Apprentissage profond pour la prédiction de la réponse au traitement et la survie en cancérologie en imagerie TEP

Deep Learning for Outcome Prediction in Cancer using Positron Emission Tomography Images

• Auteur / Autrice : Amine Amyar
• Direction : Su Ruan
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 31/08/2021
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Etablissement de préparation de la thèse : Université de Rouen Normandie (1966-....)
• Partenaire(s) de recherche : Entreprise : General Electric Healthcare
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)
• Jury : Président / Présidente : Dimitris Visvikis
• Jury : Examinateurs / Examinatrices : Dimitris Visvikis, John Aldo Lee, Diana Mateus, Pierre Vera, Vincent Morard, Baptiste Perrin, Romain Modzelewski
• Jury : Rapporteur / Rapporteuse : John Aldo Lee, Diana Mateus

Mots clés

Mots clés contrôlés

Intelligence artificielle en médecine

Imagerie médicale

Apprentissage profond

Médecine personnalisée

Tomographie par émission

Mots clés libres

Imagerie par émission de positrons

Radiomique

Médecine de précision

Apprentissage profond

Apprentissage multitâches

Apprentissage multi-échelles

Positron emission imaging

Radiomics

Precision medicine

Deep learning

Multitask learning

Multiscale learning

Résumé

La médecine de précision (également appelée médecine personnalisée) a été proposée pour personnaliser les soins de santé pour chaque patient, du diagnostic médical au traitement, ce qui a un impact sur les décisions et les pratiques médicales ainsi que sur le flux de travail actuel. Pour atteindre cet objectif, les patients sont placés dans différents groupes en fonction de certaines similitudes pertinentes pour prendre une décision médicale. La médecine de précision utilise principalement des informations sur les dossiers cliniques d'une personne, des informations biologiques, notamment des protéines (protéomique), des gènes (génomique) et, plus récemment, des images (radiomique). Dans le cas du cancer, des informations sur la tumeur sont également incorporées pour établir un diagnostic, décider du type de traitement, suivre la progression de la maladie ou prédire la réponse au traitement ou le pronostic. La médecine de précision pour le cancer repose sur l'utilisation de marqueurs tumoraux pour faciliter le diagnostic ou de thérapies ciblées pour traiter certains types de cancer. La radiomique est un domaine de recherche où les images sont utilisées pour leur po-tentiel dans la médecine de précision. Elle se définit comme l’analyse d’un grand nombrede caractéristiques extraites d’images médicales telles que les CT, MRI ou PET. Ces carac-téristiques sont utilisées pour découvrir les caractéristiques de la maladie qui ne peuventêtre trouvées ou quantifiées à l’œil nu. La première étape de l’analyse radiomique en oncologie est la segmentation de la lésion, qui consiste à isoler une ROI des autres régionsà l’aide de contours. Après la segmentation, des milliers de caractéristiques peuvent êtreextraites de l’ROI, puis les plus pertinentes sont sélectionnées. Enfin, un algorithme d’ap-prentissage automatique tel que RF ou SVM est appliqué pour identifier les meilleurescaractéristiques pertinentes qui prédisent le résultat. Ce flux de travail classique est li-mité pour plusieurs raisons : la segmentation nécessite un médecin hautement qualifié,elle est chronophage et la vérité terrain définie est subjective et sujette à erreur (variabilité intra et inter observateur). Deuxièmement, les caractéristiques artisanales définies àpartir du ROI sont limitées car elles sont fortement influencées par de nombreux facteurstels que la méthode de segmentation utilisée. Par conséquent, elles échouent lorsque leROI est modifié. L'objectif de cette thèse est de surpasser le paradigme actuel de la radiomique qui nécessite une extraction manuelle des caractéristiques et de le remplacer par la radiomique profonde. Dans notre nouvelle approche, les caractéristiques sont apprises en même temps que la prédiction du résultat. Pour y parvenir, nous développons différents algorithmes pour créer des architectures de bout en bout qui prennent une image en entrée, apprennent la représentation des caractéristiques et la prédiction des résultats. Nous montrons qu'en utilisant l'approche DL, nous pouvons améliorer les performances de l'analyse radiomique grâce à la richesse des informations extraites des régions intratumorales et péritumorales.

Precision medicine (also known as personalized medicine) has been proposed to customize healthcare for each patient, from medical diagnosis to treatment, impacting medical decisions and practices as well as current workflow. To meet this objective, patients are placed into different groups based on some relevant similarities to take a medical decision. Precision medicine primarily uses information about a person's clinical records, biological information including proteins (proteomics), genes (genomics), and, more recently, images (radiomics). In the case of cancer, information about the tumor is also incorporated to make a diagnosis, decide on the type of treatment, monitor disease progression or predict treatment response or prognosis. Precision medicine for cancer relies on the use of tumor markers to aid in diagnosis or targeted therapies to treat certain types of cancer. Radiomics is a research field where images are used for their potential in precision medicine. It is defined as the analysis of a large number of extracted features from medical images such as Computed Tomography (CT), Magnetic Resonance Imaging (MRI) or Positron Emission Tomography (PET). These features are used to uncover disease characteristics that fail to be found or quantified by the naked eye. The first step in radiomic analysis in oncology is the lesion segmentation, which is the process of isolating a Region Of Interest (ROI) from other regions with contours. After segmentation, thousands of features can be extracted from the ROI, and then the most relevant ones are selected. Finally, a machine learning algorithm such as Random Forest (RF) or Support Vector Machine (SVM) is applied to identify the best relevant features that predict the outcome. This classical workflow is limited for several reasons: segmentation requires a highly trainable physician, is time consuming and the defined ground truth is physician subjective and prone to error (intra and inter observer variability). Secondly, the handcrafted features defined from the ROI are limited since they are heavily influenced by many factors like the used segmentation method. Therefore, they fail when the ROI is altered. The goal of this thesis is to go beyond the current radiomic paradigm which requires manual extraction of characteristics and replace it by deep radiomics. In our new approach, features are learned along with the prediction of the outcome. To achieve this, we develop different Deep Learning (DL) algorithms to create end-to-end architectures that take an image as input, learn feature representation and outcome prediction. We show that by using DL approach, we can boost the performance of radiomics analysis thanks to the rich information extracted from intratumoral and peritumoral regions.