Thèse soutenue

Aide au diagnostic du cancer de la prostate par IRM multi-paramétrique : une approche par classification supervisée
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Émilie Niaf
Direction : Carole LartizienOlivier Rouviere
Type : Thèse de doctorat
Discipline(s) : Traitement du signal et de l'image
Date : Soutenance le 10/12/2012
Etablissement(s) : Lyon 1
Ecole(s) doctorale(s) : École Doctorale Interdisciplinaire Sciences-Santé (Villeurbanne ; 1995-....)
Partenaire(s) de recherche : Laboratoire : Institut Fédératif de Recherche LYON-EST - CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) - Application des ultrasons à la thérapie
Jury : Président / Présidente : Stéphane Canu
Examinateurs / Examinatrices : Olivierf1963-.... Basset
Rapporteurs / Rapporteuses : Isabelle Bloch, Michèle Rombaut

Résumé

FR  |  
EN

Le cancer de la prostate est la deuxième cause de mortalité chez l’homme en France. L’IRM multiparamétrique est considérée comme la technique la plus prometteuse pour permettre une cartographie du cancer, ouvrant la voie au traitement focal, alternatif à la prostatectomie radicale. Néanmoins, elle reste difficile à interpréter et est sujette à une forte variabilité inter- et intra-expert, d’où la nécessité de développer des systèmes experts capables d’aider le radiologue dans son diagnostic. Nous proposons un système original d’aide au diagnostic (CAD) offrant un second avis au radiologue sur des zones suspectes pointées sur l’image. Nous évaluons notre système en nous appuyant sur une base de données clinique de 30 patients, annotées de manière fiable et exhaustive grâce à l’analyse des coupes histologiques obtenues par prostatectomie. Les performances mesurées dans des conditions cliniques auprès de 12 radiologues, sans et avec notre outil, démontrent l’apport significatif de ce CAD sur la qualité du diagnostic, la confiance des radiologues et la variabilité inter-expert. La création d’une base de corrélations anatomo-radiologiques est une tâche complexe et fastidieuse. Beaucoup d’études n’ont pas d’autre choix que de s’appuyer sur l’analyse subjective d’un radiologue expert, entâchée d’incertitude. Nous proposons un nouveau schéma de classification, basé sur l’algorithme du séparateur à vaste marge (SVM), capable d’intégrer, dans la fonction d’apprentissage, l’incertitude sur l’appartenance à une classe (ex. sain/malin) de certains échantillons de la base d’entraînement. Les résultats obtenus, tant sur des exemples simulés que sur notre base de données cliniques, démontrent le potentiel de ce nouvel algorithme, en particulier pour les applications CAD, mais aussi de manière plus générale pour toute application de machine learning s’appuyant sur un étiquetage quantitatif des données