Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

8 février 2020

Segmentation du système vasculaire hépatique par deep learning


Catégorie : Stagiaire


Le laboratoire LaTIM à Brest propose un stage de Master 2 ou de dernière année d'école d'ingénieurs sur la segmentation du système vasculaire hépatique par deep learning.

Contexte

La segmentation d’images tomo-densitométriques (TDM) est une étape cruciale pour l’étude de l’anatomie pathologique de l’abdomen. Encore largement réalisée manuellement par les cliniciens, cette tâche est coûteuse en temps et sujet à une forte variabilité intra et inter-experts. Ce sujet de stage vise à proposer des contributions méthodologiques exploitant des techniques issues de l’intelligence artificielle afin de délimiter automatiquement le système vasculaire du foie. Si la segmentation atteint désormais un relativement bon niveau de robustesse pour les structures de grande taille de l’abdomen (foie, rate, reins...) [1], une meilleure segmentation des arbres vasculaires hépatiques est requise. Une délimitation automatique, précise et spécifique à chaque patient peut non seulement simplifier la planification de chirurgies hépatiques mais peut également contribuer à guider la navigation per-opératoire. Les méthodes développées seront évaluées dans le contexte de la prise en charge de patients atteints de cancer colo-rectal (CCR) primitif, 2e cause de décès par cancer [2] et enjeu majeur de santé publique. On estime en effet qu’environ deux tiers des patients atteints de CCR développe une récidive à distance. Le foie, via le développement de métastases hépatiques, est le site le plus courant de propagation, représentant 15-25% des patients lors du diagnostic auquel s’ajoute 18-25% des patients dans les 5 ans suivants [3].

Sujet détaillé

L’intérêt pour la segmentation automatique d’images médicales par apprentissage profond est croissant. Les réseaux de neurones convolutifs (CNN), modèles d’apprentissage supervisés entièrement guidés par les données, sont désormais couramment utilisés [5]. Les architectures de type encodeur-décodeur convolutif [1] ont conduit à une amélioration significative des performances, dans divers contextes cliniques. Combinés aux méthodes déjà implémentées pour la segmentation du foie et de ses lésions, les outils d’apprentissage profond à développer pour la cartographie des structures vasculaires hépatiques viseront à guider la prise de décision des cliniciens dans leur tâche de planification chirurgical hépatique, chez des patients atteints de CCR. En particulier, le système vasculaire hépatique sera segmenté puis identifié à partir d’images TDM, en distinguant : système artériel hépatique (transporte le sang oxygéné du coeur au foie), système veineux hépatique (transporte le sang désoxygéné du foie au coeur) et système veineux porte (transporte le sang riche en nutriments des intestins au foie). Les algorithmes mis en oeuvre devront être robustes vis-à-vis des défis suivants : similarité d’apparence entre vaisseaux et tissus sains, forte variabilité inter-patients en termes de position et de schéma de ramification, structures volumiques nécessitant la prise en compte du contexte spatial en 3D, déséquilibre de classes entre régions vasculaires et non-vasculaires...

Malgré l’exploitation récente de techniques d’apprentissage profond appliquées à la délimitation du système vasculaire hépatique [4, 6], des développements méthodologiques sont nécessaires pour améliorer les performances et permettre une intégration des algorithmes en routine clinique. En particulier, conserver la topologie complexe des veines/artères principales et de leurs ramifications est un enjeu majeur, non résolu à ce jour. Nous chercherons à intégrer des a-prioris de forme dans les réseaux convolutifs utilisés, via des contraintes topologiques et morphologiques dédiées. L’objectif à terme est d’identifier les 8 segments fonctionnellement indépendants divisant le foie selon la classification de Couinaud [7].

Les informations (localisation des lésions vis-à-vis du système vasculaire, répartition par segments) qu’aura permis d’extraire la délimitation des structures vasculaires du foie seront ensuite exploitées pour l’aide à la décision, en particulier vis-à-vis de la faisabilité des résections hépatiques. Nous chercherons à extraire des patterns types permettant de guider le médecin vers une meilleure prise en charge des patients atteints de CCR. De part les contributions méthodologiques envisagées, le stage vise à répondre à des besoins en lien avec le développement et le déploiement d’outils fiables et rapides en routine clinique.

Environnement

L’ensemble des développements algorithmiques seront réalisés en Python (libraires keras, scikit-learn, scikit-image...). Les données exploitées au cours du stage seront issues du service de chirurgie viscérale et digestive du CHRU de Brest ainsi que de bases publiques.

— Durée du stage : 6 mois à partir de mars ou avril 2020

— Lieu du stage : IMT Atlantique https://www.imt-atlantique.fr/, Technopôle Brest-Iroise, Brest

— Encadrement : P.-H. Conze (IMT Atlantique, LaTIM UMR 1101 - http://latim.univ-brest.fr), B. Badic (CHRU Brest, LaTIM UMR 1101), D. Visvikis (LaTIM UMR 1101, Inserm)

— Gratification : environ 600 euros net/mois

— Niveau : Master 2 et/ou dernière année d’école d’ingénieur

— Compétence requises : bonnes connaissances en traitement d’images, notions avancées en machine learning et deep learning, bon niveau de programmation, autonomie, bonne aptitude à communiquer

— Possibilité de poursuite en thèse

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

Bibliographie

[1] P.-H. Conze et al., Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks. https://arxiv.org/pdf/2001.09521.pdf, 2020.

[2] A. Kow et al., Hepatic metastasis from colorectal cancer. Journal of Gastrointestinal Oncology, 2019.

[3] Y. van Gestel et al., Patterns of metachronous metastases after curative treatment of colorectal cancer. Cancer Epidemiology, 2014.

[4] W. Yu et al., Liver vessels segmentation based on 3D residual U-Net. IEEE International Conference on Image Processing, 2019.

[5] G. Litjens et al., A survey on deep learning in medical image analysis. Medical Image Analysis, 2017.

[6] T. Kitrungrotsakul et al., VesselNet : A deep convolutional neural network with multi pathways for robust hepatic vessel segmentation. Computerized Medical Imaging and Graphics, 2019.

[7] O. Alirr et al., Automatic atlas-based liver segmental anatomy identification for hepatic surgical planning. International Journal of Computer Assisted Radiology and Surgery, 2019.

Dans cette rubrique

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