Apprentissage profond pour la segmentation et la détection automatique en imagerie multi-modale : application à l'oncologie hépatique

Overview & Synopsis

Pour caractériser les lésions hépatiques, les radiologues s’appuient sur plusieurs images acquises selon différentes modalités (différentes séquences IRM, tomodensitométrie, etc.) car celles-ci donnent des informations complémentaires. En outre, les outils automatiques de segmentation et de détection leur sont d’une grande aide pour la caractérisation des lésions, le suivi de la maladie ou la planification d’interventions. A l’heure où l’apprentissage profond domine l’état de l’art dans tous les domaines liés au traitement de l’image médicale, cette thèse vise à étudier comment ces méthodes peuvent relever certains défis liés à l’analyse d’images multi-modales, en s’articulant autour de trois axes : la segmentation automatique du foie, l’interprétabilité des réseaux de segmentation et la détection de lésions hépatiques. La segmentation multi-modale dans un contexte où les images sont appariées mais pas recalées entre elles est un problème peu abordé dans la littérature. Je propose une comparaison de stratégies d’apprentissage proposées pour des problèmes voisins, ainsi qu’une méthode pour intégrer une contrainte de similarité des prédictions à l’apprentissage. L’interprétabilité en apprentissage automatique est un champ de recherche jeune aux enjeux particulièrement importants en traitement de l’image médicale, mais qui jusqu’alors s’était concentré sur les réseaux de classification d’images naturelles. Je propose une méthode permettant d’interpréter les réseaux de segmentation d’images médicales. Enfin, je présente un travail préliminaire sur une méthode de détection de lésions hépatiques dans des paires d’images de modalités différentes.