Imagerie Fonctionnelle Pulmonaire Dérivée du Recalage d'Images Tomodensitométriques

CT Registration-Derived Lung Function Imaging

• Auteur / Autrice : Mohammad Mehdi Shekarnabi
• Direction : Sam Bayat, Maciej Orkisz
• Type : Thèse de doctorat
• Discipline(s) : Biotechnologie, instrumentation, signal et imagerie pour la biologie, la médecine et l'environnement
• Date : Soutenance le 13/11/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Rayonnement synchrotron pour la recherche biomédicale (Grenoble)
• Jury : Président / Présidente : Alice Caplier
• Jury : Examinateurs / Examinatrices : Maria Alejandra Zuluaga Valencia
• Jury : Rapporteur / Rapporteuse : Catalin Iulian Fetita, Andrea Aliverti

Mots clés

Mots clés contrôlés

Apprentissage profond

Poumon -- Maladies

Imagerie

Appareil respiratoire

Mots clés libres

Segmentation CT pulmonaire

Recalage CT pulmonaire

Imagerie ventilatoire CT

Fonction pulmonaire régionale

CT ventilation imaging

Lung CT registration

Regional lung function

Lung CT segmentation

Résumé

La fonction des poumons est réalisée à travers les processus de ventilation et de perfusion.Une correspondance optimale entre ventilation et perfusion assure un échange gazeux efficace.Cependant, une altération localisée et hétérogène de la ventilation alvéolaire est observée dansplusieurs maladies pulmonaires, en particulier à la suite d’altérations mécaniques du tissu pulmonaireet des voies respiratoires. Néanmoins, les tests standard de fonction pulmonaire nedétectent pas les altérations locales de la biomécanique pulmonaire. La tomodensitométrie estla méthode de référence pour l’imagerie pulmonaire, grâce à sa capacité à représenter une morphologieparenchymateuse détaillée et à sa grande accessibilité. Parce que le changement decontenu gazeux local avec l’inflation modifie l’atténuation des rayons X du parenchyme pulmonaire,la CT peut informer sur le changement de volume pulmonaire régional entre les images acquises àdifférents états d’inflation. Cependant, puisque la morphologie 3D du poumon change égalementavec le volume, les images de poumon doivent être précisément isolées des tissus environnantset appariées ou recalées. Dans cette thèse, l’application de l’imagerie fonctionnelle basée surle recalage d’image CT (CTFI) est étudiée dans le contexte de bronchopneumopathie chroniqueobstructive (BPCO) et du syndrome de détresse respiratoire aiguë (SDRA). Ces deux principalesmaladies pulmonaires sont caractérisées par une inhomogénéité mécanique régionale et ont un impact significatif sur la santé publique. Dans un premier temps, nous avons examiné la relationentre CTFI et la fonction pulmonaire globale, l’échange gazeux, la capacité à l’exercice et lessymptômes chez les sujets atteints de BPCO. Dans un second temps, la capacité des paramètresCTFI à regrouper les patients SDRA a été étudiée. Cette analyse a conduit à l’identification de trois sous-groupes, dont l’un avait un risque de mortalité 3,7 fois plus élevé. Enfin, un algorithmed’apprentissage profond est présenté, effectuant de manière conjointe la segmentation et le recalaged’image, visant à automatiser entièrement le processus de traitement d’image pour CTFI.Bien que les résultats obtenus soient prometteurs, des recherches supplémentaires sont nécessairespour optimiser les besoins computationnels et valider la performance du modèle sur desbases de données plus vastes afin d’évaluer sa capacité de généralisation. En conclusion, cetravail a exploré l’intérêt du CTFI dans la caractérisation de la fonction pulmonaire régionale etapporte un éclairage sur les mécanismes des maladies pulmonaires majeures. Il met en évidencele potentiel de CTFI pour permettre des stratégies de traitement personnalisées, le phénotypagedes maladies, et propose une solution entièrement automatisée. Comme nous continuons à perfectionner nos méthodes, à élargir nos bases de données et à relever les défis restants, l’avenir du CTFI semble prometteur pour une amélioration notable de la prise en charge et du devenir des patients atteints de maladies respiratoires.

The function of the lungs is achieved through the processes of ventilation and perfusion. Optimalmatching of ventilation and perfusion ensures efficient gas exchange. However, localizedand heterogeneous impairment in alveolar ventilation is observed in several pulmonary diseases,particularly as a consequence of mechanical alterations in the lung tissue and airways. Yet, localalterations in lung biomechanics are not detected by standard pulmonary function tests. Computedtomography is the reference method for lung imaging, due to its ability to resolve detailed parenchymalmorphology, and to its wide accessibility. Because the change in local gas content with inflationmodifies the x-ray attenuation of the lung parenchyma, CT can inform on the regional lung volumechange between images acquired at different inflation states. Nonetheless, since the 3D morphologyof the lung also changes with volume, the lung images need to be precisely isolated fromsurrounding tissue and matched or registered. In this thesis, the application of CT registrationbasedfunctional imaging (CTFI) is investigated in the context of chronic obstructive pulmonarydisease (COPD) and acute respiratory distress syndrome (ARDS). These two major lung diseasesare characterized by regional mechanical inhomogeneity and a significant public health impact.First, we examined the relation between CTFI and global lung function, gas exchange, exercisecapacity and symptoms in COPD subjects. Subsequently, the capacity of CTFI parameters in clusteringARDS patients was investigated. This analysis resulted in identification of three subgroups,one of which had a 3.7 times higher risk of mortality. Finally, a joint deep learning-based segmentationand registration algorithm is presented that aims to fully automate the image processingframework for CTFI. While the results obtained are promising, further research is needed to optimizethe computational requirements and validate the model’s performance on larger datasets toassess the generalizability. In conclusion, this work investigated the value of CTFI in describingregional lung function and providing insights into major lung disease mechanisms. It highlights thepotential of CTFI in enabling personalized treatment strategies, disease phenotyping, and offers afully automated framework. As we strive to refine our methods, expand our datasets, and addressremaining challenges, the future of CTFI holds great promise for significantly improving patientcare and outcomes in respiratory disease.