Analyse d'images médicales par approches couplées apprentissage-profond / modèles hiérarchiques

par Diana lucia Farfan Cabrera

Projet de thèse en Sciences - STS

Sous la direction de Nicolas Passat et de Dimitri Papathanassiou.

Thèses en préparation à Reims , dans le cadre de Ecole doctorale Sciences, technologies, santé (Reims, Marne) , en partenariat avec (CRESTIC) Centre de Recherches en STIC (laboratoire) depuis le 17-11-2017 .


  • Résumé

    L'imagerie nucléaire, et notamment l'imagerie TEP (tomographie par émission de positons) permet d'observer la fixation de traceurs faiblement radioactifs dans certains tissus et organes chez l'homme. Des molécules particulières permettent notamment de cibler des traces d'hyperactivité métabolique, qui peuvent traduire la présence de lésions tumorales dans différents organes. C'est à ce titre que l'imagerie TEP est devenue une modalité d'imagerie médicale cruciale pour le diagnostic, la quantification et le suivi de traitement dans le cadre de nombreux types de cancer. Dans ce cadre, la radiologie est confrontée à un contexte d'explosion des volumes d'images à analyser. Les scanners modernes permettent l'acquisition de milliers de coupes en quelques secondes avec, dans le cas de l'oncologie, la présence fréquente d'un historique d'imagerie très riche impliquant des séries dans le temps pour le suivi et une imagerie fonctionnelle volumique. Parallèlement, de nombreux pays sont confrontés à une population insuffisante de médecins spécialistes en imagerie médicale, soumise à de très fortes contraintes de productivité. Le temps consacré à l'interprétation est réduit, alors que la demande de résultats quantifiés et de post-traitements avancés augmente constamment, avec l'émergence de nouvelles techniques et la validation de leurs bénéfices cliniques. Dans un contexte d'application à l'oncologie, cette thèse étudiera des méthodes robustes et rapides ouvrant la voie à un étiquetage automatique des structures anatomiques. Cette identification permet notamment de simplifier et de standardiser les compte-rendus radiologiques et de sélectionner les outils d'analyse adaptés à l'anatomie. D'autres applications importantes sont la construction de zones d'intérêt pour l'analyse quantitative ou l'initialisation de méthodes de recalage, en fournissant une première approximation des structures à mettre en correspondance dans le temps ou entre modalités d'imagerie. Les principales contraintes induites par les objectifs de ce projet sont relatives (1) à l'automaticité et la prise en compte du retour d'expérience ; (2) au coût computationnel ; et (3) à la robustesse. La première contrainte est induite par un usage en amont de l'analyse de l'image par l'expert ; la seconde contrainte est liée à la minimisation du temps préalablement au travail d'analyse de l'image par l'expert ; la troisième est liée à l'objectif de gain de temps durant le travail d'analyse de l'image par l'expert. Ces problématiques ont, jusqu'à présent, été très peu considérées dans les champs de recherche en analyse des images couplées, telles qu'en TEP/TDM. Au final, il s'agit donc de développer une approche de prétraitement d'images, via des mécanismes d'apprentissage sur la base de données multimodales (TEP/TDM ; TEP/IRM). Si le paradigme « apprentissage » fournit une réponse à la question de l'automatisation, les questions de l'efficacité en temps et de la robustesse restent à considérer à ce stade. Afin de répondre à l'ensemble de ces problématiques de manière unifiée, nous proposons de développer une approche basée sur les modèles hiérarchiques de représentation d'images, et plus spécifiquement sur les modèles développés dans le cadre théorique de la morphologie mathématique. Peu de travaux ont été jusqu'à présent menés pour développer des approches d'apprentissage sur des modèles hiérarchiques d'images. Les travaux fondateurs dans ce domaine ont été réalisés en imagerie de télédétection [KPG+12], sous des hypothèses (dimensionnalité spatiale et spectrale, taille des données, ...) sensiblement différentes. Plus récemment, des travaux préliminaires en imagerie médicale, et notamment en TEP [AGR+15, GTP+15], réalisés par des membres du présent projet, ont permis de démontrer que de telles approches présentaient un réel potentiel.

  • Titre traduit

    Medical Image Analysis by coupling deep learning with hierarchical models


  • Résumé

    Nuclear imaging, including PET (Positron Emission Tomography) allows to observe the fixation of low-level tracers in some tissues and organs in humans. Particular molecules allow to target traces of metabolic hyperactivity, which may reflect the presence of tumor lesions in different organs. It is in this capacity that PET imaging has become a crucial medical imaging modality for the diagnosis, quantification and treatment for many types of cancer. In this context, radiology is confronted to a significant amount of medical images volumes to be analyzed. Modern scanners enable the acquisition of thousands of slices within only a few seconds with, in the case of oncology, the presence of a very rich imaging history involving series over time for monitoring and a functional volume imaging. At the same time, many countries are confronted to a lack of population of doctors specialized in medical imaging, that causes high productivity constraints. The time devoted to medical images interpretation is reduced, whereas the demand for advanced quantified results and post-processing increases constantly with the emergence of new techniques and the validation of their clinical benefits. In a context of application to oncology, this thesis will study robust and fast methods opening the posibility to automatic labeling of anatomical structures. This identification allows in particular to simplify and standardize the radiological reports and to select the analytical tools adapted to the anatomy. Other important applications are the construction of regions of interest for the quantitative analysis or the initialization of registration methods, providing a first approximation of the structures to be matched in time or between imaging modalities. The main constraints induced by the objectives of this project relate to: (1) automaticity and taking into account expert's feedback; (2) at computational cost; And (3) robustness. The first constraint is induced by an upstream use of the analysis of the image by the expert; The second constraint is related to the minimization of the time prior to the work of analysis of the image by the expert; The third is linked to the time saving during the work of analysis of the image by the expert. These problems have so far been little considered in research fields in coupled image analysis, such as PET / CT. The aim is to develop an image pre-processing approach via learning mechanisms based on multimodal data (PET / CT, PET / MRI). While the "learning" paradigm provides an answer to the question of automation, issues of time efficiency and robustness remain to be considered at this stage. In order to answer all these problems in a unified way, we propose to develop an approach based on hierarchical models of image representation, and more specifically on the models developed in the theoretical framework of mathematical morphology. Few studies have so far been carried out to develop learning approaches on hierarchical models of images. The founding works in this field have been carried out in remote sensing imagery, under assumptions (spatial and spectral dimensionality, size of data, ...) that are significantly different. More recently, preliminary work in medical imaging, in particular in PET, carried out by members of this project, has demonstrated that such approaches have real potential.