Quantification de l’aération pulmonaire sur des images CT de patients atteints du syndrome de détresse respiratoire aiguë
Auteur / Autrice : | Ludmilla Penarrubia |
Direction : | Jean-Christophe Richard, Maciej Orkisz, Emmanuel Roux |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du signal et des images |
Date : | Soutenance le 05/12/2022 |
Etablissement(s) : | Lyon 1 |
Ecole(s) doctorale(s) : | École doctorale Interdisciplinaire Sciences-Santé (Villeurbanne ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) |
Jury : | Président / Présidente : Caroline Petitjean |
Examinateurs / Examinatrices : Alain Lalande, Diana Mateus, Loïc Boussel, Maria Alejandra Zuluaga Valencia | |
Rapporteurs / Rapporteuses : Alain Lalande, Diana Mateus |
Mots clés
Résumé
Le syndrome de détresse respiratoire aiguë (SDRA) provoque un dérèglement de l'équilibre vital entre oxygène apporté et dioxyde de carbone évacué par le système respiratoire. En effet, les alvéoles qui composent les poumons sont collabées ou remplies de liquide en cas de SDRA, ce qui empêche le processus normal de ventilation. Pour maintenir en vie les patients diagnostiqués du SDRA, le recours à la ventilation mécanique est systématique. Cette dernière permet de rétablir l'équilibre oxygène-dioxyde de carbone, mais peut provoquer des lésions pulmonaires supplémentaires. Dans le but de réduire ces lésions et adapter la prise en charge de chaque patient, il est nécessaire de quantifier l'aération pulmonaire. L'image tomodensitométrique (ou CT pour computed tomography), déjà utilisée en clinique dans le processus diagnostique, permet cette quantification, car elle contient des informations de densité, mais exige une segmentation préliminaire des poumons. Cette thèse propose d'automatiser la tâche de segmentation des poumons sur les images CT. L'apprentissage profond supervisé est utilisé pour répondre au défi que constitue la segmentation de poumons peu contrastés, car présentant des lésions denses. L'accent est mis sur l'importance des données et de la manière dont celles-ci sont présentées au modèle lors de l'entraînement. Divers aspects de la gestion des données, tels que le transfert d'apprentissage, les détails du contexte, la diversité ou encore la pertinence de l'information traitée, sont explorés en utilisant des architectures de U-net 2D ou 3D. Enfin, dans le contexte pré-clinique, un modèle de production est proposé pour la segmentation des poumons de patients avec SDRA afin d'améliorer leur prise en charge par le réglage personnalisé de la ventilation mécanique.