Réseaux antagonistes génératifs appliqués à l'imagerie médicale : adaptation de domaine pour réduire l'effet de centre dans le cadre d'études cliniques

Generative adversarial networks for medical imaging : unsupervised domain adaptation to reduce center effect in clinical trials

• Auteur / Autrice : Clément Hognon
• Direction : Dimitris Visvikis
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 30/01/2023
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère)
• Jury : Président / Présidente : Olivier Saut
• Jury : Examinateurs / Examinatrices : Dimitris Visvikis, Olivier Saut, Frédéric Lamare, Floriane Gidel
• Jury : Rapporteurs / Rapporteuses : Olivier Saut, Frédéric Lamare

Mots clés

Mots clés contrôlés

Réseaux antagonistes génératifs

Imagerie médicale -- Qualité de l'image

Mots clés libres

Adaptation de domaine non supervisée

Contrastive Learning

Adaptation d’image

Imagerie médicale

Unsupervised domaine adaptation

Contrastive Learning

Image adaptation

Medical imaging

Résumé

Le problème d’acquisition Shift est un problème largement répandu en imagerie médicale. Egalement nommé effet de centre, il est causé par l’absence de norme et d’homogénéité au sein des systèmes d’imageries médicales, mais également au sein des pratiques des médecins. Cela peut comprendre des paramètres et méthodes d’acquisitions différents. Cet effet engendre potentiellement un biais significatif au sein des bases d’images agrégées provenant de plusieurs centres. L’effet de centre peut causer des écarts entre les résultats obtenus lors du développement d’une méthode et sa mise en application dans le domaine clinique. De ce fait découle un besoin de méthodes avancées permettant de réduire cet écart inter-images à l’échelle d’une base d’images multicentriques. Deux méthodes d’adaptation de domaine non supervisée ont été proposées. Elles se basent sur l’utilisation de réseaux génératifs antagonistes ou GAN (generative adversarial networks), une famille récente de réseaux de neurones permettant de travailler directement à l’échelle de l’image. Une première méthode préliminaire, basée sur la mise en série de deux apprentissages - cyclique puis pixel à pixel, présentait un risque potentiel d’altération des structures au sein des images. La seconde méthode se base sur le contrastive learning. Cette approche permet un apprentissage rapide, sur peu de données, sans connaissances préalables requises sur les domaines auxquels appartiennent les images hétérogènes. Ces méthodes ont été mises en application dans des cadres de recherche mais également dans le cadre clinique, le but de ces travaux étant d’intégrer de telles méthodes dans le déploiement de l’étude Deep Lung IV menée par l’entreprise SOPHiA GENETICS sur le cancer du poumon. Nous avons montré que le contrastive learning utilisé en accord avec des fonctions de coût de préservation de structures permet de réduire la variabilité intra classe interne à une base d’images multicentrique, tout en préservant l’information structurelle des images.

Acqusition shift is a wide spread medical imaging issue. Also known as Center Effect, acquisition shift is due to a lack of homogeneity and norms in medical imaging or medical process, including multiple acquisition parameters and methods. Acquisition shift may lead to high heterogeneity in multicentric databases.The center effet is responsible for potentially harmful differences between development and deployment conditions of a medical process. Thus there is a growing need for advanced methods that could mitigate this heterogeneity in a multicentric medical image database.Two approaches were proposed, based on unsupervised domain adaptation. These two methods focuse ondeep learning, more particularly generative adversartial networks, an image processing neural network architecture that shows significant performance for medical applications. The two-step preliminary method based on a cycleGAN and a Pix2Pix network was potentially altering geometric structures of the images. The second approach, based on contrastive learning, enables a quick learning, and need only a few data or knowledge about the several imaging centers gathered to create the image database. These two methods have been applied in a laboratory and clinical trial context. The aim of this work is to integrate such standardizing methods in the wide spread lung cancer clinical trial Deep Lung IV led by SOPHiA GENETICS. We have shown that contrastive learning, with the help of edge preserving loss functions, enables the decreasing of the heterogeneity in a multicentric database while preserving the structure of interest of the images.