AI-driven Detection, Characterization and Classification of Chronic Lung Diseases
par Guillaume Chassagnon
Thèse de doctorat en Mathématiques et Informatique
Sous la direction de Nikos Paragios.
Soutenue le 19-11-2019
à l'Université Paris-Saclay (ComUE) , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec Centre de vision numérique (Gif-sur-Yvette, Essonne) (laboratoire) et de CentraleSupélec (2015-....) (établissement opérateur d'inscription) .
Le président du jury était Nicholas Ayache.
Le jury était composé de Nikos Paragios, Nicholas Ayache, Bram Van Ginneken, Daniel Rueckert, Marie-Pierre Revel, Bruno Crestani, Laure Fournier-Dujardin, Jean-Marc Humbert.
Les rapporteurs étaient Bram Van Ginneken, Daniel Rueckert.
- Vision numérique
- Apprentissage profond
- Recalage élastique
- Poumons
- Vision par ordinateur en médecine
- Apprentissage profond
- Poumon -- Maladies
mots clés
-
Titre traduit
Outils d’intelligence artificielle pour la détection, la caractérisation et la classification des maladies pulmonaires chronique
-
Résumé
L’évaluation de la gravité et la surveillance des maladies pulmonaires chroniques représentent deux challenges importants pour la prise en charge des patients et l’évaluation des traitements. La surveillance repose principalement sur les données fonctionnelles respiratoires mais l’évaluation morphologique reste un point essentiel pour le diagnostic et l’évaluation de sévérité. Dans la première partie de cette thèse, nous proposons différents modèles pour quantifier la sévérité de pathologies bronchiques chroniques au scanner. Une approche simple par seuillage adaptatif et une méthode plus sophistiquée de radiomique sont évaluées Dans la seconde partie, nous évaluons une méthode d’apprentissage profond pour contourer automatiquement l’atteinte fibrosante de la sclérodermie en scanner. Nous combinons le recalage élastique vers différents atlas morphologiques thoraciques et l’apprentissage profond pour développer un modèle dont les performances sont équivalentes à celles des radiologues. Dans la dernière partie, nous démontrons que l’étude de la déformation pulmonaire en IRM entre inspiration et expiration peut être utilisée pour repérer les régions pulmonaires en transformation fibreuse, moins déformables au cours de la respiration, et qu’en scanner, l’évaluation de la déformation entre des examens successifs de suivi peut diagnostiquer l’aggravation fibreuse chez les patients sclérodermiques.
- Computer vision
- Deep learning
- Elastic Registration
- Lung
mots clés
-
Résumé
Disease staging and monitoring of chronic lung diseases are two major challenges for patient care and evaluation of new therapies. Monitoring mainly relies on pulmonary function testing but morphological assessment is a key point for diagnosis and staging In the first part, we propose different models to score bronchial disease severity on computed tomography (CT) scan. A simple thresholding approach using adapted thresholds and a more sophisticated machine learning approach with radiomics are evaluated In the second part, we evaluate deep learning methods to segment lung fibrosis on chest CT scans in patients with systemic sclerosis. We combine elastic registration to atlases of different thoracic morphology and deep learning to produce a model performing as well as radiologists In the last part of the thesis, we demonstrate that lung deformation assessment between inspiratory and expiratory magnetic resonance images can be used to depict fibrotic lung areas, which show less deformation during respiration and that CT assessment of lung deformation on serial CT scans can be used to diagnose lung fibrosis worsening
Il est disponible au sein de la bibliothèque de l'établissement de soutenance.
