Aide au diagnostic du cancer de la prostate à partir d'IRM multiparamétrique à l'aide de l'apprentissage profond

AI-based diagnosis of prostate cancer from multiparametric MRI

• Auteur / Autrice : Dimitri Hamzaoui
• Direction : Hervé Delingette, Nicholas Ayache
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance le 26/06/2023
• 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 : Olivier Rouviere
• Jury : Examinateurs / Examinatrices : Hervé Delingette, Nicholas Ayache, Olivier Rouviere, Carole Lartizien, Bjoern Menze, Raphaële Renard-Penna, Marc-Michel Rohé
• Jury : Rapporteurs / Rapporteuses : Carole Lartizien, Bjoern Menze

Mots clés

Mots clés contrôlés

Diagnostic

Prostate -- Cancer

Apprentissage profond

Intelligence artificielle

Traitement d'images -- Techniques numériques

Imagerie par résonance magnétique

Mots clés libres

Apprentissage profond

Prostate-cancer

Variabilité inter-expert

Segmentation

Consensus

Imagerie médicale

Intelligence artificielle

Machine learning

Prostate-cancer

Inter-expert variability

Segmentation

Consensus

Medical imaging

Artificial intelligence

Résumé

L'objectif de notre travail est le développement d'une méthode de détection du cancer de la prostate à partir de séquences IRM multiparamétriques. Dans cette thèse, nous détaillons les principales sources de difficultés dans le développement d'une telle méthode ainsi que les moyens de les surmonter.Le chapitre 2 traite de la variabilité inter-experts des estimations de volume et des segmentations zonales de la prostate, deux facteurs importants pour l'établissement du diagnostic et la construction des bases de données nécessaires à l'entraînement des méthodes automatiques. Nous exploitons une base de données de 40 cas pour lesquels 7 radiologues de différents niveaux ont fourni des segmentations zonales ainsi que des estimations de volume. Nous évaluons leurs différences en fonction de l'expérience des cliniciens, des méthodes d'estimation utilisées et de certaines caractéristiques des prostates considérées. Pour la génération des masques de segmentation, nous montrons que la variabilité est la plus élevée à l'apex et à la base de la prostate, et qu'elle est indépendante de l'expérience des radiologues. En outre, nous montrons que la méthode la plus robuste d'estimation du volume d'une prostate consiste à le calculer directement à partir de sa segmentation.Dans le chapitre 3, nous présentons une nouvelle méthode pour fusionner les masques de segmentation binaires fournis par plusieurs annotateurs en une seule segmentation consensuelle. L'algorithme MACCHIATO repose sur la combinaison de moyennes de Fréchet locales pour des distances bien choisies. Il diffère des deux principales méthodes existantes de détermination du consensus (moyenne et STAPLE) sur deux points : contrairement à la moyenne, il n'est pas calculé au niveau du voxel, et contrairement à STAPLE, il est indépendant de la taille du fond. Nous présentons les différences entre les consensus produits par les trois méthodes et montrons que notre méthode peut être placée entre les deux autres méthodes en ce qui concerne la taille du consensus. En outre, nous effectuons une analyse approfondie de l'algorithme STAPLE et montrons ses limites, en particulier lorsque la taille du fond est importante.Le chapitre 4 présente une méthode basée sur un réseau neuronal profond et des mécanismes d'attention pour la segmentation zonale de la prostate à partir de séquences d'IRM T2 2D et/ou 3D. Nous évaluons notre méthode sur deux bases de données et montrons qu'elle se situe au même niveau que les méthodes de l'état de l'art pour la segmentation automatique et que les 7 radiologues disponibles, avec des performances similaires à ceux-ci sans les surpasser. Enfin, nous mesurons l'impact de notre méthode sur la détermination de la localisation des tumeurs, tant au niveau zonal que sectoriel, avec des résultats prometteurs sur leur précision de localisation.Dans le chapitre 5, nous étudions l'influence de la qualité des annotations et de la taille de l'ensemble de données sur une méthode de détection du cancer de la prostate. À cette fin, nous développons deux méthodes de pseudo-étiquetage basées sur des annotations faibles de la position des lésions extraites des informations radiologiques : la première basée sur le secteur de la prostate uniquement, et la seconde comprenant également des informations sur l'intensité et la taille. La méthode de détection des lésions est un réseau d'apprentissage profond prenant comme entrées l'IRM biparamétrique et la segmentation zonale. Ce réseau a été entraîné à l'aide de chaque méthode de pseudo-étiquetage sur un vaste ensemble de données faiblement annotées, avec ou sans l'inclusion d'un petit nombre de cas entièrement annotés. Nous comparons ces configurations au niveau du patient et de la lésion à un réseau entraîné uniquement sur un ensemble de données entièrement annotées.Enfin, nous discutons des domaines d'amélioration possibles et des défis qui restent à relever.

The objective of our work is the development of a method for the detection of prostate cancer from multiparametric MRI sequences. In this thesis, we detail the main sources of difficulties in the development of such a method as well as ways to overcome them.Chapter 2 deals with the inter-rater variability of volume estimates and zonal segmentations of the prostate, two important factors for the establishment of the diagnosis and the construction of the databases necessary for the training of automatic methods. We exploit a database of 40 cases for which 7 radiologists of various levels have provided zonal segmentations as well as volume estimates. We evaluate their variations depending on the experience of the clinicians, the estimation methods used and some characteristics of the considered prostates. For the generation of segmentation masks, we show that variability is the highest at the apex and base of the prostate, and that it is independent of radiologists' experience. Furthermore, we show that the most robust volume estimation method for a prostate is to compute it directly from its segmentation.In chapter 3 we introduce a new method to merge binary segmentation masks provided by several raters into a single consensus segmentation. The introduced MACCHIATO algorithm is based on the combination of local Fréchet means for well-chosen distances. It differs from the two main existing consensus determination methods (Averaging and STAPLE) on two points: contrary to averaging it is not computed at the voxel-level, and contrary to STAPLE it is independent of the background size. We exhibit the differences between the consensus produced by the three methods and show that our method can be placed between the two other methods with regards to consensus size. In addition, we make an in-depth analysis of the STAPLE algorithm and show its limitations, especially in case of large background size.Chapter 4 presents a method based on deep neural network and attention mechanisms for the zonal segmentation of the prostate from 2D and/or 3D T2 MRI sequences. We evaluate our method on two databases and show that our method was on par with state-of-the-art methods for automatic segmentation and with the 7 available radiologists, being in the middle of the pack. Finally, we measure the impact that our method has on the determination of tumor location, both at the zonal and sector levels, with promising results on their localization accuracy.In chapter 5 we study the influence of annotation quality and dataset size on a prostate cancer detection method. To this end, we develop two pseudo-labeling methods based on weak annotations of the lesion position extracted from radiological information: the former based on prostate sector only, and the latter also including intensity and size information. The lesion detection method is a deep learning network taking as inputs biparametric MRI and zonal segmentation. This network was trained using each pseudo-labelling method on a large weakly annotated dataset, with or without the inclusion of a small amount of fully annotated cases. We compare those configurations at both patient and lesion levels to a network trained only on a fully annotated dataset.Finally, we discuss areas of potential improvement and remaining challenges.