Nouveaux modèles 3D d'apprentissage profond pour le diagnostic et la prédiction de l'arthrose du genou à partir de données d'IRM

Novel 3D Deep Learning Models for Knee Osteoarthritis Diagnosis and Prediction from MRI Data

• Auteur / Autrice : Mohamed Berrimi
• Direction : Rachid Jennane
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies industrielles
• Date : Soutenance le 13/11/2024
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Institut Denis Poisson (Orléans, Tours ; 2018-....)
• Jury : Président / Présidente : Aladine Chetouani
• Jury : Examinateurs / Examinatrices : Alice Ahlem Othmani, Mouloud Adel, Mohamed Jarraya, Sylvie Treuillet, Mame Diarra Fall
• Jury : Rapporteurs / Rapporteuses : Alice Ahlem Othmani, Mouloud Adel

Mots clés

Mots clés contrôlés

imagerie diagnostique

Genou

Gonarthrose

Classification

Imagerie par résonance magnétique

Apprentissage profond

Innovation

Diagnostic

Mots clés libres

Apprentissage profond

Arthrose du genou

Imagerie par résonance magnétique

Deep Learning

Knee osteoarthritis

Magnetic Resonance Imaging

Résumé

L'arthrose du genou, une condition sans remède, exige un diagnostic précis pour une gestion optimale. Bien que l’IRM offre des informations essentielles, les méthodes actuelles se limitent souvent à une vue unique, risquant de manquer des détails critiques. Cette thèse propose des modèles d'apprentissage profond intégrant des architectures multi-vues, multi-étiquettes, multi-instances, multi-modales et multi-tâches pour un diagnostic plus robuste. Entraînés sur la base publique OAI, ces modèles 2D et 3D, utilisant des vues axiales, coronales et sagittales avec diverses séquences IRM, atteignent une précision de 93,20% à 96,70%, surpassant les méthodes existantes. En plus de la classification, des modèles de segmentation anatomique ont été développés pour mieux évaluer l'arthrose, démontrant ainsi le potentiel de l’apprentissage profond à améliorer le diagnostic et ainsi optimiser la prise en charge des patients.

Knee Osteoarthritis (OA) is a widespread and debilitating condition affecting millions, with no cure currently available. Accurate and timely diagnosis is vital for effective management and better patient outcomes. Although MRI provides valuable insights into soft tissues, current diagnostic methods typically rely on single-view analysis, possibly missing important information. This thesis introduces advanced deep learning models for robust knee OA diagnosis from multi-view MRI data, incorporating multi-view, multi-label,multi-instance, multi-modal, and multi-task architectures. By leveraging multiple MRI views (axial, coronal,sagittal) and sequences, these 2D and 3D CNN models were trained on the public OAI database, achieving 93.20% to 96.70% accuracy, surpassing current benchmarks. Additionally, segmentation models were developed to highlight anatomical structures key to OA evaluation, underscoring the potential of deep learning to enhance diagnostic precision and patient care in knee OA.