Identification automatique en temps réel des calculs rénaux et de leur composition à partir d'images urétéroscopiques à l'aide de techniques d'apprentissage profond et de vision par ordinateur

Automatic real-time identification of kidney stones and their composition from ureteroscopic images using deep learning and computer vision techniques

• Auteur / Autrice : Francisco Lopez tiro
• Direction : Christian Daul, Gilberto Ochoa-ruiz
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Inscription en doctorat le 31/01/2023
• Etablissement(s) : Université de Lorraine en cotutelle avec Institut Technologique et des études Supérieures de Monterrey
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : CRAN - Centre de Recherche en Automatique de Nancy

Mots clés

Mots clés libres

Vision par ordinateur

Apprentissage profond

Calculs rénaux

Computer vision

Deep learning

Calculus renales

Résumé

L'incidence de la lithiase urinaire (formation de calculs rénaux) est en constante augmentation dans de nombreux pays développés. Environ 10 % de la population de ces pays souffre d'un épisode de calculs au moins une fois dans sa vie et plusieurs études ont démontré que le taux de récurrence des calculs est de 40 % dans les 5 ans. Cela représente un problème majeur pour les systèmes de santé nationaux et une grande attention a donc été portée à l'étude et à l'identification des causes profondes de la formation de calculs afin d'atténuer la récurrence élevée de cette maladie. En outre, la présence de calculs urinaires spécifiques est un indicateur fort de certaines perturbations métaboliques dont souffre le patient, et par conséquent, l'identification des types de calculs rénaux est cruciale pour éviter les rechutes par des traitements personnalisés (adaptation du régime alimentaire, chirurgie, etc.) est considérée comme de la plus haute importance par de nombreux praticiens. À cette fin, plusieurs lignes directrices pour la reconnaissance visuelle de certains des types les plus courants de calculs rénaux ont été proposées ces dernières années pour être appliquées dans la pratique clinique. Malgré l'importance d'un diagnostic précoce et précis de l'urolithiase, les pratiques médicales et cliniques actuelles s'appuient fortement sur l'expertise des cliniciens qui emploient des procédures longues et très subjectives ou qui nécessitent une formation intensive pour classer correctement les calculs urinaires. Le premier facteur est particulièrement contraignant, car les calculs rénaux doivent être retirés du patient et analysés en laboratoire. Ce processus implique souvent la pulvérisation du calcul, ce qui entraîne une perte d'informations importantes pour une évaluation correcte des affections du patient. Cependant, il a été récemment reconnu que les méthodes de classification morphologique per-opératoire de ces calculs rénaux, utilisant la vidéo endoscopique, en tandem avec l'analyse d'image et les techniques d'intelligence artificielle, ont un grand potentiel pour résoudre les problèmes mentionnés ci-dessus. En effet, des informations importantes sur l'aspect visuel (par exemple, la morphologie, les couleurs et les textures) de la surface et de la section transversale des calculs rénaux sont disponibles pour chaque classe des images acquises pendant les interventions urétéroscopiques. Nous pensons que les méthodes de classification morphologique per-opératoire de ces calculs rénaux, utilisant la vidéo endoscopique, en tandem avec l'analyse d'image et les techniques d'intelligence artificielle, ont un grand potentiel pour résoudre les problèmes mentionnés ci-dessus. En effet, des informations importantes sur l'aspect visuel (par exemple, la morphologie, les couleurs et les textures) de la surface et de la section transversale des calculs rénaux sont disponibles pour chaque classe des images acquises pendant les interventions urétéroscopiques. Ainsi, plusieurs cliniciens ont depuis longtemps étudié et promu la caractérisation des calculs rénaux à l'aide de ces méthodes, mais la précision humaine reste faible et représente donc une opportunité pour les systèmes de diagnostic assistés par ordinateur.

Urinary lithiasis (the formation of kidney stones) shows a steady increase in incidence in many developed countries about 10% of the population on those countries suffer a stone episode at least once in their life and several studies have demonstrated that the stone recurrence rate is of 40% within 5 years. This entails a major problem for national healthcare systems and thus a great deal of attention has been made to study and identify the root causes of stone formation in order to mitigate the high recurrence of this disease. Furthermore, the presence of specific urinary stones is a strong indicator for certain metabolic disturbances suffered by the patient, and therefore, identifying the kidney stone types is crucial to avoid relapses through personalized treatments (diet adaptation, surgery, etc.) is considered of utmost importance by many practitioners. For this purpose, several guidelines for visually recognizing some of the more common types of kidney stones have been proposed in recent years to be applied in the clinical practice. Despite the importance of early and accurate diagnosis of urolithiasis. current medical and clinical practices rely heavily on the expertise of clinicians that employ time-consuming procedures that are highly subjective or requires an intensive training to correctly classify urinary calculi. The former factor is especially burdensome, as the kidney stones have to be removed from the patient and analyzed in the laboratory. This process often involves pulverizing the stone, which leads to a loss of important information for a correct assessment of the patient ailments. However, it has been recently recognized that intra-operative morphological classification methods of such kidney stones, using endoscopic video, in tandem with image analysis and artificial intelligence techniques has a great potential for tacking the aforementioned problems. As a matter of fact, important information about the visual aspect (e.g., morphology, colors and textures) of the kidney stones surface and cross-section is available for each class for the images acquired during ureteroscopic interventions. We posit that intra-operative morphological classification methods of such kidney stones, using endoscopic video, in tandem with image analysis and artificial intelligence techniques has a great potential for tacking the aforementioned problems. As a matter of fact, important information about the visual aspect (e.g., morphology, colors and textures) of the kidney stones surface and cross-section is available for each class for the images acquired during ureteroscopic interventions. Thus, several clinicians have long studied and promoted the characterization of kidney stones using such methods, but the human accuracy remains low and thus represents an opportunity for computer aided diagnosis systems