Thèse soutenue

Méthodes d'Intelligence Artificielle pour l'Aide au Diagnostic des Maladies du Pancréas en Radiologie

FR  |  
EN
Auteur / Autrice : Rebeca Vétil
Direction : Isabelle BlochPietro GoriMarc-Michel Rohé
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 23/04/2024
Etablissement(s) : Institut polytechnique de Paris
Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....) - Laboratoire de Traitement et Communication de l'Information
Etablissement opérateur d'inscription : Télécom Paris (Palaiseau, Essonne ; 1878-....)
Jury : Président / Présidente : Nicholas Ayache
Examinateurs / Examinatrices : Nicholas Ayache, Maria Alejandra Zuluaga Valencia, Olivier Bernard, Loïc Boussel
Rapporteur / Rapporteuse : Maria Alejandra Zuluaga Valencia, Olivier Bernard

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Avec l’augmentation de son incidence et son taux de survie à cinq ans (9%), le cancer du pancréas pourrait devenir la troisième cause de décès par cancer d’ici 2025.Ces chiffres sont notamment dus aux diagnostics tardifs, limitant les options thérapeutiques. Cette thèse vise à assister les radiologues dans le diagnostic du cancer du pancréas sur des images scanner grâce à des outils d’intelligence artificielle (IA) qui faciliteraient un diagnostic précoce. Pour atteindre ces objectifs, trois pistes de recherche ont été explorées. Premièrement, une méthode de segmentation automatique du pancréas a été développée. Le pancréas présentant une forme allongée et des extrémités subtiles, la méthode proposée utilise des informations géométriques pour ajuster localement la sensibilité de la segmentation. Deuxièmement, une méthode réalise la détection des lésions et de la dilatation du canal pancréatique principal (CPP), deux signes cruciaux du cancer du pancréas. La méthode proposée commence par segmenter le pancréas, les lésions et le CPP. Ensuite, des caractéristiques quantitatives sont extraites des segmentations prédites puis utilisées pour prédire la présence d’une lésion et la dilatation du CPP. La robustesse de la méthode est de montrer sur une base externe de 756 patients. Dernièrement, afin de permettre un diagnostic précoce, deux approches sont proposées pour détecter des signes secondaires. La première utilise un grand nombre de masques de segmentation de pancréas sains pour apprendre un modèle normatif des formes du pancréas. Ce modèle est ensuite exploité pour détecter des formes anormales, en utilisant des méthodes de détection d’anomalies avec peu ou pas d’exemples d’entraînement. La seconde approche s’appuie sur deux types de radiomiques : les radiomiques profonds (RP), extraits par des réseaux de neurones profonds, et les radiomiques manuels (RM), calculés à partir de formules prédéfinies. La méthode extrait des RP non redondants par rapport à un ensemble prédéterminé de RM afin de compléter l’information déjà contenue. Les résultats montrent que cette méthode détecte Efficacement quatre signes secondaires : la forme anormale, l’atrophie, l’infiltration de graisse et la sénilité. Pour élaborer ces méthodes, une base de données de 2800 examens a été constituée, ce qui en fait l’une des plus importantes pour la recherche en IA sur le cancer du pancréas.