Apprentissage profond Bayésien pour la segmentation d'images cardiaques et la classification de pathologies

par Tewodros weldebirhan Arega

Projet de thèse en Instrumentation et informatique de l'image

Sous la direction de Fabrice Mériaudeau et de Stéphanie Bricq.

Thèses en préparation à Bourgogne Franche-Comté , dans le cadre de SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques , en partenariat avec ImViA - Laboratoire d'Imagerie et Vision Artificielle (laboratoire) depuis le 01-10-2020 .


  • Résumé

    Chaque jour, un grand nombre de données IRM cardiaque sont acquises, générant une masse croissante de données. L'analyse manuelle de ces images médicales est une tâche longue et fastidieuse. Il existe donc un besoin d'outils fiables pour segmenter automatiquement les régions d'intérêt et extraire les paramètres cliniques de ces images. L'imagerie par réhaussement tardif au gadolinium (LGE) a été largement utilisée pour la détection et l'évaluation de la cicatrice myocardique et de la présence de fibrose dans l'imagerie par résonance magnétique cardiaque. L'imagerie LGE est un gold-standard pour la quantification de la fibrose myocardique focale, mais dans certaines cardiomyopathies, le processus fibrotique est souvent diffus. Pour surmonter ce problème, des techniques de cartographie T1 ont été développées pour quantifier la fibrose myocardique diffuse et pour caractériser les tissus. La combinaison des techniques de cartographie LGE et T1 pourrait être d'un intérêt clinique pour mieux définir le pronostic des patients. L'objectif de la thèse sera de développer de nouvelles méthodes pour segmenter automatiquement les images cardiaques LGE et de cartographie T1 et classer les différentes pathologies cardiaques. Des méthodes bayésiennes d'apprentissage profond combinant des statistiques bayésiennes avec des réseaux profonds pour obtenir de véritables estimations d'incertitude du réseau seront étudiées. Dans un premier temps, une revue des méthodes combinant les statistiques bayésiennes et le deep learning sera effectuée. Ensuite, une méthode bayésienne d'apprentissage profond sera développée pour segmenter les images de cartographie LGE et T1 et classer les différentes pathologies ou identifier les cas normaux. La méthode proposée fournira également un modèle de confiance à l'utilisateur représentant l'incertitude.

  • Titre traduit

    Bayesian Deep Learning for cardiac LGE and T1 mapping images segmentation and pathology classification


  • Résumé

    Every day a large number of cardiac MR data are acquired, generating an increasing mass of data. The manual analysis of these medical images is a long and tedious task. Thus there is a need of reliable tools to automatically segment regions of interest and extract clinical parameters from these medical images. Late gadolinium enhancement (LGE) imaging has been widely used for detection and assessment of myocardial scar and presence of fibrosis in cardiac magnetic resonance imaging (MRI). LGE is a gold standard for the quantification of focal myocardial fibrosis, but in some cardiomyopathies the fibrotic or more globally diseased process is often diffuse. To overcome this problem, T1 mapping techniques have been developed to quantify diffuse myocardial fibrosis and to characterize tissues. The combination of both LGE and T1 mapping techniques might be of clinical interest to better define the prognosis of the patients. The aim of the PhD will be to develop new methods to automatically segment LGE and T1 cardiac images and classify the different cardiac pathologies. Bayesian deep learning methods combining Bayesian statistics with deep networks to obtain true network uncertainty estimates will be investigated. First a review of methods combining Bayesian statistics and deep learning will be carried out. Then Bayesian deep learning method will be developed to segment LGE and T1 mapping images and classify the different pathologies or identify normal cases. Proposed method will also provide a model confidence to the user representing uncertainty.