Description de points clés par apprentissage dans des images médicales 3D

International audienceNous présentons une nouvelle approche pour apprendre des descripteurs de points clés en 3D, que nous appliquons aux images médicales scanners médicaux corps entier. Il a été démontré que les descripteurs de points clés basés sur les Réseaux de Neurones Convolutifs ( RNC) donnent de meilleurs résultats que les descripteurs faits à la main, pour les images 2D. L’adaptation aux images 3D telles que les images tomodensitométriques n’est cependant pas simple, essentiellement en raison du manque de données d’entraînement labellisées.Nous proposons de générer des données d’entraînement semi-synthétiques. L’idée principale est d’estimer d’abord la densité des transformations locales entre les patients à partir d’un petit nombre d’images tomodensitométriques dont les correspondances entre des points de repère anatomique, définis par des experts, sont connues. Nous échantillonnons ensuite un grand nombre de transformations à partir de cette densité et transformons des volumes labellisés, pour lesquels nous pouvons ensuite former des correspondances de points clés exactes en utilisant une correspondance guidée par la transformation. Notre fonction de description est un RNC à deux étages, que nous formons en utilisant la perte par triplets inspirée par l’apprentissage de descripteurs 2D, avec une extraction de triplets en ligne.Nos résultats expérimentaux montrent que notre descripteur appris surpasse le descripteur 3D-SURF créé à la main dans une évaluation sur les données semi- synthétiques ainsi qu’en recalage d’images 3D réelles, avec un temps d’exécution similair