Apprentissage statistique des interactions entre forme et déformation cardiaques

Statistical learning of interactions between cardiac shape and deformation

• Auteur / Autrice : Maxime Di Folco
• Direction : Patrick Clarysse
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et de l’image
• Date : Soutenance le 10/11/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé / CREATIS
• Partenaire(s) de recherche : Equipe de recherche : MYRIAD - Modeling & analysis for medical imaging and Diagnosis
• Jury : Président / Présidente : Carole Lartizien
• Jury : Examinateurs / Examinatrices : Patrick Clarysse, Carole Lartizien, Christian Desrosiers, Maxime Sermesant, Nicolas Duchateau, Alain Lalande, Pamela Moceri, Nicolas Thome
• Jury : Rapporteurs / Rapporteuses : Christian Desrosiers, Maxime Sermesant
• DOI : 10.70675/7d3e7a0fza4e8z456czba16z7b8f2bf5247f

Mots clés

Mots clés contrôlés

Imagerie médicale

Mots clés libres

Imagerie cardiaque

Apprentissage de variété

Réduction de dimension

Forme cardiaque

Déformation cardiaque

Représentation forme haute dimension

Apprentissage non linéaire

Ventricule droit

Descripteur

Cardiac Imaging

Manifold learning

Dimensionality reduction

Cardiac shape

Cardiac deformation

High-Dimensional shape representation

Non-Linear learning

Right ventricle

Descriptor

Résumé

En routine clinique, les méthodes d'imagerie permettent d'extraire des indices caractérisant la fonction cardiaque et d'établir un diagnostic. Dans le cas de l'insuffisance cardiaque, un remodelage cardiaque se produit très souvent. Plusieurs aspects de la morphologie et la fonction sont affectés, notamment des anomalies de forme et de déformation peuvent apparaître. De plus, des interactions entre ces deux aspects ont été mises en évidence. Ces interactions peuvent être difficilement analysées par des indices scalaires qui décrivent un comportement global. L'imagerie médicale est en mesure de fournir des représentations de hautes-dimensions de ces descripteurs, c'est-à-dire une information locale et à plusieurs instants du cycle cardiaque ; elles sont cependant non exploitées en routine clinique à cause de la difficulté de leur analyse. Dans ce manuscrit, nous explorons des approches de caractérisation plus fine du lien partiellement connu entre la forme et la déformation cardiaques via des représentations hautes dimensions. Des méthodes d'anatomie computationnelle ou d'apprentissage de variétés permettent d'exploiter ces représentations hautes-dimensions individuelles et généraliser l'analyse à une population. Néanmoins, ces méthodes ne considèrent généralement qu'un aspect de la fonction cardiaque à la fois alors que plusieurs interagissent. Les méthodes intégrant plusieurs descripteurs ne prennent habituellement pas explicitement en compte le lien possible entre eux. Ce travail comporte trois principales contributions. Premièrement, nous proposons une stratégie pour caractériser les interactions entre la forme et la déformation cardiaques évaluées par des descripteurs hautes dimensions et démontrons sa pertinence pour plusieurs pathologies du ventricule droit. Cette stratégie est basée sur une méthode d'apprentissage non-linéaire (alignement de variétés multiples) et utilisée ici pour caractériser un lien partiellement connu alors qu'elle a été jusqu'à présent appliquée à des descripteurs évoluant dans la même variété, et pour lesquels le lien existe naturellement. Deuxièmement, nous avons évalué le bénéfice de prendre en compte le lien entre les descripteurs en étudiant les différences avec une approche qui considère chaque descripteur individuellement et d'autres approches prenant en compte plusieurs descripteurs. Pour finir, l'étude de l'influence des descripteurs de forme/déformation et de stratégies de normalisation sur notre approche a mis en valeur un possible biais introduit par les choix faits et montré que le choix approprié dépend de l'application visée. Cette thèse montre la pertinence d'utiliser l'alignement de variétés pour considérer le lien partiellement connu entre forme et déformation cardiaques en l'illustrant dans l'étude comparée de plusieurs pathologies du ventricule droit. Ces analyses ouvrent la porte à l'exploitation de ces espaces cohérents pour des challenges plus applicatifs comme la quantification de risques.

In clinical routine, medical imaging allows to extract descriptors or scalars characterizing the cardiac function and to establish a diagnosis. In heart failure, cardiac remodeling often occurs and several aspects of morphology and function are affected during this phenomenon, which can include shape and deformation abnormalities. In addition, interactions between these two aspects have been demonstrated structurally or related to certain cardiac pathologies. These interactions are difficult to analyze by simple scalar indices that generally describe a global behavior. Medical imaging is able to provide high-dimensional representations of these descriptors, i.e., regional/local information at several instants of the cardiac cycle. However, they are not exploited in clinical routine because of the lack of time, the lack of consensus, and the difficulty of their analysis. In this manuscript, we explore approaches to further characterize the partially-known link between cardiac shape and deformation via high-dimensional representations of both aspects. Computational anatomy or manifold learning methods allow to exploit these individual high-dimensional representations and generalize the analysis to a population. However, these methods generally consider only one aspect of cardiac function at a time, whereas several of them can interact. Methods incorporating multiple descriptors usually do not explicitly consider the possible link between them. This work has three main contributions. First, we propose a strategy to characterize the interactions between cardiac shape and deformation assessed by high-dimensional descriptors and demonstrate its relevance for several right ventricular pathologies. This strategy is based on a non-linear learning method (Multiple Manifold Alignment) and is used here to characterize a partially-known link, whereas it has been applied so far to descriptors belonging to the same manifold, and for which the link naturally exists. Secondly, we evaluated the benefit of taking into account the link between descriptors by studying the differences with an approach that considers each descriptor individually and other approaches that consider several descriptors jointly. Finally, the study of the influence of shape/deformation descriptors and normalization strategies on our approach has highlighted a possible bias introduced by the choices made and shown that the appropriate choice depends on the targeted application. This thesis shows the relevance of using manifold alignment to consider the partially-known link between shape and cardiac deformation by illustrating it in the comparative study of several right ventricular diseases. These analyses open the door to the exploitation of these coherent latent spaces for more applicative challenges such as risk quantification.