Méthodes d'intelligence artificielle pour la planification de la chirurgie hépatique à partir d'images médicales : vers un outil d'aide à la décision automatique pour le traitement curatif du carcinome hépatocellulaire

Artificial intelligence methods for liver surgery planning from medical images : towards an automatic decision support tool for the curative treatment of hepatocellular carcinoma

• Auteur / Autrice : Omar Ali
• Direction : Eric Vibert, Irene Vignon-Clementel, Marc-Michel Rohé
• Type : Thèse de doctorat
• Discipline(s) : Ingéniérie des systèmes complexes
• Date : Soutenance le 26/06/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale INTERFACES : approches interdisciplinaires, fondements, applications et innovation
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Partenaire(s) de recherche : Laboratoire : Physiopathogenèse et traitement des maladies du foie (Villejuif, Val-de-Marne ; 2015-....)
• Jury : Président / Présidente : Nathalie Lassau
• Jury : Examinateurs / Examinatrices : Isabelle Bloch, Emmanuel Boleslawski, Stéphane Cotin
• Jury : Rapporteurs / Rapporteuses : Isabelle Bloch, Emmanuel Boleslawski

Mots clés

Mots clés contrôlés

Carcinome hépatocellulaire

Vaisseaux sanguins

Foie -- Chirurgie

Intelligence artificielle

Foie

Apprentissage profond

Mots clés libres

Apprentissage Profond

Segmentation Sémantique

Analyse Topologique d'Arbre Vasculaire

Foie

Prédiction du Risque des Chirurgies du Foie

Jumeaux Numériques

Deep Learning

Semantic Segmentation

Topological Vascular Tree Analysis

Liver

Liver Surgery Risk Prediction

Digital Twins

Résumé

L'objectif de cette thèse est de développer un outil numérique utilisant l'intelligence artificielle pour aider des cliniciens dans leur choix du meilleur traitement curatif du cancer du foie.Les cancers du foie se classant deuxième dans les causes de décès liés au cancer dans le monde. Parmi les traitements curatifs disponibles, la résection du foie reste la plus fréquente, avec des taux de mortalité et de morbidité d'environ 5% et 20% respectivement, et un taux de survie à cinq ans d'environ 50%. Pour planifier des résections hépatiques sûres et réussies, des segmentations préopératoires, en particulier pour le foie, les tumeurs et les vaisseaux hépatiques, sont souvent nécessaires afin de mieux localiser la tumeur dans le foie. Cependant, les segmentations manuelles restent fastidieuses, en particulier lorsqu'il s'agit de délimiter les bords et les petites structures, et le risque des résections hépatiques est généralement évalué soit par des tests biologiques/cliniques préopératoires, qui nécessitent une expertise médicale importante, soit de manière peropératoire à l'aide de paramètres obtenus pendant la résection.À notre connaissance, aucun modèle automatique n'a été proposé dans la littérature pour la segmentation multi-classes simultanée du foie, des tumeurs hépatiques et des vaisseaux du foie (portaux et hépatiques).Cela est dû principalement au manque de large base de données annotées avec des segmentations de référence pour les trois classes. En conséquence, nous proposons une fonction de perte multi-classe pour apprendre conjointement à segmenter le foie, les tumeurs et les vaisseaux à partir de données partiellement annotées. La fonction de perte multi-classe appelée FuSe est introduite pour permettre la segmentation de classes complémentaires qui se chevauchent, tout en gérant simultanément l'union d'images entièrement et partiellement labélisées, ce qui permet d'augmenter la taille des données d'apprentissage. Une version pondérée de FuSe est également évaluée, dans le but de corriger le déséquilibre entre les différents labels. La méthode proposée est entraînée et testée sur des données publiques de référence et permet d'obtenir de segmentations précises pour les trois régions d'intérêt.Pour l'évaluation du risque des résections hépatiques, nous proposons le premier pipeline automatique, quantitatif et interprétable pour prédire la complexité de la résection hépatique uniquement à partir des scans CT préopératoires. En premier, les segmentations du foie, des tumeurs et des vaisseaux hépatiques sont générées à l'aide de réseaux profonds UNet, transformant la région du foie en un jumeau numérique quantifiable, où diverses morphologies peuvent être analysées. Deuxièmement, nous proposons un nouvel algorithme d'élagage de la vascularisation hépatique pour identifier les principaux vaisseaux du foie et définir un nouveau cadre de référence, la "zone centrale hépatique", en tant que représentation visuellement interprétable et spécifique au patient. Troisièmement, des biomarqueurs d'imagerie quantifiant la position de la tumeur par rapport à la zone centrale hépatique sont dérivés (e.g., profondeur de la tumeur), en plus des biomarqueurs quantitatifs tirés des segmentations générées (e.g., volume du foie). Quatrièmement, les biomarqueurs extraits sont utilisés pour entrainer et tester un modèle d'apprentissage automatique de prédiction de la complexité de la résection hépatique. Les prédictions de complexité de la résection hépatique générées par le pipeline proposé surpassent les anticipations individuelles et combinées de complexité préopératoire de cinq chirurgiens hépatiques. L'outil développé peut être utile pour la réorientation des patients atteints de cancer du foie vers des centres médicaux plus adéquats, étendu pour identifier les cas morphologiquement similaires, et aider au choix du type de traitement (résection vs ablation) en fonction de la taille et de la position de la tumeur dans le foie.

The objective of this thesis is to develop a digital decision support tool that can assist clinicians in choosing the curative treatment for liver cancer with the best chance of success based on artificial intelligence.Liver cancers are notable contributors to the global burden of cancer lethality, ranking second in the most common causes of cancer-related deaths. Of the available curative treatments, liver resection continues to be the most frequent, with overall mortality and morbidity rates at roughly 5% and 20% respectively, and a five-year survival rate of approximately 50%. In planning safe and successful liver resections, preoperative segmentations are often required, particularly for the liver, tumors, and hepatic vessels, to better localize the tumor in the liver region. However, manual segmentations remain tedious and time-consuming, particularly when delineating edges and small structures, and the risk of liver resections is generally evaluated either with extensive preoperative medical/clinical tests, which require significant medical expertise, or intraoperatively with parameters obtained during the liver resection.To the best of our knowledge, there are no automatic models proposed in the literature performing simultaneous multi-class liver, liver tumor, and liver vessel (portal and hepatic) segmentation, primarily due to the lack of largely annotated datasets with reference segmentations to the three classes. Accordingly, we propose a multi-class loss function for jointly learning to segment the liver, tumors, and vessels from partially annotated datasets. The multi-class loss function called the FuSe loss is introduced to allow the segmentation of complementary overlapping classes (e.g., liver and vessels), while concurrently handling the union of fully and partially labeled (e.g., missing vessel labels) images, thereby granting an increase in the size of the training dataset. A weighted version of the FuSe loss is also evaluated, with the objective of correcting the imbalance between the different labels. The proposed method is trained and tested on bench-mark public datasets and achieves state-of-the-art segmentations for the three regions of interest.Furthermore, when evaluating the risk of liver resections, we propose the first automatic, quantitative, and interpretable pipeline to predict the intraoperative liver resection complexity solely from preoperative portal phase CT scans. In a first step, the segmentations of the liver, tumors, and hepatic vessels are generated with state-of-the-art UNet deep networks transforming the liver region into a quantifiable AI-based digital twin, where various liver, tumor, and venous vessel morphologies can be analyzed. Second, we propose a novel liver vasculature pruning algorithm to identify the major liver vessels and define a new frame of reference, the “hepatic central zone,” as a visually interpretable patient-specific representation of the identified major vessels. Third, imaging biomarkers quantifying the position of the tumor with respect to the hepatic central zone are derived (e.g., tumor depth), in addition to quantitative biomarkers leveraged from the generated segmentations (e.g., liver volume). Fourth, the extracted imaging biomarkers are leveraged as inputs to train and test a liver resection complexity prediction machine learning model. The liver resection complexity predictions generated with the proposed pipeline outperformed the individual and combined preoperative complexity anticipations of five liver surgeons. The developed tool can be useful for the reorientation of patients with liver cancer towards more adequate medical centers, extended to identify morphologically similar cases, and assist in the chosen type of treatment (resection vs ablation) depending on the size and position of the tumor in the liver.