Méthodes d'Intelligence Artificielle pour l'aide au diagnostic des maladies du pancréas en radiologie (tomodensitométrie et IRM)

par Rebeca Vetil

Projet de thèse en Informatique, données, IA

Sous la direction de Isabelle Bloch.

Thèses en préparation à l'Institut polytechnique de Paris , dans le cadre de École doctorale de l'Institut polytechnique de Paris , en partenariat avec Laboratoire de Traitement et Communication de l'Information (laboratoire) et de IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse (equipe de recherche) depuis le 15-04-2021 .


  • Résumé

    Les chiffres du cancer du pancréas démontrent son caractère agressif : aujourd'hui, le cancer du pancréas représente 1.8% de tous les cancers mais 4.6% des morts par cancers [2], et 91 % des patients atteints d'un cancer du pancréas mourront dans les cinq ans suivant le diagnostic [4]. L'une des raisons expliquant ce taux de mortalité élevé est que le cancer est souvent détecté à un stade tardif, lorsque le cancer s'est déjà étendu à d'autres organes et que les options curatives sont très limitées. Ce diagnostic tardif est dû à une apparition de symptômes elle-même tardive, mais aussi à une lecture des images très difficile pour des radiologues non-experts. Ainsi, l'amélioration du diagnostic apparaît comme un enjeu d'intérêt majeur dans le traitement du cancer du pancréas. Cette amélioration serait permise par davantage d'expertise, comme confirmé par une étude de 2009 [5] montrant une diminution de 25 % de la mortalité dans les centres à haut débit (plus de 118 admissions par an) par rapport aux centres à faible débit (moins de 64 admissions par an). Cette dernière étude suggère ainsi que de nombreux praticiens non expérimentés pourraient bénéficier d'informations fournies par un algorithme entraîné sur les résultats décisionnels des meilleurs radiologues de la catégorie. Un tel outil aiderait à réduire les écarts d'expérience entre les différents centres, améliorant ainsi le pronostic et la qualité de vie des patients. Le but de ce projet de thèse CIFRE est de développer des outils d'Intelligence Artificielle visant à aider les radiologues dans le diagnostic de patients suspectés de cancer du pancréas. Ces outils permettront aux radiologues, experts ou non experts, d'améliorer leur confiance dans le diagnostic, d'améliorer leur compréhension clinique des images mais aussi de détecter les cas de cancers plus précocement. Les travaux seront menés en étroite collaboration entre les partenaires techniques et cliniques afin de garantir le succès de cette recherche multidisciplinaire. En particulier cette thèse CIFRE sera réalisée en collaboration avec l'Hôpital Beaujon, le Laboratoire de Traitement et Communication de l'Information (LTCI) de Télécom Paris (IPParis) et Guerbet (leader mondial en imagerie médicale). L'objectif principal, la détection des cas de cancer du pancréas, sera atteint à l'aide de méthodes d'apprentissage automatique appliquées à la détection de lésions et l'analyse de marqueurs d'anormalités. Ces anormalités, modifiant la forme et la longueur du parenchyme mais aussi l'aspect du canal pancréatique, sont d'importance capitale puisqu'elles peuvent être visibles avant même l'apparition franche de la tumeur d'un cancer primaire du pancréas. Les travaux de cette thèse chercheront donc à détecter ces signes le plus précocement possible, et l'ensemble de ces détections permettra d'aboutir à la classification des cas de cancers. L'apprentissage de ces tâches se fera à partir d'images abdominales de tomodensitométrie et d'IRM, annotées par des radiologues experts du pancréas. Afin d'exploiter au maximum les données disponibles [6], des méthodes de transfert d'apprentissage, de distillation de connaissances [1] et d'apprentissage autonome seront étudiées. Conjointement à ces méthodes, des méthodes de représentation des connaissances seront explorées. L'objectif sera alors d'intégrer au maximum le savoir médical, et ce à différentes étapes du processus d'apprentissage : au moment de la construction des modèles [3] mais aussi de la recherche d'explications et d'interprétation des résultats obtenus. De manière générale, un fort accent sera mis sur l'interprétabilité des méthodes afin d'assurer l'utilité clinique des méthodes construites. [1] Hu, M., Maillard, M., Zhan, Y., Ciceri, T., Barbera, G., Bloch, I., & Gori, P. (2020). Knowledge Distillation from multi-modal to mono-modal segmentation networks. International Conference on Medical Image Computing and Computer Assisted Intervention. Lima, Peru: hal-02899529. [2] Lippi, G., & Mattiuzzi, C. (2020). The global burden of pancreatic cancer. Archives of medical science, 16(4), 820–824. doi:10.5114/aoms.2020.94845 [3] Oktay, O., Ferrante, E., Kamnitsas, K., Heinrich, M., Bai, W., Caballero, J., . . . Rueckert, D. (2017). Anatomically Constrained Neural Networks: Application to Cardiac Image Enhancement and Segmentation. IEEE Transactions on Medical Imaging. doi:10.1109/TMI.2017.2743464 [4] Rawla, P., Sunkara, T., & Gaduputi, V. (2019). Epidemiology of Pancreatic Cancer: Global Trends, Etiology and Risk Factors. World journal of oncology, 10(1), 10-27. doi:10.14740/wjon1166 [5] Singla, A., Csikesz, N. G., Simons, J. P., Li, Y. F., Ng, S. C., Tseng, J. F., & Shah, S. A. (2009). National hospital volume in acute pancreatitis: analysis of the Nationwide Inpatient Sample 1998-2006. HPB : the official journal of the International Hepato Pancreato Biliary Association, 11(5), 391-397. doi:10.1111/j.1477-2574.2009.00072.x [6] Tajbakhsh, N., Jeyaseelan, L., Li, Q., Chiang, J., Wu, Z., & Ding, X. (2020). Embracing Imperfect Datasets: A Review of Deep Learning Solutions for Medical Image Segmentation. Medical image analysis, 63, 101693. doi:10.1016/j.media.2020.101693

  • Titre traduit

    Artificial Intelligence Methods to assist the diagnosis of pancreatic diseases in radiology (CT scans and MRI)


  • Résumé

    The aggressiveness of pancreatic ductal adenocarcinoma (pancreatic cancer) is demonstrated by the following key figures: although it represents 1.8% of all cancer cases, it causes 4.6% of the deaths by cancer [2] and 91% of patients with pancreatic cancer die within the 5 years following the diagnosis [4]. The high mortality rate due to pancreatic cancer is mostly explained by a late diagnosis, often made when the cancer has already spread to other organs or vessels and the number of curative options is very limited. The difficulty of the diagnosis is a direct consequence of a late apparition of symptoms (i.e., the cancer first remains silent) but is also due to missed diagnosis since spotting pancreatic tumor represents a challenging task for non-expert radiologists. Thus, assisting radiologists at the diagnosis stage appears as a main leverage in the treatment of pancreatic cancer. As raised by a study [5] which reports mortality rate drops by 25% in high-volume centers (more than 118 admissions for pancreatic concerns per year) compared to low-volume centers, experience is crucial to improve diagnosis. Consequently, non-experienced practitioners would greatly benefit from information provided by an algorithm trained on the decisional results of experts. Such a tool would help in reducing the experience discrepancies among centers, hence improving quality of life and prognosis of patients. The goal of this CIFRE PhD is to develop Artificial Intelligence tools that aim to assist radiologists when diagnosing patients with pancreatic cancer. These tools will enable radiologists, experts or not, to improve their diagnostic confidence, to increase their clinical understanding of the images and to detect pancreatic cancer cases in earlier phases. In order to guarantee the success of this multi-disciplinary challenge, the research will be carried out in close cooperation between the technical and clinical stakeholders: in particular, this CIFRE thesis will be done in collaboration with the Hopital Beaujon (Paris, France), the Laboratoire de Traitement et Communication de l'Information (LTCI) of Télécom Paris (IPParis) and Guerbet (global leader in medical imaging). The improvement of pancreatic cancer diagnosis will be achieved by using machine learning techniques applied to lesion detection and abnormalities analysis. These abnormalities, which can concern the shape of the pancreas or the aspect of the pancreatic duct, are of the highest importance as they can arise long before the evident apparition of the pancreatic tumor. This research work will focus on detecting these indicators as early as possible. The machine learning tasks will be trained on CT and MRI abdominal medical images, annotated by expert radiologists. In order to build a large training database [6], the nature of the annotations will be chosen so as they can be quickly generated: for instance, bounding boxes, scribbles or landmarks will be preferred to full segmentations. For the same purpose, transfer learning, knowledge distillation [1] and self-learning techniques will also be studied. Besides machine learning, techniques of knowledge representation will be explored in order to integrate as much medical knowledge as possible. This integration will be possible at different steps of the learning procedure: when building models [3] but also when looking for possible explanations of the results. In a general way, a strong focus will be put on interpretability as this element is crucial to ensure the clinical relevancy of any computer-aided diagnosis tool. [1] Hu, M., Maillard, M., Zhan, Y., Ciceri, T., Barbera, G., Bloch, I., & Gori, P. (2020). Knowledge Distillation from multi-modal to mono-modal segmentation networks. International Conference on Medical Image Computing and Computer Assisted Intervention. Lima, Peru: hal-02899529. [2] Lippi, G., & Mattiuzzi, C. (2020). The global burden of pancreatic cancer. Archives of medical science, 16(4), 820–824. doi:10.5114/aoms.2020.94845 [3] Oktay, O., Ferrante, E., Kamnitsas, K., Heinrich, M., Bai, W., Caballero, J., . . . Rueckert, D. (2017). Anatomically Constrained Neural Networks: Application to Cardiac Image Enhancement and Segmentation. IEEE Transactions on Medical Imaging. doi:10.1109/TMI.2017.2743464 [4] Rawla, P., Sunkara, T., & Gaduputi, V. (2019). Epidemiology of Pancreatic Cancer: Global Trends, Etiology and Risk Factors. World journal of oncology, 10(1), 10-27. doi:10.14740/wjon1166 [5] Singla, A., Csikesz, N. G., Simons, J. P., Li, Y. F., Ng, S. C., Tseng, J. F., & Shah, S. A. (2009). National hospital volume in acute pancreatitis: analysis of the Nationwide Inpatient Sample 1998-2006. HPB : the official journal of the International Hepato Pancreato Biliary Association, 11(5), 391-397. doi:10.1111/j.1477-2574.2009.00072.x [6] Tajbakhsh, N., Jeyaseelan, L., Li, Q., Chiang, J., Wu, Z., & Ding, X. (2020). Embracing Imperfect Datasets: A Review of Deep Learning Solutions for Medical Image Segmentation. Medical image analysis, 63, 101693. doi:10.1016/j.media.2020.101693