Apprentissage contrastif pour l'analyse d'images médicales avec annotations hétérogènes: applications au diagnostic automatique de maladies du foie.

Contrastive learning for medical image analysis with heterogenous labels: applications to the automated diagnosis of liver diseases.

• Auteur / Autrice : Emma Sarfati
• Direction : Isabelle Bloch, Pietro Gori
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/09/2022
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Traitement et Communication de l'Information
• Partenaire(s) de recherche : Equipe de recherche : IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse

Mots clés

Mots clés libres

Imagerie médicale

Apprentissage profond

Vision par ordinateur

Medical imaging

Deep learning

Computer vision

Résumé

Le cancer du foie a le septième taux d'incidence ajusté à l'âge le plus élevé au monde et constitue un défi majeur tant du point de vue médical qu'économique. Responsable d'environ 9 % de tous les décès par cancer dans le monde, il est la deuxième cause la plus fréquente de décès liés au cancer. Les cancers du foie en général sont extrêmement agressifs et sont associés à un faible taux de survie, avec un rapport global mortalité/incidence de 95 %. Les causes et les facteurs influençant l'apparition du cancer du foie sont nombreux. Parmi eux, les hépatites C, D et E, le diabète et/ou l'obésité, et enfin la présence potentielle d'une cirrhose sont les plus nombreux. Ainsi, l'identification des pathologies précancéreuses liées au foie est primordiale pour fournir un diagnostic plus précoce des cancers du foie et ainsi proposer des supports de traitement le plus rapidement possible. En termes de disponibilité de données, il est facile d'obtenir en pratique une grande quantité d'images annotées radiologiquement, contrairement aux images confirmées histopathologiquement. En raison de sa corrélation inhérente avec l'annotation histologique, l'annotation radiologique peut être considérée comme une version ''faible'' de l'annotation histologique. Dans ce contexte, les méthodes de pré-entraînement, et en particulier les méthodes d'apprentissage contrastif, peuvent s'avérer utiles. Dans cette thèse, nous chercherons à incorporer des labels hétérogènes dans un cadre d'apprentissage contrastif, afin d'améliorer la classification finale des maladies précancéreuses et cancéreuses du foie.

Liver cancer has the seventh highest age-adjusted incidence rate in the world and constitutes a major challenge both from the medical and economic points of view. Responsible for around 9% of all cancer deaths around the globe, it is the second most common cause of cancer related deaths. Liver cancers in general are extremely aggressive and are associated with a poor survival rate, having an overall ratio of mortality to incidence of 95%. Causes and factors influencing apparition of liver cancer are numerous. Among them, hepatitis C, D and E, diabetes metillus and/or obesity, and finally the potential presence of cirrhosis are the most numerous. Thus, identifying pre-cancer liver-related pathologies is primordial to provide an earlier diagnosis of liver cancers and thus propose treatment supports as fast as possible. In terms of data availability, large amount of radiologically-labeled images is easy to obtain in practice, contrary to histopathologically-confirmed images. Due to its inherent correlation with the histological annotation, radiological annotation can be considered a weak version of the histological one. In this context, pretraining methods, and especially contrastive learning ones, can come to help. In this thesis, we will seek to incorporate multiple labels within a contrastive learning framework, in order to improve the final classification of pre-cancerous and cancerous liver diseases.