Deep brain unsupervised anomaly detection model based on multimodality imaging

Le 30 mai 2024, à 14h30

Daria ZOTOVA soutiendra sa thèse

 « Deep brain unsupervised anomaly detection model based on multimodality imaging »

Amphithéâtre Emilie du Châtelet, Bibliothèque Marie Curie, INSA de Lyon

Résumé

L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR. 

Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes. 

La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux. 

Summary

According to the World Health Organization (WHO), nearly 65 million people worldwide are affected by epilepsy, a chronic neurological disorder characterized by recurrent seizures. For a third of patients, seizures are unmanageable with pharmacotherapy, necessitating surgical intervention. The success of such surgeries depends on accurate localization of the epileptogenic zone, with neuroimaging playing a crucial role.

This work enhances a computer-aided diagnosis (CAD) system for detecting epileptogenic lesions using multimodal neuroimaging. It employs unsupervised deep siamese networks and one-class SVM models to generate anomaly score maps from MRI data, achieving a sensitivity of 61%. To address the lack of PET data, the study explores generating synthetic PET images from T1 MRI scans, demonstrating their utility in augmenting original PET data.

Key contributions include: (1) developing synthetic PET image generation strategies, (2) using synthetic PET images to address missing data challenges, and (3) optimizing the integration of multiple imaging modalities, with late fusion of T1, FLAIR, and PET (both real and synthetic) being most effective.

The thesis is structured into two parts: a review of recent deep learning advancements and experiments on PET synthesis and CAD model performance. This work advances medical imaging in epilepsy research and offers a roadmap for improving epileptogenic lesion detection and surgical outcomes.

Liste des travaux publiés

Journal article : 

Zotova Daria, Pinon Nicolas, Trombetta Robin, Bouet Romain, Jung Julien, Lartizien Carole. GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models. submitted to Artificial intelligence In medicine 

Articles et résumés de conférence : 

Zotova Daria, Jung Julien, Lartizien Carole (2021) GAN-Based Synthetic FDG PET Images from T1 Brain MRI Can Serve to Improve Performance of Deep Unsupervised Anomaly Detection Models. SASHIMI workshop in conjunction wiht MICCAI conference, Strasbourg (virtual) 2021. 

Zotova Daria, Lartizien Carole (2021). Realistic FDG-PET synthesis from T1 MRI based on adversarial deep architectures. Ecole d'hiver AI4Health 2021, Paris. 

Le jury sera composé de :