Analyse automatique de radiographies pulmonaires pour le diagnostic précoce du syndrome de détresse respiratoire aiguë

Le Syndrome de Détresse Respiratoire Aiguë (SDRA) est une maladie pulmonaire qui représente la forme la plus grave de l'insuffisance respiratoire aiguë. Elle consiste en une atteinte inflammatoire aiguë des poumons et se manifeste au niveau de la radiographie pulmonaire sous forme d'opacités bilatérales. Le diagnostic de cette maladie est effectué à partir de données sur l'hypoxémie et de l'analyse de la radiographie pulmonaire. L'interprétation de la radiographie pulmonaire par des experts souffre d'une variabilité inter-observateurs élevée, ce qui peut entraîner un diagnostic tardif. Cela est problématique, car un diagnostic retardé d'un patient atteint du SDRA rend son traitement moins efficace et peut, par conséquent, grever son pronostic. D'où l'intérêt de développer un système d'aide à la décision clinique (SADC) pour aider le médecin à établir un diagnostic précoce de la maladie. Les SADC pour le diagnostic automatique de maladies à partir des radiographies sont devenus des outils très importants. Ils consistent à analyser automatiquement les radiographies pour identifier les anomalies et procurer un deuxième avis diagnostic aux médecins. Même si plusieurs SADC ont été déjà développés, il n'existe aucun SADC pour le diagnostic du SDRA. La difficulté principale est due à la superposition de structures osseuses telle que la cage thoracique, dont la propriété de radio-opacité rend leur apparence très similaire à celle des opacités diffuses liées au SDRA dans la radiographie pulmonaire. Une segmentation préalable des côtes entières est requise dans le but de les exclure de l'analyse et de focaliser sur l'étude des opacités diffuses due au SDRA. Pour pouvoir valider un SADC pour le diagnostic du SDRA, la création d'une base de radiographies pulmonaires diagnostiquées avec précision est aussi indispensable. La première partie de cette thèse propose un SADC original pour le diagnostic du SDRA à partir de radiographies pulmonaires. Comme il n'existe actuellement aucun système dédié pour cette pathologie, il a fallu le construire de novo. Le SADC développé consiste à analyser une radiographie du thorax après soustraction des côtes entières (postérieures et antérieures) pour pouvoir extraire des régions d'intérêt (ROI) intercostales qui se composent de tissus pulmonaires et analyser uniquement ces régions. Des caractéristiques statistiques et spectrales sont extraites pour chaque ROI. Ensuite, une méthode de transformation des caractéristiques est appliquée en utilisant l'analyse discriminante linéaire (Linear Discriminant Analysis). Les ROI sont ensuite classifiées comme normales ou anormales en utilisant un classifieur SVM. Finalement, le pourcentage des ROI anormales est calculé pour chaque cadran (chaque poumon est divisé en deux parties appelées cadrans). Si ce pourcentage est supérieur à 34%, le cadran donné est alors considéré comme touché. Et si au moins un cadran du poumon gauche et un cadran du poumon droit sont touchés, alors la radiographie pulmonaire est considérée comme un cas de SDRA. Le SADC proposé a été évalué en utilisant une base de radiographies pulmonaires diagnostiquées avec consensus entre plusieurs experts et des mesures de performance telles que la sensibilité et la spécificité ont été calculées. Le système automatisé développé pour le diagnostic du SDRA a permis d'obtenir une bonne sensibilité et une bonne spécificité (sensibilité = 90.6% et spécificité = 86.5%). La deuxième partie de cette thèse présente une étude sur la variabilité inter-observateurs pour le diagnostic du SDRA à partir de radiographies pulmonaires en utilisant notre système, soit individuellement, soit comme deuxième avis. Cette étude a été réalisée en calculant le coefficient Kappa, d'abord entre les experts, ensuite en utilisant le système d'analyse développé. Notre système d'analyse automatique a permis d'améliorer le coefficient Kappa et d'obtenir une bonne concordance de diagnostic en l'utilisant individuellement (Kappa = 0.77) ainsi qu'une meilleure concordance ou une concordance presque parfaite de diagnostic en l'utilisant comme deuxième avis (Kappa = 0.79-0.86). La troisième partie de cette thèse est consacrée à une analyse des besoins pour un SADC déployable en clinique. Dans cette étude, nous avons remarqué que peu de SADC pour l'interprétation de radiographies pulmonaires ont été commercialisés. Aussi, nous avons montré que plusieurs facteurs doivent être considérés pour développer un SADC en soins intensifs. Ces facteurs incluent : la segmentation interactive pour l'extraction des régions d'intérêt (ROI) afin d'améliorer la performance; le choix des caractéristiques devrait être basé sur les différents aspects qui caractérisent l'apparence de la pathologie sur les radiographies pulmonaires et devraient être combinées pour atteindre une meilleure performance; et la construction de la base de données pour la validation du système joue un rôle très important dans la performance de tout SADC. Ce dernier facteur implique que la base des radiographies pulmonaires doit être construite avec précaution en considérant les facteurs suivants: le nombre de radiographies normales et anormales à utiliser ainsi que la représentativité de la diversité des anomalies; la méthodologie à utiliser pour élaborer l'interprétation des radiographies pulmonaires; et la qualité des images à utiliser. Finalement, la création de bases de radiographies pulmonaires publiques permettrait de comparer différents SADC et de choisir celui ayant la meilleure performance, et par conséquent celui qui doit être testé en premier en clinique. En conclusion, ce projet propose un SADC pour le diagnostic précoce du SDRA à partir de radiographies pulmonaires. Son évaluation a permis de confirmer qu'il peut être utilisé par les médecins pour fournir un deuxième avis afin d'élaborer un diagnostic plus précis. En perspective, pour utiliser notre système tout au long du traitement d'un patient atteint du SDRA, une fusion multimodale d'images (RX/ CT/ TIE) permettrait de visualiser à la fois l'information fonctionnelle et l'information morphologique, ainsi que de connaître l'état actuel du patient. Ceci donnerait lieu à un suivi clinique plus efficace au chevet du patient, entre autres en choisissant les paramètres optimaux pour la ventilation mécanique.