Intégration d’ontologies dans la classification parallèle de données médicales pour le diagnostic de lésions du foie

Integration of ontologies in the parallel classification of medical data for liver lesions diagnosis

• Auteur / Autrice : Rim Messaoudi
• Direction : Antoine Vacavant, Faiez Gargouri
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 02/06/2021
• Etablissement(s) : Université Clermont Auvergne (2021-...) en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Institut Pascal (Aubière, Puy-de-Dôme)
• Jury : Examinateurs / Examinatrices : Achraf Mtibaa, Faouzi Jaziri, Imed Riadh Farah, Alice Ahlem Othmani
• Jury : Rapporteurs / Rapporteuses : Nicolas Passat, Chokri Ben Amar

Mots clés

Mots clés contrôlés

Télédiagnostic

Apprentissage profond

Ontologies (informatique)

Mots clés libres

Carcinome HépatoCellulaire (CHC)

Ontologies

Deep Learning

Classification de données médicales

Traitement d’images médicales

Hepatocellular Carcinoma (HCC)

Ontologies

Deep Learning

Medical Data Classification

Medical Image Processing

Résumé

Le diagnostic des lésions hépatiques est une tâche complexe surtout lorsque les nodules détectés sont de petites tailles. Dans ce cas, il devient très difficile de connaitre leurs natures (tumeur bénigne ou maligne, type de lésion, etc). Dans des cas similaires, il faut répéter des examens cliniques pendant plusieurs mois pour voir l’évolution des masses hépatiques. Afin de mieux répondre à ces problèmes, il faut trouver des solutions informatiques qui servent à l’optimisation du diagnostic des tumeurs du foie. Dans le contexte de la classification des lésions hépatiques, nous avons développé une première approche ontologique (OntHCC) pour l’aide au diagnostic, à la stadification et au choix de traitement des tumeurs CHC (Carcinome Hépatocellulaire). Cette approche est fondée sur l’analyse d’images IRM de foies infectés et sur des rapports radiologiques. Par la suite, nous avons proposé une deuxième approche ontologique (MROnt) pour la modélisation de l’information médicale contenue dans les rapports radiologiques, dans le cadre du diagnostic et de suivi de tumeurs du foie. La détection automatique des tumeurs du foie nécessite un processus de diagnostic primaire en utilisant obligatoirement les images médicales (par exemple IRM ou scanner). Pour ce faire, nous avons intégré l’apprentissage profond dans la classification d’images IRM avec prise de contraste. Dans la suite de la thèse et afin d’accroitre la performance du processus de classification des images, nous avons intégré les connaissances sémantiques. L’objectif est de profiter de la base de connaissances offerte par les ontologies pour décrire les images médicales et fournir des informations sur les tumeurs détectées (par exemple, le type, la taille et le stade). En outre, notre approche consiste à développer un CNN multi-label afin de supporter les ontologies développées (OntHCC et MROnt). Nous montrons l’efficacité des approches et prototypes proposés dans ces travaux de thèse à travers des évaluations numériques comparatives et des études de cas.

Diagnosis of liver cancer is a complex task, especially when the nodules to be detected are small. Moreover, it becomes very difficult to extract the nature of the detected nodules (benign or malignant, type of lesion, etc.). A possible long period of several months may be necessary to study the evolution of the hepatic nodules. To solve these problems, IT (Information Technology) solutions must be found in order to ensure optimization of the diagnosis process of liver tumors. In the context of hepatic lesions classification, we develop in this PhD a first ontological approach (OntHCC) that aids in the diagnosis, staging and treatment of HCC (Hepatocellular Carcinoma) lesions. This approach is based on information extracted from liver MRI images and the related radiological reports. Then, we propose a second ontological approach (MROnt) that aims to model and analyze clinical data from these reports. Automatic detection of liver tumors requires a primary diagnosis process using medical images (e.g. MRI or CT). To do so, we propose a deep learning based approach that offers a parallel preprocessing algorithm. It allows HCC detection and localization in MRI images with contrast enhancement via a CNN (Convolutional Neural Network) algorithm. In the next part of this thesis and in order to improve the performance of the classification process, we integrate the developed ontologies into the CNN approach. The aim is to provide more information about the detected tumors (e.g. type, size and stage). In addition, our approach consists in developing a multi-label CNN that supports the developed ontologies (OntHCC and MROnt). We show that we improve the accuracy of the proposed methods through a set of comparative numerical evaluations and case studies.