Vers une meilleure caractérisation des carcinomes hépathocellulaires de petite taille par une approche d'intelligence artificieAide à la caractérisation des petits nodules de carcinome hepatocellulaires par une approche combinée radiomique / protéomique lle innovante couplant radiomique et protéomiq

Combining radiomics and proteomics for improving diagnosis of small hepatocellular carcinoma nodules

• Auteur / Autrice : Khaoula Chahdi
• Direction : Olivier Saut
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Inscription en doctorat le 27/09/2021
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : IMB - Institut de Mathématiques de Bordeaux
• Partenaire(s) de recherche : Equipe de recherche : Calcul Scientifique et Modélisation

Mots clés

Mots clés libres

Apprentissage profond

Imagerie médicale

Oncologie

Radiomique

Apprentissage

Oncology

Machine Learning

Deep learning

Clinical imaging

Radiomics

Résumé

Le carcinome hépatocellulaire (CHC) est le cancer primitif du foie le plus fréquent et la troisième cause de décès par cancer dans le monde. La grande majorité des CHC surviennent chez des patients atteints de cirrhose. Même si le diagnostic du CHC par imagerie a fait beaucoup de progrès, le diagnostic de malignité des petits nodules cirrhotiques (<20 mm) est très complexe. Pourtant, leur statut bénin ou malin modifie drastiquement la prise en charge du patient et conditionne l'éligibilité à la transplantation hépatique. Actuellement, l'analyse classique des examens d'imagerie standard repose sur l'interprétation visuelle de caractéristiques simples comme la taille de la tumeur, sa forme générale, la prise de contraste ou l'intensité du signal. L'imagerie médicale computationnelle (radiomique) est une discipline récente qui traite informatiquement ces examens d'imagerie et les traduit en caractéristiques quantitatives. Cette approche se base sur l'hypothèse que les données issues des examens de radiologie reflètent l'architecture des tissus, mais aussi leur composition cellulaire et moléculaire. L'objectif de ce projet est d'identifier des biomarqueurs d'imagerie qui apportent une aide à la décision et de construire un algorithme décisionnel par intelligence artificielle. Cela va nécessiter la création d'une collection robuste d'images de référence. Or, pour l'instant, la définition du caractère bénin/malin des nodules cirrhotiques est issue de la lecture du pathologiste dont l'interprétation est également difficile. En collaboration avec l'équipe 1 de l'unité INSERM U1053 qui a développé une approche innovante de profilage protéomique des biopsies fixées pour apporter un support au diagnostic des tumeurs hépatiques et le CHU Bordeaux, nous construirons tout d'abord une base de données fiables de petites nodules avec leur diagnostic confirmé par la protéomique. À partir de cette base, par une analyse quantitative de l'image (radiomique), un algorithme de diagnostic sera entrainé par apprentissage machine. La segmentation des lésions (fournie par les radiologues associés au projet) peut aussi être problématique. L'utilisation de méthode de segmentation automatique par apprentissage profond sera également explorée à l'aide de cette base et de données de bases publiques.

Hepatocellular carcinoma (HCC) is the most frequent primary liver cancer and third most deadly cancer in the world. Most HCC are found in cirrhotic patients. Although HCC diagnosis from imaging has greatly improved over the years, it remains challenging for smallest cirrhotic nodules (< 20mm). Yet from their benign / malignent status depends the clinical followup and a potential graft. Currently, the classical analys of routine clinical images is based on simple quantitative features as lesion size, max intensities, or largest diameters. Radiomics approaches aims at extractive more quantitative features that may be related to diagnosis. The main objective of this thesis is to identify imaging biomarkers that could help clinicians and build a decision-helping algorithm by IA. This would require a robust database of reference samples. Unfortunately, the caracterisation of the status of the nodules is currently obtained from the interpretation of anatomopathologists which is difficult for smaller nodules. In collaboration with INSERM U1053 who has developed a novel method for obtaining the proteomic profile of biopsies - that is very helpful to characterize the cirrhotic nodules, we will build a reliable database of small nodules with a confirmed diagnosis (thanks to the proteomics analysis). From this database, by a quantitative analysis of the images by radiomics, an algorithm will be trained and validated. Delineation of the nodules (given by the radiologists associated to the project) may also be challenging.The interest of automatic methods will be investigated by deep learning from this base and public datasets.