Méthodes faiblement supervisées d'apprentissage profond pour la segmentation inter-modalités de tumeurs en imagerie médicale

Permettant de fournir des indications précieuses pour un diagnostic clinique plus rapide et plus précis, les méthodes de vision par ordinateur pour lŠanalyse dŠimages médicales ont sus-cité beaucoup dŠintérêt au cours de la dernière décennie dans la communauté de la recherche médicale. En particulier, parmi les différents domaines de l’analyse d’images médicales, la seg-mentation de tumeurs a fait continuellement objet d’études. Dans ce contexte, les méthodes par apprentissage profond ont démontré un potentiel conséquent pour segmenter des tumeurs dans des clichés médicaux, et ce de manière rapide, précise et automatisée. Cependant, le suc-cès de la plupart des méthodes existantes repose sur la disponibilité d’annotations précises, qui sont pénibles et coûteuses en temps à produire. En outre, malgré les efforts inlassables des chercheurs, il est reconnu que les algorithmes d’apprentissage automatique - y compris les méthodes d’apprentissage profond - ne sont pas adaptés aux changements de distributions. Ces lacunes constituent un obstacle au déploiement de ces méthodes à plus grande échelle. En particulier, la généralisation inter-modalités est essentielle lorsqu’une modalité d’imagerie manque de données annotées pour l’entraînement d’un réseau. Par exemple, elle pourrait être nécessaire dans les tâches de segmentation IRM où les annotations seraient disponibles en nombre suffisant pour des séquences T1, mais manqueraient pour les séquences FLAIR. Ce défi peut être relevé grâce à des approches semi-supervisées d’adaptation de domaines, qui ex-ploitent les annotations disponibles dans la modalité “source” pour apprendre la distribution des tumeurs dans la modalité d’imagerie “cible” manquant d’annotations. Dans cette thèse, nous présentons M-GenSeg et MoDATTS, deux nouvelles stratégies d’ap-prentissage semi-supervisé pour la segmentation de tumeurs inter-modalités sur des ensembles de données bi-modales non pairées. En apprenant à translater les images entre les différentes modalités, les annotations disponibles dans la modalité source sont exploitées par ces modèles pour apprendre la distribution des tumeurs dans la modalité cible non annotée. En outre, avec l’ajout d’images connues comme étant saines, un objectif non supervisé encourage M-GenSeg et MoDATTS à retirer les tumeurs de l’arrière-plan, ce qui est similaire à une tâche de segmentation.