Vue d’ensemble

1. Analyse et traitement de données de grande taille en imagerie médicaleCybèle Ciofolo-VeitPhilips Research Paris - MedisysConférence Mathématiques et Grandes DimensionsPolytech Lyon, 10 Décembre 2012

2. Vue d’ensemble • Philips ResearchMedisys • 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

3. Philips Research Paris – MedisysQui sommes-nous ? Environ 30 chercheurs en CDI, 3 à 4 doctorants, 2 à 3 CDD, un directeur et une assistante Localisation : Suresnes C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

4. Philips ResearchParis – MedisysNotre 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

5. Philips ResearchParis – MedisysNos 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

6. Analyse de données de grande taille Exemple de coupe scanner X abdominale • Problème • Volume IRM : 256 x 256 x 140 • Volume scanner : jusqu’à 750 x 750 x 1500 • Solutions actuelles • Sous-échantillonnage • Parallélisation légère • 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimention , 10 Décembre 2012

7. Analyse de données rapide Exemples de phases d’une séquence 2D interventionnelle • 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

8. 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) C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

9. Analyse de données et interactivité Exemple de segmentation interactive obtenue en un seul clic avec un outil de type ballon La complexité théorique n’est pas toujours un bon indicateur de l’efficacité d’un algorithme • Démonstration : GeoBlend3D • 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

10. Analyse de données pour l’apprentissage Risque de sur-apprentissage • Problème • Une image / un volume = beaucoup de voxels • Une base de données = peu d’images • 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

11. Analyse de données pour l’apprentissage Risque de sur-apprentissage Exemple : détection et segmentation des reins sur des images scanner X [Cuingnet et. al., MICCAI 2012] • Problème • Une image = beaucoup de voxels • Une base de données = peu d’images • Solutions actuelles pour la segmentation • Tâche vue comme une opération de régression • Reformulation du problème C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

12. Analyse de données pour l’apprentissage Risque de sur-apprentissage • f : voxel descripteurs de formes • [Criminisi et al. Microsoft Tech. Report 2011] • Boîtes englobantes • x : voxel • y : positions relatives • Problème • Une image = beaucoup de voxels • Une base de données = peu d’images • Solutions actuelles pour la segmentation • Tâche vue comme une opération de régression [Zhou et al., ICCV 2005] • Reformulation du problème : descripteurs de forme C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

13. 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 : C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012

14. 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 C.Ciofolo-Veit, Conférence Analyse de Données en Grande Dimension , 10 Décembre 2012