Transparents

Report
Analyse et traitement de données de grande taille en
imagerie médicale
Cybèle Ciofolo-Veit
Philips Research Paris - Medisys
Conférence Mathématiques et Grandes Dimensions
Polytech Lyon, 10 Décembre 2012
Vue d’ensemble
• Philips Research Medisys
– Notre mission
– Nos contraintes
• Trois axes
– Analyse de données de grande taille
– Analyse de données rapide
– Analyse de données pour l’apprentissage
• Conclusions et perspectives
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
2
Philips Research Paris – Medisys
Qui sommes-nous ?
• Environ 30 chercheurs en CDI, 3 à 4 doctorants, 2 à 3 CDD, un directeur et
une assistante
• Localisation : Suresnes
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
3
Philips Research Paris – Medisys
Notre mission
• Concevoir et transmettre des algorithmes d’analyse ou de traitement
d’images aux équipes de développement et pour des modalités variées
– Ultrasons
– Scanner X
– Rayons X 2D (interventionnel)
– IRM
– (Médecine nucléaire)
• Développer des démonstrateurs utilisables par les équipes de
développement et les sites cliniques
• Participer aux premières phases de validation clinique
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
4
Philips Research Paris – Medisys
Nos contraintes
• Plateformes, machines d’accueil
– Pas de cluster de machines
– Machines multi-coeurs
• Réactivité
– Temps réel (interventionnel)
– Possibilité d’interaction (outils de correction)
– Traitements hors-ligne : temps d’attente de l’ordre de quelques
secondes
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
5
Analyse de données de grande taille
• Problème
– Volume IRM : 256 x 256 x 140
– Volume scanner : jusqu’à 750 x 750 x 1500
• Solutions actuelles
– Sous-échantillonnage
– Parallélisation légère
Exemple de coupe
scanner X abdominale
• Ex: découpage du volume selon les coupes suivant l’axe z
• Utilisation des cœurs de la machine
• Open MP
– Optimisation basique
• Libérer l’espace mémoire non utilisé après un traitement
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimention , 10 Décembre 2012
6
Analyse de données rapide
• Problème
– Eparpillement des données
• Solutions actuelles
– Localisation, utilisation de la mémoire cache du CPU
– Ex: traitement d’une séquence temporelle 2D (Rayons X – interventionnel)
• Accès à de petits blocs mémoire dans différentes phases de la séquence
• Recopie des blocs dans le cache pour accélérer les accès
Exemples de phases d’une séquence 2D interventionnelle
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
7
Analyse rapide de données de grande taille
• Problème :
– Ex: reconstruction volumique par marching cubes
• Solutions :
– Parallélisation avec accès concurrent aux données
• Exemple de la reconstruction :
– Découpage de l’espace selon les coupes (axe z)
– Décision : quel thread pour quelle zone du maillage
• Verrouillage nécessaire de certaines zones
• Stratégie dépendante de
– L’application
– La taille des données (limitation : taille du cache du CPU)
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
8
Analyse de données et interactivité
• Démonstration : GeoBlend3D
Exemple de
segmentation
interactive obtenue
en un seul clic avec un
outil de type ballon
• Eléments clés :
– Algorithme qui utilise la mémoire cache de manière optimale
– Sous-échantillonnage rapide adapté dynamiquement à l’échelle
– Optimisation a posteriori des phases devenues critiques
La complexité théorique n’est pas toujours un bon indicateur de
l’efficacité d’un algorithme
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
9
Analyse de données pour l’apprentissage
• Problème
– Une image / un volume = beaucoup de voxels
– Une base de données = peu d’images
Risque de sur-apprentissage
• Solutions actuelles pour la classification
– Réduction de dimension
• Sélection ou extraction de caractéristiques
– Méthodes à noyau : gain en mémoire
– Régularisation
• Insertion de contraintes dans les classifieurs
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
10
Analyse de données pour l’apprentissage
• Problème
– Une image = beaucoup de voxels
– Une base de données = peu d’images
Risque de sur-apprentissage
• Solutions actuelles pour la segmentation
– Tâche vue comme une opération de régression
– Reformulation du problème
Exemple : détection et
segmentation des reins sur des
images scanner X
[Cuingnet et. al., MICCAI 2012]
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
11
Analyse de données pour l’apprentissage
• Problème
– Une image = beaucoup de voxels
– Une base de données = peu d’images
Risque de sur-apprentissage
• Solutions actuelles pour la segmentation
– Tâche vue comme une opération de régression [Zhou et al., ICCV 2005]
– Reformulation du problème : descripteurs de forme
f : voxel
descripteurs de formes
[Criminisi et al. Microsoft Tech. Report 2011]
• Boîtes englobantes
• x : voxel
• y : positions relatives
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
12
Analyse de données pour l’apprentissage
• Entrée : voxels de l’image (x)
• Sortie :
(2 boîtes, gauche et droite)
• Prédiction : rapide et non linéaire
Prédiction :
• Voxel x :
- Forêt de d’arbres décisionnels
(regression forest, [Breiman, Machine Learning 2001])
• Image I :
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
13
Conclusions et perspectives
• Au jour le jour : Panachage de méthodes théoriques et pratiques en
fonction des besoins
– Parallélisation
– Utilisation de la mémoire cache
– Gestion de la mémoire
– Reformulation des problèmes : régression
• Vers une implantation sur les cartes graphiques ?
– Retour d’expérience assez peu concluant
– Stratégie d’utilisation de la mémoire différente CPU/GPU
– Localisation dans le cache : avantage au CPU
Confidential
C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012
14

similar documents