Segmentation of Multiple Sclerosis in MR images by Deep Learning
Date
2021
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Mohamed el-Bachir el-Ibrahimi Bordj Bou Arréridj Faculté de Mathématique et Informatique
Abstract
Multiple sclerosis (MS) is one of the most difficult diseases to diagnose or follow-up, especially
in the first stage. Magnetic resonance imaging shows the structure of the central nervous system
which makes it possible to detect. However, The manual MS diagnosis is often painstaking and
requires significant and tedious efforts. Also, MRI does not achieve the diagnosis without an
expert neuroradiologist. In this work, we propose an automatic segmentation of MS from MRI
using deep learning. Our proposed solution is using a segmentation method called Unet on the
public MS dataset, the MR images used in this work are T2. Our proposal was validated in the
dataset of MS against other work in terms of the dice similarity coefficient (DSC) metric. The
proposed Unet model had an accuracy of 99%, which may compete with recent work.
key-Words : Magnetic Resonance imaging, Segmentation, Multiple sclerosis, Unet.
R´esum´e
La scl´erose en plaques (SEP) est l’une des maladies les plus difficiles `a diagnostiquer, surtout
au d´ebut. Alors que les images IRM du syst`eme nerveux central montrent la structure du tissu
qui permet de le d´etecter. Le diagnostic manuel de la SEP est souvent laborieux et n´ecessite des
efforts importants. De plus, l’IRM n’atteint pas le diagnostic sans un neuroradiologue expert.
Dans ce travail, nous proposons une m´ethode de segmentation des images IRM de la SEP par
l’apprentissage profond. La solution propos´ee utilise la m´ethode de segmentation appel´ee Unet
sur l’ensemble des donn´ees SEP, les images IRM utilis´ees dans ce travail sont une T2. Notre
proposition a ´et´e valid´ee dans la base de donn´ees de SEP contre d’autres travaux en termes de
m´etrique du coefficient de similarit´e des d´es (DSC). Le mod`ele Unet propos´e avait une pr´ecision
de 99%. Ce qui peut concurrencer les travaux r´ecents.
Mots cl´es : Imagerie par r´esonnance magn´etique, Segmentation, Scl´erose en Plaques, Unet.
P l
¨ T}A ¤ ,T` Atm ¤ Py Kt ¨ T w`} r ± |r ± d w¡ d`tm lOt
Tyn rh\ ©z rm ¨bO` EAh l ¨syVAn m y r A r§wOt y ¨ .Y ¤± Tl rm
lOt |rm ©¤dy Py Kt , Ð ¤ .¢ AKt kmm ` ¨t T s ±
¨syVAn m y r A Py Kt ¤ .¾®§wV A¾At ¤ r ts§¤ A¾ryb A¾dh lWt§ A A¾Ab A d`tm
lOt ¨¶Aqlt Kk An rt , m` @¡ ¨ .ryb
AO T`J ¨¶AO Y At §
An§d rtqm . ym` l`t d tFA ¨syVAn m y r A r§wOt §rV d`tm
y r Cw} , d`tm lOt A Ay T wm Yl Unet Yms ysq Tq§rV d tF w¡
A Ay T wm ¨ An rt Yl §dOt dq .T2 ¨¡ m` @¡ ¨ T d tsm ¨syVAn m
rtqm Unet Ðwm .©rtm (DSC) ¢ AKt A` y «r Am dR d`tm lOt
.«r ± Am ± H Ant d ¨t ¤ ,T¶Am A 99 T ¢§d
Description
Keywords
Magnetic Resonance imaging, Segmentation, Multiple sclerosis, Unet