After a pre-processing step, the proposed method applies the GrabCut algorithm in order to transforms the images into pixel-level annotated ones. And then a deep neural network is trained on the medical images, where several segmentation loss functions are examined. Experiments show the relevance of the proposed method, providing comparable results to the ongoing fully supervised segmentation competition.

La segmentation d'images médicales présente des défis sans précédent par rapportà la segmentation d'images naturelles, en particulierà cause de la rareté des images annotées. Dans cet article, nous nous plaçons dans le cadre de la segmentation des organesà risque thoraciques dans les images tomodensitométriques, objet de la compétition en cours SegTHOR 2019. Alors que le cadre de l'apprentissage supervisé (c'est-à-dire annotation au niveau des pixels) est considéré dans cette compétition, nous cherchons dans cet articleà aller plus loin en exploitant le paradigme de la segmentation faiblement supervisée, c'està dire en apprenant avec uniquement des boites englobant les organeś etudiés. Après uneétape de pré-traitement, la méthode proposée opère un apprentissage ensembliste basé sur l'algorithme GrabCut, afin de transformer les images initiales en images annotées au niveau des pixels. Ensuite, un réseau neuronal profond est appris sur les images médicales, où plusieurs fonctions de perte sont examinées. Les expériences montrent la pertinence de la méthode proposée, fournissant des résultats comparablesà ceux de la segmentation entièrement supervisée.

Domains: Statistics [stat]; Machine Learning [stat.ML]; Engineering Sciences [physics]; Signal and Image processing; Mathematics [math]; Statistics [math.ST]; Computer Science [cs]; Signal and Image Processing; Computer Science [cs]; Neural and Evolutionary Computing [cs.NE]; Computer Science [cs]; Machine Learning [cs.LG]; Computer Science [cs]; Computers and Society [cs.CY]; Computer Science [cs]; Computer Vision and Pattern Recognition [cs.CV]; Computer Science [cs]; Artificial Intelligence [cs.AI]

Rosana El Jurdi, Caroline Petitjean, Paul Honeine, Fahed Abdallah. Organ Segmentation in CT Images With Weak Annotations: A Preliminary Study. 27-ème Colloque GRETSI sur le Traitement du Signal et des Images, Aug 2019, Lille, France. ⟨hal-02183031⟩