Soutenance de doctorat Arnaud Quillent : Rôle de l’apprentissage profond pour la reconstruction tridimensionnelle en tomosynthèse du sein
Télécom Paris, 19 place Marguerite Perey F-91120 Palaiseau [y aller], amphi 4 et en visioconférence
Jury
- Mme Agnès Desolneux, Directrice de recherche, CNRS (Centre Borelli), rapporteuse
- M. Benoît Macq, Professeur, UCLouvain (ICTEAM), rapporteur
- M. Dimitris Visvikis, Directeur de recherche, INSERM (LaTIM), examinateur
- M. Florent Sureau, Ingénieur-chercheur, Université Paris-Saclay (BioMaps), examinateur
- Mme Isabelle Bloch, Professeure, Sorbonne Université (LIP6), directrice de thèse
- M. Vincent Bismuth, Ingénieur principal, GE HealthCare, encadrant entreprise
- M. Saïd Ladjal, Professeur, Télécom Paris (LTCI), invité
- M. Christophe Kervazo, Maître de conférences, Télécom Paris (LTCI), invité
Résumé
La tomosynthèse du sein (Digital Breast Tomosynthesis, DBT) est une technique d’imagerie par rayons X notamment utilisée dans le cadre du dépistage du cancer du sein. Les systèmes DBT actuels utilisent des images prises sous différents angles, généralement tous les 1 à 3 degrés, sur un cône d’ouverture de 15 à 40°. Ces images sont ensuite traitées par des algorithmes pour reconstruire un volume 3D que le radiologue peut examiner afin de poser son diagnostic.
Cependant, la faible ouverture du cône d’acquisition limite la qualité de la reconstruction, et en particulier sa résolution dans l’épaisseur du sein. Les coupes orthogonales deviennent ainsi illisibles : les structures internes génèrent des artefacts qui perturbent grandement la lecture des objets dans les plans voisins.
Les données appariées en conditions réelles qui permettraient un apprentissage supervisé sont absentes, et les volumes issus d’autres modalités d’imagerie ne peuvent pas être utilisés de manière directe. De plus, les volumes reconstruits par apprentissage profond ne sont pas toujours fidèles aux données originales, et l’incertitude des images reconstruites n’est pas explicite.
Nous proposons une approche de post-traitement de reconstructions conventionnelles par réseaux de neurones. En adaptant des volumes provenant d’une autre modalité d’imagerie médicale, puis en simulant leur acquisition par rayons X, nous générons une base de données synthétiques réalistes qui nous sert de référence pour entraîner un modèle convolutif 3D de
manière supervisée. La stratégie ainsi proposée accroît de façon notable la qualité des plans orthogonaux.
Nous cherchons également à estimer la fiabilité des volumes prédits par le réseau de neurones, en adoptant un point de vue bayésien : nous distinguons deux cas, différenciant les incertitudes provenant de l’optimisation du modèle (épistémiques) et celles dues au mauvais conditionnement du problème (aléatoires). Nous modélisons le premier terme en approchant la
distribution prédictive a posteriori, et le second à l’aide d’une distribution de Laplace. En corrigeant les problèmes de convergence identifiés dans la littérature, nous obtenons des cartes d’incertitudes qui approximent fidèlement l’erreur réelle.