Soutenance de thèse : Méthodes d'analyse pour l'imagerie médicale

15 Mars 2013

---

Catégorie : Soutenance de thèse

---

Résumé

Dans cette thèse, nous explorons de nouvelles méthodes d'analyse d'images pour la détection précoce des changements métaboliques cérébraux causés par la maladie d'Alzheimer (MA). Nous introduisons deux apports méthodologiques que nous appliquons à un ensemble de données réelles.

La première est basée sur l'apprentissage automatique pour créer une carte des informations de classification pertinente dans un ensemble d'images. Cette méthode s'applique à différentes caractéristiques de l'image et donc est adaptée à des types d'images très variés. La résolution des cartes produites par cette méthode peut être affinée à volonté et leur contenu informatif est cohérent avec les résultats antérieurs basés sur les statistiques sur les voxels obtenus dans la littérature. Pour cela nous échantillonnons des blocs de voxels de l'image selon un algorithme de Monte-Carlo. La mise en?uvre d'une classification basée sur ces patchs 3D a eu pour conséquence importante la réduction significative du volume de patchs à traiter, et l'extraction de caractéristiques dont l'importance est statistiquement quantifiable.

Le second apport méthodologique porte sur la conception d'un nouvel algorithme de décomposition de tenseur d'ordre important, adapté à notre application. Cet algorithme permet de réduire considérablement la consommation de mémoire et donc évite la surcharge de la mémoire. Il autorise la décomposition rapide de tenseurs, y compris ceux de dimensions très déséquilibrées. Nous appliquons cet algorithme en tant que méthode d'extraction de caractéristiques dans une situattion où le clinicien doit diagnostiquer des stades MA précoce ou MCI (Mild Cognitive Impairment) en utilisant la TEP FDG seule. Les taux de classification obtenus sont souvent au-dessus des niveaux de l'état de l'art.

Dans le cadre de ces tâches d'analyse d'images, nous présentons notre source de données, les scans de patients retenus et les prétraitements réalisés. Les principaux aspects que nous voulons prendre en compte sont la nature volumétrique des données, l'information a priori disponible sur la localisation des changements métaboliques et comment l'identification des zones de changements métaboliques participe à la réduction de la quantité de données à analyser et d'extraire des caractéristiques discriminantes.

Les méthodes présentées fournissent des informations précises sur la localisation de ces changements métaboliques. Les taux de classification allant jusqu'à 92,6% pour MA et 83,8% pour MCI. En outre, nous sommes capables de séparer les patients MCI stables des MCI patients évoluant vers la MA dans les 2 ans après l'acquisition du PET-scan avec un taux de classification de 84.7%. Ce sont des étapes importantes vers une détection fiable et précoce de la MA.

Abstract

In this thesis we want to explore novel image analysis methods for the early detection of metabolic changes in the human brain caused by Alzheimer's disease. We will present two methodological contributions and present their application to a real life data set.

We present a machine learning based method to create a map of local distribution of classification relevant information in an image set. The presented method can be applied using different image characteristics which makes it possible to adapt the method to many kinds of images. The maps generated by this method are very localized and fully consistent with prior findings based on voxel wise statistics.

Further we preset an algorithm to draw a sample of patches according to a distribution presented by means of a map. Implementing a patch based classification procedure using the presented algorithm for data reduction we were able to significantly reduce the amount of patches that has to be analyzed in order to obtain good classification results.

We present a novel non-negative tensor factorization (NTF) algorithm for the decomposition of large higher order tensors. This algorithm considerably reduces memory consumption and avoids memory overhead. This allows the fast decomposition even of tensors with very unbalanced dimensions. We apply this algorithm as feature extraction method in a computer-aided diagnosis (CAD) scheme, designed to recognize early-stage AD and mild cognitive impairment (MCI) using fluorodeoxyflucose (FDG) positron emission tomography (PET) scans only. We achieve state of the art classification rates.

In the context of these image analysis tasks we present our data source, scan selection and preprocessing. The key aspects we want to consider are the volumetric nature of the data, prior information available about the localization of metabolic changes, discovering the localization of metabolic changes from the data, using this information to reduce the amount of data to be analyzed and discovering discriminant features from the data.

The presented methods provide precise information about the localization of metabolic changes and classification rates of up to 92.6% for early AD and  83.8% for MCI. Furthermore, we are capable to separate stable MCI patients from MCI patients declining to AD within 2 years after acquisition of the PET scan with a classification rate of 84.7%. These are important steps toward a reliable early detection of AD.