Etude des méthodes d'imagerie quantitative pour l'évaluation non invasive de la cirrhose, de l'hypertension portale et de la caractérisation tumorale

Study of quantitative imaging methods for the non-invasive assessment of cirrhosis, portal hypertension and tumour characterisation

• Auteur / Autrice : Riccardo Sartoris
• Direction : Valérie Vilgrain, Maxime Ronot
• Type : Thèse de doctorat
• Discipline(s) : Imageries
• Date : Soutenance le 22/11/2023
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Médicament, toxicologie, chimie, imageries (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche sur l'inflammation (Paris ; 2014-....)
• Jury : Président / Présidente : Olivier Lucidarme
• Jury : Examinateurs / Examinatrices : Sara Boccalini
• Jury : Rapporteur / Rapporteuse : Olivier Lucidarme, Valérie Laurent

Mots clés

Mots clés contrôlés

Imagerie médicale

Imagerie par résonance magnétique

Hypertension portale

Cirrhose hépatique

Marqueurs biologiques

Mots clés libres

Foie

Imaging

Biomarqueur

Cirrhose

Hypertension portale

Nodule hépatique

Imagerie quantitative

Liver

Imaging

Biomarker

Cirrhosis

Portal hypertension

Hepatic nodule

Quantitative imaging

Résumé

Ce travail de thèse explore deux thèmes : 1) la quantification non invasive de l'hypertension portale chez le patient avec cirrhose, en utilisant une nouvelle méthode : la quantification de la nodularité de la surface hépatique (Liver Surface Nodularity ' LSN), soit par scanner que par IRM ; 2) l'évaluation de deux nouvelles outils de segmentation et caractérisation des nodules hépatiques au scanner, basés sur les reconstructions d'apprentissage profonde. Nous avons démontré l'efficacité de la LSN en tant que marqueur non invasif pour l'identification des patients ayant une hypertension portale cliniquement significative, dans différents scénarios cliniques, avec des populations de patients opérés pour un CHC ou avec une transplantation hépatique, permettant une évaluation par rapport au standard de référence représenté par la mesure du gradient de pression (HVPG). En plus, nous avons démontré une performance diagnostique comparable entre la LSN et la mesure de l'élasticité du foie (LSM-TE) et le score combiné LSPS (LSM * rapport taille de la rate / nombre plaquettes), résultant en un AUROC de : 0.87±0.31 ; 0.87±0.04 et 0.85 ± 0.04, respectivement, sans différence significative de la performance diagnostique (DeLong, p=0.28 ; 0.37 ; et 0.65, respectivement). En raison de la rareté des études sur la LSN dans la littérature, nous avons mené une étude visant à définir les critères de qualité pour la mesure de la LSN, en démontrant rigoureusement la meilleure combinaison du nombre de mesures par patient, en maximisant la précision et en minimisant la variabilité. Enfin, nous avons montré que LSN est également réalisable sur des images IRM, avec une précision diagnostique similaire au scanner et une variabilité inter- et intra-opérateur comparable. Ce résultat a permis d'analyser les performances de la LSN sur des images IRM pour l'identification de la fibrose hépatique avancée chez les patients atteints de NASH, notamment après intégration avec le score FIB-4, avec une classification correcte de 73% des patients de la cour d'étude. Enfin, la polyvalence de la LSN a été démontrée dans une étude menée en collaboration avec le département d'hépatologie, dans laquelle la séméiologie scannographique classique a été comparée au biomarqueur quantitatif LSN, pour différencier les patients atteints de cirrhose de ceux présentant une maladie vasculaire porto-sinusoïdale, avec signes d'hypertension portale comparables. La combinaison des signes classiques et de la LSN a permis d'obtenir une précision diagnostique de 84% pour la différentiation des deux pathologies. Pour le deuxième thème de la thèse, nous avons participé à une étude visant à comparer les performances d'un algorithme basé sur l'apprentissage automatique dans l'évaluation des caractéristiques majeures LI-RADS v2018 et la catégorisation des observations hépatiques au scanner par rapport à une évaluation visuelle réalisée par un panel de radiologues. Nos resultats ont démontré que l'algorithme proposé peut évaluer la hypervascularisation à la phase artérielle non-périphérique, le lavage non périphérique et la capsule se rehaussant, selon les critères LI-RADS, et catégoriser les observations du foie au scanner, ce qui pourrait aider les radiologues à normaliser leur compte rendu conformément aux dernières recommandations. Enfin, nous avons participé au développement et à la validation des performances diagnostiques d'un algorithme d'apprentissage profond pour la détection automatique des lésions hépatiques secondaires chez les patients atteints de cancer colorectal, démontrant que l'algorithme possède une précision diagnostique comparable à la lecture humaine, indépendamment de la taille des lésions, de leur localisation et de la présence d'une chimiothérapie avant l'examen scannographique analysé.

This thesis explores two themes: 1) the non-invasive quantification of portal hypertension in patients with cirrhosis, using a new method: the quantification of Liver Surface Nodularity (LSN), either by CT or by MRI; 2) the evaluation of two new tools for the detection and characterisation of liver nodules on CT, based on deep learning reconstructions. We have demonstrated the efficacy of LSN as a non-invasive marker for the identification of patients with clinically significant portal hypertension, in different clinical scenarios, with populations of patients undergoing surgery for HCC or with liver transplantation, allowing for an assessment compared with the reference standard represented by the pressure gradient measurement (HVPG). In addition, we demonstrated comparable diagnostic performance between the LSN and liver elasticity measurement (LSM-TE) and the combined LSPS score (LSM * spleen size/platelet count ratio), resulting in an AUROC of: 0.87±0.31; 0.87±0.04 and 0.85 ± 0.04, respectively, with no significant difference in diagnostic performance (DeLong, p=0.28; 0.37; and 0.65, respectively). Due to the paucity of studies on LSN in the literature, we conducted a study to define quality criteria for LSN measurement, rigorously demonstrating the best combination of number of measurements per patient, maximising accuracy and minimising variability. Finally, we showed that LSN can also be measured on MRI images, with a diagnostic accuracy similar to that of CT scans and comparable inter- and intra-operator variability. This result made it possible to analyse the performance of LSN on MRI images for identifying advanced liver fibrosis in patients with NASH, particularly after integration with the FIB-4 score, with correct classification of 73% of patients in the study group. Finally, the versatility of the LSN was demonstrated in a study carried out in collaboration with the Department of Hepatology, in which conventional scannographic semiology was compared with the quantitative biomarker LSN, to differentiate patients with cirrhosis from those with porto-sinusoidal vascular disease, with comparable signs of portal hypertension. The combination of the classic signs and the LSN gave a diagnostic accuracy of 84% for the differentiation of the two pathologies. For the second theme of the thesis, we took part in a study aimed at comparing the performance of a machine learning-based algorithm in the assessment of major LI-RADS v2018 features and the categorisation of liver findings on CT versus visual assessment by a panel of radiologists. Our results demonstrated that the proposed algorithm can assess hypervascularisation in the non-peripheral arterial phase, non-peripheral washout and enhancing capsule, according to the LI-RADS criteria, and categorise liver CT findings, which could help radiologists to standardise their reporting according to the latest recommendations. Finally, we participated in the development and validation of the diagnostic performance of a deep learning algorithm for the automatic detection of secondary liver lesions in patients with colorectal cancer, demonstrating that the algorithm has a diagnostic accuracy comparable to human reading, independently of lesion size, location and the presence of chemotherapy prior to the scans analysed.