Applications de Machine Learning dans le domaine de diagnostic médical, cas d'utilisation : métastases osseuses

Machine Learning Applications in Medical Diagnosis, case study : bone metastasis

• Auteur / Autrice : Marwa Afnouch
• Direction : Abdelmalik Taleb-Ahmed, Mohamed Abid, Olfa Gaddour
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'information et de la communication
• Date : Soutenance le 18/12/2023
• Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale polytechnique Hauts-de-France (Valenciennes, Nord ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'Electronique, de Microélectronique et de Nanotechnologie - Laboratoire de recherche "Computer & embedded systems" (Sfax, Tunisie ; 2002-....)
• Partenaire(s) de recherche : Etablissement délivrant conjointement le doctorat : Institut national des sciences appliquées Hauts-de-France (Valenciennes, Nord ; 2019-....)
• Jury : Président / Présidente : Frédéric Chausse
• Jury : Examinateurs / Examinatrices : Abdelmalik Taleb-Ahmed, Mohamed Abid, Olfa Gaddour, Frédéric Chausse, Nawres Khalifa, Jacques Boonaert, Dorra Sellami-Masmoudi
• Jury : Rapporteurs / Rapporteuses : Frédéric Chausse, Nawres Khalifa

Mots clés

Mots clés contrôlés

Métastases osseuses

Simulation par ordinateur

Diagnostic

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Apprentissage profond

Diagnostic médicale

Machine Learning

Deep Learning

Medical Diagnosis

Applications

Résumé

Les métastases sont un groupe de cellules anormales qui se développe en dehors des limites de l’organe d’origine et se propagent à d’autres organes. En particulier, les métastases osseuses proviennent d’un organe du corps, tel que le sein, le poumon ou la prostate, et se propagent à l’os. Bien que cette maladie ait été découverte il y a plus d’un siècle, elle n’est toujours pas bien définie et les traitements existants sont peu efficaces, probablement parce qu’elle est difficile et longue à détecter. Pour aider les médecins, les nouvelles techniques d’apprentissage automatique sont une solution pour améliorer la précision globale. Cette thèse vise à aider les radiologues à détecter systématiquement les métastases osseuses à l’aide d’algorithmes d’apprentissage automatique. Cependant, La découverte de biais méthodologiques dans les études sur le diagnostic des métastases osseuses et l’absence de consensus sur l’interprétabilité de l’apprentissage automatique ont déplacé l’objectif de cette thèse. Elle se concentre désormais principalement sur la collecte de données et sur la résolution des problèmes de validation et d’interprétabilité de l’apprentissage automatique. Afin d’évaluer correctement la capacité de l’apprentissage automatique à détecter les métastases osseuses, trois études expérimentales ont été menées. La première propose une nouvelle approche de segmentation soutenue par un mécanisme d’attention pour localiser les lésions osseuses. La deuxième est une étude des méthodes d’apprentissage automatique pour l’identification des cas de métastases osseuses. Enfin, la dernière étude met en évidence le manque de robustesse de la classification à l’aide de méthodes d’apprentissage automatique et propose une méthode pour améliorer la précision basée à la fois sur l’approche CNN et Transformer. Les résultats expérimentaux de cette thèse sont évalués sur l’ensemble de données BM-Seg que nous avons introduit, qui est le premier ensemble de données de référence pour la segmentation et la classification des métastases osseuses à l’aide de tomodensitogrammes. Cette base de données open source a été utilisé pour améliorer la reproductibilité des expériences d’apprentissage automatique. Les résultats trouvés lors des différentes études préliminaires sont encourageants et prometteurs.

Metastases are a group of abnormal cells that develop outside the original organ bound aries and spread to other organs. In particular, bone metastases originate in one organ of the body, such as the breast, lung, or prostate, and spread to the bone. Although this disease was discovered more than a century ago, it is still not well defined, and exist ing treatments are weakly effective, possibly because it is difficult and time-consuming to detect. To help physicians, new machine learning technologies promise to improve overall accuracy. This dissertation aims to help radiologists routinely detect bone metas tases using machine learning algorithms. The discovery of methodological biases in studies of bone metastasis diagnosis and the lack of consensus on the interpretability of machine learning have shifted the focus of this dissertation. It now focuses primarily on data collection and overcoming the challenges of validation and interpretability of machine learning. In order to properly assess the ability of machine learning to detect bone metastases, three experimental studies were conducted. The first proposing a novel segmentation approach supported by an attention mechanism to localize bone lesions. The second is a study of machine learning methods for identifying bone metastases cases. Finally, the last study highlights the lack of robustness of classification using machine learning methods and proposes a method to improve accuracy based on both CNN and Transformer approaches. The experimental results of this dissertation are evaluated on our introduced BM-Seg dataset, which is the first benchmark dataset for bone metasta sis segmentation and classification using CT-scans. This novel open-source dataset was used to improve the reproducibility of machine learning experiments. The results of the various preliminary studies are encouraging and promising.