Analyse par intelligence artificielle de l'évolution scanographique cérébrale des patients traumatisés crâniens afin de prédire leur évolution neurologique.

par Clément Brossard

Projet de thèse en BIS - Biotechnologie, instrumentation, signal et imagerie pour la biologie, la médecine et l'environnement

Sous la direction de Benjamin Lemasson et de Pierre Bouzat.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble) , en partenariat avec Grenoble Institut des Neurosciences (laboratoire) et de Equipe - Emmanuel Barbier - Physique/EDISCE - Neuroimagerie Fonctionnelle et Perfusion Cérébrale (equipe de recherche) depuis le 01-10-2019 .


  • Résumé

    Le traumatisme crânien (TC) est une pathologie fréquente et grave, responsable d'une morbi-mortalité importante. Il est estimé que la moitié de la population mondiale va être victime d'un TC au moins une fois dans sa vie. Le TC peut être considéré comme un ensemble complexe d'entités nosologiques d'évolutions différentes dont l'identification précoce est difficile alors même que l'enjeu de cette pathologie repose sur la prévention et la prise en charge des lésions secondaires à l'agression cérébrale initiale. Différents profils évolutifs de lésions secondaires semblent exister, et parfois cohabiter chez ces patients : évolution œdémateuse, transformation hémorragique et/ou troubles de résorption du liquide céphalorachidien avec l'apparition d'une hydrocéphalie. Il n'existe pas, à l'heure actuelle, de méthode d'imagerie utilisable en routine clinique permettant de visualiser, de quantifier et de prédire ces différentes évolutions lésionnelles. La seule classification historique des TC repose toujours sur le score de Glasgow initial, séparant les patients en TC grave, modéré ou léger. A l'heure de la médecine moderne individualisée, une telle classification peut apparaître anachronique. L'objectif principal de cette étude pilote et exploratoire est de décrire et caractériser les différentes signatures possibles d'évolution scannographique cérébrale précoce associées à l'évolution clinique des patients traumatisés crâniens grâce à un nouvel outil d'analyse d'image scanner basé sur des techniques d'apprentissage statistique. Nous posons l'hypothèse que l'analyse automatique des scanners cérébraux répétés précoces (J0, J1 et J3) par des approches d'intelligence artificielle permettra de différentier précocement l'évolution des tissus cérébraux chez des patients traumatisés crâniens avec des lésions intracérébrales graves définissant ainsi de véritables « biomarqueurs d'imagerie ». Notre objectif est d'associer ces profils scannographiques à une évolution neurologique mesurée par le niveau d'intensité thérapeutique lors du séjour en réanimation. Les objectifs secondaires seront donc d'évaluer la morbimortalité des patients traumatisés crâniens en fonction de leur profil d'évolution scanographiques. Les travaux de cette thèse de sciences conduiront au développement d'une boite à outil d'analyses d'images la plus large possible permettant d'analyser automatiquement et rapidement des images scanners de patients traumatisés crâniens. Ce projet a l'ambition de déboucher à la mise en place d'un outil informatique utilisable en routine clinique.

  • Titre traduit

    Artificial intelligence analysis of the cerebral scan evolution of brain injured patients to predict their neurological evolution.


  • Résumé

    Traumatic brain injury (TBI) is a frequent and serious pathology, responsible for high morbidity and mortality. It is estimated that half of the world's population will suffer from TBI at least once in their lives. TBI can be considered as a complex set of nosological entities of different evolutions whose early identification is difficult when the challenge of this pathology is based on the prevention and management of secondary lesions to the initial brain attack. Different profiles of secondary lesions seem to exist, and sometimes coexist in these patients: oedematous evolution, hemorrhagic transformation and/or cerebrospinal fluid resorption disorders with the appearance of hydrocephalus. At present, there is no imaging method that can be used in clinical routine to visualize, quantify and predict these different lesional evolutions. The only historical classification of TBIs is still based on the initial Glasgow score, separating patients into severe, moderate and mild TBIs. In the age of modern individualized medicine, such a classification may seem anachronistic. The main objective of this pilot and exploratory study is to describe and characterize the different possible signatures of early brain scan evolution associated with the clinical course of head injury patients using a new scanner image analysis tool based on machine learning techniques. We hypothesize that automatic analysis of early repeated brain scans (J0, J1 and J3) by artificial intelligence approaches will allow early differentiation of brain tissue evolution in brain injured patients with severe intracerebral lesions, thus defining true 'imaging biomarkers'. Our objective is to associate these scan profiles with a neurological evolution measured by the level of therapeutic intensity during the intensive care unit stay. The secondary objectives will therefore be to assess the morbidity and mortality of head injury patients according to their scanographic evolution profile. The work of this science thesis will lead to the development of the widest possible image analysis toolbox for the automatic and rapid analysis of scanned images of traumatized cranial patients. This project aims to lead to the implementation of an informatic tool that can be used in clinical routine.