Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

7 décembre 2019

Deep-learning pour la prédiction de la survie de patients atteind d’une tumeur cérébrale


Catégorie : Stagiaire


Mots-clés : médecine de précision et imagerie, tumeur cérébrale, traitement du signal statistique, apprentissage en machine
profonde, neurologie, neurophysiologie, réseau biologique

Ce stage, en partenariat avec l’Institut du Cerveau et de la Moelle épinière (ICM) de l’hôpital de la Pitié-Salpétrière a pour premier objectif la prediction de la survie à 5 ans de patients ayant développés une tumeur cérébrale. Parmi les nombreuses solutions possibles, nous prévoyons l'utilisation de réseaux de neurones profonds capable d'extraire des images IRM des caractéristiques pertinentes avec le même niveau de performance que l'humain.

 

Keywords: deep learning, brain tumor, image segmentation, statistical decision, diagnosis

This internship, in partnership with the Institute of Brain and Spinal Cord (ICM) of the Pitié-Salpétrière Hospital, has for first objective the prediction of the survival at 5 years of patients having developed a brain tumor. Among the many possible solutions, we foresee the use of deep neural networks capable of extracting relevant patterns from MRI images with the same level of performance as humans.

 

Contact: Université Paris-Saclay, IBISC-lab

vincent Vigneron, Dominique Fourer, Hichem Maaref
vincent.vigneron,dominique.fourer,hichem.maaref@ibisc.univ-evry.fr
Phone: +33 6 635 687 60

Description de la problématique de recherche : Les tumeurs cérébrales sont relativement rares : seulement 2% des cancers, soit une incidence de 18 cas pour 100 000 habitants, soit 540 000 au niveau mondial. Mais une morbidité importante puisqu’une personne diagnostiquée pour une tumeur au cerveau aurait seulement, en moyenne, 18 % de chances de vivre plus de 5 ans à la suite de ce diagnostic comparativement à une personne dans la population générale [5]. Grâce aux récents progrès en imagerie et en neurochirurgie, la neuro-oncologie opère une mutation importante laissant envisager des techniques de traitements plus ciblées et des progrès en termes de résultats tant sur la survie que sur le statut fonctionnel.
Ces tumeurs sont extrêmement diversifiées dans leur localisation, leur caractère (bénin ou cancéreux) et leur grade. La majorité des lymphosarcomes du système nerveux central (SNC) sont des glioblastomes qui sont aussi les plus agressifs. Des techniques d’imagerie par résonance magnétique (IRM) fonctionnelle vont à l’avenir améliorer considérablement la précision diagnostique de l’imagerie, facilitant ainsi le recours à une méthode de diagnostic non invasive [8, 1]. De plus, ces techniques d’imagerie peuvent jouer un rôle crucial dans la planification de thérapies ciblées, le pronostic et le suivi de la réponse au traitement. Le but principal de l’imagerie est d’orienter le diagnostic vers une hypothèse de pathologie et/ou d’éliminer les autres (accident vasculaire cérébral ischémique, gliome malin, autres encéphalopathies, etc.). L’imagerie participe à la décision d’opérabilité, autant que le potentiel évolutif de la tumeur calculé à partir de la pente de croissance entre deux examens successifs à 4 mois d’intervalle.

L’intelligence artificielle (IA) permet à partir des modalités IRM (T1, FLAIR ou T2) une évaluation quantitative plutôt que qualitative des caractéristiques radiographiques de la tumeur, processus également radiomique [7]. L’utilisation de réseaux de neurones convolutionnels (CNN) permet l’extraction automatisée de fonctions d’imagerie et l’identification de relations non linéaires dans des données complexes. Plusieurs études ont démontré en effet que les techniques d’apprentissage automatique comme les CNN avaient une capacité de décrire de manière non invasive des phénotypes tumoraux avec un pouvoir prédictif supérieur aux mesures cliniques de routine [3, 2, 5, 8]. Elles calculent des caractéristiques pour la description quantitative d’images qui permettent de détecter des biomarqueurs avec succès pour l’évaluation de la réponse et la prédiction des résultats cliniques.
Les progrès récents en apprentissage en profondeur [1] ont montré des applications réussies en analyse d’image sans vérité terrain. Le premier objectif de ce stage est d’utiliser l’IA sous forme d’apprentissage profond, en particulier les CNN, pour prédire la survie et d’autres paramètres cliniques de patients atteints de lymphosarcomes en intégrant des images multimodales d’IRM et de suivi [6, 4].
Deux ensembles de méta-données contenant des patients avec un diagnostic de gliome similaire seront traités avec des schémas différents. Dans le premier ensemble de données, nous développerons et évaluerons des modèles d’apprentissage profond. La validation du réseau sera réalisée sur le deuxième ensemble de données patients traités. La localisation des tumeurs sera faite à partir d’une segmentation volumétrique (vérité terrain) réalisée sur le premier ensemble de données. Les prévisions de survie des patients pourront être comparées à l’évaluation de la réponse dans les essais cliniques.
Malheureusement, ces méthodes nécessitent un grand nombre d’exemples annotés pour former un modèle. Pour le problème particulier de la segmentation d’images biomédicales, l’obtention de données annotées peut être compliquée en raison du secret médical. De plus, obtenir des annotations fiables auprès de spécialistes est souvent long et coûteux. Ainsi le deuxième objectif du stage sera le problème du développement de modèles généralisés pour traiter le problème du jeu de données d’apprentissage insuffisant.
Le stage sera effectué au laboratoire IBISC EA 4526 en collaboration avec l’Unité d’Onco-Neurologie de l’Institut du Cerveau et de la Moelle épinière (ICM), située à l’hôpital de la Pitié-Salpétrière dans l’optique de continuer en thèse sur un contrat doctoral.

Résultats attendus : contribuer de manière significative en (i) concevant des algorithmes adaptatifs améliorant
la fiabilité et l’efficacité du diagnostic et permettant des interactions auto-adaptatives entre le système
d’apprentissage artificiel et le neurologue.


Profil et compétences recherchées : Bonnes compétences en programmation MATLAB/Python/R. Au-
tonome, l’étudiant devra avoir un cursus en mathématiques, principalement en statistiques, apprentis-
sage automatique, analyse d’images. Sur le plan informatique, il devra maı̂triser les environnements de
programmation: OS UNIX, IDE Spyder par exemple. Autonome, il rejoindra une équipe de chercheurs
expérimentés de l’équipe SIAM du laboratoire IBISC.

Contact: Université Paris-Saclay, IBISC-lab


vincent Vigneron, Dominique Fourer, Hichem Maaref
(vincent.vigneron,dominique.fourer,hichem.maaref)@ibisc.univ-evry.fr
Phone: +33 6 635 687 60

 

===================================English version

Deep-learning for survival prediction of patients with brain tumor

Project description: Brain tumors are relatively rare: only 2% of cancers, an incidence of 18 cases per
100 000 inhabitants. That is 540 000 worldwide. But with a significant morbidity since a person diagnosed with
a brain tumor would have, on average, 18% chance of living more than 5 years after his diagnosis compared to a
person in the general population [8, 1]. Thanks to recent advances in imaging and neurosurgery, neuro-oncology
is undergoing a major transformation, suggesting more targeted treatment techniques and progress in terms of
both survival and functional status.
These tumors are extremely diverse in their location, their character (benign or cancerous) and their grade. The majority of CNS (central nervous system) lymphosarcomas are glioblastomas, which are also the most aggressive. In the future, advanced functional magnetic resonance imaging (MRI) techniques will significantly improve the diagnostic accuracy of imaging, thus facilitating the use of a non-invasive diagnostic method [8, 1].
Imaging can play a crucial role in planning targeted therapies, prognosis, and monitoring treatment response. The main purpose of imaging is to guide the diagnosis towards a hypothesis of pathology and / or to eliminate the others (ischemic stroke, malignant glioma, other encephalopathies, etc.). Imaging contributes to the decision of operability, as well as the evolutionary potential of the tumor calculated from the slope of growth between two successive exams 4 months apart.
Artificial intelligence (AI) allows from the IRM modalities (T1, FLAIR or T2) a quantitative rather than a qualitative evaluation of the radiographic characteristics of the tumor, a process named radiomics [7]. The use of convolutive neural network (CNN) enables the automatic extraction of imaging functions and the identification of nonlinear relationships in complex data. Several studies have shown that machine learning techniques such as CNN have the ability to non-invasively describe tumor phenotypes with a predictive power superior to routine clinical measures [3, 2, 5, 8]. They compute features for the quantitative description of images that can be used to detect biomarkers successfully for assessing response and predicting clinical outcomes.

Recent advances in deep learning [1] have demonstrated successful applications in image analysis without ground truth. The main objective of this internship is to use artificial intelligence (AI) as deep learning (DL), particularly CNN, to predict survival and other clinical parameters of lymphosarcoma patients by integrating multimodal images of MRI and follow-up [6, 4].
Two sets of meta-data containing patients with a similar glioma diagnosis will be treated with different schemes. In the first set of data, we will develop and evaluate models of deep learning. Network validation will be evaluated on the second set of processed patient data. The location of the tumors will be made from a volumetric segmentation (ground truth) performed on the first set of data. Patient survival predictions could be compared to the evaluation of the response in clinical trials, to practices in precision medicine.

Unfortunately, these methods require a large number of annotated examples to form a model. For the particular problem of biomedical image segmentation, obtaining annotated data for training can be complicated because of medical secrecy. In addition, obtaining reliable annotations from specialists is often time consuming and costly. Thus, this internship addresses the problem of developing generalized models for image segmentation to address the problem of insufficient learning data set. Our approach will develop and evaluate several approaches based respectively on several paradigms related to human perception, transfer learning and data augmentation. The second interest of this work lies in the use of imaging biomarkers in clinics, insofar as they can be applied non-invasively, repeatedly, at low cost and without human input, apart from the therapeutic decision final.
The internship will be done at IBISC laboratory EA 4526 in collaboration with the Onco-Neurology Unit of the Institut du Cerveau et de la Moelle épinière (ICM), located at the Pitié-Salpétrière hospital in order to continue in PhD with a doctoral contract.

Expected results: The internship is expected to contribute by devising adaptive algorithms to enhance the reliability and the efficiency of the diagnosis and by designing a system with self-adaptive interactions between the artificial learning system and the neurologist.

Desired technical skills: knowledge of the mechanisms of autonomous intelligent systems for prediction, ability to develop autonomous learning algorithms and to process environmental data, index them and use them in an operational system to achieve the mission described above.

Programming skills: Python or C/C++. A practice of Tensorflow and Pytorch would be a plus.

Contact: Université Paris-Saclay, IBISC-labvincent Vigneron, Dominique Fourer, Hichem Maaref
(vincent.vigneron,dominique.fourer,hichem.maaref)@ibisc.univ-evry.fr
Phone: +33 6 635 687 60

References
[1] LE. Abrey, TT Batchelor, AJ. Ferreri, M. Gospodarowicz, EJ. Pulczynski, E. Zucca, JR. Smith, A. Korfel,
C. Soussain, LM. DeAngelis, EA. Neuwelt, BP. O’Neill, E. Thiel, T. Shenkier, F. Graus, M. van den Bent, JF.
Seymour, P. Poortmans, JO. Armitage, and F. Cavalli. Report of an international workshop to standardize
baseline evaluation and response criteria for primary cns lymphoma. J Clin Oncol., 23(22):5034–43, Aug
2005.
[2] HJ. Aerts, ER. Velazquez, RT. Leijenaar, C. Parmar, P. Grossmann, S. Carvalho, J. Bussink, R. Mon-
shouwer, B. Haibe-Kains, D. Rietveld, F. Hoebers, MM. Rietbergen, CR. Leemans, A. Dekker, J. Quacken-
bush, RJ. Gillies, and P. Lambin. Decoding tumour phenotype by noninvasive imaging using a quantitative
radiomics approach. Nat Commun., 5:4644, Jun 2014.
[3] Hugo J.W.L. Aerts. Data science in radiology: A path forward. Clinical Cancer Research, 24(3):532–534,
2018.
[4] Ikram Brahim, Dominique Fourer, Vincent Vigneron, and Hichem Maaref. Deep Learning Methods for
MRI Brain Tumor Segmentation: a comparative study. In 9th IEEE International Conference on Image
Processing Theory, Tools and Applications (IPTA 2019), Istanbul, Turkey, November 2019.
[5] Ahmed Hosny, Chintan Parmar, Thibaud P. Coroller, Patrick Grossmann, Roman Zeleznik, Avnish Kumar,
Johan Bussink, Robert J. Gillies, Raymond H. Mak, and Hugo J. W. L. Aerts. Deep learning for lung cancer
prognostication: A retrospective multi-cohort radiomics study. PLOS Medicine, 15(11):1–25, 11 2018.
[6] Jonathan Kobold, Vincent Vigneron, Hichem Maaref, Dominique Fourer, M Aghasaryan, C Alecu, N Chaus-
son, Y L’hermitte, D. Smadja, and E. Läng. Stroke Thrombus Segmentation on SWAN with Multi-
Directional U-Nets. In 9th IEEE International Conference on Image Processing Theory, Tools and Ap-
plications (IPTA 2019), Istanbul, Turkey, November 2019.
[7] C. Parmar, P. Grossmann, J. Bussink, P. Lambin, and H. Aerts. Machine learning methods for quantitative
radiomic biomarkers. Scientific reports, 5(13087), 2015.

[8] Yiwen Xu, Ahmed Hosny, Roman Zeleznik, Chintan Parmar, Thibaud Coroller, Idalid Franco, Raymond H.
Mak, and Hugo J.W.L. Aerts. Deep learning predicts lung cancer treatment response from serial medical
imaging. Clinical Cancer Research, 25(11):3266–3275, 2019.

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.