Titre de la thèse : Segmentation d’IRM cardiovasculaire utilisant des méthodes d’intelligence artificielle.

Date et lieu : 18/11/2021 à 15h, Salle 111, bâtiment I3M, 64 rue de Sully, Dijon.
Soutenance accessible via ce lien Teams : https://teams.microsoft.com/l/meetup-join/19meeting_MzdmMTc1ZTQtZGMzNC00MDA1LThjNWMtNTZjN2M4OWI1NGQ0thread.v2/0?context=Tid2fa58faf-7eb1-48b9-9964-a92659d1c5b8Oid3a120a5d-6e4c-4015-a89b-0345ca3ef5fb

Résumé :
Dans ce travail, nous abordons le problème de l’extraction automatique des contours, ou segmentation, sur des ciné-IRM cardiaques à travers de multiples perspectives axées sur des techniques qui ont récemment bouleversé le paysage de la vision par ordinateur, à savoir l’apprentissage profond, ou Deep Learning. Nous nous sommes focalisés, dans un premier temps, sur les techniques existantes pour la segmentation de ciné-IRM cardiaque pour les adapter dans le but de garantir une segmentation anatomiquement cohérente. La cohérence anatomique est introduite par une technique de post-traitement qui rend le résultat de toute méthode de segmentation anatomiquement valide. L’objectif est de garantir un résultat cohérent des réseaux neuronaux de segmentation automatique cardiaque. Cependant, comme cette approche est une technique de post-traitement, la qualité de ses résultats est limitée par la précision de la segmentation initiale, d’où le besoin d’avoir des techniques plus robustes. La robustesse requise dans un contexte clinique est un obstacle important à une large adoption des techniques basées sur l’apprentissage profond. Bien que l’on puisse affirmer que des recherches plus poussées sur les méthodes et les techniques pourraient constituer une piste prometteuse pour résoudre le problème de la généralisation de l’apprentissage profond en imagerie médicale, il reste indéniable que le manque de données d’imagerie médicale est le principal responsable de l’utilisation limitée des approches d’apprentissage profond dans le domaine de l’imagerie médicale. Forts de ce constat, nous nous sommes concentrés sur l’aspect données du problème. L’essor des réseaux antagonistes génératifs (GAN) en tant qu’outils de synthèse d’images a constitué une piste prometteuse pour résoudre le problème du manque de données en imagerie médicale. Dans un premier temps, nous avons proposé un GAN conditionnel pour générer des ciné-IRM cardiaques petit-axe et les cartes de segmentation associées, et nous avons évalué les images générées en les considérant comme une base d’entraînement pour un réseau de segmentation. Nous avons montré que les GANs pouvaient générer des données d’entraînement relativement bonnes. Suite à l’amélioration obtenue sur les ciné-IRM cardiaques en petit-axe, nous avons voulu étendre notre évaluation des GANs à d’autres bases de données médicales. À cette fin, nous avons lancé une étude à grande échelle pour évaluer la capacité des GANs à générer différents types de données médicales. Nous avons entraîné plusieurs GANs de complexité variable sur trois bases de données médicales de différents organes. Les résultats ont montré que, bien que les GANs puissent générer des images médicales relativement réalistes, l’apport de ces données synthétiques comme données d’entraînement pour des tâches en aval n’est pas clair. En parallèle, nous avons également exploré d’autres pistes pour créer de manière rentable des bases de données d’imagerie médicale et pallier le manque de données. Nous avons mené une étude pour évaluer si l’utilisation de non-experts comme main-d’œuvre pour annoter manuellement des bases de données d’imagerie médicale serait un substitut viable pour obtenir des bases de données suffisamment grandes pour l’entraînement de modèles d’apprentissage profond. Les résultats démontrent que le recours à des non-experts pour l’annotation de ciné-IRM en petit-axe peut être une approche valide pour obtenir de grandes bases de données annotées sans avoir besoin d’un expert dans le domaine. En résumé, ce travail offre deux perspectives sur l’utilisation des modèles d’apprentissage profond dans le traitement des images médicales, l’une à travers la lentille d’un développement basé sur la méthodologie et l’autre en se concentrant sur les données et leurs processus d’acquisition.

Jury de thèse :

• Patrick CLARYSSE Professeur des universités Laboratoire CREATIS – INSA LYON (Rapporteur)
• Mireille GARREAU Professeure des universités Université Rennes 1 – Laboratoire Traitement du Signal et de l’Image (LTSI) (Rapporteure)
• Elie MOUSSEAUX Professeur des universités – praticien hospitalier Université de Paris – Faculté de Médecine (Examinateur)
• Pierre-Marc JODOIN Full professor Université de Sherbrooke – Faculté des Sciences – Canada (Examinateur)
• Alain LALANDE Maître de conférences des universités – praticien hospitalier Université de Bourgogne Franche-Comté (Dijon) – Laboratoire ImVIA Directeur de thèse
• Jean-Joseph CHRISTOPHE Docteur SAS CASIS – CArdiac Simulation & Imaging Software Co-encadrant de thèse
  Informations supplémentaires