Description de points clés par apprentissage dans des images médicales 3D

Nous presentons une nouvelle approche pour apprendre des descripteurs de points cles en 3D, que nous appliquons aux images medicales scanners medicaux corps entier. Il a ete demontre que les descripteurs de points cles bases sur les Reseaux de Neurones Convolutifs ( RNC) donnent de meilleurs resultats que les descripteurs faits a la main, pour les images 2D. L’adaptation aux images 3D telles que les images tomodensitometriques n’est cependant pas simple, essentiellement en raison du manque de donnees d’entrainement labellisees. Nous proposons de generer des donnees d’entrainement semi-synthetiques. L’idee principale est d’estimer d’abord la densite des transformations locales entre les patients a partir d’un petit nombre d’images tomodensitometriques dont les correspondances entre des points de repere anatomique, definis par des experts, sont connues. Nous echantillonnons ensuite un grand nombre de transformations a partir de cette densite et transformons des volumes labellises, pour lesquels nous pouvons ensuite former des correspondances de points cles exactes en utilisant une correspondance guidee par la transformation. Notre fonction de description est un RNC a deux etages, que nous formons en utilisant la perte par triplets inspiree par l’apprentissage de descripteurs 2D, avec une extraction de triplets en ligne. Nos resultats experimentaux montrent que notre descripteur appris surpasse le descripteur 3D-SURF cree a la main dans une evaluation sur les donnees semi- synthetiques ainsi qu’en recalage d’images 3D reelles, avec un temps d’execution similaire