Cette thèse vise à répondre à la question globale suivante: “Comment pouvons- nous simplifier l’utilisation des banques d’images cardiaques pour les cardiologues et chercheurs grâce à l’apprentissage automatique?” Pour nous aider à répondre à cette question, nous avons abordé certains des principaux défis présentés dans la section E.2.
E.4.1 Comment pouvons-nous nettoyer et normaliser les balises
DICOM pour rendre le filtrage et le regroupement des séries d’images plus facile ?
Un des premiers problèmes auxquels nous sommes confrontés en imagerie cardiaque lorsquon traite bases de données hétérogènes est le manque de standardisation dans la notation utilisée dans les protocoles d’acquisition (Friedrich et al., 2014) ou la désignation de plans d’acquisition cardiaques. Surtout la connaissance des plans car- diaques est essentielle pour regrouper les images en série et choisir les algorithmes de traitement d’image appropriés. Le chapitre2présente nos deux méthodes de net- toyage des métadonnées DICOM en les estiment directement à partir du contenu de l’image. Notre première méthode pour reconnaître les plans d’acquisition utilise les forêts de classification appliquée sur les miniatures d’images. Nous montrons com- ment les nouvelles images générées à moindre coût peuvent contribuer à améliorer la reconnaissance. Nous montrons ensuite comment modifier une technique de lé- tat de l’art, entraîné initielement pour la reconnaissance d’objets visuels à grande échelle, basée sur les CNN, pour les données d’imagerie cardiaque beaucoup plus petites. Notre deuxième méthode reconnaît vues petite et longue axe (2-, 3- et 4- chambre) avec la performance de reconnaissance très prometteur. Dans l’annexe B, nous montrons comment les fonctionnalités basées sur les CNN peuvent être réu- tilisés pour la prédiction des distributions de points cardiaques pour l’alignement d’image inter-patient.
E.4.2 Peut-on apprendre à l’ordinateur l’anatomie cardiaque et de
segmenter les structures cardiaques à partir d’images IRM ?
Une fois que nous pouvons décrire les images cardiaques en fonction de leurs plans dacquisition et les fusionner en volumes spatio-temporelles 3D+t, nous contin- uons à apprendre à l’ordinateur les bases de l’anatomie cardiaque — comment segmenter les images cardiaques. La segmentation est essentielle pour extraire les
E.4. Les questions de recherche de cette thèse 147
indices cardiaques basés sur les mesures volumétriques standards telles que le vol- ume systolique et diastolique, fraction d’éjection, et la masse myocardique. Dans le chapitre 3, nous étendons les travaux antérieurs sur la segmentation en util- isant les forêts de classification sémantique (Shotton et al., 2008; Geremia et al.,
2011). Nous montrons comment cet algorithme modifié apprend à segmenter les ventricules gauches à partir des séquences IRM SSFP 3D+t SAX sans imposer au- cune forme préalable. Notre classificateur est entraîné en deux couches successives, et nous proposons des nouvelles caractéristiques spatio-temporelles pour segmenter les séquences 3D+t. Nous montrons que, cet approche de segmentation nous permet de l’adapter facilement à d’autres structures cardiaques, les oreillettes gauches — la boîte noire du coeur, à la fois de l’IRM et du TDM. Nous avons contribué ces algo- rithmes à deux études de comparaison pour l’évaluation équitable. Dans l’annexeA, nous proposons une méthode de segmentation semi-supervisé qui exploite les don- nées non labélisées pour apprendre à segmenter à partir de annotations éparses.
E.4.3 Comment peut-on recueillir des données nécessaires à pour
les algorithmes d’apprentissage automatique et comment ap- prendre à décrire les coeurs avec des attributs sémantique- ment significatives ?
La plupart des problèmes d’apprentissage automatique pratiques sont actuellement encore résolu d’une manière entièrement supervisé. Par conséquent, il est essentiel d’acquérir la vérité terrain. Le chapitre 4 traite la collection de la vérité terrain pour les algorithmes d’apprentissage automatique. Nous concevons un outil Web de crowdsourcing (approvisionnement par la foule ou production participative) des attributs cardiaques et l’utilisons pour recueillir des annotations d’image par paires. Nous décrivons les formes cardiaques avec leurs signatures spectrales et utilisons un prédicteur linéaire basée sur les SVM pour apprendre à l’ordonner les images en fonction de leurs valeurs d’attribut. Nos résultats préliminaires suggèrent qu’en plus des mesures volumétriques à partir des segmentations cardiaques, les coeurs pourraient être décrits aussi par des attributs cardiaques sémantiques.
E.4.4 Peut-on récupérer automatiquement les coeurs semblables ?
La similarité entre les images dépend de la question clinique. Les requêtes que nous pourrions vouloir demander au système de récupération des images peuvent être très variables. Chapitre 5 se fonde sur la forêt d’approximation du voisinage (NAF) de Konukoglu et al. (2013) et présente notre algorithme pour apprendre la forme, l’apparence et les similitudes de mouvement entre les images cardiaques et comment nous les utilisons pour structurer les ensembles de données cardiaques spatio-temporelles. Nous montrons comment les coeurs avec des propriétés similaires (fraction d’éjection similaire) peuvent être récupérés de la base de données. Dans (Bleton et al.,2015), nous avons ensuite utilisé une technique similaire pour localiser les infarctus cardiaques à partir des formes dynamiques (sans besoin dun agent de
contraste).
E.5
Organisation du manuscrit
Cette thèse est organisée autour de notre travail publié et nos travaux en prépara- tion. Le manuscrit progresse à peu près du niveau global vers la description plus fine des images cardiaques. Chaque chapitre de cette thèse tente de répondre à l’un des objectifs et d’emmener la récupération d’images basée sur le contenu des bases de données à grande échelle CMR plus proche vers la pratique. Tout d’abord, nous entraînons un système de nettoyage des balises d’images qui ne sont pas cap- turés par DICOM directement à partir du contenu d’image. Dans le chapitre 2, nous montrons comment reconnaître automatiquement les plans dacquisition car- diaques. Dans le chapitre3, nous proposons une technique de segmentation automa- tique flexible qui apprend à segmenter les structures cardiaques à partir de données d’image spatio-temporelles, en utilisant de simples cartes des voxels comme la vérité terrain. La segmentation pourrait être utilisée pour l’extraction automatique des mesures clinique. Dans le chapitre 4, nous proposons un moyen de collectionner les annotations nécessaires pour lentraînement des algorithmes automatiques, et pour décrire les images cardiaques avec un ensemble d’attributs sémantiques. Enfin, dans le chapitre 5, nous proposons un algorithme pour structurer les ensembles de données pour y trouver des cas similaires à l’égard de différents critères cliniques. Le chapitre 6 conclut la thèse avec des perspectives et des travaux futurs. Dans les annexes, nous avons illustré comment les données non labélisées peuvent être utilisées pour la segmentation d’images guidée (Annexe A), comment estimer les repères cardiaques pour l’alignement des images (AnnexeB), ou comment rehausser épanchement péricardique pour la récupération d’image (Annexe C).