Nouvelles approches radiomiques pour la caractérisation de tumeurs hépatiques par analyse d’images
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Ouhmich, Farid
Date de soutenance : 08-06-2021

Directeur(s) de thèse : Heitz, Fabrice - Noblet, Vincent

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique / Traitement d'images médicales
Classification : Informatique, Médecine et santé

Mots-clés libres : Cancer du foie, Hépatocarcinome cellulaire, CT avec injection de produit de contraste, Apprentissage profond, Segmentation sémantique, Radiomique
Mots-clés :
  • Tumeurs du foie
  • Imagerie médicale
  • Traitement d'images
  • Radiodiagnostic
Résumé : Afin de caractériser une tumeur hépatique, une biopsie est le plus souvent réalisée, suivie d'une analyse anatomo-pathologique des tissus prélevés. Cependant, en raison de la faible taille des tissus prélevés, la biopsie ne permet pas de rendre compte de l'hétérogénéité intra et inter-patient, d'où sa difficulté à estimer précisément les caractéristiques phénotypiques des patients. Les progrès récents en imagerie médicale et en science des données ont permis l'émergence d'une nouvelle technique nommée radiomique, qui répond en partie à ces problématiques. Dans cette thèse, nous nous sommes intéressés aux hépatocarcinomes cellulaires, et nous avons implémentés de nouvelles méthodes d'imagerie pour caractériser cette pathologie. En incorporant l'information multiphase, des réseaux de neurones spécialisés de type U-Net ont été empilés en cascade pour effectuer une segmentation sémantique du foie et de ses différentes structures (parenchyme, parties active & nécrotique de la tumeur). Pour caractériser l'hétérogénéité présente dans la tumeur, nous avons prédit le grade histologique à une échelle locale (prédiction par coupe), et cela en réutilisant les descripteurs appris par le réseau de segmentation sémantique. Nos résultats préliminaires nous permettent de produire une carte séparant les zones bien différenciées des zones faiblement différenciées. Bien que nos résultats doivent être confirmés sur de plus larges cohortes, nous pensons que les images médicales combinées aux techniques d'apprentissage profond pourraient être introduites prochainement dans le workflow clinique pour aider à diagnostiquer et à évaluer les caractéristiques phénotypiques de pathologies comme le cancer du foie.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD008
Type de ressource : Thèse