Résumé en français :
Les maladies cardio-neurovasculaires sont la première cause de mortalité dans le monde et représentent un enjeu majeur de santé publique. L'imagerie du réseau vasculaire cérébral a considérablement amélioré le diagnostic de ces pathologies, et les algorithmes de traitement d'images automatiques jouent désormais un rôle clé en assistant les médecins. Ces algorithmes reposent généralement sur la segmentation du réseau vasculaire cérébral. Pour cette raison, l'automatisation de cette tâche suscite aujourd'hui un intérêt majeur.
Malgré des avancées, les méthodes actuelles de segmentation automatique présentent encore des limitations majeures. Elles peinent à préserver la topologie et notamment la connectivité des réseaux vasculaires, et les métriques de segmentation traditionnelles ne sont pas adaptées à la complexité géométrique du réseau cérébrovasculaire. De plus, l'annotation manuelle nécessaire pour entraîner ces modèles demeure une tâche chronophage et fastidieuse, freinant la création de jeux de données annotés.
Dans cette thèse, nous nous intéressons à la segmentation cérébrovasculaire à partir d'images ARM TOF. Nous proposons en premier lieu un modèle multitâche basé sur une fonction de coût topologique permettant d'améliorer la connectivité des segmentations. Puis, nous proposons une nouvelle métrique, appelée ccDice, permettant de quantifier les erreurs topologiques. Enfin, nous étudions l'impact du manque et du bruit des annotations, et formulons des recommandations à destination des cliniciens pour améliorer la qualité des annotations, favorisant ainsi le développement de modèles d'apprentissage plus performants à l'avenir.
Mots-clés : Réseau cérébrovasculaire, segmentation, topologie, apprentissage profond
Abstract in English :
Cardio-neurovascular diseases are the leading cause of death worldwide and represent a major public health challenge. Imaging of the cerebral vascular network has significantly improved the diagnosis of these pathologies, and automated image processing algorithms now play a key role in assisting physicians. These algorithms generally rely on the segmentation of the cerebral vascular network. For this reason, automating this task has garnered significant interest.
Despite advances, current automatic segmentation methods still suffer from major limitations. They struggle to preserve the topology and connectivity of vascular networks, and traditional segmentation metrics are not well-suited to the geometric complexity of the cerebrovascular network. Additionally, manual annotation, necessary for training these models, remains a time-consuming and tedious task, hindering the creation of annotated datasets.
In this thesis, we focus on cerebrovascular segmentation from TOF MRA images. First, we propose a multitask model based on a topological cost function to improve the connectivity of segmentations. Additionally, we introduce a new metric, called ccDice, to quantify topological errors. Finally, we study the impact of annotation scarcity and noise, and we formulate recommendations for clinicians to improve annotation quality, thereby fostering the development of more efficient learning models in the future.
Keywords : Cerebrovascular network, segmentation, topology, deep learning
Jury :
Isabelle Bloch | Professeure des universités, Sorbonne Université | Rapportrice |
Benjamin Lemasson | Chargé de recherche, Inserm, Grenoble | Rapporteur |
Pierre Maurel | Professeur des universités, Université de Rennes | Examinateur |
Maria A. Zuluaga | Maîtresse de conférences, EURECOM | Examinatrice |
Odyssée Merveille | Maîtresse de conférences, INSA Lyon | Encadrante de thèse |
Nicolas Passat | Professeur des universités, Université de Reims Champagne-Ardenne | Directeur de thèse |
Erwan Kerrien | Chargé de recherche, Inria, Nancy | Invité |