Lisa CORBAT : "Fusion de segmentations complémentaires d’images médicales par Intelligence Artificielle et autres méthodes de gestion de conflits"

Travaux de thèse de Lisa Corbat :""Fusion de segmentations complémentaires d’images médicales par Intelligence Artificielle et autres méthodes de gestion de conflits"

La soutenance est publique. La présentation sera en français, tout comme le support. Étant donné les mesures sanitaires actuellement en vigueur, le port du masque (non fourni) est obligatoire pour toutes les personnes souhaitant y assister

Résumé : Le néphroblastome est la tumeur du rein la plus fréquente chez l'enfant et son diagnostic est exclusivement basé sur l'imagerie. Ce travail qui fait l'objet de nos recherches s'inscrit dans le cadre d'un projet de plus grande envergure : le projet européen SAIAD (Segmentation Automatique de reins tumoraux chez l'enfant par Intelligence Artificielle Distribuée).  L'objectif du projet est de parvenir à concevoir une plate-forme capable de réaliser différentes segmentations automatiques sur les images sources à partir de méthodes d'Intelligence Artificielle (IA), et ainsi obtenir une reconstruction fidèle en trois dimensions. Dans ce sens, des travaux réalisés dans une précédente thèse de l'équipe de recherche ont mené à la création d'une plate-forme de segmentation. Elle permet la segmentation de plusieurs structures individuellement, par des méthodes de type Deep Learning, et plus particulièrement les réseaux de neurones convolutifs (CNNs), ainsi que le Raisonnement à Partir de Cas (RàPC). Cependant, il est ensuite nécessaire de fusionner de manière automatique les segmentations de ces différentes structures afin d'obtenir une segmentation complète pertinente. Lors de l'agrégation de ces structures, des pixels contradictoires peuvent apparaître. Ces conflits peuvent être résolus par diverses méthodes basées ou non sur l'IA et font l'objet de nos recherches. Nous proposons tout d'abord une première approche de fusion non focalisée sur l'IA en utilisant la combinaison de six méthodes différentes, basées sur différents critères présents sur l'imagerie et les segmentations. En parallèle, deux autres méthodes de fusion sont proposées en utilisant, un CNN couplé au RàPC pour l'une, et un CNN utilisant une méthode d'apprentissage spécifique existante en segmentation pour l'autre. Ces différentes approches ont été testées sur un ensemble de 14 patients atteints de néphroblastome et démontrent leur efficacité dans la résolution des pixels conflictuels et leurs capacités à améliorer les segmentations résultantes.

Composition du jury : 

M. Jean-Philippe Thiran, Professeur des Universités, École Polytechnique Fédérale de Lausanne, Rapporteur ;

M. Daniel Racoceanu, Professeur des Universités, Paris Sorbonne Université, Rapporteur ;

M. Henri Souchay, Docteur-Ingénieur, Clinical Research Manager for France, Global Research Organization, GE Healthcare, Examinateur ;

M. Frédéric Auber, Professeur des Universités-praticien hospitalier, UBFC Centre Hospitalier Régional Universitaire de Besançon, Examinateur ;

M. Julien Henriet, Maître de Conférences, Université de Franche-Comté, Co-directeur de thèse ;

M. Jean-Christophe Lapayre, Professeur des Universités, Université de Franche-Comté, Directeur de thèse.

Localisation : Amphithéâtre J-J Gagnepain - bâtiment TEMIS, 15B Avenue des Montboucons - Besançon