Prédiction de la survie des patients atteints de cancer du foie à partir des CT-scans utilisant des réseaux de neurones profonds et de la régression basée sur les caractéristiques radiomiques

par Vincent-béni Zossou

Projet de thèse en Santé publique - biostatistiques

Sous la direction de Rodrigue Allodji et de Florent de Vathaire.

Thèses en préparation à université Paris-Saclay en cotutelle avec l'Institut de Formation et de Recherche en Informatique , dans le cadre de École doctorale Santé Publique (Le Kremlin-Bicêtre, Val-de-Marne ; 2015-...) , en partenariat avec Centre de recherche en Epidemiologie et Santé des Populations (laboratoire) , Epidémiologie des radiations (equipe de recherche) et de Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....) (référent) depuis le 30-09-2020 .


  • Résumé

    L'objectif principal de la thèse est de prédire la survie des patients atteints d'un cancer du foie à partir de scanners CT en utilisant l'apprentissage profond et la régression basée sur les caractéristiques radiomiques. Il s'agira donc de : 1. Analyse quantitative des images de tomographie assistée par ordinateur (CT-scan) : développement d'un modèle basé sur l'apprentissage profond pour automatiser la segmentation du volume hépatique complet, la détection et la segmentation des tumeurs hépatiques. 2. Étude des corrélations entre les résultats du modèle et les antécédents médicaux des patients afin de détecter très tôt le cancer du foie. 3. Évaluation des caractéristiques radiomiques pour prédire la survie et développement d'un modèle qui combine ces caractéristiques radiomiques avec des données cliniques pour mieux prédire la survie des patients atteints d'un cancer du foie.

  • Titre traduit

    Survival prediction of liver cancer patients from CT-scans using deep learning and radiomic feature-based regression


  • Résumé

    The main objective of the thesis is to predict the survival of liver cancer patients from CT-scans using deep learning and radiomic feature-based regression. It will therefore be a question of: 1. Quantitative analysis of computed tomography images (CT-scan): development of a model based on deep learning to automate the segmentation of the complete hepatic volume, the detection and segmentation of hepatic tumors. 2. Study of the correlations between the results of the model and the medical history of the patients in order to detect liver cancer very early. 3. Evaluating radiomic characteristics to predict survival and developing a model that combines these radiomic characteristics with clinical data to better predict the survival of patients with liver cancer.