Analyse d'images d'échographie abdominale basée sur l'IA pour aider au diagnostic médical

AI-based analysis of abdominal ultrasound images to support medical diagnosis

• Auteur / Autrice : Hind Dadoun
• Direction : Nicholas Ayache, Hervé Delingette
• Type : Thèse de doctorat
• Discipline(s) : Automatique et traitement du signal et des images
• Date : Soutenance le 06/12/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Isabelle Bloch
• Jury : Examinateurs / Examinatrices : Nicholas Ayache, Hervé Delingette, Isabelle Bloch, J. Alison Noble, Daniel Rueckert, Anne-Laure Rousseau
• Jury : Rapporteurs / Rapporteuses : Isabelle Bloch, J. Alison Noble, Daniel Rueckert

Mots clés

Mots clés contrôlés

Traitement automatique du langage naturel

Apprentissage supervisé (intelligence artificielle)

Reconnaissance d'objets (informatique)

Statistique bayésienne

Abdomen -- Échographie

Imagerie ultrasonore

Mots clés libres

Imagerie ultrasonore

Apprentissage bayésien

Détection d'objets

Apprentissage auto-supervisé

Apprentissage semi-supervisé

Traitement du langage naturel

Ultrasound imaging

Bayesian learning

Object detection

Self-supervised learning

Semi-supervised learning

Natural language processing

Résumé

L'objectif de notre étude est d'analyser comment les outils d'apprentissage automatique peuvent être adaptés pour être utilisés pour l'interprétation automatique d'images d'échographie abdominale, en prenant en compte une difficulté majeure: l'absence de bases de données d'échographie abdominale conservées, annotées et librement accessibles. Dans cette thèse, nous détaillerons ces défis et indiquerons des premiers éléments pour pallier certains d'entre eux.Le chapitre 2 décrit la construction d'une grande base de données d'échographie abdominale provenant d'un hôpital universitaire où un total de 8011 examens d'échographie abdominale (120 593 images) de 6482 patients ont été extraits, ainsi que les rapports médicaux correspondants. Nous nous concentrons sur la documentation du jeu de données, y compris ses caractéristiques et la collecte des données, ainsi que sur une évaluation critique des biais du jeu de données et des instances mal étiquetées.Dans le chapitre 3, nous proposons un logiciel de prétraitement pour les images échographiques qui permet à la fois une parfaite désidentification des images et la standardisation de leur contenu. La méthode permet la délimitation du cône d'acquisition en échographie et le remplissage des annotations (lignes, caractères) à l'intérieur du cône en combinant une approche probabiliste paramétrique avec un réseau de segmentation, en plus des méthodes de remplissage automatique.Dans le chapitre 4, nous avons mené une étude pour entraîner et évaluer les performances d'un réseau de neurone profond sur une tâche spécifique autour de l'imagerie échographique, en présence d'une quantité raisonnable de données sans bruit et hautement étiquetées. Ses performances sont ensuite comparées à celle de soignants ayant différents niveaux d'expertise. La détection, la localisation et la caractérisation des lésions focales du foie dans les images échographiques en mode B ont été choisies comme cadre de cette étude : d'abord, car cette tâche a un intérêt clinique bien documenté, et ensuite, car les études précédentes se sont concentrées uniquement sur la caractérisation des lésions en omettant les tâches de détection et de localisation des lésions dans le foie.Le chapitre 5 explore comment les données non étiquetées peuvent être exploitées pour améliorer les représentations visuelles apprises en utilisant l'apprentissage auto-supervisé et/ou semi-supervisé pour la classification des organes abdominaux. En particulier, nous proposons d'adapter deux méthodes multi-classes de pointe au contexte de la classification multi-labels : le clustering profond avec PICA, et l'apprentissage semi-supervisé avec FixMatch.Enfin, nous discutons des défis restants et des orientations futures potentielles.

The focus of our study is to analyze how machine learning tools can be used for the automatic interpretation of abdominal ultrasound images, with a major setback : the absence of curated, annotated and openly available abdominal US databases. In this thesis, we will detail those challenges and point out first elements to alleviate some of them.Chapter 2 describes the construction of a large abdominal ultrasound database where a total of 8011 abdominal ultrasound examinations (120 593 images) from 6482 patients were extracted, along with the corresponding medical reports from a university hospital. We focus on the documentation of the dataset, including its characteristics and data collection, as well as a critical evaluation of dataset biases, and mislabeled instances.In Chapter 3, we propose a preprocessing pipeline for ultrasound images that results in both a perfect de-identification of the images as well as the standardization of their content. The method allows for the delimitation of the acquisition cone in ultrasound imaging and the inpainting of annotations (lines, characters) inside the cone by combining a parametric probabilistic approach with a segmentation network, in addition to inpainting methods.In Chapter4, we conducted a study to train and evaluate the performance of a deep learning-based network on a specific task around ultrasound imaging, when given access to a reasonable amount of highly labeled noise-free data, and compare its performance to that of caregivers with different levels of expertise. The detection, localization, and characterization of focal liver lesions in B-mode ultrasound images were chosen as the setting for this study : first, because this task has a well documented clinical interest, and second, because previous studies have focused solely on lesion characterization while omitting the tasks of lesion detection and localization in the liver.Chapter 5 explores how unlabeled data can be leveraged to improve the learned representation of features using either self-supervised and/or semi-supervised learning for abdominal organ classification. In particular we propose to adapt two state-of-the-art multi-class methods to the multi-label classification setting: deep clustering with PICA, and semi-supervised learning with FixMatch.Finally, we discuss remaining challenges and potential future directions.