Zhihao CHEN : "Apprentissage profond pour la détection et la quantification automatiques des zones pathologiques du myocarde à partir de l'IRM DE après un infarctus"

Résumé : L'infarctus du myocarde (IM) est devenu l'une des maladies cardiovasculaires les plus courantes. L'infarctus se produit lorsque le flux sanguin diminue ou s'arrête dans une partie du cœur, ce qui peut endommager le myocarde en raison de l'ischémie. L'infarctus peut entraîner une obstruction microvasculaire persistante (PMO) même après le traitement de reperfusion d'une artère coronaire occluse, ce qui touche une proportion importante de patients. Pour évaluer l'infarctus et l'obstruction microvasculaire persistante, l'IRM avec rehaussement tardif (IRM-RT) est devenue la référence. Cependant, pour quantifier précisément la pathologie, les médecins doivent d'abord tracer manuellement les délimitations des différents tissus myocardiques sur les tranches d'IRM à petit axe ; ensuite, le volume des tissus normaux et pathologiques sera calculé pour évaluer la gravité de l'attaque. Les procédures d'annotation manuelle sont très chronophages et subjectives, ce qui renforce l'intérêt potentiel d'une approche d'évaluation automatique pour l'évaluation de l'IM. Les méthodes actuelles de contourage automatique en IRM-RT sont principalement des approches probabilistes telles que les modèles de mélange de distributions Gaussiennes, alors que de plus en plus d'applications d'apprentissage profond atteignent des performances de pointe par rapport aux approches probabilistes. Par conséquent, dans cette thèse, les différents aspects des approches basées sur l'apprentissage profond ont été étudiés pour l'évaluation automatique du MI à partir de l'IRM-RT.

Pour développer le pipeline d'évaluation de l'IM basé sur l'apprentissage profond, trois aspects majeurs, à savoir le prétraitement, les modèles d'apprentissage profond et le post-traitement, ont été étudiés ou proposés. Le prétraitement vise à préparer des entrées plus cohérentes et plus claires pour les modèles d'apprentissage profond en utilisant des normalisations d'images, des recadrages, etc. Pour concevoir des modèles d'apprentissage profond bien adaptés, de nombreux éléments (blocs de construction, fonctions de perte, modèles de segmentation, etc.) ont été proposés ou comparés. En outre, les méthodes de post-traitement, y compris les traitements morphologiques et les filtres basés sur l'information préalable, ont été appliquées aux segmentations grossières afin d'éliminer les contours faussement positifs. En plus de l'évaluation automatique par segmentation, en fusionnant l'IRM et les caractéristiques physiologiques du patient, une approche basée sur l'apprentissage automatique a été proposée pour obtenir des estimations quantitatives de l'IM en utilisant uniquement les caractéristiques cliniques et pathologiques pour une évaluation cardiologique rapide dans le service des urgences cardiaques.

Composition du jury :

Raphaël COUTURIER, Professeur, Université Bourgogne Franche-Comté , Directeur de thèse

Nicolas PASSAT, Professeur, Université de Reims Champagne-Ardenne, CReSTIC, Rapporteur

Bruno KASTLER , Professeur, Service d'Imagerie adultes, Hôpital Necker-Enfants Malades, Examinateur

Pierre-Marc JODOIn, Professeur, Université de Sherbrooke, Rapporteur

Alain LALANDE, Maître de conférences des universités - praticien hospitalier, Université Bourgogne Franche-Comté, CoDirecteur de thèse

Michel SALOMON, Maître de conférences, Université Bourgogne Franche-Comté, CoDirecteur de thèse

Localisation : IUT Belfort-Montbéliard Bâtiment E - Département Informatique - 19 Avenue du Maréchal Juin 90016 Belfort (salle de réunion E8)