Intégration hiérarchique de données d’imagerie cardiaque par apprentissage automatique

Hierarchical integration of cardiac imaging data with machine learning

• Auteur / Autrice : Benoit Freiche
• Direction : Patrick Clarysse, Nicolas Duchateau
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et de l'image
• Date : Soutenance le 07/12/2023
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : Laboratoire d'électronique, optoélectronique et microsystèmes (Ecully, Rhône ; 1995-2006)
• 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 : Adrian Basarab
• Jury : Examinateurs / Examinatrices : Patrick Clarysse, Nicolas Duchateau, Su Ruan, Marco Lorenzi, Stéphanie Allassonnière, Diana Mateus
• Jury : Rapporteur / Rapporteuse : Su Ruan, Marco Lorenzi

Mots clés

Mots clés contrôlés

Processus gaussiens latents

Apprentissage automatique

Imagerie par résonance magnétique de diffusion

Infarctus du myocarde

Mots clés libres

Apprentissage de représentations

Fusion d'informations

Réduction de dimensions

Imagerie cardiaque

Infarctus aigü du myocarde

Representation learning

Information fusion

Dimensionality reduction

Cardiac imaging

Acute myocardial infarction

Résumé

L'imagerie médicale fournit des informations fines jusqu'à l'échelle du pixel, sous la forme de données images ou de multiples descripteurs de haute dimension extraits de ces images, que les médecins exploitent pour le diagnostic et le suivi quantitatif des patients. Dans le cadre de cette thèse, nous souhaitons améliorer la caractérisation des lésions myocardiques dans une population de patients ayant subi un infarctus aigu et suivis par imagerie par résonance magnétique (IRM). L'objectif de nos travaux est d'exploiter plusieurs descripteurs de haute dimension provenant des images RM pour mieux caractériser la pathologie et son évolution. À l'heure actuelle, les méthodes d'analyse computationnelle mélangent tous ces types de descripteurs simultanément et sans distinction, stratégie qui montre rapidement ses limites. En effet, les descripteurs peuvent être partiellement corrélés entre eux et/ou avec la pathologie, et représenter une quantité conséquente d'information mais difficile à correctement analyser (données de haute dimension et hétérogènes). Cette stratégie contraste avec la pratique clinique où les médecins, en se basant sur leur expérience, sont capables d'ordonner ces différentes informations et de les traiter de façon progressive selon une approche hiérarchique. Dans cette thèse, nous nous inspirons de cette approche pour proposer une analyse par niveaux hiérarchiques qui incorpore progressivement les différentes informations extraites des images. Nous démontrons sa pertinence pour caractériser l’infarctus aigu du myocarde dans une population de patients à l'aide d'apprentissage de représentation non supervisé. Nos contributions méthodologiques principales concernent la prise en compte et l’exploitation du lien hiérarchique dans les données, dans le cadre de l’apprentissage de représentations. Une première contribution évalue le potentiel d'une hiérarchie à deux niveaux dans le cadre de l'apprentissage de variétés. Une deuxième contribution propose une formulation générique de la hiérarchie en se basant sur une méthode probabiliste, les processus Gaussiens à variable latente. Du point de vue applicatif, nous démontrons la pertinence de ces approches pour l'exploitation directe du contenu d'images RM à rehaussement précoce et tardif, sous-exploitées par les médecins, et pour la caractérisation de lésions du myocarde complexes de par leur forme et leur taille réduite (infarctus et lésions de reperfusion).

Medical imaging provides rich information down to the pixel level, in the form of image data or multiple high-dimensional descriptors extracted from these images, which doctors use for diagnosis and quantitative patient monitoring. In this thesis, we aim to improve the characterisation of myocardial lesions in a population of acute infarction patients monitored by magnetic resonance imaging (MRI). The aim of our work is to exploit several high-dimensional descriptors from MR images to better characterise the pathology and its evolution. Currently, computational analysis methods mix all these types of descriptors simultaneously and indiscriminately, a strategy that quickly shows its limitations. Indeed, the descriptors may be partially correlated with each other and/or with the pathology, and represent a significant amount of information that is difficult to analyse correctly (high-dimensional and heterogeneous data). This strategy contrasts with clinical practice where doctors, based on their experience, are able to order this different information and process it progressively using a hierarchical approach. In this thesis, we draw on this approach to propose a hierarchical analysis that progressively incorporates the different information extracted from the images. We demonstrate its relevance for characterising acute myocardial infarction in a patient population using unsupervised representation learning. Our main methodological contributions involve taking into account and exploiting the hierarchical link in the data, in the context of representation learning. The first contribution evaluates the potential of a two-level hierarchy using manifold learning. A second contribution proposes a generic formulation of the hierarchy based on a probabilistic method, Gaussian processes latent variables models (GP-LVM). From an application point of view, we demonstrate the relevance of these approaches for the direct exploitation of the content of early and late enhancement MR images, which are under-exploited by doctors, and for the characterisation of myocardial lesions that are complex due to their shape and small size (infarcts and reperfusion lesions).