L’accessibilité d’un outil performant de segmentation des lésions de sclérose en plaques permet de fournir aux radiologues des métriques fiables et reproductibles vers une meilleure prise en charge des malades atteints. Pour rendre plus accessible ce genre d’outil en clinique, nous avons proposé des architectures de réseaux de neurones convolutifs légères et performantes capables d’apprendre sur des stations de travail abordables avec un nombre réduit d’exemples d’apprentissage, en un temps réduit, tout en limitant le risque de surapprentissage. Nous avons mis en place des techniques dans le but de réduire au minimum l’apport en données d’entraînement avec l’autoapprentissage et l’apprentissage semi-supervisé, tout en tenant compte de la qualité des données pour nous apercevoir qu’il suffisait, finalement, de très peu d’examens annotés. Nous présentons aussi, une méthode pour augmenter le nombre de petites lésions détectées qui sont plus difficiles à segmenter ainsi que plus susceptibles d’être omises par le radiologue. Le travail de thèse s’inscrit dans une démarche de recherche pour tirer au mieux parti de la segmentation automatique des lésions pour le radiologue vers une meilleure adoption de tels outils en routine clinique.
Auteur : Alexandre Fenneteau
Equipe d’encadrement :
- D.Helbert
- P.Bourdon
- M.Naudin
- C.Guillevin
- C.Fernandez
- C.Habbas
- R.Guillevin
Thèse soutenue le 25 Novembre 2022
Publications acceptées :
- A.Fenneteau, P.Bourdon, D. Helbert, C.Fernandez-Maloigne, C. Habas, “Learning a CNN on multiple sclerosis lesion segmentation with self-supervision” in 3D Measurement and Data Processing session, IS&T Electronic Imaging 2020 Symposium, , San Francisco, US, Jan 2020. Best paper award
- Alexandre Fenneteau, Pascal Bourdon, David Helbert, Christine Fernandez-Maloigne, Christophe Habas, Rémy Guillevin, « Investigating efficient CNN architecture for multiple sclerosis lesions segmentation » , Journal of Medical imaging, 014504 2021 (IF 1.58) DOI : https://doi.org/10.1117/1.JMI.8.1.014504