Annonce

Les commentaires sont clos.

Utilisation d’outils d’intelligence artificielle pour la segmentation multi-région automatique d’images médicales : intérêt pour l’observation et la caractérisation de la paroi vésicale de patients atteints du cancer de la vessie

7 December 2022


Catégorie : Stagiaire


Encadrant :M. Amine BOHI

Laboratoire : CESI LINEACT (https://lineact.cesi.fr/)

Email: abohi@cesi.fr

Lieu: Ecole d'ingénieurs CESI -- Campus de Dijon

Mots clés : Intelligence artificielle, Segmentation d’images médicales, Réseaux de neurones convolutifs (CNN),
Imagerie pelvienne, Imagerie par résonance magnétique IRM, Cancer de la vessie.

 

Le cancer de la vessie est une maladie potentiellement mortelle avec un taux de morbidité et de mortalité élevé [1]. Le BC (Urinary Bladder Cancer) est une maladie des cellules de la paroi interne de la vessie. Il se développe à partir d'une cellule normale qui se transforme, puis se multiplie de façon anarchique, jusqu'à former une tumeur.

L'identification précise du stade et du grade de la tumeur est d'une extrême importance clinique pour la décision de traitement et le pronostic vital des patients atteints du cancer de la vessie [1]. La référence clinique standard pour cette tâche est la cystoscopie optique (OCy pour Optical Cystoscopy) avec des biopsies par résection trans-urétrale, cependant, cette procédure est souvent limitée en raison de son caractère invasif et de son inconfort pour les patients [1]. Les progrès récents de l'imagerie par résonance magnétique (IRM) et des technologies de l'intelligence artificielle et du traitement d'images ont fait des méthodes radiomiques, qui prédisent le stade et le grade de la tumeur à l'aide des caractéristiques extraites à partir des images, une alternative potentielle pour l'évaluation non-invasive du cancer de la vessie [2]. Des études antérieures indiquent que les descripteurs radiomiques des parois internes et externes de la vessie ainsi que les régions tumorales attachées dans les images IRM ont un grand potentiel pour refléter les sous-types tumoraux, les propriétés ou l'invasivité musculaire [3].

La segmentation précise des bords internes et externes de la paroi de la vessie et des tumeurs est une étape importante vers l'extraction de ces descripteurs utiles [2, 4]. De nos jours, l'approche la plus utilisée en routine clinique pour segmenter les structures vésicales dans les images IRM est basée sur la délimitation manuelle, par des experts, effectuée slice par slice sur tout le volume IRM [2]. Par conséquent, un outil de segmentation multi-région précis et automatique est fortement souhaité pour la prédiction et la détéction des tumeurs dans une perspective radiomique [2, 5]. Cependant, la délimitation automatique de ces structures vésicales dans les images IRM reste une tâche difficile
en raison d'importantes variations de forme de la vessie, d'une forte inhomogénéité d'intensité dans l'urine causée par des artefacts de mouvement, des bords faibles et une distribution d'intensité de fond complexe [2, 6].

L'apprentissage profond s'est récemment imposé comme une technique de modélisation puissante, démontrant des améliorations significatives dans diverses tâches de vision par ordinateur telles que la classification d'images [7], la détection d'objets [8] et la segmentation sémantique [9]. En particulier, les réseaux de neurones convolutionnels (CNN pour Convolutional Neural network) ont été appliqués avec un énorme succès à de nombreux problèmes de segmentation d'images médicales [10].

L'objectif de ce travail est de combiner les techniques de l'intelligence artificielle et du traitement d'images pour segmenter la paroi de la vessie et les structures tumorales attachées ainsi que mesurer son épaisseur à partir d'images IRM de patients atteints du cancer de la vessie.

Ce sujet de stage se décomposera en deux parties principales, la première portera sur la mise en place d'un réseau de neurones convolutifs [11]. Tandis que la deuxième se focalisera sur l'extraction de caractéristiques (radiomics descriptors) à partir des images IRM segmentées. Cette solution donnera lieu à deux contributions principales, à savoir: les techniques d'apprentissage automatique, en particulier, l'apprentissage profond pour la segmentation d'images médicales (IRM) de la vessie pathologique ainsi que l'observation et la caractérisation des formes et des strcutures tumorales présentes dans la paroi vésicale.

Le(la) candidat(e) sera en Master 2 ou en 3e année d’école d’ingénieurs.
Compétences impératives :
• Un profil en informatique
• Maîtrise des techniques d’IA et des librairies associées (exemple : TensorFlow, PyTorch)
• Programmation en Python.
• Autonomie.
Coompétences souhaitées mais non-indispensables :
• Des connaissances en traitement d’images.
• Imagerie médicale

 

Le stage devrait durer six mois et se déroulera à CESI Dijon sous l’encadrement de M. BOHI. Pour les candidatures, envoyez un CV complet, les relevés de notes et éventuellement des lettres de recommandation, le 31/12/2022 au plus tard, à Amine BOHI (abohi@cesi.fr).

[1] Ashish M Kamat, Noah M Hahn, Jason A Efstathiou, Seth P Lerner, Per-Uno Malmström,
Woonyoung Choi, Charles C Guo, Yair Lotan, and Wassim Kassouf. Bladder cancer. The
Lancet, 388(10061) :2796–2810, 2016.
[2] Chaijie Duan, Zhengrong Liang, Shangliang Bao, Hongbin Zhu, Su Wang, Guangxiang Zhang,
John J Chen, and Hongbing Lu. A coupled level set framework for bladder wall segmentation
with application to mr cystography. IEEE transactions on medical imaging, 29(3) :903–915,
2010.
[3] Xi Zhang, Xiaopan Xu, Qiang Tian, Baojuan Li, Yuxia Wu, Zengyue Yang, Zhengrong Liang,
Yang Liu, Guangbin Cui, and Hongbing Lu. Radiomics assessment of bladder cancer grade using
texture features from diffusion-weighted imaging. Journal of Magnetic Resonance Imaging,
46(5) :1281–1288, 2017.
[4] Hao Han, Lihong Li, Chaijie Duan, Hao Zhang, Yang Zhao, and Zhengrong Liang. A unified
em approach to bladder wall segmentation with coupled level-set constraints. Medical image
analysis, 17(8) :1192–1205, 2013.
[5] Xiao-pan Xu, Xi Zhang, Yang Liu, Qiang Tian, Guo-peng Zhang, Zeng-yue Yang, Hong-bing
Lu, and Jing Yuan. Simultaneous segmentation of multiple regions in 3d bladder mri by efficient
convex optimization of coupled surfaces. In International Conference on Image and Graphics,
pages 528–542. Springer, 2017.
[6] Xianjing Qin, Xuelong Li, Yang Liu, Hongbing Lu, and Pingkun Yan. Adaptive shape prior
constrained level sets for bladder mr image segmentation. IEEE journal of biomedical and
health informatics, 18(5) :1707–1716, 2013.
[7] Gao Huang, Zhuang Liu, Laurens Van Der Maaten, and Kilian QWeinberger. Densely connected
convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern
recognition, pages 4700–4708, 2017.
[8] Joseph Redmon and Ali Farhadi. Yolo9000 : better, faster, stronger. In Proceedings of the
IEEE conference on computer vision and pattern recognition, pages 7263–7271, 2017.
[9] Fisher Yu and Vladlen Koltun. Multi-scale context aggregation by dilated convolutions. arXiv
preprint arXiv :1511.07122, 2015.
[10] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco
Ciompi, Mohsen Ghafoorian, Jeroen Awm Van Der Laak, Bram Van Ginneken, and Clara I
Sánchez. A survey on deep learning in medical image analysis. Medical image analysis, 42 :60–
88, 2017.
[11] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-net : Convolutional networks for
biomedical image segmentation. In International Conference on Medical image computing and
computer-assisted intervention, pages 234–241. Springer, 2015.
[12] Zhen Ma, Renato Natal Jorge, T Mascarenhas, and João Manuel RS Tavares. Novel approach to
segment the inner and outer boundaries of the bladder wall in t2-weighted magnetic resonance
images. Annals of biomedical engineering, 39(8) :2287–2297, 2011.