Analyse de données RMN multimodales par intelligence artificielle pour la discrimination binaire du grade du gliome

Multimodal NMR data analysis for binary glioma grade classification using artificial intelligence

• Auteur / Autrice : Paul Dequidt
• Direction : Christine Fernandez-Maloigne, Rémy Guillevin
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 05/02/2021
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)
• Partenaire(s) de recherche : Laboratoire : XLIM - XLIM / XLIM - Unité neurovasculaire et troubles cognitifs / Neuvacod
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Olivier Colot
• Jury : Examinateurs / Examinatrices : Christine Fernandez-Maloigne, Rémy Guillevin, Pascal Bourdon, Benoît Tremblais, Christophe Habas
• Jury : Rapporteurs / Rapporteuses : Su Ruan, Michèle Rombaut

Mots clés

Mots clés contrôlés

Analyse des données

Imagerie pour le diagnostic

Intelligence artificielle en médecine

Imagerie par résonance magnétique

Gliomes

Mots clés libres

Gliome

Irm

Aide au diagnostic automatique

Exploration de données

Glioma

Mri

Computed-Aided diagnosis

Data exploration

Résumé

Les gliomes sont des tumeurs cérébrales dont l'évolution de bas grade à haut grade signe un diagnostic sombre pour le patient.Le grade du gliome est connu via des techniques invasives : analyse de pièce chirurgicale ou biopsie. Le CHU de Poitiers propose une alternative non-invasive via un bilan d'imagerie par résonance magnétique multimodal, regroupant des données anatomiques, de diffusion, de perfusion et de spectroscopie.Dans ce travail de thèse, nous proposons d'implémenter des outils de classification automatique depuis l'analyse de ces images multivariées. Nous déployons pour cela des outils novateurs permettant d'analyser le comportement de classifieurs automatiques. Cela nous amène à pointer des incohérences au sein de la base de données la plus utilisée sur la tâche de classification binaire du grade du gliome. Nous proposons une alternative via un consensus de cinq experts radiologues. Puis, nous créons une chaîne de traitement complète allant de l'acquisition à la classification, et explorons comment les données multimodales améliorent les performances de classification automatique.

Gliomas are brain tumors whose evolution from low to high grade is a sign of a darkened outcome. The grade is assessed through invasive techniques such as or surgery or biopsy. The Poitiers University Hospital develops a non-invasive alternative through multimodal magnetic resonance imaging, including anatomical, diffusion, perfusion and spectroscopy data.In this thesis, we have proposed new tools to analyse an automatic classifier's behaviour. This help us underline inconsistencies within the most popular database used for glioma binary grade classification. We have proposed an alternative through a consensus of five expert radiologists.Then, we have designed a pipeline for automatic data processing, from the acquisition to the classification, and explore how multimodal data can enhance the classifier's performances.