Segmentation automatique des lésions de sclérose en plaques en adéquation avec les contraintes cliniques

Automatic multiple sclerosis lesion segmentation with clinical constraints

• Auteur / Autrice : Alexandre Fenneteau
• Direction : David Helbert, Christophe Habas
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal
• Date : Soutenance le 24/11/2022
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges)
• Partenaire(s) de recherche : Laboratoire : XLIM - XLIM / XLIM
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Jean-Noël Vallée
• Jury : Examinateurs / Examinatrices : Christine Fernandez-Maloigne, Pascal Bourdon
• Jury : Rapporteur / Rapporteuse : Jean-Christophe Burie, Yves Lucas

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle en médecine

Imagerie par résonance magnétique

Traitement d'images -- Techniques numériques

Sclérose en plaques

Mots clés libres

Cnn

Segmentation

Irm

Sclérose en plaques

Semi-Supervisé

Auto-Supervisé

Détection

Cnn

Segmentation

Mri

Multiple sclerosis

Semi-Supervised

Self-Supervised

Detection

Résumé

L’accessibilité d’un outil performant de segmentation des lésions de sclérose en plaques permet de fournir aux radiologues des métriques fiables et reproductibles vers une meilleure prise en charge des malades atteints.Pour rendre plus accessible ce genre d’outil en clinique, nous avons proposé des architectures de réseaux de neurones convolutifs légères et performantes capables d’apprendre sur des stations de travail abordables avec un nombre réduit d’exemples d’apprentissage, en un temps réduit, tout en limitant le risque de surapprentissage.Nous avons mis en place des techniques dans le but de réduire au minimum l’apport en données d’entraînement avec l’autoapprentissage et l’apprentissage semi-supervisé, tout en tenant compte de la qualité des données pour nous apercevoir qu’il suffisait, finalement, de très peu d’examens annotés.Nous présentons aussi, une méthode pour augmenter le nombre de petites lésions détectées qui sont plus difficiles à segmenter ainsi que plus susceptibles d’être omises par le radiologue.Le travail de thèse s’inscrit dans une démarche de recherche pour tirer au mieux parti de la segmentation automatique des lésions pour le radiologue vers une meilleure adoption de tels outils en routine clinique.

The availability of a powerful tool for the segmentation of multiple sclerosis lesions makes it possible to provide radiologists with reliable and reproducible metrics for better care of affected patients.To make this kind of tool more accessible in the clinic, we proposed lightweight and powerful convolutional neural network architectures capable of learning on affordable workstations with a reduced number of training examples, in a reduced time, while limiting the risk of overfitting.We have implemented techniques to minimize the training data with self-supervision and semi-supervised learning, while taking into account the quality of the data source, to realize that very few annotated exams are needed.We also propose, in this manuscript, a method to increase the number of small lesions detected which are more difficult to segment and more likely to be missed by the radiologist.The thesis work is part of a research approach to get the best out of automatic lesion segmentation for the radiologist towards a better adoption of such tools in clinical routine.