Vers un framework pour la modélisation statistique multi-classes de la forme, de l'intensité et de la cinématique dans les images médicales

Towards a framework for multi class statistical modelling of shape, intensity, and kinematics in medical images

• Auteur / Autrice : Jean-Rassaire Fouefack
• Direction : Valérie Burdin, Tinashe Mutsvangwa
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 18/03/2021
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire en cotutelle avec University of Cape Town. Faculty of Health Sciences
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère) - Département lmage et Traitement Information
• Jury : Président / Présidente : Tien-Tuan Dao
• Jury : Examinateurs / Examinatrices : Valérie Burdin, Tinashe Mutsvangwa, Philippe Büchler, Ross T. Whitaker, Bhushan Borotikar, Diana Carolina Mateus Lamus
• Jury : Rapporteurs / Rapporteuses : Philippe Büchler, Ross T. Whitaker

Mots clés

Mots clés contrôlés

Reconnaissance des formes (informatique)

Apprentissage automatique

Imagerie médicale

Articulation coxo-fémorale

Articulation scapulo-humérale

Mots clés libres

Espace latent de forme

Pose et intensité

Articulation humaine de l'épaule et de la hanche

Analyse d'images médicale

Reconnaissance de formes

Shape-pose and intensity latent space

Shoulder and hip human joint

Medical image analysis

Pattern recognition

Résumé

Cette thèse porte sur le développement de modèles basés sur l’apprentissage statistique pour les complexes articulaires humains à partir d’images médicales. La principale contribution est une nouvelle formulation mathématique permettant de modéliser les systèmes musculo-squelettiques à l’aide d’un espace latent unifié qui intègre des caractéristiques de forme, de cinématique et d'intensité à partir d'observations données. Ce nouvel espace fournit un modèle continu capable de générer des instances en tirant parti des corrélations apprises entre caractéristiques. Une méthode d'ajustement est également proposée pour appliquer ce modèle sur de nouvelles données. La méthode complète de modélisation et de prédiction est validée à l'aide de données synthétiques entièrement contrôlées, et les résultats montrent que le modèle encapsule fidèlement les relations morpho-fonctionnelles imposées entre les objets, ainsi que leurs informations structurelles internes. Enfin, le modèle est utilisé pour analyser les articulations de l'épaule et de la hanche à partir d'images CT. L'intérêt clinique est que les corrélations de caractéristiques apprises par le modèle améliorent la prédiction de la forme pré-morbide et la précision de l'estimation du mouvement des articulations, à partir d'images médicales en deux ou trois dimensions.

This thesis focuses on the development of statistical learning-based models for human joints from medical images. The main contribution is a new mathematical formulation to model musculoskeletal systems by developing a unified computational latent space that embeds shape, kinematics and intensity features from given observations. This new space provides a continuous model capable of generating instances leveraging learnt feature correlations. A fitting method to apply models developed using this framework to unseen data is also proposed. The complete modeling and prediction framework is validated using bespoke synthetic data, showing that the framework faithfully encapsulates any prescribed morpho-functional relationships between objects, as well as their internal structural information. Finally, the framework is applied to the analysis of shoulder and hip joints from CT. The clinical interest is that the feature correlations learned by the model improve premorbid shape prediction and joint motion estimation accuracy, from two- and three-dimensional medical.