Thèse soutenue

Nouvelles approches radiomiques pour la caractérisation de tumeurs hépatiques par analyse d’images
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Farid Ouhmich
Direction : Fabrice HeitzVincent Noblet
Type : Thèse de doctorat
Discipline(s) : Informatique / Traitement d'images médicales
Date : Soutenance le 08/06/2021
Etablissement(s) : Strasbourg
Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg)
Jury : Président / Présidente : Jean-Baptiste Fasquel
Examinateurs / Examinatrices : Vincent Agnus
Rapporteurs / Rapporteuses : Jean-Baptiste Fasquel, Carole Lartizien

Résumé

FR  |  
EN

Afin de caractériser une tumeur hépatique, une biopsie est le plus souvent réalisée, suivie d'une analyse anatomo-pathologique des tissus prélevés. Cependant, en raison de la faible taille des tissus prélevés, la biopsie ne permet pas de rendre compte de l'hétérogénéité intra et inter-patient, d'où sa difficulté à estimer précisément les caractéristiques phénotypiques des patients. Les progrès récents en imagerie médicale et en science des données ont permis l'émergence d'une nouvelle technique nommée radiomique, qui répond en partie à ces problématiques. Dans cette thèse, nous nous sommes intéressés aux hépatocarcinomes cellulaires, et nous avons implémentés de nouvelles méthodes d'imagerie pour caractériser cette pathologie. En incorporant l'information multiphase, des réseaux de neurones spécialisés de type U-Net ont été empilés en cascade pour effectuer une segmentation sémantique du foie et de ses différentes structures (parenchyme, parties active & nécrotique de la tumeur). Pour caractériser l'hétérogénéité présente dans la tumeur, nous avons prédit le grade histologique à une échelle locale (prédiction par coupe), et cela en réutilisant les descripteurs appris par le réseau de segmentation sémantique. Nos résultats préliminaires nous permettent de produire une carte séparant les zones bien différenciées des zones faiblement différenciées. Bien que nos résultats doivent être confirmés sur de plus larges cohortes, nous pensons que les images médicales combinées aux techniques d'apprentissage profond pourraient être introduites prochainement dans le workflow clinique pour aider à diagnostiquer et à évaluer les caractéristiques phénotypiques de pathologies comme le cancer du foie.