Domaine et contexte scientifiques:
Des avancées importantes ont été réalisées ces dernières années dans le domaine de l’imagerie du cancer. Cette dernière est aujourd’hui intégrée à tous les niveaux de prise en charge du patient, au cours du diagnostic initial, par exemple, pour la détection de la tumeur primaire et d’éventuelles métastases, pour la localisation et la caractérisation précise d’un volume tumoral en cas de biopsie, au cours de la thérapie par une caractérisation plus fine des tumeurs permettant un traitement localisé ou le suivi précoce de la réponse thérapeutique. Des études récentes menées pour différents types de cancer ont montré que la combinaison de plusieurs modalités d’imagerie permettait d’améliorer les performances diagnostiques. Pour le cancer de la prostate, par exemple, l’interprétation combinée d’images issues de différentes séquences d’IRM (T1 dynamique, T2w, ADC..) améliore la sensibilité et la spécificité de détection [1, 2, 3].
L’analyse conjointe de ces différentes source d’information peut s’avérer complexe pour le médecin, aussi s’intéresse-t-on au développement de systèmes d’aide à la décision (CAD) capables de produire des cartes de probabilité de la présence de cancer, apportant ainsi un second point de vue au médecin au cours du diagnostic.
Le laboratoire CREATIS a développé une expertise dans ce domaine, principalement pour l’étude de deux types de cancers, le lymphome en imagerie TEP/TDM [4, 5 , 6] et le cancer de prostate en imagerie IRM multiséquences [3]. La méthodologie utilisée repose principalement sur l’apprentissage automatique par machines à vecteurs support. Le principe de ces méthodes repose sur l’extraction de paramètres caractéristiques de l'image et l’élaboration d’un modèle de prédiction à partir d'une base de données d'apprentissage. Ce modèle empirique permet ensuite de classer une image test à partir de ce même jeu de caractéristiques. Les performances obtenues par les premiers systèmes développés sont prometteuses, mais pourraient cependant être améliorées en intégrant davantage la connaissance a priori du médecin. Cela permettrait en particulier de réduire le nombre de fausses détections, c’est-à-dire, de zones détectées comme suspectes par le système CAD, alors qu’elles correspondent à des anomalies bénignes du point de vue médical.
Objectif: L’objectif de ce travail de thèse est de proposer une approche originale pour intégrer différents types d’a priori au modèle de classification supervisé basée sur des machines à vecteurs support.
Méthodologie et programme de recherche: Les systèmes d’aide à la décision prennent actuellement très peu en compte la distribution spatiale et anatomique des caractéristiques discriminantes.
Cette voie a été très récemment étudiée en neurologie par Cuingnet, par exemple, qui a proposé un cadre de régularisation spatiale et anatomique des SVM pour des données de neuroimagerie par IRM [7]. Dans cette approche, l’information a priori est injectée directement dans le modèle d’apprentissage en remplaçant la régularisation linéaire du SVM par une régularisation spectrale (graphe) qui permet d’intégrer la notion de proximité. D’autres types d’approches sont également à l’étude pour la prise en compte de la proximité spatiale par un filtrage adaptée. L’équipe du LITIS de Rouen, par exemple, propose d’apprendre conjointement le filtre spatial et le classifieur en intégrant également un terme de régularisation dans le problème d’optimisation classique du SVM [8].
Il serait intéressant d’explorer cette voie pour les deux types d’applications visées (lymphome en TEP/TDM et prostate en IRM multi-séquence). Pour le cancer de prostate, on pourra s’appuyer sur des travaux visant à construire des atlas probabilistes de localisation des lésions [9], qui s’apparentent ainsi aux modèles statistiques de la neuroimagerie.
Une autre voie d’investigation consisterait à incorporer l’a priori en post-traitement des cartes de score. Cela permettrait de pondérer les zones détectées en fonction de leur localisation dans l’organe, en se basant sur la notion d’atlas, comme évoqué précédemment, mais aussi d’introduire des a priori géométriques sur la forme des lésions et la symétrie de localisation (deux anomalies situées dans des zones anatomiques symétriques (e ;g poumon droit vs gauche) ont a une probabilité faible d’être malignes.
Ces deux types d’approches seront évalués et serviront de base pour permettre l’émergence d’autres propositions. Cette évaluation sera réalisée sur des jeux de données disponibles au laboratoire ou auprès de nos collaborateurs.
Collaborations/partenariats extérieurs:
Ce travail se déroulera en collaboration avec deux partenaires cliniciens, le service d’imagerie urologique et vasculaire de l’hôpital Edouard Herriot à Lyon, pour la problématique du cancer de prostate et le service de Médecine Nucléaire de l’hôpital Lyon Sud pour le lymphome. Ces partenaires apporteront leur expertise médicale sur les données, sur leur méthode de diagnostic et le cahier des charges du système d’aide à la décision.
Nous collaborons également avec le laboratoire LITIS de Rouen qui nous apporte une expertise forte sur les systèmes à vecteurs de support [10].
Profil du candidat recherché (prérequis):
Traitement du signal et des images
Programmation C/C++/Matlab
En option, connaissance en classification, imagerie médicale, théorie des graphes
Bibliographie sur le sujet:
[1] S. Viswanath, B. Nicolas Bloch, M. Rosen, J. Chappelow, R. Toth, N. Rofsky, R. Lenkinski, E. Genega, A. Kalyanpur, and A. Madabhushi, "Integrating Structural and Functional Imaging for Computer Assisted Detection of Prostate Cancer on Multi-Protocol In Vivo 3 Tesla MRI," in SPIE Medical Imaging Conference, 2009, p. 72603I
[2] D. L. Langer, T. H. van der Kwast, A. J. Evans, J. Trachtenberg, B. C. Wilson, and M. A. Haider, "Prostate cancer detection with multi-parametric MRI: logistic regression analysis of quantitative T2, diffusion-weighted imaging, and dynamic contrast-enhanced MRI," Journal of magnetic resonance imaging, vol. 30, pp. 327-334, 2009.
[3] E. Niaf, O. Rouvière, and C. Lartizien, "Computer-aided diagnosis for prostate cancer detection in the peripheral zone via multisequence MRI," in SPIE Medical Imaging, Orlando, USA, 2011.
[4] C. Lartizien, M. Rogez, A. Susset, F. Giammarile, E. Niaf, and F. Ricard, "Computer aided staging of lymphoma patients with FDG PET/CT imaging based on textural information," in IEEE International Symposium on Biomedical Imaging (ISBI), Barcelona, Spain, 2012.
[5] C. Lartizien, S. Tomei, and S. Marache-Francisco, "Improving performance of automated detection systems for 3D PET oncology imaging by use of resampled training images," International Journal of Computer Assisted Radiology and Surgery, vol. 4, pp. S186-193, 2009.
[6] C. Lartizien, S. Marache-Francisco, and R. Prost, "Automatic Detection of Lung and Liver Lesions in 3D Positron Emission Tomography Images: a Pilot Study," IEEE Trans. Nucl. Sci., vol. in press, 2012.
[7] R. Cuingnet, C. Rosso, M. Chupin, S. Lehéricy, D. Dormont, H. Benali, Y. Samson, and O. Colliot, "Spatial regularization of SVM for the detection of diffusion alterations associated with stroke outcome," Medical Image Analysis, vol. 15, pp. 729-37, 2011.
[8] R. Flamary, D. Tuia, B. Labbé, G. Camps-Valls, and A. Rakotomamonjy, "Large Margin Filtering," IEEE Transactions Signal Processing, vol. 60, pp. 648-659, 2012.
[9] C. Davatzikos, "statistical atlases and machine learning tools applied to optimized prostate biopsy for cancer detection and estimation of volume and Gleason score," in International Symposium on Biomedical Imaging (ISBI), Chicago, USA, 2011, p. 2107.
[10] E. Niaf, R. Flamary, C. Lartizien, and S. Canu, "Handling uncertainties in SVM classification," in IEEE Workshop on Statistical Signal Processing, Nice, Fr, 2011.