Harmonisation des images médicales en termes de contraste et de résolution pour la mise en valeur des structures fines dans de grandes cohortes

Medical Image Harmonisation of Contrast & Resolution for Enhancing Fine Structuresacross Large Cohorts

• Auteur / Autrice : Kevin Giraldo
• Direction : Elsa Angelini
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/10/2024
• 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

Apprentissage profond

Imagerie medicale

Qualité d'images

Deep learning

Medical imaging

Image quality

Résumé

D'importants biais existent lors de l'entraînement de modèles d'apprentissage profond (DL) sur des images médicales, en particulier pour les décalages de jeux de données causés par la variation des propriétés des scanners. Nous proposons d'éliminer un tel décalage à l'aide d'une nouvelle méthode d'harmonisation d'images formulée comme un problème d'« adaptation de domaine » source-cible. Nous nous concentrons spécifiquement sur la détectabilité des structures fines (telles que les vaisseaux sanguins, les voies respiratoires ou les petites tumeurs) qui sont plus négativement affectées que les organes plus grands (par exemple, le foie, les poumons). Sur la base de l'expertise précédente, nous proposons un nouveau cadre de DL combinant l'apprentissage contrastif et de super-résolution auto-supervisé, la modélisation générative accusatoire et l'amélioration des caractéristiques géométriques pour harmoniser à la fois le contraste et la résolution des structures fines d'intérêt. Ce cadre sera conçu pour traiter de grands volumes 3D, avec un faible surcoût de calcul. La combinaison de ces composants méthodologiques avec ces contraintes de conception est nouvelle et va au-delà des paradigmes actuels. La méthode sera développée sur 3 cohortes (IRM et CT) pour le cancer du foie, les vaisseaux hépatiques et les voies respiratoires pulmonaires. Nous espérons fournir une méthode de référence qui sera utilisée par la communauté de l'apprentissage profond dans les futurs développements d'outils de segmentation d'images médicales, plus robustes aux biais des ensembles de données.

Large biases exist when training deep learning (DL) models on medical images, particularly to dataset shifts caused by varying scanner properties. We propose eliminating such a shift with a new image harmonization method formulated as a source-to-target “domain adaptation” problem. We specifically focus on the detectability of fine structures (such as blood vessels, airways, or small tumors) which are more negatively impacted than larger organs (e.g. liver, lungs). Based on previous expertise, we propose a new DL framework combining self-supervised contrastive and super-resolution learning, adversarial generative modeling, and geometric feature enhancement for harmonizing both contrast and resolution of fine structures of interest. The framework will be designed to handle large 3D volumes, with small computational overhead. Combining these methodological components with these design constraints is novel and goes beyond current paradigms. The method will be developed on 3 cohorts (MRI and CT) for liver cancer, hepatic vessels, and lung airways. We expect to provide a method of reference to be used by the deep-learning community in future developments of medical image segmentation tools, more robust to dataset biases.