Segmentation of Multiple Sclerosis in MR images by Deep Learning

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