Thèse CIFRE : Apprentissage profond pour le diagnostic du cancer du pancréas à partir d'images écho-endoscopiques

3 Avril 2023

---

Catégorie : Doctorant

---

Titre : Apprentissage profond pour le diagnostic du cancer du pancréas à partir d'images écho-endoscopiques

Laboratoire d’accueil : Laboratoire LIS, équipe I&M

Lieu : Marseille, Luminy

Financement : salaire d’environ 2200 euros net par mois sur 3 ans

Encadrement : Séverine Dubuisson / Djamal Merad

Contexte :

Cette thèse se fera dans le cadre d’une convention CIFRE entre le laboratoire LIS (https://www.lis-lab.fr) et le groupe SNEF (https://www.snef.fr/index.php) et en collaboration avec l’hôpital Saint Joseph de Marseille.

Objectif :

L’adénocarcinome du pancréas devrait être la deuxième cause de mortalité par cancer en Europe en 2030 [1][2]. Son incidence en France a doublé chez les hommes et triplé chez les femmes entre 1982 et 2012 [3]. Il reste le cancer digestif dont le pronostic est le plus défavorable, avec un taux de survie globale (SG) à 5 ans, tous stades confondus, de 7% à 8% (INVS) [4]. Le développement de l’Intelligence Artificielle (IA) en endoscopie digestive et en échographie a montré son efficacité pour détecter et diagnostiquer des tumeurs. L’écho-endoscopie, endoscope muni d’un échographe à son extrémité, est actuellement l’examen le plus performant pour diagnostiquer les tumeurs du pancréas, cependant sa rentabilité diagnostique en pratique courante est perfectible. Jusqu’à présent, la performance de l’IA pour diagnostiquer les cancers du pancréas sous écho-endoscopie a été peu étudiée. Le but de cette thèse est de développer un algorithme de deep learning original sur une grande base de données d’images d’écho-endoscopie de tumeur du pancréas, afin d’aider les gastro-entérologues à mieux diagnostiquer le cancer du pancréas. Les résultats de cette recherche permettraient de mieux prendre en charge les patients présentant un cancer du pancréas en améliorant la rentabilité diagnostique de l’écho-endoscopie.

D’un point de vue méthodologique, nous allons commencer par tester les modèles existants comme le EfficientNet [5] qui a montré des résultats prometteurs dans le cadre de l’imagerie médicale. Malgré ces résultats, plusieurs problématiques persistent. En effet, dans notre contexte, nous avons souvent des bases de données très déséquilibrées et l’autre problème vient du fait que les CNN sont considérés comme des boites noires et cela impacte négativement leurs utilisations par les praticiens de la santé. Dans le cadre de ce projet, nous envisageons de traiter le problème de déséquilibre des classes en poussant plus loin nos travaux actuels sur les fonctions de coût [6]. Nous envisageons aussi d’aborder la problématique de l’interprétabilité des résultats de classification qui a un impact négatif sur la confiance accordée aux modèles par les praticiens.

[1] Ferlay, Partensky, & Bray, More deaths from pancreatic cancer than breast cancer in the EU by 2017 Acta Oncol 2016 Sep-Oct;55(9-10):1158-1160

[2] Rahib et al., Projecting cancer incidence and deaths to 2030: the unexpected burden of thyroid, liver, and pancreas cancers in the United States..Cancer Res. 2014 Jun 1;74(11):2913-21

[3] Bouvier et al., 2017. Survival of solid cancer patients in France, 1989-2013: a population-based study.

French Network of Cancer Registries (FRANCIM).Eur J Cancer Prev. 2017 Nov;26(6):461-468

[4] Cowppli-Bony et al., FRANCIM-HCL-InVS-INCa 2016.

[5] M. Tan and Q. Le, "Efficientnet: Rethinking model scaling for convolutional neural networks," in International conference on machine learning, 2019, pp. 6105-6114.

[6] Foahom Gouabou, A. C., Iguernaissi, R., Damoiseaux, J. L., Moudafi, A., & Merad, D. (2022). End-to-End Decoupled Training: A Robust Deep Learning Method for Long-Tailed Classification of Dermoscopic Images for Skin Lesion Classification. Electronics, 11(20), 3275

 

Mots-clés : apprentissage profond, réseau neuronal convolutif, imagerie biomédicale, interprétabilité

 

Profil et compétences recherchées :

-Niveau ingénieur ou Master 2 en informatique, en IA ou en image/signal

-Solide formation en IA en particulier en machine/deep learning