TRAITEMENT AUTOMATIQUE POUR LA PRÉDICTION DE LA SURVIE DE PATIENTS PRÉSENTANT UNE TUMEUR CEREBRALE.

DEEP LEARNING FOR SURVIVAL PREDICTION OF PATIENTS WITH BRAIN TUMOR.

• Auteur / Autrice : Jean-Philippe Congé
• Direction : Vincent Vigneron, Hichem Maaref
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 01/04/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : SIAM : Signal, Image, AutoMatique
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne

Mots clés

Mots clés libres

Segmentation d'images

Ictus;

Apprentissage profond

Diagnostic médical

Décision statistique

Medical diagnosis

Deep learnin

Image segmentation

Seizure

Statistical decision

Résumé

Les tumeurs cérébrales sont relativement rares : seulement 2% des cancers, soit une incidence de 18 cas pour 100,000 habitants. Soit 540,000 à l'échelle mondiale. Mais une morbidité importante puisqu'une personne diagnostiquée pour une tumeur au cerveau aurait seulement, en moyenne, 18 % de chances de vivre plus de 5 ans à la suite de son diagnostic comparativement à une personne dans la population générale [4]. Grâce aux récents progrès en imagerie et en neurochirurgie, la neuro-oncologie opère une mutation importante laissant envisager des techniques de traitements plus ciblées et des progrès en termes de résultats tant sur la survie que sur le statut fonctionnel. Ces tumeurs sont extrêmement diversifiées dans leur localisation, leur caractère (bénin ou cancéreux) et leur grade. La majorité des lymphosarcomes du SNC (système nerveux central) sont des glioblastomes qui sont aussi les plus agressifs. Des techniques d'imagerie par résonance magnétique (IRM) fonctionnelle avancées vont à l'avenir améliorer considérablement la précision diagnostique de l'imagerie, facilitant ainsi le recours à une méthode de diagnostic non invasive [5,6] De plus, ces techniques d'imagerie peuvent jouer un rôle crucial dans la planification de thérapies ciblées, la pronostic et le suivi de la réponse au traitement. Le but principal de l'imagerie est d'orienter le diagnostic vers une hypothèse de pathologie et/ou d'éliminer les autres (accident vasculaire cérébral ischémique, gliome malin, autres encéphalopathies, etc…). L'imagerie participe à la décision d'opérabilité, autant que le potentiel évolutif de la tumeur calculé à partir de la pente de croissance entre deux examens successifs à 4 mois d'intervalle. L'intelligence artificielle (IA) permet à partir des modalités IRM (T1, FLAIR ou T2) une évaluation quantitative plutôt que qualitative des caractéristiques radiographiques de la tumeur, processus également 'radiomique' [1] L'utilisation de réseaux de neurones à convolutionnels (CNN) permet l'extraction automatisée de fonctions d'imagerie et l'identification de relations non linéaires dans des données complexes. Plusieurs études ont démontré en effet que les techniques d'apprentissage automatique comme les CNN avaient une capacité de décrire de manière non invasive des phénotypes tumoraux avec un pouvoir prédictif supérieur aux mesures cliniques de routine [2,3,4,7] Elles calculent des caractéristiques pour la description quantitative d'images qui permettent de détecter des biomarqueurs avec succès pour l'évaluation de la réponse et la prédiction des résultats cliniques. Les progrès récents en apprentissage en profondeur [6] ont démontré des applications réussies en analyse d'image sans vérité terrain. L'objectif de cette thèse est d'utiliser l'IA sous forme d'apprentissage profond, en particulier les CNN, pour prédire la survie et d'autres paramètres cliniques des patients atteints de lymphosarcomes en intégrant des images multimodales d'IRM et de suivi [11,12]. Deux ensembles de méta-données contenant des patients avec un diagnostic de gliome similaire seront traités avec des schémas différents. Dans le premier ensemble de données, nous développerons et évaluerons des modèles d'apprentissage profond. La validation du réseau sera évaluée sur le deuxième ensemble de données patients traités. La localisation des tumeurs sera faite à partir d'une segmentation volumétrique (vérité terrain) réalisée sur le premier ensemble de données. Les prévisions de survie des patients pourront être comparées à l'évaluation de la réponse dans les essais cliniques, aux pratiques en médecine de précision. Malheureusement, ces méthodes nécessitent un grand nombre d'exemples annotés pour former un modèle. Pour le problème particulier de la segmentation d'images biomédicales, l'obtention de données annotées pour la formation peut être compliquée en raison du secret médical. De plus, obtenir des annotations fiables auprès de spécialistes est souvent long et coûteux. Ainsi, cette thèse aborde le problème du développement de modèles généralisés pour la segmentation d'images afin de traiter le problème du jeu de données d'apprentissage insuffisant. Notre approche développera et évaluera plusieurs approches basées respectivement sur plusieurs paradigmes liés à la perception humaine, à l'apprentissage par transfert et à l'augmentation des données. Le second intérêt de ces travaux est dans l'utilisation de biomarqueurs d'imagerie en clinique, dans la mesure où ils peuvent être appliqués de manière non invasive, à plusieurs reprises, à faible coût et SANS apport humain, mis à part la décision thérapeutique finale.

Brain tumors are relatively rare: only 2% of cancers, an incidence of 18 cases per 100,000 inhabitants. That's 540,000 worldwide. But a significant morbidity since a person diagnosed with a brain tumor would have, on average, 18% chance of living more than 5 years after his diagnosis compared to a person in the general population [4]. Thanks to recent advances in imaging and neurosurgery, neuro-oncology is undergoing a major transformation, suggesting more targeted treatment techniques and progress in terms of both survival and functional status. These tumors are extremely diverse in their location, their character (benign or cancerous) and their grade. The majority of CNS (central nervous system) lymphosarcomas are glioblastomas, which are also the most aggressive. In the future, advanced functional magnetic resonance imaging (MRI) techniques will significantly improve the diagnostic accuracy of imaging, thus facilitating the use of a non-invasive diagnostic method [5,6]. Imaging can play a crucial role in planning targeted therapies, prognosis, and monitoring treatment response. The main purpose of imaging is to guide the diagnosis towards a hypothesis of pathology and / or eliminate the others (ischemic stroke, malignant glioma, other encephalopathies, etc ...). Imaging contributes to the decision of operability, as well as the evolutionary potential of the tumor calculated from the slope of growth between two successive exams 4 months apart. Artificial intelligence (AI) allows from the MRI modalities (T1, FLAIR or T2) a quantitative rather than a qualitative evaluation of the radiographic characteristics of the tumor, a process named 'radiomics' [1]. The use of convolutional neural networks (CNN) enables the automatic extraction of imaging functions and the identification of nonlinear relationships in complex data. Several studies have shown that machine learning techniques such as CNN have the ability to non-invasively describe tumor phenotypes with predictive power superior to routine clinical measures [2,3,4,7]. They compute features for the quantitative description of images that can be used to detect biomarkers successfully for assessing response and predicting clinical outcomes. Recent advances in deep learning [6] have demonstrated successful applications in image analysis without ‘ground truth'. The aim of this thesis is to use AI as deep learning, particularly CNN, to predict survival and other clinical parameters of lymphosarcoma patients by integrating multimodal images of MRI and follow-up [11,12]. Two sets of meta-data containing patients with a similar glioma diagnosis will be treated with different schemes. In the first set of data, we will develop and evaluate models of deep learning. Network validation will be evaluated on the second set of processed patient data. The location of the tumors will be made from a volumetric segmentation (ground truth) performed on the first set of data. Patient survival predictions could be compared to the evaluation of the response in clinical trials, to practices in precision medicine. Unfortunately, these methods require a large number of annotated examples to form a model. For the particular problem of biomedical image segmentation, obtaining annotated data for training can be complicated because of medical secrecy. In addition, obtaining reliable annotations from specialists is often time consuming and costly. Thus, this thesis addresses the problem of developing generalized models for image segmentation to address the problem of insufficient learning data set. Our approach will develop and evaluate several approaches based respectively on several paradigms related to human perception, transfer learning and data augmentation. The second interest of this work lies in the use of imaging biomarkers in clinics, insofar as they can be applied non-invasively, repeatedly, at low cost and without human input, apart from the therapeutic decision final.