Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

27 avril 2018

Analyse d’images par apprentissage profond pour le suivi longitudinal de pathologies


Catégorie : Doctorant


Le Laboratoire de Traitement de l’Information Médicale (LaTIM) recherche des candidats pour une thèse sur l'analyse d’images par apprentissage profond pour le suivi longitudinal de pathologies.

 

Mots clés : traitement d’images, apprentissage profond, suivi longitudinal

Encadrement : (dir) B. Cochener - CHRU Brest, LaTIM, (enc) P.-H. Conze - IMT Atlantique, LaTIM

Laboratoire d’accueil : Laboratoire de Traitement de l’Information Médicale (LaTIM) - Brest

Contexte

Les méthodes d’apprentissage profond font l’objet d’un engouement très important dans le domaine du traitement d’images médicales pour des problématiques de classification, caractérisation et segmentation de structures. Les activités de recherche du LaTIM dans lequel s’inscrit le sujet de thèse visent à développer des méthodes automatiques par apprentissage profond pour l’aide au diagnostic. La problématique du suivi longitudinal par traitement de séquences d’images issues d’examens consécutifs n’a, quant à elle, pas été massivement étudiée à ce jour. Or, la modélisation de l’évolution pathologique au cours du temps peut non seulement permettre un meilleur diagnostic mais aussi un meilleur suivi thérapeutique, adapté à chaque patient. L’apprentissage profond appliqué au suivi thérapeutique de pathologies représente une perspective prometteuse, en particulier dans le contexte du diagnostic massif et du suivi longitudinal des pathologies suivantes : dégénérescence maculaire liée à l’âge (DMLA) en tomographie par cohérence optique (OCT) et cancer du sein en mammographie.

Problématique

Dans quelles mesures peut-on améliorer le diagnostic et le suivi thérapeutique en combinant des informations longitudinales ? Peut-on prédire avec précision l’évolution pathologique par apprentissage ? L’objectif est de développer des méthodes issues de l’apprentissage profond à même de caractériser et de prédire l’évolution des structures pathologiques à partir d’un ensemble d’images consécutives précédemment acquises et mises en correspondance.

Déroulement de la thèse

La thèse sera structurée en 3 étapes : 1 - recalage non-rigide entre images issues d’examens consécutifs, 2 - caractérisation et 3 - prédiction de l’évolution pathologique par apprentissage profond.

1 - L’analyse d’images pour le suivi longitudinal nécessite la mise au point d’une méthode de recalage sachant détecter et mesurer des changements structuraux complexes d’un examen à l’autre. Dans ce contexte, nous proposons de développer une méthode de recalage non rigide obtenue par apprentissage profond, à l’inverse des approches existantes basées sur l’optimisation itérative d’une métrique de similarité pré-définie [1]. En particulier, nous exploiterons des réseaux de neurones convolutifs (CNN) dont le but sera d’estimer par régression un champ vectoriel de déformation pour chaque paire d’images fournie en entrée. A l’image des travaux récents portant sur l’estimation du flot optique par apprentissage profond [2, 3], l’apprentissage sera réalisé par le biais d’un grand nombre de champs de déformation générés artificiellement. La prédiction induisant la déformation entre images sera ensuite réalisée en une seule passe, contrairement aux méthodes itératives actuelles.

2 - Les paires d’images issues d’examens consécutifs seront exploitées après recalage pour caractériser l’évolution des tissus. Contrairement aux solutions existantes utilisant des réseaux convolutifs indépendamment pour chaque image, la segmentation des lésions pourra être améliorée par traitement combiné d’images consécutives précédemment acquises puis recalées [4]. La fusion d’informations longitudinales ajoutera une dimension supplémentaire visant à améliorer diagnostic et suivi.

3 - Une fois la caractérisation évaluée, la prise en compte d’examens précédemment acquis servira à induire par apprentissage l’évolution de la pathologie par le biais de réseaux génératifs (GAN). Tout comme les méthodes récentes de synthèse d’images CT à partir d’images IRM [5], un réseau sera entrainé pour réaliser la synthèse prédictive d’images et ainsi induire l’évolution des tissus sains et pathologiques. Nous chercherons, par ce biais, à extraire de grandes bases d’images des patterns types d’évolution de la pathologie afin de permettre un meilleur suivi thérapeutique.

Financement : contrat doctoral UBL, soumis au concours ED Biologie Santé

Profil recherché

Candidat(e) titulaire d’un Master 2 ou diplôme d’ingénieur, connaissances théoriques pratiques solides en mathématiques appliquées, traitement d’images, apprentissage statistique et profond, compétences en programmation Python, rigueur et capacité d’organisation, bonne maîtrise de l’anglais pour la lecture/rédaction d’articles scientifiques, intérêt pour le domaine de la santé.

Environnement

Ce travail s’inscrira au sein des activités du laboratoire commun SePEMeD impliquant la société Medecom (entreprise spécialisée en imagerie médicale, localisée à Plougastel Daoulas), le LaTIM et l’IMT Atlantique. Ce projet bénéficiera des compétences cliniques du LaTIM en vue d’une validation des méthodes d’un point de vue médical et de l’obtention de données supplémentaires visant à améliorer les modèles.

Candidature

CV, lettre de motivation, notes et lettre de recommandation à envoyer à l’adresse suivante : pierre-henri.conze@imt-atlantique.fr.

Références

[1] A. Sotiras, C. Davatzikos, and N. Paragios, “Deformable medical image registration : A survey,” IEEE Transactions on Medical Imaging, vol. 32, no. 7, pp. 1153–1190, 2013.

[2] A. Dosovitskiy, P. Fischer, E. Ilg, P. Hausser, C. Hazirbas, V. Golkov, P. van der Smagt, D. Cremers, and T. Brox, “Flownet : Learning optical flow with convolutional networks,” in IEEE International Conference on Computer Vision, pp. 2758–2766, 2015.

[3] A. Guerre, M. Lamard, P.-H. Conze, B. Cochener, and G. Quellec, “Optical flow estimation in ocular endoscopy videos using flownet on simulated endoscopy data,” in IEEE International Symposium on Biomedical Imaging, 2018.

[4] H. Al Hajj, M. Lamard, K. Charrière, B. Cochener, and G. Quellec, “Surgical tool detection in cataract surgery videos through multi-image fusion inside a convolutional neural network,” in IEEE International Conference of the Engineering in Medicine and Biology Society, pp. 2002–2005, 2017.

[5] D. Nie, R. Trullo, J. Lian, C. Petitjean, S. Ruan, Q. Wang, and D. Shen, “Medical image synthesis with context-aware generative adversarial networks,” in International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 417–425, 2017.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.