Apprentissage profond de variétés pour une meilleure caractérisation de l'hypertension artérielle en imagerie échocardiographique

Doctorant : Nathan PAINCHAUD

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

L'hypertension artérielle est une maladie cardiovasculaire répandue, affectant plus de 1,2 milliard de personnes dans le monde. Son diagnostic est difficile en raison de la variété des symptômes et du manque d'outils d'analyse rapides et précis. Cette thèse propose une méthode d'apprentissage automatique pour analyser les données médicales, particulièrement les images échocardiographiques, et extraire des informations pertinentes pour le diagnostic de l'hypertension. Les méthodes proposées combinent des modèles d'apprentissage automatique avec des techniques d'apprentissage de représentation pour garantir la cohérence des prédictions et améliorer leur interprétabilité. Des descripteurs de forme et de déformation sont extraits des images segmentées et combinés avec des données des dossiers médicaux électroniques. Un transformeur multimodal est utilisé pour apprendre une représentation commune de ces données, capable de mettre en évidence le continuum pathologique de l'hypertension. L'application de la méthode à une population de patients a permis de détecter des profils subtils de formes et de déformations corrélés avec l'hypertension. Ces résultats ouvrent la voie à de nouvelles études sur les mécanismes pathologiques de l'hypertension et à l'amélioration du diagnostic de la maladie.

Deuxième séminaire organisé dans le cadre du projet let’s look up “Ingénierie et recherche par le prisme du concept One health” soutenu par la Maison des Sciences de l’Homme Lyon-Saint-Etienne (MSH-LSE) et l’Institut des systèmes complexes (IXXI).

Nous accueillerons Thierry Baron, Directeur de recherche à l'ANSES et chef de l’unité de l’Unité Maladies Neurodégénératives de Lyon. Il nous parlera notamment de la maladie de Parkinson, exemple emblématique qui permet d’illustrer les interactions complexes entre la susceptibilité de l’hôte et les facteurs environnementaux multiples qui peuvent favoriser ou au contraire limiter l’apparition de la maladie lors du vieillissement.

Puis Gwenola Le Naour, maîtresse de conférences en science politique à Sciences Po Lyon et co-auteure du livre « Vivre et lutter dans un monde toxique », présentera les impacts des pollutions sur la santé et les mobilisations qui en découlent, à partir d'études menées dans différentes régions du monde.

Nicolas Lechopier, maître de conférences, au laboratoire S2HEP et enseignant à la Faculté de Médecine Lyon Est jouera le rôle de “discutant” avec les conférenciers et le public.

Les conférences seront également accessibles en visioconférence.

Interprétabilité des réseaux de neurones profonds et segmentation faiblement supervisée des lésions cérébrales sur IRM

Doctorante : Valentine WARGNIER

Laboratoire INSA : CREATIS

Ecole doctorale : ED205 : Interdisciplinaire Sciences Santé

L’imagerie médicale est un outil fondamental pour diagnostiquer les maladies, suivre leur évolution mais aussi comprendre leur fonctionnement afin de mieux les soigner. L’imagerie par résonance magnétique est une méthode de choix pour visualiser le cortex cérébral et ses pathologies comme la sclérose en plaques, une maladie auto-immune inflammatoire et démyélinisante qui est la première cause de handicap non traumatique chez les jeunes adultes, ou encore les gliomes, qui sont les tumeurs primitives cérébrales les plus courantes.
Pour analyser ces images de manière automatique, les méthodes basées sur l’apprentissage profond présentent de très bonnes performances pour différents types de tâches comme la classification ou la segmentation. Ces méthodes automatiques apportent aux cliniciens une pré-analyse très utile dans leurs études ou diagnostics. Cependant, elles nécessitent beaucoup de données pour leur entraînement. Dans le cas des méthodes de segmentation supervisées, les annotations manuelles nécessaires pour chaque image sont très coûteuses. Le développement de méthodes faiblement ou non- supervisées performantes, ne nécessitant pas ou peu d’annotations manuelles, est donc nécessaire. En outre, dans un domaine critique comme celui de la médecine, il est important que les décisions des réseaux soient explicables et s'appuient sur les signes radiologiques de la pathologie présents dans l’image et utilisés par les cliniciens. Or, les réseaux de neurones profonds sont, de par leur grand nombre de paramètres et les interconnexions non linéaires dont ils sont composés, difficiles à expliquer. Proposer des réseaux explicables et interprétables est donc une problématique forte pour l'analyse d’images médicales par apprentissage profond. Dans cette thèse, nous avons abordé ces deux thématiques. En nous focalisant sur une tâche de classification entre des images de sujets sains et des images de patients (notamment atteints de sclérose en plaques ou de gliomes), nous avons montré que la décision des classifieurs de l’état de l’art n’est pas forcément pertinente et en accord avec les aprioris médicaux. Cela peut avoir de lourdes conséquences : pour du diagnostic, l'utilisation de tels classifieurs biaisés n'est pas raisonnable et lorsqu’ils sont utilisés au sein d’autres modèles, comme les modèles génératifs, cela peut faire chuter les performances. Nous avons donc proposé des classifieurs plus interprétables avec une décision davantage basée sur les signes radiologiques de la pathologie considérée. Trois solutions ont été proposées. Tout d’abord, nous avons normalisé l’entrée des réseaux de neurones afin d’éliminer les biais présents dans l’image et qui peuvent être utilisés par les réseaux classiques pour prendre leur décision. Ensuite, nous avons contraint les classifieurs au cours de leur entraînement en utilisant les cartes d’attributions, des méthodes de l’état de l'art permettant d’identifier les zones de l’image d’entrée utilisées par le réseau pour prendre sa décision. Enfin, nous avons utilisé des réseaux intrinsèquement explicables : les réseaux monotones. Nous avons notamment proposé une méthode pour transformer n’importe quelle architecture en réseau monotone alors que les réseaux monotones de l’état de l’art étaient limités à des architectures de très faible profondeur. Avec ces réseaux de classification interprétables ne disposant que du label de l'image à l'entraînement, nous pouvons réaliser une segmentation faiblement supervisée des lésions cérébrales, la décision étant basée sur ces dernières.
 

 

 

 

Détection et description de points clés par apprentissage en vue d'un recalage à grande échelle

Doctorant : Nicolas LOISEAU

Laboratoire INSA : CREATIS
Ecole doctorale : ED160 EEA

Les hôpitaux génèrent de plus en plus d'images médicales en 3D. Ces volumes nécessitent un recalage automatique, en vue d'être analyser de manière systématique et à grande échelle. Les points clés sont utilisés pour réduire la durée et la mémoire nécessaire à ce recalage et peuvent être détectés et décrits à l'aide de différentes méthodes classiques, mais également à l'aide de réseaux neuronaux, comme cela a été démontré de nombreuses fois en 2D. Cette thèse présente les résultats et les discussions sur les méthodes de détection et de description de points clés à l'aide de réseaux neuronaux 3D. Deux types de réseaux ont été étudiés pour détecter et/ou décrire des points caractéristiques dans des images médicales 3D. Les premiers réseaux étudiés permettent de décrire les zones entourant directement les points clés, tandis que les seconds effectuent les deux étapes de détection et de description des points clés en une seule fois.

Et s’il était possible, grâce à l’intelligence artificielle, de soulager les pressions opérationnelles des équipes soignantes et offrir une meilleure qualité de suivi aux patients en prédisant leurs parcours de soins ?​ C’est le sujet qui a occupé Alice Martin, désormais docteure, lors de sa thèse menée au laboratoire DISP¹. Alors que les structures de santé françaises rencontrent des difficultés structurelles, celles-ci tentent d'améliorer la prise en charge des patients notamment en cas de maladies chroniques. Pour anticiper l’évolution de la consommation des actes thérapeutiques, Alice Martin a cherché à comprendre les aspects du profil des patients à travers la donnée. 

Aujourd’hui, les structures de santé rencontrent des difficultés structurelles dans l'organisation des soins et la prise en charge de leurs patients. Quelles sont-elles ?
L’accès aux soins souffre de fractures multiples : augmentation du nombre de maladies chroniques, vieillissement de la population, fracture territoriale dans l'accès aux soins médicaux, pressions financières et recherche d’efficience à tout prix… Beaucoup de structures de santé tentent de s’adapter à ces transformations en optimisant les parcours patients, notamment grâce à la prédiction des évènements cliniques. Cela suppose de mieux comprendre les patients pour leur proposer des prises en charge adaptées à leurs besoins et à leur profil clinique. D’autre part, il y a une disponibilité croissante des données de santé et une meilleure applicabilité de l’intelligence artificielle. Près de 30 % des données stockées dans le monde sont des données de santé et l’exploitation de celles-ci peuvent aider notamment  à assurer la viabilité du système de santé français, qui n’a pas de visée de rentabilité.

Durant votre thèse, vous avez travaillé à cette prédiction des parcours patients. Comment mieux prévoir et soulager les structures dans leurs organisations ? 
Pour anticiper des évènements cliniques sur un profil de patient donné, il a fallu étudier de près beaucoup de données médico-économiques. Ces données, notamment celles issues de la facturations des hôpitaux, sont très révélatrices des parcours de soins. Elles permettent de recomposer la trajectoire suivie des patients, grâce à l’intelligence artificielle qui offre d’excellentes perspectives d’analyse, de modélisation et d’interprétation. Nous avons étudié deux cas d’application. Le premier avec les Hospices Civils de Lyon, autour des troubles neurocognitifs comme l’Alzheimer. Nous avions accès à une base de données de suivi très riche qui, croisée avec les données de l’assurance maladie, ont donné un maillage très précis. Cela nous a permis d’identifier des profils types et d’établir des liens entre le profil et des évènements qui pourraient affecter le parcours de santé. Le deuxième cas d’application concernait un hôpital où l’enjeu était de réduire la variation des besoins en soins de patients traités à domicile, lors de situation de soins palliatifs ou de polyhandicap par exemple. Malheureusement, nous n’avons pas pu donner de suite concrète aux travaux avec cet organisme de santé, mais nous aurions souhaité développer une interface d’aide à la prise de décision pour les personnels soignants. 

Des applications réelles de ce type de prédiction sont donc possibles pour les organisations de santé ? 
Bien sûr, l’usage des algorithmes pour les organisations de santé n’est pas nouveau, mais dans notre cas, une réelle application pose plusieurs questions. D’abord, il faut s’assurer de pouvoir obtenir des données de santé de qualité, pouvant varier d’un établissement ou d’un service à un autre. Ensuite, il existe toujours des biais : ces données sont-elles représentatives de la réalité ? Les biais de représentations et de réplications de nos propres stéréotypes s’appliquent aussi ici. Sur les données que j’ai traitées, il y a eu une situation assez révélatrice : à l’occasion d’un questionnaire visant à évaluer le niveau de dépendance de patients atteints de trouble neurocognitifs, une série de questions les interrogeait sur leurs habitudes à faire le ménage, la lessive ou la vaisselle. De prime abord et au regard de ces questions, les patients de sexe masculin semblaient assez dépendants, alors qu’en réalité, ces patients n’avaient jamais été habitués à ces tâches quotidiennes durant toute leur vie. Avec ces seules données, on aurait tendance à surestimer la dépendance des hommes, alors qu’en réalité, ça n’est qu’un mode de vie qui se reflète. Face à ces biais, il faut être attentif pour pouvoir y apporter des corrections. Aussi, dans notre cas, nos IA généralisent et s’adaptent assez mal à de nouveaux contextes ; difficile pour elles de prévoir des évènements comme la crise Covid par exemple. Plus loin encore se pose la question de la responsabilité juridique de l’algorithme : à partir du moment où l’on décide de son implémentation au sein d’un hôpital, qui doit porter la responsabilité des résultats ? En fait, il y a beaucoup de problématiques qui dépassent la vision académique et qui peuvent poser énormément de freins à l’adoption même si nos travaux ont ouvert beaucoup de perspectives en matière de soutien au corps médical et à la qualité de prise en charge des patients.

 

[1] Decision & Information Systems for Production systems (INSA Lyon/ Lyon 2/Lyon 1/Université Jean Monnet)

Dans le cadre du projet let’s look up! Ingénierie et recherche par le prisme de la santé globale soutenu par la Maison des Sciences de l’Homme Lyon-Saint-Etienne (MSH-LS) et l’Institut des systèmes complexes (IXXI), nous organisons un cycle de séminaires pluridisciplinaires de décembre 2023 à décembre 2025

Ces séminaires visent à sensibiliser la communauté des chercheurs au concept de santé globale questionnant les liens santé humaine-santé animale-environnement.

Lors de ce premier séminaire, nous vous invitons à interroger nos pratiques de recherches quotidiennes avec les conférenciers, Claire Harpet, Aurore Toulou, Pablo Jensen et Yves Gingras.

Entrée gratuite, mais inscription obligatoire (webinaire et présentiel).

Development of Alumina-Toughened Zirconia composites reinforced with carbon nanofibers via Direct Ink Writing

Doctorante : Vivian INÊS DOS SANTOS

Laboratoire INSA : MATEIS

Ecole doctorale : ED34 : Matériaux de Lyon

The growing demand for ceramic materials with increasingly complex shapes for biomedical engineering applications cannot be achieved via traditional ceramic processing techniques. Recently, increasing attention has been drawn to ceramic-based materials produced by the additive manufacturing method of direct ink writing (DIW); still, the current challenge remains the achievement of strong mechanical reliability. Hence, in its first chapter, this thesis examines the overall scenario of the DIW field, analyzing the outcomes of published studies, discussing the most innovative approaches and mechanical and biological improvement strategies. The second chapter provides a comprehensive rheological characterization of pastes encompassing an alumina- toughened zirconia (ATZ) powder, a deflocculant, a binder, deionized water and, in some cases, carbon nanofibers (CNFs). Printability tests were also conducted and the results were compared to established printability criteria/parameters (ф, K and FTI), which were found to be suitable for assessing printability with some limitations. Furthermore, a new criterion based on the recovery rate of the storage modulus was introduced, with the potential to predict printability with a single test. The third and last chapter developed DIW-filaments of the same ATZ composite with and without CNFs with the objective of enhancing mechanical properties by CNF orientation. Nozzle diameters of 200-840 µm were used and optimal debinding and sintering conditions were determined, using both Conventional Sintering (CS) and Spark Plasma Sintering (SPS) methods. Were determined: the fracture stress, fracture strain, Young's modulus and mechanical reliability (Weibull modulus). The addition of the CNFs hindered most of the mechanical properties because of their agglomeration. Printing with smaller nozzles improved the Young’s modulus, with ATZ filaments sintered by CS exhibiting transformation-induced plasticity, while those sintered by SPS didn’t. The mechanical properties obtained were comparable to or higher than those achieved through conventional ceramic processing techniques. Similarly, a good level of mechanical reliability was achieved.

Formation de voies adaptative et identification de microbulles pour l'imagerie par localisation ultrasonore

Doctorant : Alexandre CORAZZA

Laboratoire INSA : CREATIS
Ecole doctorale : ED160 : EEA

Caractériser le réseau vasculaire est essentiel pour diagnostiquer des pathologes liées à la structure vasculaire et au flux sanguin. Pour cela, l’imagerie par localisation ultrasonore (ILU) a récemment été élaborée. Son principe réside dans l’injection de microbulles (MBs) par voie veineuse. Des mesures ultrasonores (US) sont acquises au cours du temps. Des séquences d’images US sont construites à partir de celles-ci avec la méthode de formation de voies (FV) standard du Delay and Sum (DAS). Sur ces images, des points brillants en mouvement correspondant aux MBs peuvent être visualisés. L’ILU consiste à identifier les MBs, localiser avec précision leur centre et les suivre au cours du temps pour tracer la carte du réseau vasculaire avec une résolution de l’ordre de la dizaine de micromètre. L’objectif de cette thèse est d’étudier l’influence de l’étape de FV sur les résultats de l’ILU. Cette interrogation est motivée par la capacité de méthodes de FV adaptatives à améliorer la résolution des images US, et/ou à atténuer les tissus biologiques et le bruit sur ces images, ce qui permettrait de faciliter l’identification des MBs. Les contributions s’inscrivent tout d’abord dans l’évaluation des méthodes de FV adaptatives dans le contexte de l’ILU, montrant une augmentation du nombre de MBs détectées sur des données in silico. Sur des données in vivo, il est montré que les méthodes d’identification des MBs de la littérature ne sont pas adaptées pour une comparaison équitable des méthodes de FV. Puis, une nouvelle méthode d’identification de MB basée sur la théorie de la décision est proposée. D’abord évaluée avec le DAS sur des données in vivo, cette méthode d’identification offre une amélioration de la complétion et de la résolution des cartes de réseau vasculaire. Enfin, en combinant cette méthode à la FV adaptative, des cartes du réseau vasculaire plus complètes peuvent être générées.

.

Simulation de la diffusion de l'eau dans les tissus biologiques, application au tissu cardiaque

Doctorante : Yuhan JING

Laboratoire INSA : CREATIS
Ecole doctorale : ED205 : EDISS

Cardiovascular diseases remain one of the most serious health problems in the world, motivating research that deepens our understanding of the myocardial function. There are still large shadow areas in the understanding of the relationships between the mechanical function, hemodynamic/perfusion/diffusion/percolation/transfer rate and
the adaptive structural changes emerging in cardiac diseases (Cardiomyopathy, ischemia). To better understand the way the water molecules diffuse within the cardiac tissue, the Ph.D. will build a simulator able to mimic the motion of water molecules through both simple and realistic virtual 3D cardiac tissue models and will couple it to a Virtual
Magnetic Resonance Imaging device able to image the Diffusion (v_DMRI).

 

.

Dosimetry for 177Lu and 90Y radionuclide therapies through imaging and Monte Carlo simulations

Doctorante : Laure VERGNAUD

Laboratoire INSA : CREATIS
Ecole doctorale : EDA160 : Électronique, Électrotechnique, Automatique

La radiothérapie interne vectorisée est un nouveau type de traitement contre le cancer qui consiste à injecter par intraveineuse un médicament radioactif qui va venir se fixer aux cellules tumorales, être internalisé et les détruire. Il est composé d’un radioisotope (ici le 177Lu) et d’un vecteur sélectionné selon le type de récepteurs sur-exprimés par les cellules tumorales. Ce traitement a démontré son efficacité pour les tumeurs neuroendocrines de l’intestin moyen, progressives et avancées (TNE) et pour les cancers de la prostate métastatiques résistants à la castration.
Cependant, les plans de traitement sont standardisés alors que des études ont montrées que les doses absorbées par les organes à risque et les tumeurs diffèrent d’un patient à un autre. Afin de pouvoir les personnaliser, il est donc nécessaire d’estimer les doses absorbées et de les mettre en regard avec les toxicités et l’efficacité du traitement comme cela est fait en radioembolisation (injection intra-hépatique de microsphères d’90Y).
La dosimétrie est réalisée à partir de la biodistribution du médicament au cours du temps obtenue grâce à une gamma caméra. Cependant, les nombres et les temps d’acquisitions sont conditionnés par les contraintes cliniques. C’est pourquoi, la première contribution a eu pour objectf de fournir un workflow dosimétrique s’adaptant au nombre d’acquisitions disponibles pour les thérapies au 177Lu-DOTATATE (TNE).
Plus récemment, les gamma caméras CZT ont permis de réduire les durées d’acquisition tout en conservant la qualité de l’image. Une seconde contribution a consisté à évaluer les performances quantitatives de ce type de caméra pour la dosimétrie au 177Lu avant de réaliser la dosimétrie des patients traités au 177Lu-PSMA (cancer de la prostate) dont les résultats préliminaires sont disponibles.
Enfin, l’impact de la correction du mouvement respiratoire sur la dosimétrie prédictive en radioembolisation a été évalué (3ième contribution).