Cookie Consent by Free Privacy Policy Generator
MALIS - Morphologie Mathematique et deep learning
MALIS - Morphologie Mathematique et deep learning
Etudiant
France
Informatique
Document languages
Report presenting the method in great detail, our implementation as well as some results we obtained.
Results sampled randomly from our dataset
Link to the project's github repository, where you will find our code, report and live presentation.

Vidéos

Pas de vidéos actuellement disponibles

Communiqués de presse

Pays Titre Description Lien Langue

Whitepapers

Pays Titre Description Lien Langue

Awards

Année Pays Titre Description Lien Langue

The projects / references

Pays Titre Description Lien Langue

Participation to external events

Pays Date Logo Organisateur Type d'événement Nom Information Site web
Contact général
MALIS - Morphologie Mathematique et deep learning
_
_
France

Site web



Profil de l'entreprise
Description

Notre travail est disponible à l'adresse suivante :https://github.com/garridoq/malis-project

Le but de notre projet est d'implémenter le Maximin Affinity Learning of image segmentation (ou MALIS). Il s'agit d'une méthode utilisée pour segmenter des images, en général dans le domaine médical.

Le but original de la méthode est de segmenter des neurones (connectomes) de drosophiles, afin de mieux comprendre comment les neurones intéragissent entre eux et donc de mieux comprendre le fonctionnement du cerveau.

Dans le cas de MALIS, nous essayons de détecter les bords, c'est à dire une segmentation contenant des informations sur les bords/frontières entre les objects présents dans notre image. Il existe une multitude de méthodes pour obtenir une segmentation de ce type, la plus simple étant l'algorithme de Canny, ou des méthodes plus avancées comme la watershed ou plus récemment des approches se basant sur les réseaux de neurones (ce qui est notre cas).
L'idée principale de MALIS est d'optimiser directement une mesure de qualité de segmentation, ce qui n'avait pas été fait avant. Cette idée est très intéressante car la qualité d'une segmentation est toujours évaluée par des métriques (Rand Index, Variation Of Information ...) et en optimiser une directement pourrait nous donner de meilleurs résultats, en tout cas pour cette métrique.
La métrique optimisée par MALIS est le Rand Index. Intuitivement, le Rand Index va regarder pour chaque paire de pixels de l'image si les pixels sont dans le même objet ou non, et pénaliser à chaque erreur.
Le but ici est de pénaliser beaucoup les fusions ou séparations d'objets, qui peuvent être causées par des différences d'à peine un pixel, ce que d'autres méthodes ne corrigeraient pas.

Le problème avec l'optimisation du Rand Index est qu'il requiert un calcul sur toutes les paires de pixels, et sur une image de n pixels, il y en a n^2, ce qui est bien trop complexe en pratique. Ainsi nous avons dû utiliser des techniques plus avancées nous permettant de faire ce même calcul avec une complexité quasilinéaire (n*log(n)).
Bien que cela paraissent être léger, sur 1000 pixels, cela nous fait passer de 1 million de calculs à moins de 7000. Ainsi cela réduit notre durée d'entraînement de quelques jours voire semaines à quelques heures, ce qui est une grande amélioration.
Mais pour obtenir de tels résultats nous avons eu besoin de manipuler des nouveaux outils de morphologie mathématique tels que le Single Linkage Clustering (Binary Partition Tree) et trouver un moyen de faire intéragir notre framework de traitement de graphes (Higra) avec notre framework de deep learning (PyTorch) ce qui est loin d'être une tâche aisée.
Vous pouvez voir tous les détails (garantis sans trop de mathématiques) dans notre rapport, ou encore mieux, en venant discuter avec nous directement !

Les résultats obtenus par cette méthode ne sont qu'une première étape pour obtenir une segmentation finale et nous devons traiter les bordures obtenues pour avoir un résultat de qualité optimale.
Nous le faisons avec la méthode de la watershed (qui est une méthode centrale des travaux de recherches à l'ESIEE) qui nous permet de définir des "bassins" depuis nos frontières et ensuite de fusionner ou séparer des régions pour affiner le résultat. Nous pouvons utiliser beaucoup de méthodes ici, plus ou moins complexes, mais la watershed nous a donné les meilleurs résultats à travers nos expériences.

Globalement, cette méthode nous donne des résultats étant l'état de l'art pour la segmentation de connectome, et dépasse même d'autres méthodes se basant sur la conservation de propriétés topologiques, telles que TopoLoss. MALIS est donc une excellente méthode qui pourrait être utilisée pour segmenter les neurones dans des cerveaux humains, lorsque nous pourrons enfin traiter des données de cette tailles (plusieurs To).

Nous avons aussi pu apporter d'autres contributions à travers ce projet, la plus importante étant une implémentation open source de la méthode. En effet vu les résultats obtenus, il est important de permettre au plus grand nombre d'avoir accès à notre implémentation, que ce soit pour l'appliquer ou pour l'améliorer. En effet comme nous l'avons montré dans notre rapport, la méthode n'est pas toujours parfaite et pourrait encore être améliorée. Une autre contribution est notre explication claire de tous les éléments composant MALIS, la plupart étant assez peu expliqué dans les papiers ainsi qu'une analyse de nos travaux, aussi bien de nos échecs, que de nos réussites et les points cruciaux avec une telle méthode.

Tuteur : Laurent Najman

Secteurs

 
Contact général
MALIS - Morphologie Mathematique et deep learning
_
_
France

Site web



Profil de l'entreprise
 
Contacts sur le stand
StandContact
Mr Raphaël LAPERTOT
raphael.lapertot@edu.esiee.fr
FR,EN
Morphologie Mathematique et deep learning
esiee.fr et jdp.esiee.fr
_ France
StandContact
Mr Quentin Garrido
quentin.garrido@edu.esiee.fr
Morphologie Mathématique et Deep Learning
_
_ France
StandContact
Mme Annie Lim
annie.lim@edu.esiee.fr
Morphologie Mathematique et deep learning
_
_ France
StandContact
Mme Tiphanie Lamy Verdin
tiphanie.lamyverdin@edu.esiee.fr
FR,EN
Morphologie Mathematique et deep learning
_
_ France
StandContact
Mr Josselin Lefèvre
josselin.lefevre@edu.esiee.fr
Morphologie Mathematique et deep learning
_
_ France